技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种风力发电机组叶片故障判断方法及装置与流程  >  正文

一种风力发电机组叶片故障判断方法及装置与流程

  • 国知局
  • 2024-09-11 14:26:59

本发明属于风力发电机组叶片故障判断方法领域,具体为一种风力发电机组叶片故障判断方法及装置。

背景技术:

1、风力发电机组作为一种清洁能源设备,其运行效率和可靠性在很大程度上依赖于其关键组件——叶片的正常运作。叶片在长期运行过程中可能会因为环境因素、材料疲劳等原因出现损伤或故障,这些损伤若不及时检测和维修,将严重影响风力发电机组的性能和寿命,甚至可能导致严重的安全事故。

2、传统的风力发电机组叶片检测方法多依赖于定期的人工检查或简单的自动化技术,这些方法存在检测效率低、准确性不足或无法实时监控等问题。随着计算机视觉和深度学习技术的发展,基于图像的自动化检测方法逐渐成为研究的热点。这些方法通过分析叶片表面的图像来识别损伤和故障,具有非接触、快速和可自动化等优点。

3、在现有技术中,已经存在一些图像特征提取技术,这些传统方法在特征表达能力、鲁棒性以及实时性方面仍存在局限。深度学习,尤其是卷积神经网络(cnn)和单次检测模型(ssd),在图像识别和目标检测领域取得了显著的成果。ssd模型通过在不同层次的卷积特征上进行目标检测,能够实现快速且准确的目标定位和分类。将ssd模型应用于叶片故障检测,可以充分利用其深层特征提取能力,提高故障识别的准确性。

4、然而,如何有效地融合传统图像特征和深度学习提取的特征,以及如何构建一个稳定可靠的特征数据库,用于风力发电机组叶片的实时故障检测和诊断,仍然是技术挑战。本发明提出的风力发电机组叶片故障判断方法,正是为了解决这些技术问题,通过创新的特征融合策略和深度学习模型的应用,实现了一种高效、准确的叶片故障检测技术。

技术实现思路

1、针对现有技术的不足,本发明的目的是提供一种风力发电机组叶片故障判断方法及装置。

2、本发明的技术方案具体如下:

3、本发明目的之一是提供了一种风力发电机组叶片故障判断方法,包括:

4、提取风力发电机组叶片在正常运行状态下的无损叶片表面图像的haralick特征和sift特征;

5、通过应用frei-chen算子进行边缘检测,将检测到的边缘信息转化为调节权重,实现haralick纹理特征和sift关键点特征的有效融合,形成初步融合特征;

6、设计初步融合特征与深层卷积特征融合策略,形成加权特征融合计算模型,确定卷积特征和初步融合特征的权重;

7、利用ssd网络的卷积层提取无损叶片表面的深层卷积特征,将深层卷积特征与初步融合特征基于加权特征融合计算模型融合,获得加权特征融合数据库;

8、利用ssd网络获取工作叶片图像的深层卷积特征,同时获取工作叶片的初步融合特征,基于加权特征融合计算模型获得工作叶片加权特征融合数据,判断工作叶片加权特征融合数据是否存在于加权特征融合数据库,进而判断工作叶片是否存在特征异常点,并判断故障的类型和位置。

9、进一步的,所述无损叶片表面图像的haralick特征和sift特征提取方法为:

10、获取风力发电机组无损叶片的表面图像并对表面图像预处理;

11、从采集的图像中提取haralick特征和sift特征;

12、对haralick特征和sift特征进行归一化处理。

13、进一步的,所述通过应用frei-chen算子进行边缘检测,边缘强度计算公式为:

14、e=∑x,y|i(x,y)-i(x+δx,y+δy)|

15、其中,i(x,y)是图像在点(x,y)的像素值,δx和δy是预定义的像素偏移量。

16、进一步的,根据边缘检测结果,计算每个像素点的权重,所述计算方式如下:

17、

18、其中,w(x,y)是点(x,y)的权重,e(x,y)是边缘强度,α是控制权重变化的参数;

19、所述初步融合特征的计算公式为:

