CN111461210A - 一种基于无人机风电巡检叶片缺陷等级判定方法 - Google Patents
一种基于无人机风电巡检叶片缺陷等级判定方法 Download PDFInfo
- Publication number
- CN111461210A CN111461210A CN202010242296.3A CN202010242296A CN111461210A CN 111461210 A CN111461210 A CN 111461210A CN 202010242296 A CN202010242296 A CN 202010242296A CN 111461210 A CN111461210 A CN 111461210A
- Authority
- CN
- China
- Prior art keywords
- blade
- defect
- aerial vehicle
- unmanned aerial
- grade
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 229
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000007689 inspection Methods 0.000 title claims abstract description 23
- 239000011162 core material Substances 0.000 claims description 15
- 206010040954 Skin wrinkling Diseases 0.000 claims description 14
- 238000005336 cracking Methods 0.000 claims description 12
- 230000007774 longterm Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 231100000817 safety factor Toxicity 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000001681 protective effect Effects 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000001931 thermography Methods 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims 1
- 238000005457 optimization Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000037303 wrinkles Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于无人机风电巡检叶片缺陷等级判定方法，包括如下步骤：S1、建立缺陷等级分类描述公式；S2、结合缺陷数据库，根据缺陷数据等级分类描述公式对采集的叶片缺陷数据进行判断，从而获得叶片缺陷的严重程度等级。本发明结合缺陷数据库，根据缺陷数据等级分类描述公式对采集的叶片缺陷数据进行判断，从而获得叶片缺陷的严重程度等级。采用本发明有利于对风场叶片状态进行管理。根据叶片的缺陷等级，提出对叶片的维护节点及周期。
Description
技术领域
本发明属于风电叶片巡检领域，具体地提供了一种基于无人机风电巡检叶片缺陷等级判定方法。
背景技术
使用无人机对叶片进行巡检已经日益成为一种快捷、高效的叶片巡检手段。一般，无人机对于叶片的巡检流程是将叶片进行全尺寸信息记录，数据包括视频，照片等信息。但数据量较大，需要人工对叶片缺陷进行筛选，并根据经验对叶片的缺陷进行分类和描述，最后生成无人机巡检报告。叶片巡检报告质量完全受人员经验和图像质量的影响。因此对于无人机叶片的巡检，若能根据缺陷数据库结合缺陷数字化定义及缺陷等级划分实现风场叶片缺陷自动分类则能避免上述影响。
发明内容
本申请的目的在于提供一种基于无人机风电巡检叶片缺陷等级分类方法，适用于无人机对风电叶片的巡检并对缺陷进行快速分类分级。
