基于采集的频率、距离、幅值、空气密度及声速等关键参数，可精确计算风机叶片在运行过程中的气动噪声声压值。通过对比预设的气动噪声阈值区间，能够有效识别叶片是否存在异常噪声（如湍流分离、翼型失速或结构损伤）。该技术可实时预警潜在故障，显著提升风电机组运行安全性，并为叶片维护策略提供数据支撑，从而保障风电场的稳定高效发电。
1.本算法首先采集垂直轴风机叶片的声学振动信号及对应声压数据作为基础数据集，同时获取频率谱特征、测量距离、振动幅值、空气密度及声速等物理参数。2.数据预处理阶段对各类参数进行归一化和量纲统一处理。3.模型采用XGBoost算法，其目标函数包含损失函数和正则化项，通过迭代优化得到预测结果。4.模型预测:算法中嵌入了气动噪声物理计算模块，利用公式P_pred=K*(ρc³/d²)*∫(A(f)/f)df计算理论声压值，其中K为叶片气动效率系数，通过实验数据拟合获得，反映叶片的几何特性和运行工况；ρ表示空气密度，直接影响空气与叶片相互作用产生的声能强度；c为声速，其立方项体现声波传播过程中的能量转换效率；d是测量距离，遵循平方反比定律描述声压随距离的衰减规律；积分项∫(A(f)/f)df综合评估不同频率振动对噪声的贡献，并与机器学习预测结果进行交叉验证，当相对误差超过15%时触发模型重训练，最终输出声压预测值5.结果分析，当声压值的绝对值在[0,25]之间时，判定为声压稳定，当大于25时候，判定为声压异常。
| 字段名 | 类型 | 描述 |
|---|---|---|
频率 (Hz) |
-- | -- |
距离 (m) |
-- | -- |
幅值 (m) |
-- | -- |
介质密度 (kg/m2) |
-- | -- |
声速 (m/s) |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 频率 (Hz) | 3073.107688 |
| 距离 (m) | 16.34639123 |
| 幅值 (m) | 0.007880665 |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/181745