CN112070102A - 一种风机叶片状态监测方法及系统 - Google Patents
一种风机叶片状态监测方法及系统 Download PDFInfo
- Publication number
- CN112070102A CN112070102A CN201910502111.5A CN201910502111A CN112070102A CN 112070102 A CN112070102 A CN 112070102A CN 201910502111 A CN201910502111 A CN 201910502111A CN 112070102 A CN112070102 A CN 112070102A
- Authority
- CN
- China
- Prior art keywords
- fan blade
- neural network
- convolutional neural
- image
- data set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 239000003973 paint Substances 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 241000239290 Araneae Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000013585 weight reducing agent Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种风机叶片状态监测方法，该方法包括以下步骤：步骤S1：构建风机叶片图像的训练数据集和测试数据集；步骤S2：构建卷积神经网络；步骤S3：利用训练数据集训练卷积神经网络，得到训练好的卷积神经网络；步骤S4：利用测试数据集测试训练好的神经网络，若满足条件，则执行步骤S5，否则，执行步骤S3；步骤S5：使用交替方向乘子法对训练好的卷积神经网络进行压缩，得到压缩卷积神经网络；步骤S6：采集待测风机叶片图像，将待测风机叶片图像输入压缩卷积神经网络，得到风机叶片状态。与现有技术相比，本发明对风电机组的安全稳定运行和风电领域的设备维护领域是具有重要意义。
Description
技术领域
本发明涉及风机叶片故障诊断领域，尤其是涉及一种风机叶片状态监测方法及系统。
背景技术
风机叶片是风力发电机的核心部件之一，约占风机总成本的15％-20％，风机叶片状态的好坏将直接关系到风机的性能以及效益。
风机叶片状态监测目前所有的研究主要集中于传感器信号的处理上，通过在风机叶片上安装不同的传感器以获取相应的信号(包括振动信号、张力信号、声发射信号、超声波信号等等)，再通过对应的信号处理以达到故障诊断的目的。另外，在正常运行的风电场中，现场通过望远镜、“蜘蛛人”进行直接目视检查居多。
首先，传感器的信号获取存在不稳定性，其易受周围环境的影响，又由于风机叶片的材质是高阻尼材料，信号的传播等极易受到影响，为保证诊断的准确性，多种且多个传感器是需要在风机叶片上安装的，由此便带来传感器的安装与叶片制作成本的问题；其次，在风电机组20年到30年的运行时间内，获取得到的大量信号数据(传感器的采样频率较高)的处理与存储同样是个问题。人工目视检查则存在工作效率的问题，这将导致机组长时间停机，影响风电场的经济效益。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种风机叶片状态监测方法及系统。
本发明的目的可以通过以下技术方案来实现：
一种风机叶片状态监测方法，该方法包括以下步骤：
步骤S1：构建风机叶片图像的训练数据集和测试数据集；
步骤S2：构建卷积神经网络；
步骤S3：利用训练数据集训练卷积神经网络，得到训练好的卷积神经网络；
步骤S4：利用测试数据集测试训练好的神经网络，若满足条件，则执行步骤S5，否则，执行步骤S3；
步骤S5：使用交替方向乘子法对训练好的卷积神经网络进行压缩，得到压缩卷积神经网络；
步骤S6：采集待测风机叶片图像，将待测风机叶片图像输入压缩卷积神经网络，得到风机叶片状态。
所述的风机叶片图像分为正常情况、导航漆脱落、胶衣脱落、裂纹、表面腐蚀和表面油污6类。
所述的步骤S2卷积神经网络为VGG-11卷积神经网络。
所述的步骤S3中训练好的卷积神经网络卷积层采用3×3卷积核。
所述的步骤S4中条件为准确率达到75％。
所述的步骤S5交替方向乘子法通过限制权重并使损失函数最小对训练好的卷积神经网络进行压缩。
所述的损失函数为：
其中，y是真值，
是实际输出值。
一种可执行所述的风机叶片状态监测方法的风机叶片状态监测系统，包括计算机和无人机，所述无人机采集待测风机叶片图像并传递给计算机，所述计算机利用存储的压缩卷积神经网络进行分析并得到风机叶片状态。
与现有技术相比，本发明具有以下优点：
(1)用无人机代替望远镜、“蜘蛛人”等直接获取叶片表面状态的方法，可以减少检查的盲区且能保证工作人员的人身安全。
(2)把风机叶片状态监测问题看作是一个图像分类问题代替以往基于传感器信号的处理方法，可以取消各种传感器的安装，减少环境以及叶片材料对诊断过程的影响，且降低了叶片的制作成本；