为实现本发明的目的，本发明提供的一种基于无人机风电巡检叶片缺陷等级判定方法，包括如下步骤：
S1、建立缺陷等级分类描述公式；
S2、结合缺陷数据库，根据缺陷数据等级分类描述公式对采集的叶片缺陷数据进行判断，从而获得叶片缺陷的严重程度等级。
其中，在步骤S2之后，还包括：
步骤S3、将采集的叶片缺陷数据补充入缺陷数据库，从而进行数据库的扩展。
其中，所述缺陷等级分类描述公式对于叶片缺陷的严重程度等级的判断从缺陷发生位置、缺陷类型、缺陷尺寸方面进行分类。
其中，所述缺陷发生位置是按照叶片长度(L)的比例，(L)为叶片总长度，缺陷在叶片弦向尺寸的(C)的比例，其中(C)为叶片的弦长；
所述缺陷类型则来源于人工分类；
所述缺陷尺寸，使用面积S，长度D进行描述；
因此，叶片缺陷的严重程度等级可视为缺陷位置(％L，％C)、缺陷类型TYPE、缺陷尺寸(S，D)，三个因子的函数。
其中，所述缺陷发生位置的确定，需要对叶片结构进行基础结构划分，分为叶根区域、叶片芯材区域、叶片前、后缘区域、主梁帽区域、叶尖区域；
通过下述两种方式进行区域划分：
第一种：无人机使用红外热成像相机，在热图上直接进行区分；
第二种：采用经验公式，将叶片检测长度(L)，弦长(C)作为输入数据，叶根区域为0％L至6％L～12％L的范围，叶片芯材区域为2％L-98％L的范围，且芯材区域为主梁两侧至叶片前、后缘区域的范围，主梁帽区域的确定通过叶根及叶片长度(C)进行确定，其中梁帽的中心投影与叶片叶根区域的前后缘中线进行重合，并沿叶片长度方向视为直线，梁帽宽度由设计者优化确定，根据叶片长度不同，梁帽宽度范围在300mm-1200mm；叶尖区域为94％L～98％L至100％L。
其中，在对叶片结构进行基础结构划分的基础上，还进行二级区域划分，所述结构二级区域划分是指在一个叶片结构上，提出对叶片缺陷影响程度大小的重点区域和一般区域。
其中，所述二级区域划分是结合叶片运行数据及对叶片结构计算进行划分，其中，所述叶片运行数据为叶片长期运行过程中统计局部区域损伤概率，并结合全部的风机检测数据进行统计分析；所述对叶片结构计算则是对叶片各个区域的剩余安全系数进行统计，将安全系数较低的区域作为重点区域。
其中，所述叶片缺陷的严重程度等级定义分为三种：致命缺陷，严重缺陷，一般缺陷；
其中，所述致命缺陷的定义为：缺陷对风机安全运行有重大隐患，缺陷故障应立即停机排除，否则有叶片折断风险；
所述严重缺陷的定义为：缺陷对风机安全运行有较大隐患，风机可限功率运行或一定期限内进行修复，另外，若缺陷不进行处理，严重缺陷可在长期运行过程中转变为致命缺陷；
所述一般缺陷定义为：在叶片运行过程中同叶片可长期共存，在长期运行期间可转变为严重缺陷。
其中，所述缺陷类型包括并不限于如下：防雷组件损伤、防雨罩及粘接损伤、前、后缘开裂、结冰、壳体分层、雷击、蒙皮开裂、蒙皮褶皱、面漆开裂、前缘防护膜破损及前缘腐蚀、芯材间隙、叶根补强开裂、褶皱、蒙皮鼓包、叶片污染、增功组件和降噪板缺失。
其中，对于缺陷发生位置通过雷达传感器及无人机GPS定位确定；
对于缺陷尺寸通过几何图像、像素尺寸算法确定；
对于缺陷类型通过对缺陷认知的机器学习及人工复核的办法对缺陷进行确定。
其中，步骤S2中叶片缺陷数据通过下述两种方式获取：
第一种：人工拍摄的叶片缺陷数据；
第二种：无人机拍摄的叶片缺陷数据；
对于上述数据，在等级判断前经过人工筛选或机器学习方法进行自动分类。
与现有技术相比，本发明的有益效果为，本发明结合缺陷数据库，根据缺陷数据等级分类描述公式对采集的叶片缺陷数据进行判断，从而获得叶片缺陷的严重程度等级。采用本发明有利于对风场叶片状态进行管理。根据叶片的缺陷等级，提出对叶片的维护节点及周期。
附图说明
图1(a)为本申请叶片结构基础结构划分第一示意图；
图1(b)为本申请叶片结构基础结构划分第二示意图；
图1(c)为本申请叶片结构基础结构划分第三示意图；
图1(d)为本申请叶片结构基础结构划分第四示意图；
图2(a)为本申请叶片结构二级区域划分第一示意图；
图2(b)为本申请叶片结构二级区域划分第二示意图；
图2(c)为本申请叶片结构二级区域划分第三示意图；
图2(d)为本申请叶片结构二级区域划分第四示意图；
