CN113803223B - 一种风机叶片结冰状态实时监测方法、系统、介质及设备 - Google Patents
一种风机叶片结冰状态实时监测方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN113803223B CN113803223B CN202110918737.1A CN202110918737A CN113803223B CN 113803223 B CN113803223 B CN 113803223B CN 202110918737 A CN202110918737 A CN 202110918737A CN 113803223 B CN113803223 B CN 113803223B
- Authority
- CN
- China
- Prior art keywords
- icing
- fan blade
- state
- video
- real
- 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
- F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
- F03D80/40—Ice detection; De-icing means
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
发明公开了一种风机叶片结冰状态实时监测方法、系统、介质及设备,利用设置在风机机舱顶部的云台相机对风机叶片进行视频拍摄,将得到的视频处理为图片帧用于训练结冰监测模型,最后由云台相机采集实时风机叶片结冰状态,并由结冰检测模型对实时风机叶片结冰状态进行分析,得到判断结果,实现风机叶片结冰状态的实时监测;本发明运用云台相机对风机叶片进行扫描检测,减少了其余传感器因误报或跳变而带来的错误信息,减少不必要的误报,同时整个监测过程中能够独立处理数据,降低了对风机主控PLC的依赖性和配置要求,云台相机实时采集叶片运行状态视频,并通过图像处理技术实时分析,提高了时效性和故障预警精准度,降低叶片结冰对风机带来的安全隐患。
Description
技术领域
本发明涉及风机叶片结冰状态监测的技术领域,尤其是指一种风机叶片结冰状态实时监测方法、系统、介质及设备。
背景技术
叶片作为风力发电机组的核心部件,其运行状态直接影响风能的可利用率,影响风场的总发电量,进而影响整个风场的投资收益。随着风电机组的智能化发展,对风机叶片的状态检测需求越来越高,在已获悉的部分风场中,尤其是冬季的北方地区及南方部分山区,受气温低、空气湿度大等自然条件的影响,叶片表面容易结冰,而风机叶片结冰会显著影响叶片的气动性能进而影响发电量,且结冰后持续运行容易造成叶片的损伤。
目前,大部分风场面对结冰问题,通常采用间接的预判方式。通过风速风向监测,对比风机实际运行功率与理论功率是否匹配,结合当前户外温度及空气湿度做出是否结冰的预判。这种预判方式过度依赖于传感器,如风速传感器、温度传感器、湿度传感器,由于精度问题,任何一种传感器的误报或跳变都会导致结冰预判的误报,进而造成不必要的停机措施,使业主损失部分发电量。也有部分风场采用导出机组结冰时的运行SCADA数据,进而训练结冰特征,预判结冰状态。这种方式更加依赖于机组的各种传感器数据,依赖的传感器种类与数量越多,就越容易引起误报,也就难以保证数据的有效性,造成误判。若采用人工去判断叶片是否结冰,进行手动停机操作,虽然可以确保人工判断的准确性,但难以保证时效性,即工作人员不可能24小时盯着叶片,因此不能在结冰时立刻做停机操作。以上方法,都存在一定的缺陷,如因误报而造成发电量的损失,或因发现不及时,致使机组结冰时正常运行,危害机组使用寿命等。因此,需要设计一种基于图像识别的风机叶片结冰状态监测方法,以避免上述传统方案的缺陷。
发明内容
本发明的第一目的在于为解决现有技术中的不足,提供了一种风机叶片结冰状态实时监测方法,利用设置在风机机舱顶部的云台相机对风机叶片进行视频拍摄,将得到的视频处理为图片帧用于训练结冰监测模型,最后由云台相机采集实时风机叶片结冰状态,并由结冰检测模型对实时风机叶片结冰状态进行分析,得到判断结果,实现风机叶片结冰状态的实时监测。
本发明的第二目的在于提供一种风机叶片结冰状态实时监测系统。
本发明的第三目的在于提供一种非暂时性计算机可读介质。
本发明的第四目的在于提供一种计算设备。
本发明的第一目的通过下述技术方案实现:一种风机叶片结冰状态实时监测方法,包括以下步骤:
S1、采集各个场景及方位的风机叶片结冰视频,作为负样本视频数据,同时采集各个场景及方位的风机叶片未结冰视频,作为正样本视频数据;