(3)采用深度学习的方法替代人工辨别故障的方法，可以大大加快诊断的速度，提高工作效率且准确率也能得到保证，减少了机组的停机时间。
(4)风机叶片图像分为正常情况、导航漆脱落、胶衣脱落、裂纹、表面腐蚀和表面油污6类，风机叶片的分类全面，可以包含叶片的各种状态。
(5)VGG-11卷积神经网络结构简单，卷积层和连接层都较小，易于训练。
(6)采用交替方向乘子法对VGG-11卷积神经网络进行压缩，缓解了硬件设备的压力。
附图说明
图1为本发明方法的流程图；
图2为本发明系统工作示意图；
图3为VGG-11卷积神经网络示意图；
图4(a)为风机叶片正常情况示意图；
图4(b)为风机叶片导航漆脱落示意图；
图4(c)为风机叶片表面油污示意图；
图4(d)为风机叶片表面腐蚀示意图；
图4(e)为风机叶片胶衣脱落示意图；
图4(f)为风机叶片裂纹示意图；
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
一种风机叶片状态监测方法，可以检测出叶片故障的具体类型，从而为风场的维护提供可靠的数据参考，提高风电机组运行的安全稳定性。首先需要构建一个大型由无人机拍摄的风机叶片状态图像的数据集，因此需要对多个风场的风机进行拍摄，并通过专业的风机维护人员对获取的图像进行分类；其次，通过深度学习框架TensorFlow编写卷积神经网络模型VGG-11训练并测试构建的数据集，并对模型进行微调优化以满足实际需求。最后，为了缓解硬件设备的压力，让设备便于现场携带，将交替方向乘子(ADMM)算法镶嵌到训练好的模型中用于压缩模型，削减模型的权重，让最终的模型能在简易携带的笔记上本运行。
I、数据集构建
首先构建一个风机叶片状态图片数据集。1)图像获取：使用无人机对东部地区几个风电场中风机叶片进行图像采集，在采集过程中，对风机叶片进行地毯式拍摄，获取其全面的图像；2)图像分类：经过专业人员对采集来的图像进行分类，最终由25773张图像被分成六种类型，分别是a)正常情况、b)导航漆脱落、c)胶衣脱落、d)表面腐蚀、e)表面油污和f)裂纹；3)数据集形成：将原始图像缩放成227×227大小的图像，按照4：1的比例将每个类型的图像随机分成训练集与测试集，训练集有20422张图片，测试集则有5351张图片。
II、卷积神经网络模型VGG-11的实现、训练、微调与测试
通过深度学习框架TensorFlow训练VGG-11模型，并在3.5GHz CPU、GPU和16GB RAM的主机上利用构建好的数据集训练测试VGG-11模型。VGG-11模型是卷积神经网络的一种，是非常深的卷积网络，在加深网络深度的同时为了避免参数过多，在所有的卷积层都采用3×3的小卷积核，步长为1。其原始模型的输入是224×224大小，而需要的输入是227×227大小，因此需要对其原始模型进行调整，输入层的大小调整为227×227×3，输出层大小调整为5×1，其中根据卷积计算后模型中各层具体参数见图3，最终调整好的模型的参数大小是152M。将构建好的数据集转换成TFRecord格式输入到模型中训练并测试，最终，经过30次的训练过程，模型趋于稳定，其最终的测试准确率达到78.9％。
III、ADMM算法的嵌套
以上模型的参数量有152M，其之间的计算量更是庞大，因此需要强劲的硬件设备加以支持。为了缓解硬件设备的压力，对模型进行压缩的工作也是需要的。在VGG-11模型的基础上将ADMM算法镶嵌到模型中，在训练的过程中，将接近于0的权重直接用0代替，减少了计算的次数。我们的目标是减少模型的权重，因此我们在限制每一层权重基数的情况下，将损失函数
最小化，损失函数中，y是真值，
是实际输出值，即我们要解决问题如式(1)：
minf(Wi),s.t.Wi∈Si＝{W|card(W)≤li},i＝1,…N (1)
其中，card(·)表示返回其矩阵参数的非零元素个数，li为权重削减后模型第i层中所需的权值个数，Si非凸集合。
结合ADMM算法，将式(1)重写为式(2)：
其中，gi(·)是Si的指标函数。
将式(2)转变为增广拉格朗日优化式(4)：
其中，矩阵∧i是拉格朗日乘子，正标量ρi是惩罚系数，N为卷积神经网络的层数。
使Ui＝(1/ρi)∧i，式(4)可以表达成式(5)，
最终，式(1)被视为一种特殊的L2正则化问题，如式(6)：
其中，k为迭代次数。
再通过训练迭代，完成模型的压缩。在不影响模型准确率的前提下，模型被压缩了20％，一定程度上缓解了硬件设备的压力。
一种风机叶片状态监测系统，包括计算机和无人机，无人机采集待测风机叶片图像并传递给计算机，计算机利用存储的压缩卷积神经网络进行分析并得到风机叶片状态。
本实施例采用无人机对风机叶片表面状态进行拍摄，并通过无线传输到电脑上利用我们训练好的模型对风机叶片进行实时诊断。用无人机代替望远镜、“蜘蛛人”等直接获取叶片表面状态的方法，可以减少检查的盲区且能保证工作人员的人身安全；把风机叶片状态监测问题看作是一个图像分类问题代替以往基于传感器信号的处理方法，可以取消各种传感器的安装，减少环境以及叶片材料对诊断过程的影响，且降低了叶片的制作成本；采用深度学习的方法替代人工辨别故障的方法，可以大大加快诊断的速度，提高工作效率且准确率也能得到保证，减少了机组的停机时间，提升了风场的经济效益。
