CN111911364B - 叶尖塔筒净空监测方法 - Google Patents
叶尖塔筒净空监测方法 Download PDFInfo
- Publication number
- CN111911364B CN111911364B CN202010954604.5A CN202010954604A CN111911364B CN 111911364 B CN111911364 B CN 111911364B CN 202010954604 A CN202010954604 A CN 202010954604A CN 111911364 B CN111911364 B CN 111911364B
- Authority
- CN
- China
- Prior art keywords
- blade tip
- blade
- tower
- pixel
- tip
- 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.)
- Active
Links
Images
Classifications
-
- 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
Abstract
本发明公开了一种叶尖塔筒净空监测方法,预先撷取包含风机叶片的叶尖和塔筒的影像;获取所述叶尖和塔筒之间的实际净空值L;建立所述叶尖和塔筒之间的实际净空值L与所述影像中塔筒和叶尖之间的像素距离D的映射关系L=F(D);实时获取包含所述叶尖和所述塔筒的影像;计算实时获取的所述影像中所述叶尖与塔筒之间的当前像素距离;结合所述叶尖与塔筒之间的当前像素距离和所述映射关系L=F(D)计算得到当前的实际净空值本发明实现风力发电机的叶尖塔筒净空实时追踪监测。
Description
技术领域
本发明涉及风电技术领域,特别涉及一种叶尖塔筒净空监测方法。
背景技术
叶尖塔筒净空是指风机发电机转动时,叶片经过塔筒时叶片尖端与塔筒间的最小距离。叶片在不同风况下会发生挥舞方向、摆振方向以及扭转方向的形变,为了避免发生形变的叶片触碰到塔筒,在风机设计初期就会模拟仿真各种工况下的叶尖塔筒净空距离,以确保风机正常的运行,避免发生叶片扫塔事故。随着叶片长度的增加,风机对最小净空的要求也越来越严格。
现有的叶尖塔筒净空监测系统至少具有如下问题,其会受恶劣环境下影响,无法获取真实净空值,也无法对叶尖塔筒净空过小的情况进行报警。
发明内容
本发明的目的是提供一种叶尖塔筒净空监测方法,以解决上述问题。
为了解决上述问题,本发明通过以下技术方案实现:
一种叶尖塔筒净空监测方法,包括:预先撷取包含风机叶片的叶尖和塔筒的影像;获取所述叶尖和塔筒之间的实际净空值L;建立所述叶尖和塔筒之间的实际净空值L与所述影像中塔筒和叶尖之间的像素距离D的映射关系 L=F(D);实时获取包含所述叶尖和所述塔筒的影像;计算实时获取的所述影像中所述叶尖与塔筒之间的当前像素距离;结合所述叶尖与塔筒之间的当前像素距离和所述映射关系L=F(D)计算得到当前的实际净空值。
优选地,计算实时获取的所述影像中该叶尖与塔筒之间的当前像素距离的步骤包括:在所述影像中定位叶尖像素;计算所述叶尖的运转轨迹中叶尖像素至塔筒像素最近的像素点;以该像素点至所述塔筒的像素的距离作为当前像素距离。
优选地,采用深度学习目标检测算法在所述影像中定位所述叶尖像素。
优选地,所述采用深度学习目标检测算法在所述影像中定位所述叶尖像素的步骤包括:根据深度学习目标检测算法提取所述叶片的前端位置区域 (x,y,w,h),其中x,y是叶尖端的点坐标,w和h是叶尖端的宽和高,以前端位置区域的中心点坐标(x+w/2,y+h/2)作为叶尖像素的位置T。
