CN113740258A - 一种风力发电叶片裂纹检测系统及其检测方法 - Google Patents
一种风力发电叶片裂纹检测系统及其检测方法 Download PDFInfo
- Publication number
- CN113740258A CN113740258A CN202110937860.8A CN202110937860A CN113740258A CN 113740258 A CN113740258 A CN 113740258A CN 202110937860 A CN202110937860 A CN 202110937860A CN 113740258 A CN113740258 A CN 113740258A
- Authority
- CN
- China
- Prior art keywords
- detection
- blade
- detection surface
- crack
- detection area
- 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.)
- Withdrawn
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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种风力发电叶片裂纹检测系统及其检测方法,属于风电场的技术领域。当前叶片处于第一检测区域时,摄像机获取当前叶片的第一检测面;当前叶片处于第二检测区域时,摄像机获取当前叶片的第二检测面和第四检测面;当前叶片处于第三检测区域时,摄像机获取当前叶片的第三检测面。本发明保证了信息的精确度,因为它不受风力后者其他环境因素的影响,当风叶处于某一检测区域时,摄像机将会持续的对某一个检测面进行图像摄取,针对性高且是从不同的角度对该检测面进行数据获取再经后台处理后生成叶片分解图像,因此避免出现因光线不好造成的获取不全或者精度不高的现象。
Description
技术领域
本发明属于风力场的技术领域,特别是涉及一种风力发电叶片裂纹检测系统及其检测方法。
背景技术
风力叶片是风力发电的重要组成部分,也是风力发电机组的力源和主要承载部件。风力机叶片安全有效运行对风电机组的发电效率和运行安全等都有着重要的影响。但是由于风力叶片长期暴露在外,经高温、暴风雨甚至是电闪雷鸣的洗礼之后易造成叶片损伤。而风力叶片的体积较大,同时安装在一定的高度位置上,不同于其他小部件的检测维护,相对而言风力叶片的检测与维护就显得难度较大。
目前,有超声波检测技术、红外热成像检测技术、振动检测技术、X光测试技术或者声发射检测技术对风力叶片展开实施监控,做到定期维护和有针对性的维护。但是以上技术手段均受到天气环境的干扰,好比当前环境的风况,风速的大小直接影响信息获取的精确度,风速是不可控的。或者因安装较多零件直接影响风力叶片转速的,影响其正常工作的。
发明内容
本发明为解决上述背景技术中存在的技术问题,提供了一种风力发电叶片裂纹检测系统及其检测方法。
本发明采用以下技术方案:一种风力发电叶片裂纹检测系统,包括:立柱,安装在所述立柱上的风机组件,以及传动连接于所述风机组件的风叶组件;还包括:
摄像机,可转动的安装在所述立柱上且位于所述风叶组件的下方;所述摄像机与所述风叶组件位于同侧;
至少四组感应器,安装在所述风机组件上;每组感应器对应一个固定的检测方向,所述四组感应器以检测方向为界限划分出三组检测区域,按照顺时针方向分别为发射型的第一检测区域、第二检测区域和第三检测区域;
其中,当前叶片处于第一检测区域时,摄像机获取当前叶片的第一检测面;当前叶片处于第二检测区域时,摄像机获取当前叶片的第二检测面和第四检测面;当前叶片处于第三检测区域时,摄像机获取的当前叶片的第三检测面;所述叶片由第一检测面、第二检测面、第三检测面和第四检测面拼接而成。
在进一步的实施例中,相邻检测方向之间的夹角按照顺时针方向依次为θ1、θ2和θ1,并以夹角θ2的中心线为轴线;
使用如上所述的检测系统的检测方法,包括以下步骤:
数据初始化,确定第一检测区域、第二检测区域和第三检测区域;建立第一数据库、第二数据库、…、第ξ数据库,其中ξ≥3,ξ为风叶组件中叶片的个数;