图2为本发明系统工作示意图。
无人机对风机叶片进行地毯式拍摄，拍摄图片通过无线传输实时输送到电脑上，经过训练好的模型对输入图像进行分类，实时给出叶片状态信息。
经过对VGG-11模型的调整，最终的模型结构图如图3所示，其包含8个卷积层，5个池化层与3个全连接层，输入的数据大小是227×227×3，输出是5×1。
图4为几种风机表面状态示意图。
经专业检修人员分类，风机叶片一般存在最终六种常见状态，图4(a)为风机叶片正常情况示意图；图4(b)为风机叶片导航漆脱落示意图；图4(c)为风机叶片表面油污示意图；图4(d)为风机叶片表面腐蚀示意图；图4(e)为风机叶片胶衣脱落示意图；图4(f)为风机叶片裂纹示意图。
Claims (8)
1.一种风机叶片状态监测方法，其特征在于，该方法包括以下步骤：
步骤S1：构建风机叶片图像的训练数据集和测试数据集；
步骤S2：构建卷积神经网络；
步骤S3：利用训练数据集训练卷积神经网络，得到训练好的卷积神经网络；
步骤S4：利用测试数据集测试训练好的神经网络，若满足条件，则执行步骤S5，否则，执行步骤S3；
步骤S5：使用交替方向乘子法对训练好的卷积神经网络进行压缩，得到压缩卷积神经网络；
步骤S6：采集待测风机叶片图像，将待测风机叶片图像输入压缩卷积神经网络，得到风机叶片状态。
2.根据权利要求1所述的一种风机叶片状态监测方法，其特征在于，所述的风机叶片图像分为正常情况、导航漆脱落、胶衣脱落、裂纹、表面腐蚀和表面油污6类。
3.根据权利要求1所述的一种风机叶片状态监测方法，其特征在于，所述的步骤S2卷积神经网络为VGG-11卷积神经网络。
4.根据权利要求1所述的一种风机叶片状态监测方法，其特征在于，所述的步骤S3中训练好的卷积神经网络卷积层采用3×3卷积核。
5.根据权利要求1所述的一种风机叶片状态监测方法，其特征在于，所述的步骤S4中条件为准确率达到75％。
6.根据权利要求1所述的一种风机叶片状态监测方法，其特征在于，所述的步骤S5交替方向乘子法通过限制权重并使损失函数最小对训练好的卷积神经网络进行压缩。
7.根据权利要求6所述的一种风机叶片状态监测方法，其特征在于，所述的损失函数为：
其中，y是真值，
是实际输出值。
8.一种实现权利要求1所述的风机叶片状态监测方法的风机叶片状态监测系统，其特征在于，包括计算机和无人机，所述无人机采集待测风机叶片图像并传递给计算机，所述计算机利用存储的压缩卷积神经网络进行分析并得到风机叶片状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910502111.5A CN112070102A (zh) | 2019-06-11 | 2019-06-11 | 一种风机叶片状态监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910502111.5A CN112070102A (zh) | 2019-06-11 | 2019-06-11 | 一种风机叶片状态监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112070102A true CN112070102A (zh) | 2020-12-11 |
Family
ID=73658446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910502111.5A Pending CN112070102A (zh) | 2019-06-11 | 2019-06-11 | 一种风机叶片状态监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112070102A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105378762A (zh) * | 2014-04-08 | 2016-03-02 | 微软技术许可有限责任公司 | 使用交替方向乘子法的深度学习 |
| CN107144569A (zh) * | 2017-04-27 | 2017-09-08 | 西安交通大学 | 基于选择性搜索分割的风机叶片表面缺陷诊断方法 |
| CN107154037A (zh) * | 2017-04-20 | 2017-09-12 | 西安交通大学 | 基于深度层次特征提取的风机叶片故障识别方法 |
| CN108416294A (zh) * | 2018-03-08 | 2018-08-17 | 南京天数信息科技有限公司 | 一种基于深度学习的风机叶片故障智能识别方法 |
| CN109741320A (zh) * | 2019-01-07 | 2019-05-10 | 哈尔滨理工大学 | 一种基于航拍图像的风电叶片故障检测方法 |
-
2019