S2、采用图像抽帧处理负样本视频数据和正样本视频数据,剔除其中各自的近似图片帧,并进行分类,得到多个分类训练样本数据集;
S3、将多个分类训练样本数据集进行数据扩增后,输入到主干网络EfficientNet中训练,得到训练后的主干网络EfficientNet,作为结冰检测模型;
S4、将结冰检测模型布置到风场中,采集实时风机叶片结冰状态,并由结冰检测模型对实时风机叶片结冰状态进行分析,得到判断结果,实现风机叶片结冰状态的实时监测。
进一步,在步骤S1中,具体执行以下操作:
将云台相机安装在风机的机舱顶部,由该云台相机分别针对风机叶片的叶尖和叶根部位进行拍摄,采集风机叶片在其左方位、中方位及右方位时的风机叶片结冰视频,作为负样本视频数据;同时,云台相机亦采集在无雾时的白天与夜晚的风机叶片未结冰视频以及在有雾时的白天与夜晚的风机叶片未结冰视频,作为正样本视频数据。
进一步,在步骤S2中,具体执行以下操作:
采用图像抽帧处理采集得到的负样本视频数据和正样本视频数据,将负样本视频数据和正样本视频数据的每一帧处理为图片帧,并剔除负样本视频数据的近似图片帧和正样本视频数据的近似图片帧,最后将进行处理后的图片帧划分为多个分类训练样本数据集。
进一步,在步骤S3中,包括以下步骤:
S301、读取多个分类训练样本数据集;
S302、采用深度学习方法对多个分类训练样本数据集进行数据扩增,对多个分类训练样本数据集中的图片帧进行随机水平翻转、随机垂直翻转、灰度变换以及对图像颜色的对比度以及饱和度和零度进行变换;
S303、根据步骤S302进行数据扩增后的样本数量、预设的参数Batch Size以及迭代次数,设置多个超参数EPOCH:
S304、将步骤S303设置的多个超参数EPOCH分别输入到主干网络EfficientNet中进行训练,得到结冰检测模型;其中,每训练完成一个超参数EPOCH后,则对结冰检测模型输入预设的测试集,得到相应的超参数EPOCH训练的正确率,重复上述操作直至结冰检测模型训练完成,输出统计结果;
S305、设定结冰检测模型的输出路径,输出结冰检测模型的.pth格式文件。
进一步,在步骤S4中,包括以下步骤:
S401、将利用云台相机采集的实时风机叶片视频通过风场环网存储在风场的中控室工作站设定的输出视频文件夹下,并定义存储分析结果文件夹的路径,实时监听采集的实时风机叶片视频的存储文件,若是监听到未分析的实时风机叶片视频,则进行视频分析判断;
S402、设定主干网络EfficientNet加载训练的参数,并修改主干网络EfficientNet的输出层,加载结冰检测模型,并将结冰检测模型转移到GPU上,同时设定输出风机叶片视频的参数,将风机叶片视频的分辨率降低;
S403、将采集的实时风机叶片视频通过加载的结冰检测模型进行分析判断,获得实时风机叶片视频中每一图片帧的判断结果,将判断结果分别写入输出视频和分析结果的.txt格式文件,其中所述判断结果包括未结冰状态、结冰状态和模糊不清状态,将未结冰状态的指令记为0,结冰状态的指令记为1,模糊不清状态的指令记为2;
S404、根据采集的所有结冰与非结冰状态的风机叶片视频的判断结果进行统计,得到结冰检测阈值;若在判断结果中没有模糊不清状态,则分别计算未结冰状态和结冰状态的频率;当结冰状态的频率大于结冰检测阈值,则判定为结冰状态,反之则判定为未结冰状态;若在判断结果中有模糊不清状态,则分别统计未结冰状态、结冰状态和模糊不清状态的频率,当模糊不清状态的频率小于预设的阈值,且结冰状态出现的频率大于结冰检测阈值时,则判定为结冰状态,反之则判定为未结冰状态;
S405、设定风场中通讯机组的IP地址,并设定Modbus TCP通讯地址位,将步骤S404中判定的风机叶片的未结冰状态的指令0或结冰状态的指令1发送给风机的主控PLC,主控PLC通过得到的风机叶片状态判断结果,对风机进行结冰预警停机和消冰后的自动启机。
本发明的第二目的通过下述技术方案实现:一种风机叶片结冰状态实时监测系统,包括:
视频采集模块,用于采集各个场景及方位的风机叶片结冰视频及风机叶片未结冰视频,并实时监听是否有采集到新的风机叶片视频,即未分析的实时风机叶片视频;
结冰检测模块,用于设定主干网络EfficientNet,并将训练后的主干网络EfficientNet作为结冰检测模型,在加载结冰检测模型后读取未分析的实时风机叶片视频,并对该实时风机叶片视频进行分析判断,得到风机叶片结冰状态的判断结果;
主控PLC模块,根据得到的风机叶片结冰状态的判断结果的指令,对风机进行结冰预警停机和消冰后的自动启机的控制。