摄像机对位于第一检测区域、第二检测区域或第三检测区域中的叶片进行图像采集,获得当前的叶片分解图像;并将所述叶片分解图像按照预定周期更新至对应的数据库中,生成实时的叶片三维图像;
基于实时的叶片三维图像判断当前叶片是否存在裂纹;若存在裂纹,则基于叶片分解图像获取裂纹信息,同时在对应的数据库内生成或更新得到最新的裂纹信息集合,并在实时的叶片三维图像中进行标定。
在进一步的实施例中,所述预定周期等于其中任何一组叶片的转动一周的周期。
在进一步的实施例中,所述裂纹信息集合包括:裂纹所在的叶片、裂纹在叶片上的位置坐标、以及裂纹的大小及深度。
在进一步的实施例中,基于最新的裂纹信息集合构建识别模型,通过识别模型判断是否需要对指定的叶片进行维护或者修理;若需要维护或者修理,则进入修理模式;反之,仍处于观察期。
在进一步的实施例中,当叶片处于第一检测区域时,摄像机获取叶片的第一检测面图像;
当叶片处于第二检测区域时,摄像机获取叶片的第二检测面图像和第四检测面图像;
当叶片处于第三检测区域时,摄像机获取叶片的第三检测面图像;
其中,所述第一检测面图像、第二检测面图像、第三检测面图像及第四检测面图像拼接呈叶片三维图像。
在进一步的实施例中,基于实时的叶片三维图像判断当前叶片是否存在裂纹的判断步骤具体如下:
基于实时的叶片三维图像判断当前叶片是否存在裂纹的判断步骤具体如下:
分别确定第一检测面、第二检测面、第三检测面和第四检测面,且判断方法一样;
首先确定第一检测面上的是否存在裂纹:获取叶片每转动一次在第一检测区域内获得的第一检测面图像中的最佳第一检测面Fc,并生成第一检测面集合F;每转动一次即得到一组最佳第一检测面并添加到结合F中,得到更新后的第一检测面集合F;获取每次最佳第一检测面Fc上的各个特征点到摄像机之间的距离,并生成距离集合Dc,随着叶片转动次数的增加判断每个特征点对应距离的变化趋势,若对应的距离呈逐渐增大的趋势,则认为该点及其附近为裂缝;
按照第一检测面上的是否存在裂纹的判断方法依次判断第二检测面、第三检测面和第四检测面中是否存在裂纹。
换言之叶片分解图像的获取:依次获取第一检测面图像、第二检测面图像和第四检测面图像、第三检测图像;其中,第一检测面图像的获取方法如下:以第一检测区域为单位,指定叶片每经过第一检测区域则计数一次,累计次数用c表示,且摄像机对当前叶片按照预定时间间隔获取第一检测面的图像信息,在预定时间间隔内叶片按照当前的转速进行转动,即相邻间隔内的两组第一检测面的图像信息将会存在一定的角度偏差。叶片每次经过第一检测区域后对获取到的若干组图像信息进行处理,并筛选出每次的最佳第一检测面Fc。
在进一步的实施例中,每次的最佳第一检测面Fc的筛选如下:
定义四组感应器的检测方向的交点坐标为O1(0,0,0),摄像机所在的坐标为O2(0,0,Z0),则当叶片在第一检测区域内的夹角为时,θ1i取值范围为0~θ1,i表示摄像机在叶片每转动一圈时最终获取到的在第一检测区域内的第一检测图像的数量,即i取值是取决于预定时间间隔。
以其中一圈为例,分别获取夹角为时的第一检测面Fi上的特征点集为ψi1,ψi1={ωi1,ωi2,,…ωim},其中m表示第一检测面Fi上有m个特征点。且每个特征点的坐标为:ωin(xin,yin,zin),1≤n≤m。
通过获得的每个第一检测面上的点分别计算出三轴方向(X1,Y1,Z1)所有点的重心:
上式中,1≤ι≤i。根据sim∈[0,1],sim的取值越接近1,说明从该角度获取的第一检测面图像的还原度为最高,从而确定每转动一次时最佳第一检测面Fc,Fc表示单次获取到的所有的检测面中的最佳第一检测面。
同样的,采用相同的计数方式和识别方式,分别得到最佳第二检测面Γc、第四最佳检测面Γc,和最佳第三检测面Ec。
首先,以第一检测面为例,将每次获取得到的最佳第一检测面生成集合F,第一检测面集合F={F1,F2,…Fc};每得到依次最佳第一检测面便将其更新到结合中去;同时针对每个最佳第一检测面进行以下处理:
获取最佳第一检测面上的m个特征点,得到最佳特征点的点集,ψc1,ψc1={ωc1,ωc2,,…ωcm},且每个特征点的坐标为ωcn(xcn,ycn,zcn),
当风叶进行第c+1次转动时,按照上述方法获得当前的距离集合Dc+1,Dc+1={dc+11,dc+12,…,dc+1m},将集合Dc+1中的元素与之前的结合Dc中的元素按照元素中的排列顺序进行一一对比,若发现集合Dc+1中的一个或者多个元素与集合Dc中对应的元素呈增大的趋势,则说明该元素对应点的坐标开始出现裂缝。