图3为本申请无人机缺陷自动化等级分类流程示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施以及标定位置仅仅用以解释本发明，并不用于限定本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。另外，大凡依本发明权利要求书及发明内容所做的简单的等效变化与修改，皆仍属于本发明申请的保护范围。
本发明提供一种基于无人机巡检的叶片缺陷等级分类方法，包括：叶片缺陷源数据，叶片缺陷数学描述及重点区域划分，叶片缺陷等级定义数据包，风场测试数据缺陷自动化匹配程序，结合缺陷数据库，缺陷数学定义，缺陷区域划分，得到风场叶片的缺陷数据库，提供缺陷的类型，严重程度等定义。
其中，叶片缺陷源数据可以使用两种方式获得：
1.人工近距离拍摄的海量叶片缺陷数据。
2.无人机拍摄的叶片缺陷数据。
上述获得的数据经过人工筛选或机器学习方法进行的自动分类和数据库的扩展。叶片缺陷源数据应当尽可能扩充，在获取缺陷源数据或数据库的过程中，应当对数据源预先实现人工分类，并根据新发现的缺陷扩展缺陷类型。缺陷类型应当包含并不限于如下：防雷组件损伤，防雨罩及粘接损伤，前、后缘开裂，结冰，壳体分层，雷击，蒙皮开裂，蒙皮褶皱，面漆开裂，前缘防护膜破损及前缘腐蚀，芯材间隙，叶根补强开裂，褶皱，蒙皮鼓包，叶片污染，增功组件、降噪板缺失等。
在叶片缺陷数据库中，需要对于叶片缺陷进行数学描述，以便于后期进行自主化缺陷分级分类。
在对缺陷等级划分设计中，对于叶片缺陷的严重程度的判断需要从缺陷发生位置、缺陷类型、缺陷尺寸几个方面进行分类。
其中，缺陷尺寸定义，主要针对于叶片表面的缺陷可直接使用面积S，长度D进行描述。
其中，缺陷发生位置是按照叶片长度L的比例，其中L为叶片总长度。缺陷在叶片弦向尺寸的C的比例，其中C为叶片的弦长。
其中，缺陷类型则来源于缺陷预设的人工分类。叶片缺陷严重程度可视为缺陷位置(％L，％C)，缺陷尺寸(S，D)，缺陷类型TYPE三个因子的函数。
F＝f(％L,％D)+f(S,D)+f(TYPE)
其中，f(％L，％D)为缺陷位置对于缺陷严重层度的影响因子；f(S，D)为缺陷尺寸对于缺陷严重程度的影响因子；f(TYPE)为缺陷类型影响缺陷严重程度的因子。三个因子可通过大数据平台独立进行故障率统计和有限元结构缺陷计算。通过缺陷的折减安全系数(同一位置有缺陷的和无缺陷的对于安全系数的变化)进行等级比较。
建立叶片缺陷严重程度受与缺陷发生位置的关系，需要进行叶片基础结构划分，通常分为叶根区域，叶片芯材区域，叶片前、后缘区域，主梁帽区域、叶尖区域。而由于风场检测叶片型号不统一，需要对叶片结构进行划分，便于自主算法的研究。叶片结构分区可采用两种方式：
1、无人机使用红外热成像相机，可再热图上直接进行区分。
2、采用经验公式，将叶片检测长度L，弦长C作为输入数据,叶根区域为(0％L至6％L～12％L)范围。叶片芯材区域为(2％L-98％L)范围,且芯材区域为主梁两侧至叶片前、后缘的范围。梁帽区域的确定通过叶根及叶片长度C进行确定，其中梁帽的中心投影与叶片叶根范围的前后缘中线进行重合，并沿叶片长度方向视为直线(无需考虑偏差)，梁帽宽度一般由设计者优化确定。根据叶片长度不同，梁帽一般宽度范围在300mm-1200mm。在缺陷等级判定中，若无法获知叶片铺层图纸，结构性划分可依本发明涉及的叶片结构图进行区分。该图可适用于任何型号的叶形，作为结构对于缺陷影响严重程度的划分准则。叶尖区域为(94％L～98％L至100％L)。
图1(a)、图1(b)、图1(c)、图1(d)为叶片基础结构划分示意图。叶片总长度为L，其中101为叶跟区域。将叶片总长度的6％～12％L作为叶跟区域的截止长度。102为主梁103两侧的前、后缘芯材区域。在叶片轴向一般为2％L～98％L范围。103为主梁区域。对于风场叶片的缺陷巡检，若无法获知主梁的宽度，可按照图1(d)的方式对主梁的宽度进行预估。图1(d)中104为叶尖结构区域，在104与主梁区域的交接位置,为叶片长度94％～98％L，根据无人机对交接位置弦长的测量即可预估为主梁的宽度。通常需要预留前、后缘芯材尺寸及粘接较宽度。一般可按照叶尖位置94％L～98％L的弦长C-(100mm～250mm)进行预估。确定了主梁的宽度，便于对于位于主梁区域的缺陷进行分类分级。
