lv維修費用的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

支持向量機偵測風機葉片表層損傷之研究

為了解決lv維修費用的問題，作者許叡綺 這樣論述：

風力發電機價格成本極為昂貴，為降低葉片因環境影響造成故障之維修費用，故建立一套系統來判斷風機葉片表面是否為損壞，及早對葉片表層進行修補，避免因結構破壞而須更換新葉片，造成鉅額費用支出。本實驗收集陸地風機運轉所產生之噪音訊號，並將現場測得之不同風速範圍從4 m/s至10 m/s建立同一套判別標準，量測組數共817組風機運轉噪音，進行梅爾倒頻譜(Mel-Frequency Cepstral)訊號處理，擷取該訊號之梅爾倒頻譜係數(Mel-Frequency Cepstral Coefficients, MFCC)，以此係數及其微分等運算作為葉片之特徵訊號，每一組運轉噪音皆得156個特徵維度；接著，

再透過支持向量機(Support Vector Machine, SVM)，建構偵測並診斷風機葉片表層損傷與否之分類訓練模組，並將所有MFCC特徵係數隨機抽取75%進行SVM模型訓練，剩餘25%樣本為測試資料，希望藉由此機器學習分析方式，提高判斷葉片為正常或損壞之準確率。 透過時頻圖觀察風機運轉之噪音，發現於頻率3100 Hz左右以下之能量相對較大，大多參雜發電機及風機運轉之低頻噪音，為避免該噪音對判斷結果造成影響，可利用高頻段(3100 Hz~12800 Hz)噪音訊號進行分析。經研究顯示，透過MFCC及SVM方法計算，得到葉片運轉之高頻訊號診斷結果準確率為92.3%；另外，也將風機

運轉噪音以全頻段(~12800HZ)訊號進行偵測並診斷葉片損傷資訊，該判斷分類結果準確率為96.8%，較高頻訊號診斷結果準確。由此可知，判斷風機葉片表層損壞與否之方法，以全頻段訊號處理分析較符合實際應用，方能得到較高之診斷準確率。為減少運算量及維度資料儲存量，本研究針對全頻段訊號進行主成分分析法(Principal Components Analysis, PCA)計算，使原本156個維度係數刪去冗餘噪音資料，同時保留貢獻度較大之特徵作為主要訓練模型之數據，最終以12個維度係數進行SVM計算，得到診斷準確率與原本高維度(156維)相比，僅些微之差，可有效作為風機葉片表面損傷之診斷。