同样的,在第二检测面、第三检测面和第四检测面上,使用距离前后对比原则。
在进一步的实施例中,基于最新的裂纹信息集合构建识别模型的构建流程如下:
当存在裂纹后,即刻生成裂纹信息集合Ξ,Ξ={Ξ1,Ξ2,…,Ξξ},其中ξ表示叶片的编号,且表示编号为ξ的裂纹的编号,则分别表示裂纹ξ的三维坐标,则表示裂纹ξ中心到O2(0,0,Z0)距离,则表示裂纹ξ在与的垂直的面上面积,则表示裂纹ξ的评估体积。叶片每转动一次,成裂纹信息集合Ξ中的数值都会发生改动。
建立三组识别模型,包括第一识别模型、第二识别模型和第三识别模型。其中第一识别模型是用于根据单个的裂纹进行识别判断是否需要维修;第二识别模型则是用于根据单个的叶片的裂纹情况进行识别判断是否需要维修;第三识别模型则是用于根据所有叶片的裂纹情况进行识别判断是否需要维修;以上三个识别模型其中任何一个或者多个判断出需要维修的则进行针对性的维修。
当的取值为1时,则需要对所有的叶片进行维护。为预定的某个裂纹允许存在的深度阈值,为预定的单个叶片上允许存在的面积阈值,为预定的单个叶片上允许存在的体积阈值,为预定的所有叶片允许存在的面积阈值,为预定的所有叶片允许存在的体积阈值。
本发明的有益效果:本发明通过安装在立柱上的摄像机对每次经过检测区域的叶片进行图像采集,并对每组叶片生成对应的数据库,将每次更新的图像上传到对应的数据库内进行分析。首先,在做到实时监控的同时还保证了信息的精确度,因为它不受风力后者其他环境因素的影响,当风叶处于某一检测区域时,摄像机将会持续的对某一个检测面进行图像摄取,针对性高且是从不同的角度对该检测面进行数据获取再经后台处理后生成叶片分解图像,因此避免出现因光线不好造成的获取不全或者精度不高的现象。
其次它在发现裂纹之后将会有一段时间的观察期,即在观察期内的裂纹时对叶片工作不会有太大的影响;通过识别模型判断:当裂纹已经足够影响到叶片的正常工作时,则会报警从观察期转入修理模式,启动修理。保证了维护的高效性同时还节省了维护成本。
附图说明
图1为本发明的叶片及摄像机的位置关系图。
图1中的各标注为:摄像机1、立柱2、叶片3、第一检测区域4、第二检测区域5、第三检测区域6。
具体实施方式
目前用于监测发电叶片的装置或者系统有很多,但是其中一部分会受到风力的影响,无法做到精确的判断。另一部分则会受到光度的影响同样无法做到精确的判断。甚至还部分虽然可以精确的拍摄到裂纹的位置,但是却无法判断该裂纹是否达到维修的标准,因为很多情况下较小的裂纹是不用即刻维修的,可以等到其扩大到一定程度后再进行统一修补。
因此本实施例为了解决上述技术问题和技术效果,公开了一种风力发电叶片3裂纹检测系统,如图1所示,包括立柱2,立柱2树立在地面上。且立柱2的顶部安装有风机组件,风机组件上传动连接有风叶组件。具体的还包括摄像机1,本实施例中的摄像机1为一组,且通过转动机构安装在所述立柱2上并与风叶组件位于同侧,转动机构使用现有技术中的转动机构便可实现,故在本实施例中不做赘述。
同时,为了便于安装且不增加其他部件的同时,在本实施例中,所述摄像机1安装在风叶组件的下方。还包括安装在风机组件上的四组感应器,且每组感应器对应一个固定的检测方向,所述四组感应器以检测方向为界限划分出三组检测区域,按照顺时针方向分别为发射型的第一检测区域4、第二检测区域5和第三检测区域6。其中,当前叶片3处于第一检测区域4时,摄像机1获取当前叶片3的第一检测面;当前叶片3处于第二检测区域5时,摄像机1获取当前叶片3的第二检测面和第四检测面;当前叶片3处于第三检测区域6时,摄像机1获取当前叶片3的第三检测面;所述叶片3由第一检测面、第二检测面、第三检测面和第四检测面拼接而成。
为了很好的理解,上文中提到的第一检测面是当叶片3处于第一检测区域4时,叶片3上与摄像机1相近的那一面,同时第三检测面是当叶片3处于第三检测区域6时,叶片3上与摄像机1相近的那一面,一般情况下,第一检测面与第三检测面是有部分为对立面。则第二检测面和第四检测面是相互对立且同时连接于第一检测面与第三检测面的两个面,当风叶处于第二检测区域5时,第二检测面和第四检测面是与立柱2相对的。因此实际上,第一检测面、第二检测面、第三检测面和第四检测面都是具有一定的弧度的,故在通过摄像机1获取对应的图像时,本实施例通过多角度多采集的方式获取,是为了避免因为弧度造成的死角,导致获取不够精确。
