基于采集的频率（Hz）、距离(m)、幅值(m)、介质密度(kg/m2)及声速(m/s)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.数据搜集：搜集到浮式风机叶片运行的声学振动信号数据，并将其作为特征变量。同时，收集对应的声压数据，作为目标变量。2.预处理：利用归一化公式x=（xi-min）/（max-min）；其中xi是样本字段中第i条数据(xi代表频率 (Hz)、距离 (m)、幅值 (m)、介质密度 (kg/m2)、声速 (m/s))，x是归一化后的值；3.模型训练：用Python语言环境运行，方法为XGBoost算法，预测浮式风机叶片的声压。XGBoost的目标函数由两部分组成：损失函数和正则化项。损失函数用于衡量模型预测值与实际值之间的差异，而正则化项则用于控制模型的复杂度，防止过拟合。公式如下：F(x）=求和L（yi，y^i）+求和（m(f(k))），其中L（yi，y^i）表示第i个样本的损失函数，yi是实际值，y^i是预测值；m(f(k))表示第 k 棵树的复杂度。当损失函数F（x）最小化时则停止迭代过程，在此过程中y^i预测值是通过特征函数进行求解的，具体计算方式如下：通过对于目标函数的求导，紧接着并令导数等于0，从而解出叶子节点的最优分数。通过不断地选择最优分裂点并构建树结构，XGBoost最终可以得到一棵最优的树模型。然后，将多棵树模型的预测结果进行累加，即可得到最终的预测值。4.模型迭代和更新，利用交叉验证来评估模型的稳定性和性能，其中交叉验证公式如下：m=求和（yi-y^i）/N；其中m代表交叉验证误差、N代表数据样本的数量、yi代表第 i 个样本的实际观测值、y^i代表第 i 个样本的模型预测值。若满足交叉验证的误差范围则退出迭代过程，输出模型参数值。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) | 7364.426906 |
| 距离 (m) | 46.60212088 |
| 幅值 (m) | 0.03425777 |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/181749