CN110174413B - 一种叶片缺陷检测方法及维护方法 - Google Patents

一种叶片缺陷检测方法及维护方法 Download PDF

Info

Publication number
CN110174413B
CN110174413B CN201910510171.1A CN201910510171A CN110174413B CN 110174413 B CN110174413 B CN 110174413B CN 201910510171 A CN201910510171 A CN 201910510171A CN 110174413 B CN110174413 B CN 110174413B
Authority
CN
China
Prior art keywords
blade
defects
defect
maintenance
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201910510171.1A
Other languages
English (en)
Other versions
CN110174413A (zh
Inventor
李建明
郑燕
曾强雁
赵龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Intelligent Detection Systems Wuhan Co ltd
Original Assignee
Intelligent Detection Systems Wuhan Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Intelligent Detection Systems Wuhan Co ltd filed Critical Intelligent Detection Systems Wuhan Co ltd
Priority to CN201910510171.1A priority Critical patent/CN110174413B/zh
Publication of CN110174413A publication Critical patent/CN110174413A/zh
Application granted granted Critical
Publication of CN110174413B publication Critical patent/CN110174413B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9515—Objects of complex shape, e.g. examined with use of a surface follower device

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明涉及一种叶片缺陷检测方法，包括如下步骤：S100a、获取叶片整体的目标图像；S200a、基于光学检测方法检测出叶片表面和主动式红外检测方法检测出叶片蒙皮下的缺陷；S300a、将检测出的缺陷在目标图像上进行标记。本发明的有益效果是：通过光学和红外检测可检测出叶片的表面及蒙皮下缺陷，并在叶片的整体图像中标注出缺陷，利于后期查看叶片的状况,除此之外，后续对此块叶片进行检测的时候，可对标记出的缺陷进行重点关注，相对于人工检测而言，本方法检测精度高、误差小，同时能够检测出肉眼无法观察出的内部缺陷。

