大型風力發電機葉片表面的損壞可能會導致災難性的葉片故障。儘管已經有許多方法提出來檢測風力發電機葉片的表面損傷，但由於難以從商用常獲取數據，其中許多方法都是從實驗室測試取得數據。資料多樣性的缺乏是開發用於鑑別上述損壞的機器學習方法的障礙。因此，我們開發了一種風力發電機葉片表面損傷檢測方法，該方法基於表面狀況與實際環境條件下運行的風力發電機的聲音訊號之間的物理相關性。在上述方法的預處理階段，利用短時傅立葉轉換和平滑技術來分析及時頻譜和轉子速度。然後將得到的頻譜圖和轉子速度輸入卷積神經網路，將風力發電機葉片表面分為兩類:至少有一損壞葉片與沒有損壞葉片的發電機。本文提出的CNN是包含掩蔽模組和殘差分類器的混合網路，掩蔽模組抑制頻譜圖中的冗餘訊息，而殘差分類器則量化掩蔽頻譜圖和標準頻譜圖之間的差異。透過使用殘差分類器中的物理特徵，可以在具有一些可訓練參數的小資料集上輕鬆訓練所提出的CNN。利用所提出的損傷檢測方法對商用風力發電機的運轉噪音進行了評估;結果顯示，該方法優於先前研究中提出的方法，準確率達到97.11%。（工科海洋系王昭男教授提供）

 

圖一、彰濱工業區風場

 

 

 

圖二、風機運轉噪音時域訊號

 

 

 

圖三、風機運轉噪音時頻圖

 

 

 

圖四、  分類結果之混淆矩陣