进一步,所述视频采集模块,具体执行以下操作:将采集的实时风机叶片视频通过风场环网存储在风场的中控室工作站设定的输出视频文件夹下,并定义存储分析结果文件夹的路径,实时监听采集的实时风机叶片视频的存储文件。
进一步,所述结冰检测模块,具体执行以下操作:
设定主干网络EfficientNet加载训练的参数,并修改主干网络EfficientNet的输出层,加载结冰检测模型,并将结冰检测模型转移到GPU上,同时设定输出风机叶片视频的参数,将风机叶片视频的分辨率降低;
将采集的实时风机叶片视频通过加载的结冰检测模型进行分析判断,获得实时风机叶片视频中每一图片帧的判断结果,将判断结果分别写入输出视频的.txt格式文件和分析结果的.txt格式文件,其中所述判断结果包括未结冰状态指令、结冰状态指令和模糊不清状态指令,将未结冰状态指令记为0,结冰状态指令记为1,模糊不清状态指令记为2;
根据采集的所有结冰与非结冰状态的风机叶片视频的判断结果进行统计,得到结冰检测阈值;若在判断结果中没有模糊不清状态,则分别计算未结冰状态和结冰状态的频率;当结冰状态的频率大于结冰检测阈值,则判定为结冰状态,反之则判定为未结冰状态;若在判断结果中有模糊不清状态,则分别统计未结冰状态、结冰状态和模糊不清状态的频率,当模糊不清状态的频率小于预设的阈值,且结冰状态出现的频率大于结冰检测阈值时,则判定为结冰状态,反之则判定为未结冰状态;最终将判定的风机叶片的未结冰状态指令0或结冰状态指令1发送给主控PLC模块。
本发明的第三目的通过下述技术方案实现:一种存储有指令的非暂时性计算机可读介质,当所述指令由处理器执行时,执行上述风机叶片结冰状态实时监测方法的步骤。
本发明的第四目的通过下述技术方案实现:一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现上述风机叶片结冰状态实时监测方法。
本发明与现有技术相比,具有如下优点与有益效果:
1、本发明运用云台相机对风机叶片进行扫描检测,减少了其余传感器因误报或跳变而带来的错误信息,减少不必要的误报;
2、本发明通过云台相机实时采集叶片运行状态视频,并通过图像处理技术实时分析,提高了时效性和故障预警精准度;
3、整个监测过程中能够独立处理数据,降低了对风机主控PLC的依赖性和配置要求。
4、本发明能够将风机叶片结冰状态的判断结果实时传输给风机主控PLC,及时进行风机控制,最大限度降低叶片结冰对风机带来的安全隐患。
附图说明
图1为风机叶片结冰状态实时监测的实施流程图。
图2为结冰检测模型的训练流程图。
图3为风机叶片的拍摄方位的示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
实施例1
参见图1至图3所示,为本实施例所提供的风机叶片结冰状态实时监测方法,包括以下步骤:
S1、采集各个场景及方位的风机叶片结冰视频,作为负样本视频数据,同时采集各个场景及方位的风机叶片未结冰视频,作为正样本视频数据,具体执行以下操作:
将云台相机安装在风机的机舱顶部,由该云台相机分别针对风机叶片的叶尖和叶根部位进行拍摄,采集风机叶片在其左方位a、中方位b及右方位c时的风机叶片结冰视频,作为负样本视频数据;同时,云台相机亦采集在无雾时的白天与夜晚的风机叶片未结冰视频以及在有雾时的白天与夜晚的风机叶片未结冰视频,作为正样本视频数据。
S2、采用图像抽帧处理负样本视频数据和正样本视频数据,剔除其中各自的近似图片帧,并进行分类,得到五个分类训练样本数据集,具体执行以下操作:
采用图像抽帧处理采集得到的负样本视频数据和正样本视频数据,将负样本视频数据和正样本视频数据的每一帧处理为图片帧,并剔除负样本视频数据和正样本视频数据各自的近似图片帧,最后将进行处理后的图片帧划分为五个分类训练样本数据集,所述五个分类训练样本数据集包括模糊样本数据集、无叶片无结冰样本数据集、无叶片有结冰样本数据集、有叶片无结冰样本数据集以及有叶片有结冰样本数据集。
S3、将五个分类训练样本数据集进行数据扩增后,输入到主干网络EfficientNet中训练,得到训练后的主干网络EfficientNet,作为结冰检测模型,包括以下步骤:
S301、读取五个分类训练样本数据集;
S302、采用深度学习方法对五个分类训练样本数据集进行数据扩增,对五个分类训练样本数据集中的图片帧,采用transforms.RandomHorizontal Flip进行随机水平翻转、采用transforms.RandomVerticalFlip进行随机垂直翻转、采用transforms.ColorJitter对图像颜色的对比度以及饱和度和零度进行变换、采用transforms.ToTensor和trans forms.Normalize对图像进行灰度变换;