除了对叶片结构进行基础的划分外，需要对叶片结构进行二级划分。在结构二级划分的基础上有助于缺陷等级划分。结构二级划分是在叶片基础结构上，提出缺陷影响程度的重点区域和一般区域。结构的二级划分可结合叶片运行故障统计数据及叶片的详细结构计算进行划分。其中叶片运行故障统计为叶片长期运行过程中统计局部区域损伤概率，并结合全部的风机检测数据进行统计分析。而采用结构计算的方式则对叶片各个区域的剩余安全系数进行统计，将安全系数较低的区域作为危险区域。
图2(a)、图2(b)、图2(c)、图2(d)为叶片的二级结构划分示意图。其中，201，202为叶跟区域中，缺陷的位置对于缺陷等级严重程度的分区。其中201为近叶跟及前、后缘分模线。尺寸L优选的范围为200mm～300mm，为缺陷影响一般区。202为叶跟中部，为缺陷影响严重区。203，204为梁帽后缘侧缺陷影响严重区域。优选的，203位于后缘叶片长度(60％～70％)L范围。204为靠近后缘侧距离后缘侧，优选的100mm～250mm范围。205为后缘缺陷影响一般区域。206为梁帽前缘侧缺陷影响严重区域，优选的，206位于前缘叶片长度30％～40％L范围。207为前缘缺陷影响一般区域。208为主梁帽缺陷影响严重区域。其中，优选的，208位于主梁帽叶片长度50％～60％L范围。209为主梁帽缺陷影响一般区域。210为叶尖区域叶尖后缘侧及尖部缺陷影响的严重区域。优选的，尺寸距离后缘为100mm～200mm范围。211为叶尖区域缺陷影响的一般区域。
在对叶片进行基础结构及二级结构划分有利于缺陷对于叶片影响程度的初步判断，但是对于缺陷本身，叶片缺陷等级定义分为三种：致命缺陷，严重缺陷，一般缺陷。其中致命缺陷的定义为：缺陷对风机安全运行有重大隐患，缺陷故障应立即停机排除，否则有叶片折断风险；对于严重缺陷，缺陷陷对风机安全运行有较大隐患，风机可限功率运行或一定期限内进行修复。另外，缺陷不进行处理，严重缺陷可再长期(优选的，3-5年)运行过程中转变为致命缺陷。一般缺陷在叶片运行过程总同叶片可长期共存，在长期运行期间(优选的，5-10年)可转变为严重缺陷。
综上，缺陷等级的划分考虑以下几个方面：缺陷位置对应于上述叶片基础结构划分及二级结构划分；缺陷本身尺寸或面积的大小，缺陷的类型。在对缺陷等级划分过程中，使用数学描述的方法对缺陷的等级进行判定。根据是上述提及的不同种类的缺陷，需要对每一种缺陷建立数学描述的方式区分缺陷的严重等级。
以梁冒区域的褶皱为例，将梁冒区域的褶皱按照严重程度分为致命缺陷、严重缺陷及一般缺陷。
其中，对于致命缺陷的定义为：
1.褶皱引起的裂纹>200mm，存在一处或多处褶皱缺陷，褶皱位于图2(c)、中的208，209全部区域。
2.褶皱引起的裂纹100～200mm,叶片长度1m范围内对应2处及以上，褶皱位于图图2(c)的208区域；
其中，对于严重缺陷的定义：
1.裂纹的范围200mm～100mm，叶片长度2m范围内仅发现一处。褶皱位于图2(c)的208区域，209全部区域。
2.褶皱引起的裂纹100～200mm,叶片长度1m范围内对应2处及以上，褶皱位于图2(c)的209区域；
3.裂纹小于100mm，叶片长度1m范围内对应2处及以上。褶皱仅位于图2(c)的208区域。
其中，对于一般缺陷的定义：
1.裂纹长度小于100mm，叶片长度1m范围内对应1处，褶皱位于图2(c)的208区域；裂纹小于100mm，叶片长度1m范围内对应2处及以上。褶皱仅位于图2(c)的209区域。
以上提供了一种缺陷类型的分类方法，本发明，提供分类原理，对于以上数值的更改皆在本发明的保护范围内。其他缺陷均可以按照次分类进行。
另外，为了更好的理解本发明，图3对于本发明的操作流程进行了说明。其中，建立叶片缺陷数据库为基础，叶片的缺陷数据库来源于：人工近距离拍摄的海量叶片缺陷数据和无人机拍摄的叶片缺陷数据，上述数据经过人工筛选或机器学习方法进行的自动分类和数据库的扩展。建立缺陷数据等级分类描述公式，在这个过程中，需要对叶片进行结构基础分类及二级结构分类。在缺陷数据等级分类中，也需要对缺陷的尺寸，类型进行分析。
在使用无人机叶片巡检缺陷的识别及采集数据自动化缺陷等级划分则通过以下方面进行：
对于缺陷发生位置通过雷达传感器及无人机GPS定位确定；
对于缺陷尺寸通过几何图像、像素尺寸算法确定；
对于缺陷类型通过对缺陷认知的机器学习及人工复核的办法对缺陷进行核实。