Description

一种叶片缺陷检测方法及维护方法
技术领域
本发明涉及风机叶片检测技术领域，尤其涉及一种叶片缺陷检测方法及维护方法。
背景技术
风机叶片在长期工作过程中，容易受到风沙走石的撞击，叶片的表面及内部会产生不同程度的缺陷。目前市面上一般是人工目测，目测往往只能看到表面的缺陷，对表面下的缺陷就只能凭经验，这样往往会带来误测，此外此种检测方式往往只是掌握叶片的当前状态。
发明内容
本发明所要解决的技术问题是提供一种叶片缺陷检测方法及维护方法，以克服上述现有技术中的不足。
本发明解决上述技术问题的技术方案如下：
一种叶片缺陷检测方法，包括如下步骤：
S100a、获取叶片整体的目标图像；
S200a、基于光学检测方法检测出叶片表面和主动式红外检测方法检测出叶片蒙皮下的缺陷；
S300a、将检测出的缺陷在目标图像上进行标记。
本发明的有益效果是：通过光学和红外检测可检测出叶片的表面及蒙皮下缺陷，并在叶片的整体图像中标注出缺陷，利于后期查看叶片的状况, 除此之外，后续对此块叶片进行检测的时候，可对标记出的缺陷进行重点关注，相对于人工检测而言，本方法检测精度高、误差小，同时能够检测出肉眼无法观察出的内部缺陷。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述步骤S300a具体如下：
S310a、提取叶片中检测出的含有缺陷的图片数据；
S320a、构建缺陷识别模型；
S330a、通过缺陷识别模型对含有缺陷的图片数据进行缺陷的识别检测；
S340a、将识别出的缺陷在目标图像上进行标记，包括标记出缺陷的位置及尺寸信息。
采用上述进一步的有益效果是：在叶片整体的目标图像中标注出缺陷位置、尺寸及类型，方便后续准确、快速查看。
进一步，所述步骤S320a具体如下：
S321a、获取多类具有缺陷的样本图片数据，并对具有不同类型缺陷的样本图片数据做标签，然后将样本图片数据进行随机混合；
S322a、选取ResNet模型做训练和预测，训练过程包括K折交叉验证，将样本图片数据分为K份，选择其中K-1份进行训练，剩余份用于验证，重复进行K次交叉验证，并将每次验证的误差累加求平均值，误差最小的模型作为缺陷识别模型。
采用上述进一步的有益效果是：可以实现利用软件自动识别缺陷，减小人工参与量。
一种叶片缺陷检测维护方法，包括如下步骤：
S100b、收集数据，包括叶片相关数据和故障维修数据，其中，叶片相关数据包括叶片的厂家、风资源、使用时间和风机位置；故障维修数据包括检修时间、缺陷类型及尺寸数据；
S200b、获取缺陷的状态变化曲线和缺陷的概率分布：
以及，对不同缺陷类型进行时间上的拟合，表示为Y（tn）,缺陷种类为n；概率分布 为
Figure 964012DEST_PATH_IMAGE001
为与厂商、风机位置相 关的加权系数：其中，
Figure 689260DEST_PATH_IMAGE002
，i为1,2，…，n，ki为形状参数， ai为比例参数；
S300b、利用极大似然法对概率分布进行参数ki和ai求解；
S400b、获取设备的可靠性概率分布R(t)，其中R(t)为满足威布尔分布的函数；
S500b、根据缺陷的类型及尺寸信息、不同缺陷的维护成本与叶片的可靠性进行评判，给出叶片的最佳维修时间。
本发明的有益效果是：根据缺陷的类型及尺寸信息、不同缺陷的维护成本与设备的可靠性进行评判，可合理安排检修时间，使利益与成本达到最优化。
附图说明
图1为叶片缺陷检测方法的流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，一种叶片缺陷检测方法，包括如下步骤：
S100a、获取叶片整体的目标图像；
S200a、基于光学检测方法检测出叶片表面和主动式红外检测方法检测出叶片蒙皮下的缺陷；
S300a、将检测出的缺陷在目标图像上进行标记。
所述步骤S100a在获取叶片整体的目标图像时，若无法一次完成，可以采集叶片的多张图像，然后对这多张照片进行拼接，得到叶片整体的目标图像。
所述步骤S300a具体如下：
S310a、提取叶片中检测出的含有缺陷的图片数据；
S320a、构建缺陷识别模型；
S330a、通过缺陷识别模型对含有缺陷的图片数据进行缺陷的识别检测；
S340a、将识别出的缺陷在目标图像上进行标记，包括标记出缺陷的位置及尺寸信息。
所述步骤S320a具体如下：
S321a、获取多类具有缺陷的样本图片数据，并对具有不同类型缺陷的样本图片数据做标签，然后将样本图片数据进行随机混合；
S322a、选取ResNet模型做训练和预测；
S323a、训练过程包括K折交叉验证，将样本图片数据分为K份，选择其中K-1份进行训练，剩余份用于验证，重复进行K次交叉验证，并将每次验证的误差累加求平均值，误差最小的模型作为缺陷识别模型。
一种叶片缺陷检测维护方法，包括如下步骤：
S100b、收集数据，包括叶片相关数据和故障维修数据，其中，叶片相关数据包括叶片的厂家、风资源、使用时间和风机位置，风机位置如山地、平原、海上等；故障维修数据包括检修时间、缺陷类型及尺寸数据；
S200b、获取缺陷的状态变化曲线和缺陷的概率分布：
以及，对不同缺陷类型进行时间上的拟合，表示为Y（tn）,缺陷种类为n；概率分布 为
Figure 307323DEST_PATH_IMAGE001
为与厂商、风机位置相 关的加权系数：其中，
Figure 718713DEST_PATH_IMAGE002
,i为1,2，…，n，ki为形状参数，ai为比例参 数；
S300b、利用极大似然法对概率分布进行参数ki和ai求解；
S400b、获取设备的可靠性概率分布R(t)，其中R(t)为满足威布尔分布的函数；
S500b、根据缺陷的类型及尺寸信息、不同缺陷的维护成本与叶片的可靠性进行评判，给出叶片的最佳维修时间。
对于风机而言，停工检修造成的损失是比较大，就按一台1.5MW的风机来说，一天的发电量可达36000度电，故而合理的安排检修时间对风场来说是有利的。
在所述步骤S200b中缺陷的状态变化是指缺陷的大小变化，像t时刻可能是3mm的裂纹，2t时刻变成了5mm的裂纹；缺陷类型就是缺陷的种类，像风机叶片可能的缺陷类型有裂纹、白斑、气泡、褶皱等。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (1)

1.一种叶片缺陷检测维护方法，其特征在于，包括如下步骤：
S100b、收集数据，包括叶片相关数据和故障维修数据，其中，叶片相关数据包括叶片的厂家、风资源、使用时间和风机位置；故障维修数据包括检修时间、缺陷类型及尺寸数据；
S200b、获取缺陷的状态变化曲线和缺陷的概率分布：
以及，对不同缺陷类型进行时间上的拟合，表示为Y（tn）,缺陷种类为n；概率分布为
Figure 985062DEST_PATH_IMAGE001
为与厂商、风机位置相关 的加权系数：其中,
Figure 999155DEST_PATH_IMAGE002
,i为1,2，…，n，ki为形状参数，ai 为比例参数；
S300b、利用极大似然法对概率分布进行参数ki和ai求解；
S400b、获取设备的可靠性概率分布R(t)，其中R(t)为满足威布尔分布的函数；
S500b、根据缺陷的类型及尺寸信息、不同缺陷的维护成本与叶片的可靠性进行评判，给出叶片的最佳维修时间。
CN201910510171.1A 2019-06-13 2019-06-13 一种叶片缺陷检测方法及维护方法 Expired - Fee Related CN110174413B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910510171.1A CN110174413B (zh) 2019-06-13 2019-06-13 一种叶片缺陷检测方法及维护方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910510171.1A CN110174413B (zh) 2019-06-13 2019-06-13 一种叶片缺陷检测方法及维护方法