S303、根据步骤S302进行数据扩增后的样本数量为16000、预设参数BatchSize为16以及迭代次数为30000,设置超参数EPOCH:
EPOCH=30000/(16000/16)=30;同时设定训练的主干网络EfficientNet,该主干网络能够同时对网络宽度、深度和图片分辨率参数进行调整,提出组合缩放系数;
S304、将步骤S303设置的多个超参数EPOCH分别输入到主干网络EfficientNet中进行训练,得到结冰检测模型;其中,每训练完成一个超参数EPOCH后,则对结冰检测模型输入测试集,得到相应的超参数EPOCH训练的正确率,重复上述操作直至结冰检测模型训练完成,输出统计结果;
S305、设定结冰检测模型的输出路径,输出结冰检测模型的.pth格式文件。
S4、将训练完成的结冰检测模型布置到风场中,由云台相机采集实时风机叶片结冰状态,并由结冰检测模型对实时风机叶片结冰状态进行分析,得到判断结果,实现风机叶片结冰状态的实时监测,包括以下步骤:
S401、将云台相机采集的实时风机叶片视频通过风场环网存储在风场的中控室工作站设定的输出视频文件夹下,并定义存储分析结果文件夹的路径,通过os.listdir()实时监听采集的实时风机叶片视频的存储文件,若是监听到未分析的实时风机叶片视频,则进行视频分析判断;
S402、设定主干网络EfficientNet加载训练的参数,并修改主干网络EfficientNet的输出层,加载结冰检测模型,并将结冰检测模型转移到GPU上,同时设定输出风机叶片视频的参数,将风机叶片视频的分辨率降低;
S403、将采集的实时风机叶片视频通过加载的结冰检测模型进行分析判断,获得实时风机叶片视频中每一图片帧的判断结果,将判断结果分别写入输出视频和分析结果的.txt格式文件,其中所述判断结果包括未结冰状态、结冰状态和模糊不清状态,将未结冰状态指令记为0,结冰状态指令记为1,模糊不清状态指令记为2;
S404、根据采集的所有结冰与非结冰状态的风机叶片视频的判断结果进行统计,得到结冰检测阈值;若在判断结果中没有模糊不清状态,则分别计算未结冰状态和结冰状态的频率;当结冰状态的频率大于结冰检测阈值,则判定为结冰状态,反之则判定为未结冰状态;若在判断结果中有模糊不清状态,则分别统计未结冰状态、结冰状态和模糊不清状态的频率,当模糊不清状态的频率小于预设的阈值,且结冰状态出现的频率大于结冰检测阈值时,则判定为结冰状态,反之则判定为未结冰状态;
S405、设定风场中通讯机组的IP地址,并设定Modbus TCP通讯地址位,将步骤S404中判定的风机叶片的未结冰状态的指令0或结冰状态的指令1发送给风机的主控PLC,主控PLC通过得到的风机叶片状态判断结果,对风机进行结冰预警停机和消冰后的自动启机。
实施例2
本实施例公开了风机叶片结冰状态实时监测系统,包括:
视频采集模块,用于采集各个场景及方位的风机叶片结冰视频及风机叶片未结冰视频,并实时监听是否有采集到新的风机叶片视频,即未分析的实时风机叶片视频,具体执行以下操作:
将采集的实时风机叶片视频通过风场环网存储在风场的中控室工作站设定的输出视频文件夹下,并定义存储分析结果文件夹的路径,通过os.listdir()实时监听采集的实时风机叶片视频的存储文件。
结冰检测模块,用于设定主干网络EfficientNet,并将训练后的主干网络EfficientNet作为结冰检测模型,在加载结冰检测模型后读取未分析的实时风机叶片视频,并对该实时风机叶片视频进行分析判断,得到风机叶片结冰状态的判断结果,具体执行以下操作:
设定主干网络EfficientNet加载训练的参数,并修改主干网络EfficientNet的输出层,加载结冰检测模型,并将结冰检测模型转移到GPU上,同时设定输出风机叶片视频的参数,将风机叶片视频的分辨率降低;
将采集的实时风机叶片视频通过加载的结冰检测模型进行分析判断,获得实时风机叶片视频中每一图片帧的判断结果,将判断结果分别写入输出视频的.txt格式文件和分析结果的.txt格式文件,其中所述判断结果包括未结冰状态、结冰状态和模糊不清状态,将未结冰状态的指令记为0,结冰状态的指令记为1,模糊不清状态的指令记为2;
根据采集的所有结冰与非结冰状态的风机叶片视频的判断结果进行统计,得到结冰检测阈值;若在判断结果中没有模糊不清状态,则分别计算未结冰状态和结冰状态的频率;当结冰状态的频率大于结冰检测阈值,则判定为结冰状态,反之则判定为未结冰状态;若在判断结果中有模糊不清状态,则分别统计未结冰状态、结冰状态和模糊不清状态的频率,当模糊不清状态的频率小于预设的阈值,且结冰状态出现的频率大于结冰检测阈值时,则判定为结冰状态,反之则判定为未结冰状态;最终将判定的风机叶片的未结冰状态指令0或结冰状态指令1发送给主控PLC模块。