根据上述提及的缺陷等级数学描述公式，实现缺陷等级的自动分类。
以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (11)
1.一种基于无人机风电巡检叶片缺陷等级判定方法，其特征在于，包括如下步骤：
S1、建立缺陷等级分类描述公式；
S2、结合缺陷数据库，根据缺陷数据等级分类描述公式对采集的叶片缺陷数据进行判断，从而获得叶片缺陷的严重程度等级。
2.根据权利要求1所述的一种基于无人机风电巡检叶片缺陷等级判定方法，其特征在于，
在步骤S2之后，还包括：
步骤S3、将采集的叶片缺陷数据补充入缺陷数据库，从而进行数据库的扩展。
3.根据权利要求1或2所述的一种基于无人机风电巡检叶片缺陷等级判定方法，其特征在于，
所述缺陷等级分类描述公式对于叶片缺陷的严重程度等级的判断从缺陷发生位置、缺陷类型、缺陷尺寸方面进行分类。
4.根据权利要求3所述的一种基于无人机风电巡检叶片缺陷等级判定方法，其特征在于，
所述缺陷发生位置是按照叶片长度L的比例，L为叶片总长度，缺陷在叶片弦向尺寸的C的比例，其中C为叶片的弦长；
所述缺陷类型则来源于人工分类；
所述缺陷尺寸，使用面积S，长度D进行描述；
因此，叶片缺陷的严重程度等级可视为缺陷位置(％L，％C)、缺陷类型TYPE、缺陷尺寸(S，D)，三个因子的函数。
5.根据权利要求4所述的一种基于无人机风电巡检叶片缺陷等级判定方法，其特征在于，
所述缺陷发生位置的确定，需要对叶片结构进行基础结构划分，分为叶根区域、叶片芯材区域、叶片前、后缘区域、主梁帽区域、叶尖区域；
通过下述两种方式进行区域划分：
第一种：无人机使用红外热成像相机，在热图上直接进行区分；
第二种：采用经验公式，将叶片检测长度L，弦长C作为输入数据，叶根区域为0％L至6％L～12％L的范围，叶片芯材区域为2％L-98％L的范围，且芯材区域为主梁两侧至叶片前、后缘区域的范围，主梁帽区域的确定通过叶根及叶片长度C进行确定，其中梁帽的中心投影与叶片叶根区域的前后缘中线进行重合，并沿叶片长度方向视为直线，梁帽宽度由设计者优化确定，根据叶片长度不同，梁帽宽度范围在300mm-1200mm；叶尖区域为94％L～98％L至100％L。
6.根据权利要求5所述的一种基于无人机风电巡检叶片缺陷等级判定方法，其特征在于，
在对叶片结构进行基础结构划分的基础上，还进行二级区域划分，所述二级区域划分是指在一个叶片结构上，提出对叶片缺陷影响程度大小的重点区域和一般区域。
7.根据权利要求6所述的一种基于无人机风电巡检叶片缺陷等级判定方法，其特征在于，所述二级区域划分是结合叶片运行数据及对叶片结构计算进行划分，其中，所述叶片运行数据为叶片长期运行过程中统计局部区域损伤概率，并结合全部的风机检测数据进行统计分析；所述对叶片结构计算则是对叶片各个区域的剩余安全系数进行统计，将安全系数较低的区域作为重点区域。
8.根据权利要求1所述的一种基于无人机风电巡检叶片缺陷等级判定方法，其特征在于，所述叶片缺陷的严重程度等级定义分为三种：致命缺陷，严重缺陷，一般缺陷；
其中，所述致命缺陷的定义为：缺陷对风机安全运行有重大隐患，缺陷故障应立即停机排除，否则有叶片折断风险；
所述严重缺陷的定义为：缺陷对风机安全运行有较大隐患，风机可限功率运行或一定期限内进行修复，另外，若缺陷不进行处理，严重缺陷可在长期运行过程中转变为致命缺陷；
所述一般缺陷定义为：在叶片运行过程中同叶片可长期共存，在长期运行期间可转变为严重缺陷。
9.根据权利要求3所述的一种基于无人机风电巡检叶片缺陷等级判定方法，其特征在于，
所述缺陷类型包括并不限于如下：防雷组件损伤、防雨罩及粘接损伤、前、后缘开裂、结冰、壳体分层、雷击、蒙皮开裂、蒙皮褶皱、面漆开裂、前缘防护膜破损及前缘腐蚀、芯材间隙、叶根补强开裂、褶皱、蒙皮鼓包、叶片污染、增功组件和降噪板缺失。
10.根据权利要求3所述的一种基于无人机风电巡检叶片缺陷等级判定方法，其特征在于，
对于缺陷发生位置通过雷达传感器及无人机GPS定位确定；
对于缺陷尺寸通过几何图像、像素尺寸算法确定；
对于缺陷类型通过对缺陷认知的机器学习及人工复核的办法对缺陷进行确定。
11.根据权利要求1所述的一种基于无人机风电巡检叶片缺陷等级判定方法，其特征在于，
步骤S2中叶片缺陷数据通过下述两种方式获取：
第一种：人工拍摄的叶片缺陷数据；