Publications (2)

Publication Number Publication Date
CN110174413A CN110174413A (zh) 2019-08-27
CN110174413B true CN110174413B (zh) 2021-08-31

Family

ID=67698472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910510171.1A Expired - Fee Related CN110174413B (zh) 2019-06-13 2019-06-13 一种叶片缺陷检测方法及维护方法

Country Status (1)

Country Link
CN (1) CN110174413B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112396604B (zh) * 2021-01-21 2021-03-30 中国人民解放军国防科技大学 一种基于多视角的飞机蒙皮缺陷检测方法
CN117686519B (zh) * 2024-02-04 2024-04-30 易事特智能化系统集成有限公司 一种风力发电机叶片表面缺陷检测装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080300888A1 (en) * 2007-05-30 2008-12-04 General Electric Company Systems and Methods for Providing Risk Methodologies for Performing Supplier Design for Reliability
CN103679280B (zh) * 2012-09-26 2016-12-21 中国人民解放军第二炮兵工程大学 一种性能缓变退化的设备最优维护方法
CN103646166B (zh) * 2013-11-18 2016-05-11 广东电网公司电力科学研究院 一种基于非概率可靠性理论的电站高温管道系统维修方法
CN105138850B (zh) * 2015-09-09 2017-02-15 中航沈飞民用飞机有限责任公司 一种民用飞机系统维修时间间隔计算方法
CN206177840U (zh) * 2016-10-27 2017-05-17 中新红外科技（武汉）有限公司 一种红外智能检测设备
CN107545111A (zh) * 2017-09-05 2018-01-05 北京锦鸿希电信息技术股份有限公司 基于威布尔分布的城轨车辆可靠性分析方法及装置
CN208216997U (zh) * 2018-05-07 2018-12-11 中新红外科技（武汉）有限公司 一种检测无人机
CN109142371A (zh) * 2018-07-31 2019-01-04 华南理工大学 基于深度学习的高密度柔性基板外观缺陷检测系统与方法
CN109376872B (zh) * 2018-09-07 2022-04-01 上海电力学院 一种海上风电机组维护系统
CN109658396A (zh) * 2018-12-06 2019-04-19 华中科技大学 一种基于选择性搜索与cnn的铸件x光图像缺陷识别方法

Also Published As

Publication number Publication date
CN110174413A (zh) 2019-08-27

Similar Documents

Publication Publication Date Title
CN109344753A (zh) 一种基于深度学习的航拍图像输电线路细小金具识别方法
EP2128438A2 (en) Method and apparatus for determining and/or providing power output information of wind turbine farms
CN110174413B (zh) 一种叶片缺陷检测方法及维护方法
CN110567964B (zh) 一种检测变电设备缺陷的方法、装置及存储介质
CN106897945A (zh) 风力发电机组的聚类方法和设备
CN106570790B (zh) 一种计及风速数据分段特性的风电场出力数据修复方法
CN113469953A (zh) 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法
CN114399484A (zh) 一种光伏组件缺陷检测方法、装置、设备及介质
CN114021610B (zh) 基于迁移学习的风机故障识别模型训练方法及系统
CN114821852A (zh) 基于特征金字塔的电网缺陷深度识别巡查机器人控制系统
CN114663393A (zh) 一种基于卷积神经网络的光伏组件间距不良缺陷检测方法
CN113776670A (zh) 一种基于红外图像的电力设备监测系统及方法
CN111310611B (zh) 细胞视野图的检测方法及存储介质
CN116863122A (zh) 一种电表抄表处理方法、装置、云端、系统及介质
CN111738259A (zh) 一种杆塔状态检测方法及装置
CN113052308A (zh) 训练目标小区识别模型的方法及目标小区识别方法
CN111028250A (zh) 一种实时智能验布方法及系统
CN115690505A (zh) 光伏组件故障检测方法、装置、计算机设备及存储介质
US20210089886A1 (en) Method for processing data based on neural networks trained by different methods and device applying method
CN111898314B (zh) 湖泊水体参数检验方法、装置、电子设备及存储介质
CN113506290A (zh) 一种线路绝缘子缺陷检测方法及装置
CN111626323A (zh) 一种基于深度学习的电表状态检测和评估方法
CN116229278B (zh) 一种输电线路防震锤锈蚀缺陷检测方法和系统
CN116012330B (zh) 一种极片的缺陷检测方法、装置、设备和计算机存储介质
KR20230158699A (ko) 태양광 패널의 결함 검사 장치 및 그 운용 방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210831

CF01 Termination of patent right due to non-payment of annual fee