为了更好的理解三个不同的区域,本实施例中按照角度进行了划分:相邻检测方向之间的夹角按照顺时针方向依次为θ1、θ2和θ1,并以夹角θ2的中心线为轴线;
第三检测区域所在的夹角取值范围为同时并对θ1和θ2的取值做了以下限定:θ2+2θ1的取值小于两相邻叶片之间的夹角且反之,如果θ1的取值大于两相邻叶片之间的夹角,则当正在检测的叶片还没有从第三检测区域出来时,下个叶片就已经进入到第一检测区域了,则对下一个叶片的第一检测面的获取造成了信息缺失,导致精度降低。即需要保证当前的第一检测区域、第二检测区域和第三检测区域同时仅存在一个叶片在内,换言之,当任何一个叶片进去到检测区域后,摄像机全称跟踪且拍摄。
基于上述系统,采用以下检测方法,包括以下步骤:
数据初始化,确定第一检测区域、第二检测区域和第三检测区域;建立第一数据库、第二数据库、…、第ξ数据库,其中ξ≥3,ξ为风叶组件中叶片的个数;一般ξ的取值为3。第一数据库、第二数据库、…、第ξ数据库为存储下文中对应叶片的信息。举例,若当前有三组叶片,则自动生成第一数据库、第二数据库和第三数据库。当第一次获取信息时则三组叶片的信息分别存储或者更新到第一数据库、第二数据库和第三数据库中,当第二次获取信息时则三组叶片的信息分别存储或者更新到第一数据库、第二数据库和第三数据库中,即每获取依次信息,都将信息更新到对应的数据库中,一个叶片对应一个数据库。
摄像机对位于第一检测区域、第二检测区域或第三检测区域中的叶片进行图像采集,获得当前的叶片分解图像;并将所述叶片分解图像按照预定周期更新至对应的数据库中,生成实时的叶片三维图像;当叶片处于第二检测区域时,摄像机获取叶片的第二检测面图像和第四检测面图像;当叶片处于第三检测区域时,摄像机获取叶片的第三检测面图像;其中,所述第一检测面图像、第二检测面图像、第三检测面图像及第四检测面图像拼接呈叶片三维图像。
基于实时的叶片三维图像判断当前叶片是否存在裂纹;若存在裂纹,则基于叶片分解图像获取裂纹信息,同时在对应的数据库内生成或更新得到最新的裂纹信息集合,并在实时的叶片三维图像中进行标定。其中,预定周期等于其中任何一组叶片的转动一周的周期,也是每个数据库更新的周期。
所述裂纹信息集合包括:裂纹所在的叶片、裂纹在叶片上的位置坐标、以及裂纹的大小及深度。
基于最新的裂纹信息集合构建识别模型,通过识别模型判断是否需要对指定的叶片进行维护或者修理;若需要维护或者修理,则进入修理模式;反之,仍处于观察期。
为了更好的描述检测方法,在进一步的实施例中,基于实时的叶片三维图像判断当前叶片是否存在裂纹的判断步骤具体如下:
分别确定第一检测面、第二检测面、第三检测面和第四检测面,且判断方法一样;
首先确定第一检测面上的是否存在裂纹:获取叶片每转动一次在第一检测区域内获得的第一检测面图像中的最佳第一检测面Fc,并生成第一检测面集合F;每转动一次即得到一组最佳第一检测面并添加到结合F中,得到更新后的第一检测面集合F;获取每次最佳第一检测面Fc上的各个特征点到摄像机之间的距离,并生成距离集合Dc,随着叶片转动次数的增加判断每个特征点对应距离的变化趋势,若对应的距离呈逐渐增大的趋势,则认为该点及其附近为裂缝;
按照第一检测面上的是否存在裂纹的判断方法依次判断第二检测面、第三检测面和第四检测面中是否存在裂纹。
换言之叶片分解图像的获取:依次获取第一检测面图像、第二检测面图像和第四检测面图像、第三检测图像;其中,第一检测面图像的获取方法如下:以第一检测区域为单位,指定叶片每经过第一检测区域则计数一次,累计次数用c表示,且摄像机对当前叶片按照预定时间间隔获取第一检测面的图像信息,在预定时间间隔内叶片按照当前的转速进行转动,即相邻间隔内的两组第一检测面的图像信息将会存在一定的角度偏差。叶片每次经过第一检测区域后对获取到的若干组图像信息进行处理,并筛选出每次的最佳第一检测面Fc。
在进一步的实施例中,每次的最佳第一检测面Fc的筛选如下:
定义四组感应器的检测方向的交点坐标为O1(0,0,0),摄像机所在的坐标为O2(0,0,Z0),则当叶片在第一检测区域内的夹角为时,θ1i取值范围为0~θ1,i表示摄像机在叶片每转动一圈时最终获取到的在第一检测区域内的第一检测图像的数量,即i取值是取决于预定时间间隔。