第二种：无人机拍摄的叶片缺陷数据；
对于上述数据，在等级判断前经过人工筛选或机器学习方法进行自动分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010242296.3A CN111461210A (zh) | 2020-03-31 | 2020-03-31 | 一种基于无人机风电巡检叶片缺陷等级判定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010242296.3A CN111461210A (zh) | 2020-03-31 | 2020-03-31 | 一种基于无人机风电巡检叶片缺陷等级判定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111461210A true CN111461210A (zh) | 2020-07-28 |
Family
ID=71680105
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010242296.3A Pending CN111461210A (zh) | 2020-03-31 | 2020-03-31 | 一种基于无人机风电巡检叶片缺陷等级判定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111461210A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111878326A (zh) * | 2020-08-06 | 2020-11-03 | 上海电气风电集团股份有限公司 | 风机的结冰故障检测方法、系统、电子设备和介质 |
| CN112283050A (zh) * | 2020-11-17 | 2021-01-29 | 天津科技大学 | 一种基于机器视觉的风力机叶片在线监测方法 |
| CN112483330A (zh) * | 2020-11-13 | 2021-03-12 | 江苏科技大学 | 一种匹配在役风力机状态的无人巡检轨迹程控方法 |
| CN113406091A (zh) * | 2021-06-09 | 2021-09-17 | 东方电气集团科学技术研究院有限公司 | 一种用于风机叶片检测的无人机系统及控制方法 |
| CN115564740A (zh) * | 2022-10-17 | 2023-01-03 | 风脉能源（武汉）股份有限公司 | 一种风机叶片缺陷定位方法及系统 |
| CN116038505A (zh) * | 2023-04-03 | 2023-05-02 | 国营川西机器厂 | 一种基于等级划分的风扇转子叶片抛光方法 |
| CN116805311A (zh) * | 2023-08-18 | 2023-09-26 | 长春师范大学 | 一种基于机器人视觉的汽车零配件表面缺陷监测方法 |
| CN116862915A (zh) * | 2023-09-05 | 2023-10-10 | 西南石油大学 | 一种风机内部视频流缺陷识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080092095A1 (en) * | 2003-06-10 | 2008-04-17 | Mary Lanzerotti | Design Structure and System for Identification of Defects on Circuits or Other Arrayed Products |
| CN105651780A (zh) * | 2015-12-28 | 2016-06-08 | 新疆金风科技股份有限公司 | 通过无人机检测风机叶片状态的方法、装置及系统 |
| CN106762451A (zh) * | 2016-12-05 | 2017-05-31 | 北京金风科创风电设备有限公司 | 基于无人机的风机叶片损伤检测方法、装置及系统 |
| CN107657110A (zh) * | 2017-09-25 | 2018-02-02 | 沈阳工业大学 | 大型风力机叶片的疲劳损伤评价方法 |