优选地,根据深度学习目标检测算法提取风机叶片的前端位置区域的步骤包括:预先获取用于训练所述深度学习目标检测算法的训练集;将所述影像采用人工画框的方式标定出叶片的前端位置;基于深度学习目标检测算法进行叶片前端区域定位算法的训练,直到Loss收敛,保存训练好的叶片前端检测模型;基于训练好的叶片前端检测模型,对叶片前端进行定位,获取所述叶片的前端位置区域。
优选地,建立所述叶尖和塔筒之间的实际净空值L与所述影像中塔筒和叶尖之间的像素距离D的映射关系L=F(D)的步骤包括:标定所述影像中塔筒的像素位置P;采用深度学习目标检测算法提取所述影像中所述叶尖的像素位置T;根据所述叶尖的像素位置T和所述风机塔筒的像素位置P计算所述叶尖和风机塔筒的像素距离D;当所述像素距离D为最小值时,建立所述实际净空值L与风机塔筒和所述叶尖之间的像素距离D的映射关系L=F(D)。
优选地,所述实际净空值L为根据风力发电装置安装的工业标准,获取的所述叶尖在正常运转状态下的所述叶尖和所述风机塔筒之间的净空值。
优选地,所述影像采用视频采集设备采集得到,所述视频采集设备位于风机的机舱底部和风机的轮毂之间,所述机舱底部开设有安装孔,将所述视频采集设备通过所述安装孔固定于所述机舱内部的翻边上,且所述视频采集设备的摄像头位于所述安装孔外部,用于俯拍所述风机叶片的叶尖和塔筒。
本发明与现有技术相比至少具有以下优点之一:
本发明提供一种叶尖塔筒净空监测方法,不仅可以实时监测风力发电机的叶尖塔筒净空距离,防止叶尖扫塔事件发生,而且可以对风机预留净空距离的合理性进行重新评估,提高风机的整体性能。
此外,本发明基于深度学习的图像处理算法,获取所述视频信息中的叶片的时序形状与位置信息,并对照所述叶尖轨迹网格图获取叶片的轨迹偏移和角度,由此可知,叶尖塔筒净空距离的情况也间接反映叶片的健康状况,异常的叶片(叶片的形变或叶片的扭转的角度)必然会导致净空距离的变化,由此,此发明起到了对叶片状态监测的作用。
本发明通过在机舱底部特定位置安装视频采集设备,获取各种风况下风机的净空距离,实现风力发电机的叶尖塔筒净空实时追踪监测。本发明提出将视频采集设备安装在机舱底部,可以摆脱机舱转动对信息获取的影响,获取全工况下的风机的叶尖塔筒的实际净空值(净空距离)以及风机叶片形变信息。
附图说明
图1为本发明一实施例提供的一种叶尖塔筒净空监测方法的流程示意图;
图2为本发明一实施例提供的一种叶尖塔筒净空监测系统的视频采集设备设置位置示意图;
图3为本发明一实施例提供的一种叶尖塔筒净空监测系统的结构示意图。
具体实施方式
以下结合附图1~3和具体实施方式对本发明提出的一种叶尖塔筒净空监测系统及监测方法作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需要说明的是,附图采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂,请参阅附图。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合图1~图3所示,本实施例提供一种叶尖塔筒净空监测方法,包括:步骤S1、预先撷取包含风机叶片的叶尖和塔筒的影像;获取所述叶尖和塔筒之间的实际净空值L;实时获取风机叶片的叶尖运转的视频信息。具体的,所述影像采用视频采集设备进行采集得到,所述视频采集设备其位于风机的机舱底部和风机的轮毂之间,所述机舱底部开设有安装孔,将所述视频采集设备通过所述安装孔固定于所述机舱内部的翻边上,且所述视频采集设备的摄像头位于所述安装孔外部,用于俯拍所述风机叶片的叶尖和塔筒。
步骤S2、建立所述叶尖和塔筒之间的实际净空值L与所述影像中塔筒和叶尖之间的像素距离D的映射关系L=F(D)。
具体的,标定所述影像中的风机塔筒的像素位置P;采用深度学习目标检测算法提取所述影像中所述叶尖的像素位置T;根据所述叶尖的像素位置 T和所述风机塔筒的像素位置P计算所述叶尖和风机塔筒的像素距离D;当所述像素距离D为最小值时,建立所述实际净空值L与风机塔筒和所述叶尖之间的像素距离D的映射关系L=F(D)。