主控PLC模块,根据得到的风机叶片结冰状态的判断结果的指令,对风机进行结冰预警停机和消冰后的自动启机的控制。
实施例3
本实施例公开了一种存储有指令的非暂时性计算机可读介质,当所述指令由处理器执行时,执行根据实施例1所述的风机叶片结冰状态实时监测方法的步骤。
本实施例中的非暂时性计算机可读介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、U盘、移动硬盘等介质。
实施例4
本实施例公开了一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现实施例1所述的风机叶片结冰状态实时监测方法。
本实施例中所述的计算设备可以是嵌入式主机、台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑、可编程逻辑控制器(PLC,Programmable Logic Controller)、或其它具有处理器功能的终端设备。
以上所述之实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (8)
1.一种风机叶片结冰状态实时监测方法,其特征在于,包括以下步骤:
S1、采集各个场景及方位的风机叶片结冰视频,作为负样本视频数据,同时采集各个场景及方位的风机叶片未结冰视频,作为正样本视频数据;
S2、采用图像抽帧处理负样本视频数据和正样本视频数据,剔除其中各自的近似图片帧,并进行分类,得到多个分类训练样本数据集;
S3、将多个分类训练样本数据集进行数据扩增后,输入到主干网络EfficientNet中训练,得到训练后的主干网络EfficientNet,作为结冰检测模型;
S4、将结冰检测模型布置到风场中,采集实时风机叶片结冰状态,并由结冰检测模型对实时风机叶片结冰状态进行分析,得到判断结果,实现风机叶片结冰状态的实时监测,包括以下步骤:
S401、将利用云台相机采集的实时风机叶片视频通过风场环网存储在风场的中控室工作站设定的输出视频文件夹下,并定义存储分析结果文件夹的路径,实时监听采集的实时风机叶片视频的存储文件,若是监听到未分析的实时风机叶片视频,则进行视频分析判断;
S402、设定主干网络EfficientNet加载训练的参数,并修改主干网络EfficientNet的输出层,加载结冰检测模型,并将结冰检测模型转移到GPU上,同时设定输出风机叶片视频的参数,将风机叶片视频的分辨率降低;
S403、将采集的实时风机叶片视频通过加载的结冰检测模型进行分析判断,获得实时风机叶片视频中每一图片帧的判断结果,将判断结果分别写入输出视频和分析结果的.txt格式文件,其中所述判断结果包括未结冰状态、结冰状态和模糊不清状态,将未结冰状态的指令记为0,结冰状态的指令记为1,模糊不清状态的指令记为2;
S404、根据采集的所有结冰与非结冰状态的风机叶片视频的判断结果进行统计,得到结冰检测阈值;若在判断结果中没有模糊不清状态,则分别计算未结冰状态和结冰状态的频率;当结冰状态的频率大于结冰检测阈值,则判定为结冰状态,反之则判定为未结冰状态;若在判断结果中有模糊不清状态,则分别统计未结冰状态、结冰状态和模糊不清状态的频率,当模糊不清状态的频率小于预设的阈值,且结冰状态出现的频率大于结冰检测阈值时,则判定为结冰状态,反之则判定为未结冰状态;
S405、设定风场中通讯机组的IP地址,并设定Modbus TCP通讯地址位,将步骤S404中判定的风机叶片的未结冰状态的指令0或结冰状态的指令1发送给风机的主控PLC,主控PLC通过得到的风机叶片状态判断结果,对风机进行结冰预警停机和消冰后的自动启机。
2.根据权利要求1所述的一种风机叶片结冰状态实时监测方法,其特征在于,在步骤S1中,具体执行以下操作:
将云台相机安装在风机的机舱顶部,由该云台相机分别针对风机叶片的叶尖和叶根部位进行拍摄,采集风机叶片在其左方位、中方位及右方位时的风机叶片结冰视频,作为负样本视频数据;同时,云台相机亦采集在无雾时的白天与夜晚的风机叶片未结冰视频以及在有雾时的白天与夜晚的风机叶片未结冰视频,作为正样本视频数据。
3.根据权利要求1所述的一种风机叶片结冰状态实时监测方法,其特征在于,在步骤S2中,具体执行以下操作:
采用图像抽帧处理采集得到的负样本视频数据和正样本视频数据,将负样本视频数据和正样本视频数据的每一帧处理为图片帧,并剔除负样本视频数据的近似图片帧和正样本视频数据的近似图片帧,最后将进行处理后的图片帧划分为多个分类训练样本数据集。