| CN108981924A (zh) * | 2018-07-27 | 2018-12-11 | 内蒙古农业大学 | 一种在役大型风力机叶片早期损伤现场检测系统 |
| CN110146513A (zh) * | 2019-05-27 | 2019-08-20 | 深圳市华星光电技术有限公司 | 缺陷判定方法及缺陷判定装置 |
-
2020
- 2020-03-31 CN CN202010242296.3A patent/CN111461210A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080092095A1 (en) * | 2003-06-10 | 2008-04-17 | Mary Lanzerotti | Design Structure and System for Identification of Defects on Circuits or Other Arrayed Products |
| CN105651780A (zh) * | 2015-12-28 | 2016-06-08 | 新疆金风科技股份有限公司 | 通过无人机检测风机叶片状态的方法、装置及系统 |
| CN106762451A (zh) * | 2016-12-05 | 2017-05-31 | 北京金风科创风电设备有限公司 | 基于无人机的风机叶片损伤检测方法、装置及系统 |
| CN107657110A (zh) * | 2017-09-25 | 2018-02-02 | 沈阳工业大学 | 大型风力机叶片的疲劳损伤评价方法 |
| CN108981924A (zh) * | 2018-07-27 | 2018-12-11 | 内蒙古农业大学 | 一种在役大型风力机叶片早期损伤现场检测系统 |
| CN110146513A (zh) * | 2019-05-27 | 2019-08-20 | 深圳市华星光电技术有限公司 | 缺陷判定方法及缺陷判定装置 |
Non-Patent Citations (3)
| Title |
|---|
| ZEPENG LIU ET AL: "A review of failure modes, condition monitoring and fault diagnosis methods for large-scale wind turbine bearings", 《MEASUREMENT》 * |
| 仇梓峰: "基于计算机视觉的风机叶片表面损伤检测研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
| 吴琪强等: "基于固有频率的风力机叶片裂纹精确定位与程度识别", 《振动与冲击》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111878326A (zh) * | 2020-08-06 | 2020-11-03 | 上海电气风电集团股份有限公司 | 风机的结冰故障检测方法、系统、电子设备和介质 |
| CN112483330A (zh) * | 2020-11-13 | 2021-03-12 | 江苏科技大学 | 一种匹配在役风力机状态的无人巡检轨迹程控方法 |
| CN112283050A (zh) * | 2020-11-17 | 2021-01-29 | 天津科技大学 | 一种基于机器视觉的风力机叶片在线监测方法 |
| CN113406091A (zh) * | 2021-06-09 | 2021-09-17 | 东方电气集团科学技术研究院有限公司 | 一种用于风机叶片检测的无人机系统及控制方法 |
| CN115564740A (zh) * | 2022-10-17 | 2023-01-03 | 风脉能源（武汉）股份有限公司 | 一种风机叶片缺陷定位方法及系统 |
| CN115564740B (zh) * | 2022-10-17 | 2023-06-20 | 风脉能源（武汉）股份有限公司 | 一种风机叶片缺陷定位方法及系统 |
| CN116038505A (zh) * | 2023-04-03 | 2023-05-02 | 国营川西机器厂 | 一种基于等级划分的风扇转子叶片抛光方法 |