其中,所述采用深度学习目标检测算法提取所述影像中所述叶尖的像素位置T的步骤包括:根据深度学习目标检测算法提取风机叶片的前端位置区域(x,y,w,h),其中x,y是叶尖端的点坐标,w和h是叶尖端的宽和高,则前端位置区域的中心点坐标(x+w/2,y+h/2)作为叶尖的像素位置T。
所述根据深度学习目标检测算法提取风机叶片的前端位置区域的步骤包括:
预先获取用于训练所述深度学习目标检测算法的训练集;
将所述视频信息,分离出清晰的视频帧,采用人工画框的方式标定出叶片的前端位置;
基于开源的深度学习目标检测算法进行叶片前端区域定位算法的训练,直到Loss收敛,保存训练好的叶片前端检测模型;
基于训练好的叶片前端检测模型,将视频帧预处理成算法需要的格式,对叶片前端进行定位,获取所述叶片的前端位置区域。
所述实际净空值L为根据风力发电装置安装的工业标准,获取的所述叶尖在正常运转状态下的所述叶尖和所述风机塔筒之间的净空值。
步骤S3、实时获取包含所述叶尖和所述塔筒的影像;计算实时获取的所述影像中所述叶尖与塔筒之间的当前像素距离,计算实时获取的所述影像中该叶尖与塔筒之间的当前像素距离的步骤包括:在所述影像中定位叶尖像素;计算所述叶尖的运转轨迹中叶尖像素至塔筒像素最近的像素点;以该像素点至所述塔筒的像素的距离作为当前像素距离。
即,可以采用深度学习目标检测算法在所述影像中定位所述叶尖像素。也可以在所述叶尖轨迹网格图中,找到所述像素距离的最小值所对应的叶尖像素点的位置Q。所述叶尖轨迹网格图的生成包括如下过程:获取标准的净空值,根据所述标准的净空值标定所述影像中每帧视频帧中所述叶尖的像素位置所对应的净空距离,生成所述叶尖轨迹网格图。叶尖轨迹是根据每一帧影像里叶尖像素生成的。步骤S4、结合所述叶尖与塔筒之间的当前像素距离和所述映射关系L=F(D)计算得到当前的实际净空值。
本实施例还包括基于深度学习的图像处理算法,获取所述视频信息中的叶片的时序形状与位置信息,并对照所述叶尖轨迹网格图获取叶片的轨迹偏移和角度。
本实施例是基于计算机视觉算法进行叶尖塔筒净空值的计算,解决方案可以分为塔筒净空值标定阶段和实时监测阶段。标定阶段是基于无风或微风状态下的净空值进行对应图像(视频帧)像素上的标定。实时监测阶段根据叶尖在图像上的像素位置和标定像素上的净空值计算出实际的净空值。
对于叶尖塔筒净空值的标定阶段包括如下过程:
根据风力发电装置安装的工业标准,获取叶片在正常运转状态下叶片的叶尖和塔筒之间的实际净空值L。
在摄像头拍摄的图像(所述视频信息)中,基于深度学习目标检测算法 (SSD),实时定位到叶尖前端在图像中的位置。SSD检测算法输出一个前端位置区域(x,y,w,h),x,y是叶片前端位置的某一点的坐标,w和h是叶尖端的宽和高。取前端位置区域的中心点坐标(x+w/2,y+h/2)作为叶尖的像素位置。
该深度学习目标检测算法基于anchor box策略在卷积神经网络不同的层预测待检测的目标,提高了目标检测的召回率,尤其是小目标检测的效果。 SSD检测算法具有运算速度快和检出率高的优点。首先整理训练SSD算法所需要的训练集。通过机舱上面安装的摄像头采集到所述视频信息,分离出清晰的视频帧,采用人工画框的方式标定出叶片的前端位置。基于开源的SSD 目标检测算法进行叶片前端区域定位算法的训练,直到Loss收敛,保存训练好的叶片前端检测模型。基于训练好的叶片前端检测模型,将视频帧预处理成算法需要的格式,对叶片前端进行定位,获取叶片的前端位置区域。
在视觉传感器的摄像头拍摄的图像中,塔筒位置固定,用像素P表示。叶尖在正常运转状态下,运转轨迹为一个圆面。根据摄像头架设的角度,只能拍摄到圆的部分扇面。根据定位到的叶尖的像素位置,计算距离塔筒的像素距离(净空距离)。挑选像素距离最近的像素点作为净空值标定的像素点,则像素距离为D。根据叶尖正常运转状态下的净空值L和塔筒和叶尖的像素距离D,以及根据视频图像多次分析,建模出像素值和实际净空值之间的对应关系(映射关系)L=F(D)。