4.根据权利要求1所述的一种风机叶片结冰状态实时监测方法,其特征在于,在步骤S3中,包括以下步骤:
S301、读取多个分类训练样本数据集;
S302、采用深度学习方法对多个分类训练样本数据集进行数据扩增,对多个分类训练样本数据集中的图片帧进行随机水平翻转、随机垂直翻转、灰度变换以及对图像颜色的对比度以及饱和度和零度进行变换;
S303、根据步骤S302进行数据扩增后的样本数量、预设的参数Batch Size以及迭代次数,设置多个超参数EPOCH:
S304、将步骤S303设置的多个超参数EPOCH分别输入到主干网络EfficientNet中进行训练,得到结冰检测模型;其中,每训练完成一个超参数EPOCH后,则对结冰检测模型输入预设的测试集,得到相应的超参数EPOCH训练的正确率,重复上述操作直至结冰检测模型训练完成,输出统计结果;
S305、设定结冰检测模型的输出路径,输出结冰检测模型的.pth格式文件。
5.一种风机叶片结冰状态实时监测系统,其特征在于,包括:
视频采集模块,用于采集各个场景及方位的风机叶片结冰视频及风机叶片未结冰视频,并实时监听是否有采集到新的风机叶片视频,即未分析的实时风机叶片视频;
结冰检测模块,用于设定主干网络EfficientNet,并将训练后的主干网络EfficientNet作为结冰检测模型,在加载结冰检测模型后读取未分析的实时风机叶片视频,并对该实时风机叶片视频进行分析判断,得到风机叶片结冰状态的判断结果,具体执行以下操作:
设定主干网络EfficientNet加载训练的参数,并修改主干网络EfficientNet的输出层,加载结冰检测模型,并将结冰检测模型转移到GPU上,同时设定输出风机叶片视频的参数,将风机叶片视频的分辨率降低;
将采集的实时风机叶片视频通过加载的结冰检测模型进行分析判断,获得实时风机叶片视频中每一图片帧的判断结果,将判断结果分别写入输出视频的.txt格式文件和分析结果的.txt格式文件,其中所述判断结果包括未结冰状态指令、结冰状态指令和模糊不清状态指令,将未结冰状态指令记为0,结冰状态指令记为1,模糊不清状态指令记为2;
根据采集的所有结冰与非结冰状态的风机叶片视频的判断结果进行统计,得到结冰检测阈值;若在判断结果中没有模糊不清状态,则分别计算未结冰状态和结冰状态的频率;当结冰状态的频率大于结冰检测阈值,则判定为结冰状态,反之则判定为未结冰状态;若在判断结果中有模糊不清状态,则分别统计未结冰状态、结冰状态和模糊不清状态的频率,当模糊不清状态的频率小于预设的阈值,且结冰状态出现的频率大于结冰检测阈值时,则判定为结冰状态,反之则判定为未结冰状态;最终将判定的风机叶片的未结冰状态指令0或结冰状态指令1发送给主控PLC模块;
主控PLC模块,根据得到的风机叶片结冰状态的判断结果的指令,对风机进行结冰预警停机和消冰后的自动启机的控制。
6.根据权利要求5所述的一种风机叶片结冰状态实时监测系统,其特征在于,所述视频采集模块,具体执行以下操作:将采集的实时风机叶片视频通过风场环网存储在风场的中控室工作站设定的输出视频文件夹下,并定义存储分析结果文件夹的路径,实时监听采集的实时风机叶片视频的存储文件。
7.一种存储有指令的非暂时性计算机可读介质,其特征在于,当所述指令由处理器执行时,执行根据权利要求1-4任一项所述的风机叶片结冰状态实时监测方法的步骤。
8.一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1-4任一项所述的风机叶片结冰状态实时监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110918737.1A CN113803223B (zh) | 2021-08-11 | 2021-08-11 | 一种风机叶片结冰状态实时监测方法、系统、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110918737.1A CN113803223B (zh) | 2021-08-11 | 2021-08-11 | 一种风机叶片结冰状态实时监测方法、系统、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113803223A CN113803223A (zh) | 2021-12-17 |
CN113803223B true CN113803223B (zh) | 2022-12-20 |
Family