以其中一圈为例,分别获取夹角为时的第一检测面Fi上的特征点集为ψi1,ψi1={ωi1,ωi2,,…ωim},其中m表示第一检测面Fi上有m个特征点。且每个特征点的坐标为:ωin(xin,yin,zin),1≤n≤m。
通过获得的每个第一检测面上的点分别计算出三轴方向(X1,Y1,Z1)所有点的重心:
上式中,1≤ι≤i。根据sim∈[0,1],sim的取值越接近1,说明从该角度获取的第一检测面图像的还原度为最高,从而确定每转动一次时最佳第一检测面Fc,Fc表示单次获取到的所有的检测面中的最佳第一检测面。
同样的,采用相同的计数方式和识别方式,分别得到最佳第二检测面Γc、第四最佳检测面Γc’和最佳第三检测面Ec。
最佳第二检测面Γc第四最佳检测面Γc’的获取方法一样,以最佳第二检测面Γc为例,获取方法如下:叶片在第二检测区域的夹角为θ2i的取值范围为0~θ2,i表示摄像机在叶片每转动一圈时最终获取到的在第二检测区域内的第二检测图像的数量,即i取值是取决于预定时间间隔。
以其中一圈为例,分别获取夹角为‖±θ2i‖时的第一检测面Γi上的特征点集为Φi1,Φi1={ωi1,ωi2,,…ωili,其中m表示第一检测面Γi上有l个特征点。且每个特征点的坐标为:ωik(xik,yik,zik),1≤k≤l。
通过获得的每个第二检测面上的点分别计算出三轴方向(X2,Y2,Z2)所有点的重心:
上式中,1≤p≤i。根据sim∈[0,1],sim的取值越接近1,说明从该角度获取的第二检测面图像的还原度为最高,从而确定每转动一次时最佳第二检测面Γc,Γc表示单次获取到的所有的检测面中的最佳第二检测面。
最佳第三检测面的获取方法与最佳第一检测面的获取方法相同,故不做赘述。
基于已经确定好的最佳检测面,且该检测面为实时更新的检测面,故通过最佳检测面判断是否存在裂纹。
首先,以第一检测面为例,将每次获取得到的最佳第一检测面生成集合F,第一检测面集合F={F1,F2,…Fc};每得到依次最佳第一检测面便将其更新到结合中去;同时针对每个最佳第一检测面进行以下处理:
获取最佳第一检测面上的m个特征点,得到最佳特征点的点集,ψc1,ψc1={ωc1,ωc2,,…ωcm},且每个特征点的坐标为ωcn(xcn,ycn,zcn),
当风叶进行第c+1次转动时,按照上述方法获得当前的距离集合Dc+1,Dc+1={dc+11,dc+12,…,dc+1m},将集合Dc+1中的元素与之前的结合Dc中的元素按照元素中的排列顺序进行一一对比,若发现集合Dc+1中的一个或者多个元素与集合Dc中对应的元素呈增大的趋势,则说明该元素对应点的坐标开始出现裂缝。
同样的,在第二检测面、第三检测面和第四检测面上,使用距离前后对比原则。
在进一步的实施例中,基于最新的裂纹信息集合构建识别模型的构建流程如下:
当存在裂纹后,即刻生成裂纹信息集合Ξ,Ξ={Ξ1,Ξ2,…,Ξξ},其中ξ表示叶片的编号,且表示编号为ξ的裂纹的编号,则分别表示裂纹ξ的三维坐标,则表示裂纹ξ中心到O2(0,0,Z0)距离,则表示裂纹ξ在与的垂直的面上面积,则表示裂纹ξ的评估体积。叶片每转动一次,成裂纹信息集合Ξ中的数值都会发生改动。
建立三组识别模型,包括第一识别模型、第二识别模型和第三识别模型。其中第一识别模型是用于根据单个的裂纹进行识别判断是否需要维修;第二识别模型则是用于根据单个的叶片的裂纹情况进行识别判断是否需要维修;第三识别模型则是用于根据所有叶片的裂纹情况进行识别判断是否需要维修;以上三个识别模型其中任何一个或者多个判断出需要维修的则进行针对性的维修。
当的取值为1时,则需要对所有的叶片进行维护。为预定的某个裂纹允许存在的深度阈值,为预定的单个叶片上允许存在的面积阈值,为预定的单个叶片上允许存在的体积阈值,为预定的所有叶片允许存在的面积阈值,为预定的所有叶片允许存在的体积阈值。
通过上述识别模型,增加了判断的精确度,即若其中一个叶片上的裂纹过大,过大的程度已经影响到该叶片的正常工作,则通过第一识别模型发出报警,标注出对应的坐标。或者其中一个叶片上的裂纹较多且每个裂纹都非常的细,但是从叶片整体的角度来看,该叶片上的裂纹的叠加却足够影响该叶片的正常工作,则通过第二识别模型发出报警,标注出每个裂纹对应的坐标。