对于实时净空值计算阶段包括如下过程:
基于SSD检测算法实时定位出叶尖端的位置区域,取叶尖端的位置区域的中心点坐标(x+w/2,y+h/2)作为叶尖像素的位置T。
实时检测到的叶尖像素的位置T,计算叶尖像素的位置T距离塔筒的像素距离,找到叶片运转轨迹中,距离塔筒像素距离最近的像素点,即找到所述像素距离的最小值所对应的叶尖像素点的位置Q。
根据塔筒净空值标定阶段建模得到的映射关系F和叶尖像素点的位置 Q,求得当前的实际净空值。
由此可知,本实施例提供一种叶尖塔筒净空监测方法,不仅可以实时监测风力发电机的叶尖塔筒净空距离,防止叶尖扫塔事件发生,而且可以对风机预留净空距离的合理性进行重新评估,提高风机的整体性能。
此外,本实施例基于深度学习的图像处理算法,获取所述影像中的叶片的时序形状与位置信息,并对照所述叶尖轨迹网格图获取叶片的轨迹偏移和角度,由此可知,叶尖塔筒净空距离的情况也间接反映叶片的健康状况,异常的叶片(叶片的形变或叶片的扭转的角度)必然会导致净空距离的变化,由此,此发明起到了对叶片状态监测的作用。
由此可知,本实施例具有实时性、连续性、快速响应的特点,本实施例可以对叶尖塔筒的净空距离进行实时的测量,获取叶片全工况下的振动形变情况,以及叶片全工况下的运行轨迹,实现叶片全工况的实时工作状态监测和扫塔预警,进一步保证了叶片塔筒的安全性,大大提高对风机叶片工作状态的掌控程度,提升风机运行的可靠性。本实施例对长叶片的研究具有深远意义,可以实现对叶片的实际工况的形变的研究,帮助分析叶片的柔性性能,为后续长叶片研究做铺垫。
另一方面,本发明还提供一种叶尖塔筒净空监测系统,其应用于风机上,包括:视频采集设备100,其设置在风机的机舱300底部,用于预先撷取包含风机叶片的叶尖和塔筒的影像以实时获取包含所述叶尖和所述塔筒的影像。后端服务器103,其与所述视频采集设备100连接,用于根据所述影像获取全工况下的叶尖塔筒的实际净空值。
本实施例所提供的叶尖塔筒净空监测系统的可以设置多套系统,每一所述系统包括:视频采集设备100、图像算法模块、前端服务器101、后端服务器103和网络设备。各套系统之间可采用所述网络设备进行通信。
可选地,所述视频采集设备100包括视觉传感器,其位于风机的机舱300 底部和风机的轮毂之间,所述机舱300底部开设有安装孔,将所述视觉传感器通过所述安装孔固定于所述机舱内部的翻边上,且所述视觉传感器的摄像头位于所述安装孔外部,用于俯拍包含所述风机叶片的叶尖和塔筒的影像。
具体的,可以采用连接法兰将视觉传感器固定。所述风机包括安装在地面或海面上的塔筒、安装在塔筒顶部的机舱和安装在机舱前端的叶片。视觉传感器的安装位置的设计需要保证其能监测叶尖塔筒净空,同时还要保证风力发电机组的安全可靠地运行。上述安装位置,使得视觉传感器能稳定地获取包含叶尖塔筒净空的图像;由于风力发电机组长期处于恶劣环境,由此,上述安装位置能够避免雨水、积雪附着于视觉传感器的镜头上;上述安装位置使得叶尖相对于塔筒的位置可被捕获于视觉传感器的视场中;上述安装孔的位置能够避免对机舱强度和整体受力性能的影响。
在风力发电机组的塔筒底部塔架和轮毂之间,通过开孔处理将视觉传感器设备摄像头一端通孔从机舱暴露,将机舱的机舱罩内部翻边部分作为视觉传感器的安装位置。例如:现有的机舱底部的塔筒200靠轮毂一侧有390mm 的翻边作为视觉传感器的安装位置。上述视觉传感器可选用球形高倍摄像机,可实现大角度范围拍摄,并具备防抖、防雷、防电涌的功能。视觉传感器采用法兰固定于机舱罩内部的翻边部分,连接法兰边长为350mm的正方形结构,摄像头设备直径270mm,最小开孔方便设备伸出、取回。该视觉传感器总重量8kg,安装时尽量贴近中线布置。由此上述视觉传感器的安装位置既不破坏机舱300的加强筋并不影响其他设备的特定位置,又保持了视觉传感器的稳定,便于后期拆卸维护。