ID=78893460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110918737.1A Active CN113803223B (zh) | 2021-08-11 | 2021-08-11 | 一种风机叶片结冰状态实时监测方法、系统、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113803223B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108799011A (zh) * | 2017-04-28 | 2018-11-13 | 北京金风科创风电设备有限公司 | 对风电机组的叶片进行监测的设备和方法 |
CN108999758A (zh) * | 2017-06-07 | 2018-12-14 | 北京金风科创风电设备有限公司 | 风力发电机的叶片结冰监测方法和设备 |
CN109026563A (zh) * | 2018-07-24 | 2018-12-18 | 上海电力学院 | 一种基于特征选择和XGBoost的风机叶片结冰预测方法 |
CN109751206A (zh) * | 2019-02-25 | 2019-05-14 | 宜通世纪物联网研究院(广州)有限公司 | 风机叶片结冰故障预测方法、装置及存储介质 |
CN110985315A (zh) * | 2019-12-16 | 2020-04-10 | 南京松数科技有限公司 | 一种检测风机叶片结冰的早期预测方法 |
CN111737923A (zh) * | 2020-07-28 | 2020-10-02 | 湘电风能有限公司 | 一种风机叶片结冰预测方法 |
CN112160879A (zh) * | 2020-07-15 | 2021-01-01 | 姜庆超 | 基于fda与som的风机叶片结冰可视化状态监测 |
WO2021126162A1 (en) * | 2019-12-17 | 2021-06-24 | General Electric Company | System and method for monitoring rotor blade health of a wind turbine |
CN113221668A (zh) * | 2021-04-20 | 2021-08-06 | 西安翔迅科技有限责任公司 | 一种风力发电机组叶片视频监测中的抽帧方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2481924B1 (en) * | 2011-02-01 | 2016-12-14 | ALSTOM Renewable Technologies | Device and method for visual analysis of a wind turbine blade |
US20120226485A1 (en) * | 2011-03-03 | 2012-09-06 | Inventus Holdings, Llc | Methods for predicting the formation of wind turbine blade ice |
EP2985454B1 (de) * | 2014-07-23 | 2017-02-08 | Nordex Energy GmbH | Verfahren zum Prüfen eines Rotorblatteisdetektionssystems sowie Rotorblatteisdetektionssystem und Windenergieanlage zur Ausführung des Verfahrens |
CN108119319B (zh) * | 2016-11-29 | 2020-02-11 | 北京金风科创风电设备有限公司 | 风力发电机组叶片结冰状态识别方法及装置 |
-
2021
- 2021-08-11 CN CN202110918737.1A patent/CN113803223B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108799011A (zh) * | 2017-04-28 | 2018-11-13 | 北京金风科创风电设备有限公司 | 对风电机组的叶片进行监测的设备和方法 |
CN108999758A (zh) * | 2017-06-07 | 2018-12-14 | 北京金风科创风电设备有限公司 | 风力发电机的叶片结冰监测方法和设备 |