| CN116038505B (zh) * | 2023-04-03 | 2023-06-16 | 国营川西机器厂 | 一种基于等级划分的风扇转子叶片抛光方法 |
| CN116805311A (zh) * | 2023-08-18 | 2023-09-26 | 长春师范大学 | 一种基于机器人视觉的汽车零配件表面缺陷监测方法 |
| CN116805311B (zh) * | 2023-08-18 | 2023-11-07 | 长春师范大学 | 一种基于机器人视觉的汽车零配件表面缺陷监测方法 |
| CN116862915A (zh) * | 2023-09-05 | 2023-10-10 | 西南石油大学 | 一种风机内部视频流缺陷识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111461210A (zh) | 一种基于无人机风电巡检叶片缺陷等级判定方法 | |
| CN108416294B (zh) | 一种基于深度学习的风机叶片故障智能识别方法 | |
| CN106290388B (zh) | 一种绝缘子故障自动检测方法 | |
| CN113406107B (zh) | 风机叶片缺陷检测系统 | |
| CN108257171A (zh) | 基于光视觉的汽车雷达装配孔径检测方法 | |
| AU2022349296A1 (en) | Road surface technical condition detection method and device based on three-dimensional contour | |
| CN111080612B (zh) | 一种货车轴承破损检测方法 | |
| CN103149222A (zh) | 射线实时成像中缺陷检测方法 | |
| CN106097380A (zh) | 一种基于图像的绝缘子芯棒缺陷在线检测的系统和方法 | |
| CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
| CN111579591A (zh) | 一种风电叶片的红外无损检测方法及系统 | |
| CN114639025A (zh) | 一种无人机辅助下风力机叶片检修方法及装置 | |
| CN113793344A (zh) | 一种基于三维点云的叶轮焊缝定位方法 | |
| Wong et al. | Automatic borescope damage assessments for gas turbine blades via deep learning | |
| Zhou et al. | Pattern recognition of barely visible impact damage in carbon composites using pulsed thermography | |
| CN103177426B (zh) | 一种基于形态学的强干扰激光边缘图像修复方法 | |
| CN116733691A (zh) | 一种风机叶片故障预警系统 | |
| CN114155224A (zh) | 获取废钢结算数据方法、装置、废钢结算系统及回收场 | |
| WO2023124583A1 (zh) | 一种钢轨修复后处理策略制定方法 | |
| CN112085694B (zh) | 一种人工智能自动巡检风能风机叶片系统 | |
| Chen et al. | Attention-based YOLOv4 algorithm in non-destructive radiographic testing for civic aviation maintenance | |
| CN112465776A (zh) | 一种基于风力机表面模糊图像的裂纹智能检测方法 | |
| CN114442658B (zh) | 输配电线路无人机自动巡检系统及其运行方法 | |
| CN115049984A (zh) | 一种路面病害检测方法及系统 | |
| CN114663763A (zh) | 一种基于数字孪生的飞机蒙皮装配质量检测方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200728 |