亦或者,每个叶片上的裂纹都很有限,但是却影响到了整个风叶组件的工作,那么则使用第三识别模型发出报警,标注出每个裂纹对应的坐标和对应的叶片。
Claims (10)
1.一种风力发电叶片裂纹检测系统,包括:立柱,安装在所述立柱上的风机组件,以及传动连接于所述风机组件的风叶组件;其特征在于,还包括:
摄像机,可转动的安装在所述立柱上且位于所述风叶组件的下方;所述摄像机与所述风叶组件位于同侧;
至少四组感应器,安装在所述风机组件上;每组感应器对应一个固定的检测方向,所述四组感应器以检测方向为界限划分出三组检测区域,按照顺时针方向分别为发射型的第一检测区域、第二检测区域和第三检测区域;
其中,当前叶片处于第一检测区域时,摄像机获取当前叶片的第一检测面;当前叶片处于第二检测区域时,摄像机获取当前叶片的第二检测面和第四检测面;当前叶片处于第三检测区域时,摄像机获取当前叶片的第三检测面;所述叶片由第一检测面、第二检测面、第三检测面和第四检测面拼接而成。
5.根据权利要求4所述的一种风力发电叶片裂纹检测方法,其特征在于,
所述预定周期等于其中任何一组叶片的转动一周的周期。
6.根据权利要求4所述的一种风力发电叶片裂纹检测方法,其特征在于,
所述裂纹信息集合包括:裂纹所在的叶片、裂纹在叶片上的位置坐标、以及裂纹的大小及深度。
7.根据权利要求4所述的一种风力发电叶片裂纹检测方法,其特征在于,
基于最新的裂纹信息集合构建识别模型,通过识别模型判断是否需要对指定的叶片进行维护或者修理;若需要维护或者修理,则进入修理模式;反之,仍处于观察期。
8.根据权利要求4所述的一种风力发电叶片裂纹检测方法,其特征在于,当叶片处于第一检测区域时,摄像机获取叶片的第一检测面图像;
当叶片处于第二检测区域时,摄像机获取叶片的第二检测面图像和第四检测面图像;
当叶片处于第三检测区域时,摄像机获取叶片的第三检测面图像;
其中,所述第一检测面图像、第二检测面图像、第三检测面图像及第四检测面图像拼接呈叶片三维图像。
9.根据权利要求4所述的一种风力发电叶片裂纹检测方法,其特征在于,
基于实时的叶片三维图像判断当前叶片是否存在裂纹的判断步骤具体如下:
分别确定第一检测面、第二检测面、第三检测面和第四检测面,且判断方法一样;
首先确定第一检测面上的是否存在裂纹:获取叶片每转动一次在第一检测区域内获得的第一检测面图像中的最佳第一检测面Fc,并生成第一检测面集合F;每转动一次即得到一组最佳第一检测面并添加到结合F中,得到更新后的第一检测面集合F;获取每次最佳第一检测面Fc 上的各个特征点到摄像机之间的距离,并生成距离集合Dc,随着叶片转动次数的增加判断每个特征点对应距离的变化趋势,若对应的距离呈逐渐增大的趋势,则认为该点及其附近为裂缝;
按照第一检测面上的是否存在裂纹的判断方法依次判断第二检测面、第三检测面和第四检测面中是否存在裂纹。
10.根据权利要求4所述的一种风力发电叶片裂纹检测方法,其特征在于,
基于最新的裂纹信息集合构建识别模型的构建流程如下:创建至少三组识别模型,分别为第一识别模型、第二识别模型和第三识别模型;
其中,第一识别模型是用于根据单个的裂纹进行识别判断是否需要维修;第二识别模型则是用于根据单个的叶片的裂纹情况进行识别判断是否需要维修;第三识别模型则是用于根据所有叶片的裂纹情况进行识别判断是否需要维修;以上三个识别模型其中任何一个或者多个判断出需要维修的则进行针对性的维修。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110937860.8A CN113740258A (zh) | 2021-08-16 | 2021-08-16 | 一种风力发电叶片裂纹检测系统及其检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110937860.8A CN113740258A (zh) | 2021-08-16 | 2021-08-16 | 一种风力发电叶片裂纹检测系统及其检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113740258A true CN113740258A (zh) | 2021-12-03 |
Family