CN109026563A (zh) * | 2018-07-24 | 2018-12-18 | 上海电力学院 | 一种基于特征选择和XGBoost的风机叶片结冰预测方法 |
CN109751206A (zh) * | 2019-02-25 | 2019-05-14 | 宜通世纪物联网研究院(广州)有限公司 | 风机叶片结冰故障预测方法、装置及存储介质 |
CN110985315A (zh) * | 2019-12-16 | 2020-04-10 | 南京松数科技有限公司 | 一种检测风机叶片结冰的早期预测方法 |
WO2021126162A1 (en) * | 2019-12-17 | 2021-06-24 | General Electric Company | System and method for monitoring rotor blade health of a wind turbine |
CN112160879A (zh) * | 2020-07-15 | 2021-01-01 | 姜庆超 | 基于fda与som的风机叶片结冰可视化状态监测 |
CN111737923A (zh) * | 2020-07-28 | 2020-10-02 | 湘电风能有限公司 | 一种风机叶片结冰预测方法 |
CN113221668A (zh) * | 2021-04-20 | 2021-08-06 | 西安翔迅科技有限责任公司 | 一种风力发电机组叶片视频监测中的抽帧方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113803223A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537154B (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
CN108416294B (zh) | 一种基于深度学习的风机叶片故障智能识别方法 | |
CN108109385B (zh) | 一种输电线防外破的车辆识别与危险行为判别系统与方法 | |
CN108596886A (zh) | 基于深度学习的航拍图像绝缘子掉片故障快速检测方法 | |
CN110889841A (zh) | 一种基于YOLOv3的输电线路鸟类检测算法 | |
CN110362907A (zh) | 基于ssd神经网络输电线路目标缺陷识别与诊断方法 | |
CN111695493A (zh) | 一种输电线路隐患的检测方法及系统 | |
CN117351271A (zh) | 高压配电线路监控设备故障监测方法、系统及其存储介质 | |
CN113803223B (zh) | 一种风机叶片结冰状态实时监测方法、系统、介质及设备 | |
CN116363536B (zh) | 一种基于无人机巡查数据的电网基建设备缺陷归档方法 | |
CN113111728A (zh) | 面向变电站内电力生产作业风险的智能识别方法及系统 | |
CN116168019B (zh) | 基于机器视觉技术的电网故障检测方法及系统 | |
CN115912183B (zh) | 高压输电线路生态措施巡视方法、系统及可读存储介质 | |
CN116886869A (zh) | 一种基于ai的视频监控系统及视频追溯方法 | |
CN116704387A (zh) | 一种基于视频结构化的电力线路通道巡检系统和方法 | |
CN113705001B (zh) | 输电线路故障检测方法、系统及嵌入式设备 | |
CN109902647A (zh) | 一种便携式在线鸟巢智能识别方法及系统 | |
CN115100546A (zh) | 一种基于mobilenet的电力设备小目标缺陷识别方法及系统 | |
CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
CN113719433A (zh) | 风电机组叶片结冰检测方法、装置、系统及存储介质 | |
CN112036472A (zh) | 一种电力系统视觉图像分类方法及系统 | |
CN115378919B (zh) | 一种海洋媒体自动唤醒传输优化方法、系统、介质及设备 | |
CN111878326B (zh) | 风机的结冰故障检测方法、系统、电子设备和介质 | |
CN117173385A (zh) | 一种变电站的检测方法、装置、介质及设备 | |
CN110910316B (zh) | 太阳能设备控制平台 |
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 |