20、ffusion(x,y)=w(x,y)·{h(x,y)+s(x,y)}

21、其中,ffusion(x,y)是融合后的特征值,h(x,y)和s(x,y)分别是haralick和sift特征值。

22、进一步的,所述初步融合特征与深层卷积特征融合策略为采用加权特征融合的特征融合策略,融合方法具体为:

23、首先通过池化操作调整特征图的尺寸进行特征对齐;

24、使用z得分归一化方法对两种特征进行归一化,具体计算公式为:

25、

26、其中,μ和σ分别是特征的均值和标准差。

27、设定权重wconv和winitial为卷积特征和初步融合特征的权重,权重总和为1,即wconv+winitial=1,计算加权融合特征,加权特征融合计算模型为:

28、ffusion=wconv·fnorm,conv+winitial·fnorm,initial。

29、进一步的,所述卷积特征权重:wconv=0.7;初步融合特征权重:winitial=0.3;

30、获得的最终加权特征融合计算模型为:

31、ffusion=0.7·fnorm,conv+0.3·fnorm,initial。

32、本发明的目的之二是提供了基于风力发电机组叶片故障判断方法的判断装置,该装置执行目的之一中的基于风力发电机组叶片故障判断方法。

33、本发明的有益效果为:1)通过综合应用图像处理和深度学习技术,实现了对风力发电机组叶片的高效自动化监测。首先,通过haralick和sift特征的自动提取与边缘检测,结合frei-chen算子,增强了对叶片表面细节的捕捉能力,为后续分析打下坚实基础。

34、2)该方法采用ssd网络进行深层特征提取,并创新性地将这些深层特征与传统图像特征进行加权融合,优化了特征的表达力。这种融合策略不仅提高了故障检测的准确性,而且通过构建特征数据库,为叶片的实时状态评估和故障诊断提供了可靠的参考。

35、3)该技术通过自动化的故障诊断流程,显著提升了风力发电机组的维护效率和运行安全性。实时监控和快速响应机制减少了人为因素的干扰,延长了叶片的使用寿命,降低了维护成本,同时为风力发电的可靠性和预防性维护提供了有力的技术支持。

技术特征:

1.一种风力发电机组叶片故障判断方法,其特征在于,包括:

2.根据权利要求1所述的一种风力发电机组叶片故障判断方法,其特征在于,所述无损叶片表面图像的haralick特征和sift特征提取方法为:

3.根据权利要求1所述的一种风力发电机组叶片故障判断方法,其特征在于,所述通过应用frei-chen算子进行边缘检测,边缘强度计算公式为:

4.根据权利要求3所述的一种风力发电机组叶片故障判断方法,其特征在于,根据边缘检测结果,计算每个像素点的权重,所述计算方式如下:

5.根据权利要求1所述的一种风力发电机组叶片故障判断方法,其特征在于,所述初步融合特征与深层卷积特征融合策略为采用加权特征融合的特征融合策略,融合方法具体为:

6.根据权利要求5所述的一种风力发电机组叶片故障判断方法,其特征在于,所述卷积特征权重:wconv=0.7;初步融合特征权重:winitial=0.3;

7.基于权利要求1-6任一项所述的一种风力发电机组叶片故障判断方法的故障判断装置,其特征在于,故障判断装置执行权利要求1-6任一项所述的一种风力发电机组叶片故障判断方法。

技术总结本发明属于风力发电机组叶片故障判断方法领域,具体为一种风力发电机组叶片故障判断方法及装置。该方法首先自动提取叶片表面的Haralick纹理特征和SIFT关键点特征。通过应用Frei‑Chen算子进行边缘检测,并将边缘信息转化为权重,实现特征的有效融合。进一步设计了加权特征融合计算模型,结合SSD网络提取的深层卷积特征,构建了加权特征融合数据库。最终,通过比对实时收集的叶片图像数据与数据库,快速准确地判断叶片是否存在故障及其类型和位置。此方法利用深度学习提升了特征提取的能力,实现了自动化的故障检测,减少了人工干预,提高了风力发电机组的运行可靠性和维护效率。技术研发人员:樊长明,张延恩,夏汨罗,程振,吴华,周邵楠,姚莹,刘娜,卢旭升受保护的技术使用者:国电投河南新能源有限公司技术研发日:技术公布日:2024/9/9

本文地址:https://www.jishuxx.com/zhuanli/20240911/290860.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。