- 2019-06-11 CN CN201910502111.5A patent/CN112070102A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105378762A (zh) * | 2014-04-08 | 2016-03-02 | 微软技术许可有限责任公司 | 使用交替方向乘子法的深度学习 |
| CN107154037A (zh) * | 2017-04-20 | 2017-09-12 | 西安交通大学 | 基于深度层次特征提取的风机叶片故障识别方法 |
| CN107144569A (zh) * | 2017-04-27 | 2017-09-08 | 西安交通大学 | 基于选择性搜索分割的风机叶片表面缺陷诊断方法 |
| CN108416294A (zh) * | 2018-03-08 | 2018-08-17 | 南京天数信息科技有限公司 | 一种基于深度学习的风机叶片故障智能识别方法 |
| CN109741320A (zh) * | 2019-01-07 | 2019-05-10 | 哈尔滨理工大学 | 一种基于航拍图像的风电叶片故障检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| TIANYUN ZHANG,ET AL.: "SYSTEMATIC WEIGHT PRUNING OF DNNS USING ALTERNATING DIRECTION METHOD OF MULTIPLIERS", ARXIV * |
| 李大中;刘家瑞;张华英;: "基于深度全连接神经网络的风机叶片结冰预测方法", 电力科学与工程, no. 04 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022077605A1 (zh) | 一种风力机叶片图像损伤检测和定位方法 | |
| CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
| CN108416294B (zh) | 一种基于深度学习的风机叶片故障智能识别方法 | |
| CN111696075A (zh) | 一种基于双光谱图像的风机叶片缺陷智能检测方法 | |
| CN104865269A (zh) | 风力机叶片故障诊断方法 | |
| CN109886396A (zh) | 一种输电线路舞动在线预测系统及方法 | |
| CN103631681A (zh) | 一种在线修复风电场异常数据的方法 | |
| CN116630766B (zh) | 一种多源信息数据处理系统、方法及设备 | |
| CN111612030A (zh) | 基于深度学习的风电机组叶片表面故障识别与分类方法 | |
| CN104122086A (zh) | 基于Kriging模型的风力机齿轮箱故障诊断方法 | |
| CN112455676A (zh) | 一种光伏板健康状态智能监测分析系统及方法 | |
| CN103984952A (zh) | 基于机器视觉图像对电力系统风力发电机叶片表面裂纹故障进行诊断的方法 | |
| Barber et al. | Development of a wireless, non-intrusive, MEMS-based pressure and acoustic measurement system for large-scale operating wind turbine blades | |
| CN107607342B (zh) | 空调机房设备群的健康能效检测方法 | |
| CN115170816A (zh) | 多尺度特征提取系统、方法和风机桨叶缺陷检测方法 | |
| CN109443542B (zh) | 一种基于红外热成像技术的压风机在线监测装置及监测方法 | |
| Ding et al. | Artificial intelligence based abnormal detection system and method for wind power equipment | |
| CN112070102A (zh) | 一种风机叶片状态监测方法及系统 | |
| CN116682045A (zh) | 一种基于智能视频分析的游梁式抽油机故障检测方法 | |
| CN106949020A (zh) | 一种高度集成风力发电机群安全监控系统 | |
| CN115826477A (zh) | 基于数据可视化的水域监控系统及方法 | |
| CN114528869A (zh) | 一种风机叶片损伤识别方法 | |
| CN114233581A (zh) | 一种风机机舱智能巡视报警系统 | |
| TWI833549B (zh) | 日照值估測系統 | |
| CN116626170B (zh) | 基于深度学习和声发射的风机叶片损伤两步定位方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201211 |
|
| RJ01 | Rejection of invention patent application after publication |