ID=78731260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110937860.8A Withdrawn CN113740258A (zh) | 2021-08-16 | 2021-08-16 | 一种风力发电叶片裂纹检测系统及其检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113740258A (zh) |
-
2021
- 2021-08-16 CN CN202110937860.8A patent/CN113740258A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112267980B (zh) | 风力发电机组的叶片净空监测系统和方法 | |
CN109900712B (zh) | 基于摄像测量的风电叶片机械故障在线检测系统及其方法 | |
EP2369176A1 (en) | Wind turbine and method for measuring the pitch angle of a wind turbine rotor blade | |
CN109900713B (zh) | 摄像引导的无人机风电叶片缺陷动态检测系统及其方法 | |
CN105891546B (zh) | 基于大数据的风电机组偏航系统中风向标故障诊断的方法 | |
CN113610749B (zh) | 基于神经网络的风机叶片缺陷检测方法 | |
CN110595446B (zh) | 一种基于虚拟靠尺的建筑实测实量方法及装置 | |
US12066011B2 (en) | Wake monitoring, wake management and sensory arrangements to such | |
WO2021185593A1 (en) | Method of imaging a wind turbine rotor blade | |
Guo et al. | Detecting and positioning of wind turbine blade tips for uav-based automatic inspection | |
CN205135913U (zh) | 一种风电机组叶片的弦线定位模板及叶片安装角测量系统 | |
CN113406107A (zh) | 风机叶片缺陷检测系统 | |
WO2019103621A1 (en) | Wind turbine blade orientation detection | |
JP7538951B2 (ja) | 対象物検出のための方法およびシステム | |
WO2022220692A1 (en) | Bird detection and species determination | |
CN115773209A (zh) | 一种风机叶片净空检测装置及检测方法 | |
CN116641855B (zh) | 一种风力发电机组运行监测方法、系统、设备及存储介质 | |
CN114593020A (zh) | 风电机组叶片结冰监测预警方法、装置及电子设备 | |
CN113740258A (zh) | 一种风力发电叶片裂纹检测系统及其检测方法 | |
CN116047499B (zh) | 一种目标施工车辆的输电线路高精度实时防护系统和方法 | |
CN116753125A (zh) | 一种可自动识别路径的叶片巡检系统 | |
CN115713558A (zh) | 一种基于机器视觉地面测风电机组净空的方法 | |
EP4009272A1 (en) | Unmanned airborne visual diagnosis of an operating wind turbine generator | |
CN117889786B (zh) | 一种基于视觉的风电场站自动巡检方法及系统 | |
CN116027321B (zh) | 一种输电线路的高精度实时防护系统和方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211203 |
|
WW01 | Invention patent application withdrawn after publication |