在本实施例中,本实施例还包括:前端服务器101,所述前端服务器101 与所述视频采集设备100连接,所述前端服务器101用于控制所述视频采集设备采集和预处理所述影像,并将经预处理的所述影像传输给所述后端服务器103。
所述视觉传感器的拍摄角度和对焦距离等参数是自动控制,拍摄范围是自动巡航。所述视觉传感器采用可旋转视角的高倍摄像头,高倍摄像头在同一高度旋转扫描来获取所述影像,架设在风机内的前端服务器101可以控制高倍摄像头的旋转,录像获取所述影像。
风机正常运行时,高倍摄像头在同一高度旋转扫描来获取叶片叶尖的旋转状态的影像,在调试摄像头能够拍摄到清晰的视频画面后,需要采集一段时间的视频数据(影像),为算法的研制积累必要的数据材料。前端服务器 101还负责对采集后的视频数据预处理、程序控制摄像头巡航角度、传输至后端服务器103以及与同处一个风电场内的其它设备实时通讯。
由此可知,视频数据(影像)的预处理、所述视觉传感器的自动控制由架设在风机内的前端服务器101负责,视频数据的保存、图像识别算法的运行由后端服务器103负责。
所述后端服务器103包括图像处理模块,其用于根据经预处理的所述影像获取叶尖轨迹网格图(如图1所示),通过基于深度学习的图像处理算法,获取叶片的时序形状与位置信息,并对照叶尖轨迹网格图获取叶片的轨迹偏移及角度,进而获得所述叶尖塔筒的实际净空值。
所述图像处理模块用于根据所述影像建立实际净空值L与风机塔筒和所述叶尖之间的像素距离D的映射关系L=F(D);已经实时获取的包含所述叶尖和所述塔筒的影像;计算实时获取的所述影像中所述叶尖与塔筒之间的当前像素距离;结合所述叶尖与塔筒之间的当前像素距离和所述映射关系L=F (D)计算得到当前的实际净空值。
所述图像处理模块,还用于标定所述影像中的风机塔筒的像素位置P;根据深度学习目标检测算法提取风机叶片的前端位置区域(x,y,w,h),其中 x,y是叶尖端的点坐标,w和h是叶尖端的宽和高,则前端位置区域的中心点坐标(x+w/2,y+h/2)作为叶尖的像素位置T;根据所述叶尖的像素位置T和所述风机塔筒的像素位置P计算所述叶尖和风机塔筒的像素距离D;当所述像素距离D为最小值时,建立所述实际净空值L与风机塔筒和所述叶尖之间的像素距离D的映射关系L=F(D);根据经预处理的所述影像获取叶尖轨迹网格图,通过基于深度学习的图像处理算法,获取叶片的时序形状与位置信息,并对照叶尖轨迹网格图获取叶片的轨迹偏移及角度。
所述图像处理模块还用于将所述叶尖塔筒的实际净空值生成持续性报表。
本实施例还包括:显示模块,其用于显示所述持续性报表。本实施例实现所述叶尖塔筒的实际净空值等计算结果的可视化,用于分析叶片不同工况下的特性。所述显示模块可以设置在客户端104。
本实施例还包括网络设备:网络设备部署包括安装视觉传感器到前端服务器101的视频数据线缆、安装网络交换机、安装配置前端服务器101到后端服务器103的光纤数据线路(集团网关)102。通过此部署,实现风机叶尖塔筒净空的实时跟踪监测。
由此,本实施例提供一种叶尖塔筒净空监测系统,通过在机舱底部特定位置安装视频采集设备,获取各种风况下风机的净空距离,实现风力发电机的叶尖塔筒净空实时追踪监测。本发明提出将视频采集设备安装在机舱底部,可以摆脱机舱转动对信息获取的影响,获取全工况下的风机的叶尖塔筒的实际净空值(净空距离)以及风机叶片形变信息。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (5)
1.一种叶尖塔筒净空监测方法,其特征在于,包括:
预先撷取包含风机叶片的叶尖和塔筒的影像;
获取所述叶尖和塔筒之间的实际净空值L;
建立所述叶尖和塔筒之间的实际净空值L与所述影像中塔筒和叶尖之间的像素距离D的映射关系L=F(D);
实时获取包含所述叶尖和所述塔筒的影像;
计算实时获取的所述影像中所述叶尖与塔筒之间的当前像素距离;
结合所述叶尖与塔筒之间的当前像素距离和所述映射关系L=F(D)计算得到当前的实际净空值;
其中,计算实时获取的所述影像中该叶尖与塔筒之间的当前像素距离的步骤包括:根据深度学习目标检测算法提取所述叶片的前端位置区域(x,y,w,h);在所述前端位置区域中定位叶尖像素;计算所述叶尖的运转轨迹中叶尖像素至塔筒像素最近的像素点;以该像素点至所述塔筒的像素的距离作为当前像素距离;其中x,y是叶尖端的点坐标,w和h是叶尖端的宽和高;
其中,根据深度学习目标检测算法提取风机叶片的前端位置区域的步骤包括:
预先获取用于训练所述深度学习目标检测算法的训练集;
将所述影像采用人工画框的方式标定出叶片的前端位置;
基于深度学习目标检测算法进行叶片前端区域定位算法的训练,直到Loss收敛,保存训练好的叶片前端检测模型;
基于训练好的叶片前端检测模型,对叶片前端进行定位,获取所述叶片的前端位置区域。
2.如权利要求1所述的叶尖塔筒净空监测方法,其特征在于,在所述前端位置区域中定位叶尖像素的步骤包括以前端位置区域的中心点坐标(x+w/2,y+h/2)作为叶尖像素的位置T。
3.如权利要求1所述的叶尖塔筒净空监测方法,其特征在于,
建立所述叶尖和塔筒之间的实际净空值L与所述影像中塔筒和叶尖之间的像素距离D的映射关系L=F(D)的步骤包括:
标定所述影像中塔筒的像素位置P;
采用深度学习目标检测算法提取所述影像中所述叶尖的像素位置T;
根据所述叶尖的像素位置T和所述风机塔筒的像素位置P计算所述叶尖和风机塔筒的像素距离D;
当所述像素距离D为最小值时,建立所述实际净空值L与风机塔筒和所述叶尖之间的像素距离D的映射关系L=F(D)。
4.如权利要求1所述的叶尖塔筒净空监测方法,其特征在于,所述实际净空值L为根据风力发电装置安装的工业标准,获取的所述叶尖在正常运转状态下的所述叶尖和所述风机塔筒之间的净空值。
5.如权利要求1所述的叶尖塔筒净空监测方法,其特征在于,所述影像采用视频采集设备采集得到,所述视频采集设备位于风机的机舱底部和风机的轮毂之间,所述机舱底部开设有安装孔,将所述视频采集设备通过所述安装孔固定于所述机舱内部的翻边上,且所述视频采集设备的摄像头位于所述安装孔外部,用于俯拍所述风机叶片的叶尖和塔筒。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010954604.5A CN111911364B (zh) | 2020-09-11 | 2020-09-11 | 叶尖塔筒净空监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010954604.5A CN111911364B (zh) | 2020-09-11 | 2020-09-11 | 叶尖塔筒净空监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111911364A CN111911364A (zh) | 2020-11-10 |
CN111911364B true CN111911364B (zh) | 2021-11-23 |
Family
ID=73267008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010954604.5A Active CN111911364B (zh) | 2020-09-11 | 2020-09-11 | 叶尖塔筒净空监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111911364B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112539143B (zh) * | 2020-11-30 | 2021-11-23 | 明阳智慧能源集团股份公司 | 一种通过叶尖发射信号的风力发电机组净空监测方法 |
CN112901426B (zh) * | 2021-02-26 | 2022-01-11 | 中国华能集团清洁能源技术研究院有限公司 | 风电机组叶片净空监测装置、方法、系统、设备及介质 |
CN113309674B (zh) * | 2021-03-31 | 2022-07-15 | 新疆金风科技股份有限公司 | 风力发电机组的净空距离确定方法及装置 |
CN113153658A (zh) * | 2021-06-08 | 2021-07-23 | 中国华能集团清洁能源技术研究院有限公司 | 激光和视频融合的叶片净空监测系统、方法、设备及介质 |
CN113962045B (zh) * | 2021-12-22 | 2022-03-15 | 东方电气风电股份有限公司 | 一种以风力发电机组叶片运行轨迹计算净空距离方法 |
CN115218801B (zh) * | 2022-07-15 | 2023-06-02 | 无锡太湖学院 | 基于机器视觉的风力发电机净空距离测量方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111255636A (zh) * | 2018-11-30 | 2020-06-09 | 北京金风科创风电设备有限公司 | 确定风力发电机组的塔架净空的方法和装置 |
-
2020
- 2020-09-11 CN CN202010954604.5A patent/CN111911364B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111255636A (zh) * | 2018-11-30 | 2020-06-09 | 北京金风科创风电设备有限公司 | 确定风力发电机组的塔架净空的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111911364A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111911364B (zh) | 叶尖塔筒净空监测方法 | |
US10920748B2 (en) | Imaging array for bird or bat detection and identification | |
EP3183687B1 (en) | Avian detection system and method | |
US20190072082A1 (en) | Method of condition monitoring one or more wind turbines and parts thereof and performing instant alarm when needed | |
WO2009102001A1 (ja) | 鳥類探査システム、鳥類探査方法およびコンピュータプログラム | |
CN115218801B (zh) | 基于机器视觉的风力发电机净空距离测量方法及装置 | |
CN115442532A (zh) | 风机不停机巡检的方法、系统、设备及存储介质 | |
CN115773209A (zh) | 一种风机叶片净空检测装置及检测方法 | |
EP4009272A1 (en) | Unmanned airborne visual diagnosis of an operating wind turbine generator | |
CN117072380A (zh) | 一种风电机组叶片运行状态监测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |