CN114138012A - 一种风机叶片巡检方法、装置、设备及存储介质 - Google Patents
一种风机叶片巡检方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114138012A CN114138012A CN202111396822.2A CN202111396822A CN114138012A CN 114138012 A CN114138012 A CN 114138012A CN 202111396822 A CN202111396822 A CN 202111396822A CN 114138012 A CN114138012 A CN 114138012A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- blade
- target
- fan
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012216 screening Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明实施例公开了一种风机叶片巡检方法、装置、设备及存储介质,该方法包括:获取至少一个风机点云数据,对各风机点云数据进行筛选,得到备选点云数据;确定各备选点云数据的目标曲率,根据各目标曲率对备选点云数据进行筛选,得到目标点云数据;对各目标点云数据进行聚类,确定风机叶片所对应的叶片点云数据;根据风机叶片所对应的叶片点云数据确定风机叶片的叶片信息,并生成巡检路径。解决了叶片巡检时依靠人力手动飞行无人机进行巡检的问题。计算各备选点云数据的目标曲率,对点云数据再次筛选,并生成巡检路径,以便无人机根据巡检路径进行自动巡检,提高风机叶片的巡检效率。在风机叶片巡检时,风机机组无需停转,不影响风机正常工作。
Description
技术领域
本发明实施例涉及电力巡检技术,尤其涉及一种风机叶片巡检方法、装置、设备及存储介质。
背景技术
随着社会生活对于清洁能源需求的日益增加,风力发电机组的生产装备也不断扩大。在实际的运行中,风力发电机组需要定期开展维护工作,以便确保风机的可靠运行以及提升风机的运行效率。传统的风机维护工作需要将风机机组停转并且依靠人力手动飞行无人机设备开展,此种维护方法效率较低,并且会降低风机发电效率。
发明内容
本发明提供一种风机叶片巡检方法、装置、设备及存储介质,以实现对风力发电机组中风机叶片的高效巡检。
第一方面,本发明实施例提供了一种风机叶片巡检方法,所述方法包括:
获取至少一个风机点云数据,对各所述风机点云数据进行筛选,得到备选点云数据;
确定各所述备选点云数据的目标曲率,根据各所述目标曲率对所述备选点云数据进行筛选,得到目标点云数据;
对各所述目标点云数据进行聚类,确定风机叶片所对应的叶片点云数据;
根据所述风机叶片所对应的叶片点云数据确定风机叶片的叶片信息,并生成巡检路径。
第二方面,本发明实施例还提供了一种风机叶片巡检装置,该装置包括:
数据获取模块,用于获取至少一个风机点云数据,对各所述风机点云数据进行筛选,得到备选点云数据;
目标数据确定模块,用于确定各所述备选点云数据的目标曲率,根据各所述目标曲率对所述备选点云数据进行筛选,得到目标点云数据;
叶片确定模块,用于对各所述目标点云数据进行聚类,确定风机叶片所对应的叶片点云数据;
巡检路径生成模块,用于根据所述风机叶片所对应的叶片点云数据确定风机叶片的叶片信息,并生成巡检路径。
第三方面,本发明实施例还提供了一种计算机设备,该设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例中任一所述的一种风机叶片巡检方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例中任一所述的一种风机叶片巡检方法。
本发明实施例提供了一种风机叶片巡检方法、装置、设备及存储介质,通过获取至少一个风机点云数据,对各所述风机点云数据进行筛选,得到备选点云数据;确定各所述备选点云数据的目标曲率,根据各所述目标曲率对所述备选点云数据进行筛选,得到目标点云数据;对各所述目标点云数据进行聚类,确定风机叶片所对应的叶片点云数据;根据所述风机叶片所对应的叶片点云数据确定风机叶片的叶片信息,并生成巡检路径。解决了风机叶片巡检时,需依靠人力手动飞行无人机进行巡检的问题。通过对风机点云数据进行处理,剔除掉机舱和离群干扰点,得到备选点云数据,计算各备选点云数据的目标曲率,根据目标曲率进一步对点云数据进行筛选,得到目标点云数据,通过对目标点云数据进行处理,得到风机叶片的叶片信息,进一步生成巡检路径,以便无人机根据巡检路径进行自动巡检,提高风机叶片的巡检效率,并且通过本申请的方法进行风机叶片巡检时,风机机组无需停转,不影响风机正常工作,提高风机工作效率。
附图说明
图1是本发明实施例一中的一种风机叶片巡检方法的流程图;
图2是本发明实施例二中的一种风机叶片巡检方法的流程图;
图3是本发明实施例三中的一种风机叶片巡检装置的结构示意图;
图4是本发明实施例四中的一种计算机设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作进一步地详细描述。应当明确,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅用于区别类似的对象,而不必用于描述特定的顺序或先后次序,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
实施例一
图1给出了本申请实施例一提供的一种风机叶片巡检方法的流程示意图,该方法适用于在对风机叶片进行巡检的情况。该方法可以由计算机设备执行,该计算机设备可以与无人机通信连接,也可以安装在无人机上。该计算机设备可以是两个或多个物理实体构成,也可以是一个物理实体构成。一般而言,计算机设备可以是笔记本、台式计算机以及智能平板等。
如图1所示,本实施例一提供的一种风机叶片巡检方法,具体包括如下步骤:
S101、获取至少一个风机点云数据,对各风机点云数据进行筛选,得到备选点云数据。
在本实施例中,风机点云数据具体可以理解为风机机组的点云数据;备选点云数据具体可以理解为对风机点云数据剔除干扰点后得到的点云数据。
具体的,预先设置雷达传感器采集风机点云数据,传感器可以是激光雷达传感器、毫米波雷达传感器等。雷达传感器安装在风机的机舱部位,本申请以激光雷达传感器为例,通过激光雷达传感器发射激光、不断扫描风机叶片,得到风机点云数据。在扫描过程中,由于激光会扫描到机舱表面,所以风机点云数据中包含了干扰点,因此,需要滤除机舱表面的风机点云数据,同时滤除风机点云数据的离群噪点。通过数据筛选算法对各风机点云数据进行筛选,得到备选点云数据。
S102、确定各备选点云数据的目标曲率,根据各目标曲率对所述备选点云数据进行筛选,得到目标点云数据。
在本实施例中,目标曲率具体可以理解为备选点云数据的曲率;目标点云数据具体可以理解为对备选点云数据筛选得到的点云数据。
具体的,依次计算每个备选点云数据的平均曲率和高斯曲率,通过对平均曲率和高斯曲率进行运算得到目标曲率。按照目标曲率的大小对备选点云数据进行筛选,过滤掉目标曲率较大的备选点云数据,得到目标点云数据。
S103、对各目标点云数据进行聚类,确定风机叶片所对应的叶片点云数据。
在本实施例中,叶片点云数据具体可以理解为构成风机叶片的点云数据。对目标点云数据进行聚类,得到一定范围内的点视为同一个聚类中的点,分割得到构成风机叶片的叶片点云数据。通过对目标点云数据进行聚类,得到风机机组中每个风机叶片所对应的叶片点云数据。
S104、根据风机叶片所对应的叶片点云数据确定风机叶片的叶片信息,并生成巡检路径。
在本实施例中,叶片信息具体可以理解为风机叶片的信息,例如叶片角度、叶片朝向、叶片质心等。巡检路径具体可以理解为对风机机组进行巡检时的飞行路径。
具体的,根据叶片点云数据的坐标进行计算,得到叶片质心。对叶片点云数据进行主成分分析,计算点云数据的协方差,根据点云数据的维度,确定协方差矩阵,对协方差矩阵进行特征分解,得到特征值与特征向量,特征向量对应叶片角度和叶片朝向。在得到上述的叶片信息后,根据叶片信息和无人机的位置信息确定巡检路径所在的平面,进而生成巡检路径。通过巡检路径控制无人机对风机叶片进行巡检。风机叶片可以是一个,也可以是多个,若为多个,则确定每个风机叶片的叶片信息,根据每个风机叶片的叶片信息生成巡检路径。
可以知道的是,本申请执行设备若未安装在无人机上,则与无人机的控制系统进行通信,将巡检路径发送给无人机控制系统,以控制无人机进行巡检。或者将叶片信息发送给无人机控制系统,由无人机控制系统生成巡检路径并控制无人机进行巡检,本申请对此不进行限定,只要实现巡检功能即可。
本发明实施例提供了一种风机叶片巡检方法,通过获取至少一个风机点云数据,对各所述风机点云数据进行筛选,得到备选点云数据;确定各所述备选点云数据的目标曲率,根据各所述目标曲率对所述备选点云数据进行筛选,得到目标点云数据;对各所述目标点云数据进行聚类,确定风机叶片所对应的叶片点云数据;根据所述风机叶片所对应的叶片点云数据确定风机叶片的叶片信息,并生成巡检路径。解决了风机叶片巡检时,需依靠人力手动飞行无人机进行巡检的问题。通过对风机点云数据进行处理,剔除掉机舱和离群干扰点,得到备选点云数据,计算各备选点云数据的目标曲率,根据目标曲率进一步对点云数据进行筛选,得到目标点云数据,通过对目标点云数据进行处理,得到风机叶片的叶片信息,进一步生成巡检路径,以便无人机根据巡检路径进行自动巡检,提高风机叶片的巡检效率,并且通过本申请的方法进行风机叶片巡检时,风机机组无需停转,不影响风机正常工作,提高风机工作效率。
实施例二
图2为本发明实施例二提供的一种风机叶片巡检方法的流程图。本实施例的技术方案在上述技术方案的基础上进一步细化,具体主要包括如下步骤:
S201、获取至少一个风机点云数据,对各风机点云数据进行机舱表面点云数据剔除,得到候选点云数据集。
在本实施例中,候选点云数据集具体可以理解为由候选点云数据构成的数据集,候选点云数据具体可以理解为剔除机舱表面点云数据后得到的点云数据。
具体的,在获取到风机点云数据后,采用基于模型化的RANdom SAmple Consensus(RANSAC)算法对风机点云数据进行筛选,剔除掉机舱表面点云数据,得到一个或者多个候选点云数据。
S202、从候选点云数据集中选择一个候选点云数据作为待检测点云数据。
在本实施例中,待检测点云数据具体可以理解为需要进行离群筛选的点云数据。为方便进行筛选,可以对候选点云数据进行排序或编号,依次从候选点云数据集中选择一个候选点云数据作为待检测点云数据。
S203、确定待检测点云数据在预设区域范围内所对应候选点云数据的数量。
在本实施例中,预设区域范围具体可以理解为预先设置的筛选范围,例如,以待检测点云数据为球心,以2m为半径的球体所覆盖的范围。确定待检测点云数据在预设区域范围内对应的所有候选点云数据,并统计对应的所有候选点云数据的数量。
S204、如果数量大于预设数量阈值,将待检测点云数据确定为备选点云数据。
在本实施例中,预设数量阈值具体可以理解为预先设置的数值阈值,用于判断数量是否满足要求。当数量大于预设数量阈值时,将此待检测点云数据确定为备选点云数据;当数量大于或等于预设数量阈值时,此待检测点云数据为离群的干扰点,将其剔除。
本申请中的预设区域范围与预设数量阈值与待检测点云数据的总数量有关,当待检测点云数据的总数量较大时,预设区域范围较小,预设数量阈值较大。示例性的,当待检测点云数据的点数少于2000时,采用的半径为2米,预设数量阈值为15个点;当检测点云数据的点数多于2000点,采用的半径为1米,预设数量阈值为30个点。
S205、判断是否所有的待检测点云数据全部被选中,若是,执行S206;否则,执行S202。
判断是否所有的待检测点云数据全部被选中,若是,则执行后续步骤,确定目标曲率。否则,返回执行待检测点云数据的选择操作,继续对待检测点云数据进行判断,完成对全部候选点云数据的筛选判断。
S206、对各备选点云数据进行拟合,得到各备选点云数据的第一主曲率和第二主曲率。
在本实施例中,第一主曲率和第二主曲率均为主曲率。过曲面上某个点上具有无穷个正交曲率,其中存在一条曲线使得该曲线的曲率为极大,这个曲率为极大值Kmax,垂直于极大曲率面的曲率为极小值Kmin,这两个曲率属性为主曲率,即本申请中的第一主曲率和第二主曲率。其中,第一主曲率为极大值或极小值均可以,不影响本申请方案。通过数据拟合算法对各备选点云数据进行数据拟合,例如,通过最小二乘法拟合备选点云数据,计算得到每个备选点云数据的第一主曲率和第二主曲率。
S207、针对每个备选点云数据,根据第一主曲率和第二主曲率确定目标曲率。
对第一主曲率和第二主曲率进行运算得到目标曲率,运算方式可以是:求平均值、加权求和、最大值、最小值或上述方式的结合等等。
作为本实施例的一个可选实施例,本可选实施例进一步将根据第一主曲率和第二主曲率确定目标曲率优化为:
A1、计算第一主曲率和第二主曲率的平均值,得到平均曲率。
平均曲率=1/2*(第一主曲率+第二主曲率)
A2、计算第一主曲率和第二主曲率的乘积,得到高斯曲率。
高斯曲率=第一主曲率*第二主曲率
A3、根据平均曲率和高斯曲率确定目标曲率。
对平均曲率和高斯曲率进行运算,得到目标曲率。运算方式可以是:求平均值、加权求和、最大值、最小值等等。当采用加权求和的方式计算目标曲率时,目标曲率的计算公式如下:K=λ*G+(1-λ)*M,其中,K为目标曲率,M为平均曲率,G为高斯曲率,λ优选设置为0.85。
S208、确定目标曲率的曲率总数量,并对各目标曲率进行排序。
在本实施例中,曲率总数量具体可以理解为计算得到的目标曲率的总数量,由于每个备选点云数据均具有唯一的目标曲率,因此曲率总数量也是备选点云数据的总数量。对目标曲率按照从大到小或者从小到大的顺序进行排序。
S209、根据曲率总数量计算目标数量。
在本实施例中,目标数量具体可以理解为用于确定风机叶片的目标点云数据的数量。根据曲率总数量确定目标数量,例如,目标数量为曲率总数量的四分之三,即过滤掉四分之一的数据,提高结果准确率。
S210、按照从小到大的顺序对各目标曲率进行筛选,确定目标数量的目标曲率所对应的目标点云数据。
目标曲率按照从小到大的顺序排序后,按照从小到大的循序进行筛选,得到目标数量的目标曲率,即从所有曲率中过滤掉曲率较大的目标曲率,剩余目标数量的目标曲率,将此部分目标曲率对应的备选点云数据确定为目标点云数据。
S211、根据各目标点云数据构建索引树。
在本实施例中,索引树具体可以理解为对数据进行存储,以便进行查找的树形结构。本申请中的索引树以KD树为例,KD树,即K-dimensional tree,是一种高维索引树形数据结构,常用于在大规模的高维数据空间进行最近邻查找和近似最近邻查找。对各目标点云数据构建索引树,以便快速遍历每个目标点云数据。
S212、根据索引树以及预设的分割聚类算法进行分割聚类,得到构成风机叶片的叶片点云数据。
在本实施例中,分割聚类算法具体可以理解为对数据进行分割聚类的算法。本申请中的分割聚类算法以欧几里得分割聚类算法为例。基于生成的索引树,遍历索引树中的每一个目标点云数据,计算每个目标点云数据p与周围目标点云数据的欧几里得距离,例如,根据索引树确定距离p最近的n个点(目标点云数据),计算欧几里得距离。将欧几里得距离在预设范围内(例如,1m内)的目标点云数据视作同一个聚类中的点,实现对目标点云数据的分割聚类,得到的每个聚类对应一个风机叶片,聚类中的点云数据确定为该风机叶片的叶片点云数据。
S213、根据各叶片点云数据计算所对应风机叶片的叶片质心。
具体的,叶片点云数据中包括每个点云数据的位置坐标,针对每个风机叶片所对应的叶片点云数据,根据各位置坐标进行数学运算,得到此风机叶片的叶片质心。
S214、基于主成分分析算法对各叶片点云数据进行处理,得到协方差矩阵。
具体的,基于主成分分析算法对各叶片点云数据进行处理流程如下:计算每一个叶片点云数据在半径R范围内的所有叶片点云数据的均值,计算叶片点云数据的方差,根据方差计算叶片点云数据的协方差;根据叶片点云数据在不同维度的信息计算协方差矩阵。
S215、对协方差矩阵进行特征分解,确定叶片角度和叶片朝向。
对协方差矩阵进行特征分解,得到三个特征值和对应的特征向量,三个特征值λ1、λ2和λ3具有如下关系:λ1≥λ2≥λ3,其分别对应特征向量V1,V2,V3。其中特征向量为V1为叶片角度,特征向量V2为叶片朝向。
S216、将叶片质心、叶片角度和叶片朝向作为叶片信息。
S217、根据巡检设备的质心和叶片质心及叶片朝向确定巡检平面。
在本实施例中,巡检设备具体可以理解为用于对风机机组进行巡检的设备,例如,无人机。巡检平面具体可以理解为巡检路径所在的平面。巡检设备的质心可以根据巡检路径当前所在的位置确定,当巡检设备确定后,其质心位置的相对位置也是确定的,根据当前的坐标系,进行坐标变换,确定巡检设备的质心在点云数据所在坐标系的坐标。根据巡检设备的质心和叶片质心可以确定一条直线,根据连线的向量和叶片朝向确定巡检平面。
S218、根据巡检平面和叶片角度确定巡检路径。
通过巡检设备的质心以及计算得到的叶片质心,确定巡检设备与叶片质心之间的连线的向量;再将该向量结合风机的叶片朝向确定巡检路径所在的平面;进而在巡检平面上,通过叶片的角度确定巡检的路径。以便巡检设备根据巡检路径对风机叶片进行自动巡检。
本发明实施例提供了一种风机叶片巡检方法,通过获取至少一个风机点云数据,对各所述风机点云数据进行筛选,得到备选点云数据;确定各所述备选点云数据的目标曲率,根据各所述目标曲率对所述备选点云数据进行筛选,得到目标点云数据;对各所述目标点云数据进行聚类,确定风机叶片所对应的叶片点云数据;根据所述风机叶片所对应的叶片点云数据确定风机叶片的叶片信息,并生成巡检路径。解决了风机叶片巡检时,需依靠人力手动飞行无人机进行巡检的问题。通过对风机点云数据进行处理,剔除掉机舱和离群干扰点,得到备选点云数据,计算各备选点云数据的目标曲率,根据目标曲率进一步对点云数据进行筛选,得到目标点云数据,通过对目标点云数据进行处理,得到风机叶片的叶片信息,进一步生成巡检路径,以便无人机根据巡检路径进行自动巡检,提高风机叶片的巡检效率,并且通过本申请的方法进行风机叶片巡检时,风机机组无需停转,不影响风机正常工作,提高风机工作效率。
实施例三
图3为本发明实施例三提供的一种风机叶片巡检装置的结构示意图,该装置包括:数据获取模块31、目标数据确定模块32、叶片确定模块33和巡检路径生成模块34。
其中,数据获取模块31,用于获取至少一个风机点云数据,对各所述风机点云数据进行筛选,得到备选点云数据;
目标数据确定模块32,用于确定各所述备选点云数据的目标曲率,根据各所述目标曲率对所述备选点云数据进行筛选,得到目标点云数据;
叶片确定模块33,用于对各所述目标点云数据进行聚类,确定风机叶片所对应的叶片点云数据;
巡检路径生成模块34,用于根据所述风机叶片所对应的叶片点云数据确定风机叶片的叶片信息,并生成巡检路径。
本发明实施例提供了一种风机叶片巡检装置,解决了风机叶片巡检时,需依靠人力手动飞行无人机进行巡检的问题。通过对风机点云数据进行处理,剔除掉机舱和离群干扰点,得到备选点云数据,计算各备选点云数据的目标曲率,根据目标曲率进一步对点云数据进行筛选,得到目标点云数据,通过对目标点云数据进行处理,得到风机叶片的叶片信息,进一步生成巡检路径,以便无人机根据巡检路径进行自动巡检,提高风机叶片的巡检效率,并且通过本申请的方法进行风机叶片巡检时,风机机组无需停转,不影响风机正常工作,提高风机工作效率。
进一步地,数据获取模块31包括:
剔除单元,用于对各所述风机点云数据进行机舱表面点云数据剔除,得到候选点云数据集;
待检数据获取单元,用于从所述候选点云数据集中选择一个候选点云数据作为待检测点云数据;
数量确定单元,用于确定所述待检测点云数据在预设区域范围内所对应候选点云数据的数量;
备选数据确定单元,用于如果所述数量大于预设数量阈值,将所述待检测点云数据确定为备选点云数据;
返回单元,用于返回执行待检测点云数据的选择操作,直到全部的候选点云数据均被选中。
进一步地,目标数据确定模块32包括:
数据拟合单元,用于对各所述备选点云数据进行拟合,得到各所述备选点云数据的第一主曲率和第二主曲率;
曲率确定单元,用于针对每个备选点云数据,根据所述第一主曲率和第二主曲率确定目标曲率。
进一步地,曲率确定单元,具体用于计算所述第一主曲率和第二主曲率的平均值,得到平均曲率;计算所述第一主曲率和第二主曲率的乘积,得到高斯曲率;根据所述平均曲率和高斯曲率确定目标曲率。
进一步地,目标数据确定模块32还包括:
排序单元,用于确定所述目标曲率的曲率总数量,并对各所述目标曲率进行排序;
目标数量确定单元,用于根据所述曲率总数量计算目标数量;
曲率筛选单元,用于按照从小到大的顺序对各所述目标曲率进行筛选,确定所述目标数量的目标曲率所对应的目标点云数据。
进一步地,叶片确定模块33包括:
索引树构建单元,用于根据各所述目标点云数据构建索引树;
叶片确定单元,用于根据所述索引树以及预设的分割聚类算法进行分割聚类,得到构成风机叶片的叶片点云数据。
进一步地,巡检路径生成模块34包括:
质心确定单元,用于根据各所述叶片点云数据计算所对应风机叶片的叶片质心;
主成分分析单元,用于基于主成分分析算法对各所述叶片点云数据进行处理,得到协方差矩阵;
特征分解单元,用于对所述协方差矩阵进行特征分解,确定叶片角度和叶片朝向;
叶片信息确定单元,用于将所述叶片质心、叶片角度和叶片朝向作为叶片信息。
进一步地,巡检路径生成模块34还包括:
平面确定单元,用于根据巡检设备的质心和叶片质心及叶片朝向确定巡检平面;
路径生成单元,用于根据所述巡检平面和叶片角度确定巡检路径。
本发明实施例所提供的风机叶片巡检装置可执行本发明任意实施例所提供的风机叶片巡检方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种计算机设备的结构示意图,如图4所示,该设备包括处理器40、存储器41、输入装置42和输出装置43;设备中处理器40的数量可以是一个或多个,图4中以一个处理器40为例;设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接,图4中以通过总线连接为例。
存储器41作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的风机叶片巡检方法对应的程序指令/模块(例如,风机叶片巡检装置中的数据获取模块31、目标数据确定模块32、叶片确定模块33和巡检路径生成模块34)。处理器40通过运行存储在存储器41中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的风机叶片巡检方法。
存储器41可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器41可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器41可进一步包括相对于处理器40远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置42可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置43可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种风机叶片巡检方法,该方法包括:
获取至少一个风机点云数据,对各所述风机点云数据进行筛选,得到备选点云数据;
确定各所述备选点云数据的目标曲率,根据各所述目标曲率对所述备选点云数据进行筛选,得到目标点云数据;
对各所述目标点云数据进行聚类,确定风机叶片所对应的叶片点云数据;
根据所述风机叶片所对应的叶片点云数据确定风机叶片的叶片信息,并生成巡检路径。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的风机叶片巡检方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述风机叶片巡检装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (11)
1.一种风机叶片巡检方法,其特征在于,包括:
获取至少一个风机点云数据,对各所述风机点云数据进行筛选,得到备选点云数据;
确定各所述备选点云数据的目标曲率,根据各所述目标曲率对所述备选点云数据进行筛选,得到目标点云数据;
对各所述目标点云数据进行聚类,确定风机叶片所对应的叶片点云数据;
根据所述风机叶片所对应的叶片点云数据确定风机叶片的叶片信息,并生成巡检路径。
2.根据权利要求1所述的方法,其特征在于,所述对各所述风机点云数据进行筛选,得到备选点云数据,包括:
对各所述风机点云数据进行机舱表面点云数据剔除,得到候选点云数据集;
从所述候选点云数据集中选择一个候选点云数据作为待检测点云数据;
确定所述待检测点云数据在预设区域范围内所对应候选点云数据的数量;
如果所述数量大于预设数量阈值,将所述待检测点云数据确定为备选点云数据;
返回执行待检测点云数据的选择操作,直到全部的候选点云数据均被选中。
3.根据权利要求1所述的方法,其特征在于,所述确定各所述备选点云数据的目标曲率,包括:
对各所述备选点云数据进行拟合,得到各所述备选点云数据的第一主曲率和第二主曲率;
针对每个备选点云数据,根据所述第一主曲率和第二主曲率确定目标曲率。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一主曲率和第二主曲率确定目标曲率,包括:
计算所述第一主曲率和第二主曲率的平均值,得到平均曲率;
计算所述第一主曲率和第二主曲率的乘积,得到高斯曲率;
根据所述平均曲率和高斯曲率确定目标曲率。
5.根据权利要求1所述的方法,其特征在于,所述根据各所述目标曲率对所述备选点云数据进行筛选,得到目标点云数据,包括:
确定所述目标曲率的曲率总数量,并对各所述目标曲率进行排序;
根据所述曲率总数量计算目标数量;
按照从小到大的顺序对各所述目标曲率进行筛选,确定所述目标数量的目标曲率所对应的目标点云数据。
6.根据权利要求1所述的方法,其特征在于,所述对各所述目标点云数据进行聚类,确定风机叶片所对应的叶片点云数据,包括:
根据各所述目标点云数据构建索引树;
根据所述索引树以及预设的分割聚类算法进行分割聚类,得到构成风机叶片的叶片点云数据。
7.根据权利要求1所述的方法,其特征在于,所述根据所述风机叶片所对应的叶片点云数据确定风机叶片的叶片信息,包括:
根据各所述叶片点云数据计算所对应风机叶片的叶片质心;
基于主成分分析算法对各所述叶片点云数据进行处理,得到协方差矩阵;
对所述协方差矩阵进行特征分解,确定叶片角度和叶片朝向;
将所述叶片质心、叶片角度和叶片朝向作为叶片信息。
8.根据权利要求7所述的方法,其特征在于,生成巡检路径,包括:
根据巡检设备的质心和叶片质心及叶片朝向确定巡检平面;
根据所述巡检平面和叶片角度确定巡检路径。
9.一种风机叶片巡检装置,其特征在于,包括:
数据获取模块,用于获取至少一个风机点云数据,对各所述风机点云数据进行筛选,得到备选点云数据;
目标数据确定模块,用于确定各所述备选点云数据的目标曲率,根据各所述目标曲率对所述备选点云数据进行筛选,得到目标点云数据;
叶片确定模块,用于对各所述目标点云数据进行聚类,确定风机叶片所对应的叶片点云数据;
巡检路径生成模块,用于根据所述风机叶片所对应的叶片点云数据确定风机叶片的叶片信息,并生成巡检路径。
10.一种计算机设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的风机叶片巡检方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一所述的风机叶片巡检方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111396822.2A CN114138012A (zh) | 2021-11-23 | 2021-11-23 | 一种风机叶片巡检方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111396822.2A CN114138012A (zh) | 2021-11-23 | 2021-11-23 | 一种风机叶片巡检方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114138012A true CN114138012A (zh) | 2022-03-04 |
Family
ID=80390959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111396822.2A Pending CN114138012A (zh) | 2021-11-23 | 2021-11-23 | 一种风机叶片巡检方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114138012A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114296483A (zh) * | 2022-03-09 | 2022-04-08 | 北京图知天下科技有限责任公司 | 一种风力发电机不停机状态下的智能巡检方法及电子设备 |
CN115097867A (zh) * | 2022-08-23 | 2022-09-23 | 无锡海纳智能科技有限公司 | 一种风机巡检航线下无人机拍摄姿态的确定方法 |
CN116612192A (zh) * | 2023-07-19 | 2023-08-18 | 山东艺术学院 | 一种基于数字视频的病虫害区目标定位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016026867A1 (en) * | 2014-08-19 | 2016-02-25 | Lm Wp Patent Holding A/S | A method of manufacturing a mould for a wind turbine blade shell |
CA3015284A1 (en) * | 2016-04-01 | 2017-10-05 | Wobben Properties Gmbh | Measuring system for measuring a surface of a rotor blade of a wind turbine |
CN107480324A (zh) * | 2017-06-30 | 2017-12-15 | 河海大学 | 一种风电机组叶片状态监测系统构建方法 |
CN111289533A (zh) * | 2020-02-25 | 2020-06-16 | 国电电力内蒙古新能源开发有限公司 | 风机叶片的巡检方法、装置、无人机和存储介质 |
-
2021
- 2021-11-23 CN CN202111396822.2A patent/CN114138012A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016026867A1 (en) * | 2014-08-19 | 2016-02-25 | Lm Wp Patent Holding A/S | A method of manufacturing a mould for a wind turbine blade shell |
CA3015284A1 (en) * | 2016-04-01 | 2017-10-05 | Wobben Properties Gmbh | Measuring system for measuring a surface of a rotor blade of a wind turbine |
CN107480324A (zh) * | 2017-06-30 | 2017-12-15 | 河海大学 | 一种风电机组叶片状态监测系统构建方法 |
CN111289533A (zh) * | 2020-02-25 | 2020-06-16 | 国电电力内蒙古新能源开发有限公司 | 风机叶片的巡检方法、装置、无人机和存储介质 |
Non-Patent Citations (4)
Title |
---|
MARKO CAR ETAL.: "Autonomous wind-turbine blade inspection Using LiDAR-Equipped Unmanned Aerial Vehicle", 《IEEE ACCESS》, 31 December 2020 (2020-12-31), pages 131390 - 131397 * |
TH. FICKENSCHER, M.B. RAZA: "Analytical investigation of Diffraction at Multiple Blades of Wind Turbine Rotor", 《2016 EUROPEAN RADAR CONFERENCE(EURAD)》, 31 December 2016 (2016-12-31), pages 5 - 8 * |
徐家园: "风电叶片多光谱图像检测研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, 15 March 2017 (2017-03-15), pages 042 - 1493 * |
王学永: "风力发电机叶片设计及三维建模", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, 15 November 2008 (2008-11-15), pages 042 - 17 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114296483A (zh) * | 2022-03-09 | 2022-04-08 | 北京图知天下科技有限责任公司 | 一种风力发电机不停机状态下的智能巡检方法及电子设备 |
CN114296483B (zh) * | 2022-03-09 | 2022-06-28 | 北京图知天下科技有限责任公司 | 一种风力发电机不停机状态下的智能巡检方法及电子设备 |
CN115097867A (zh) * | 2022-08-23 | 2022-09-23 | 无锡海纳智能科技有限公司 | 一种风机巡检航线下无人机拍摄姿态的确定方法 |
CN116612192A (zh) * | 2023-07-19 | 2023-08-18 | 山东艺术学院 | 一种基于数字视频的病虫害区目标定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114138012A (zh) | 一种风机叶片巡检方法、装置、设备及存储介质 | |
CN107703480B (zh) | 基于机器学习的混合核函数室内定位方法 | |
Guo et al. | Efficient center voting for object detection and 6D pose estimation in 3D point cloud | |
CN104038792B (zh) | 用于iptv监管的视频内容分析方法及设备 | |
CN104156984A (zh) | 一种不均匀杂波环境下多目标跟踪的概率假设密度方法 | |
CN102970692A (zh) | 一种无线传感器网络事件边界节点检测方法 | |
Wang et al. | Feature extraction of point clouds based on region clustering segmentation | |
CN108810799B (zh) | 一种基于线性判别分析的多楼层室内定位方法及系统 | |
JP2019109839A (ja) | モデル生成装置、生成方法、及びプログラム | |
CN114581681B (zh) | 一种面向飞机整机测量数据的机身轮廓度分析方法 | |
CN115546116A (zh) | 全覆盖式岩体不连续面提取与间距计算方法及系统 | |
CN108629315B (zh) | 一种针对三维点云的多平面识别方法 | |
CN114241158A (zh) | 基于风机点云数据的部件识别方法、装置、设备及介质 | |
CN117495891A (zh) | 点云边缘检测方法、装置和电子设备 | |
CN116909208B (zh) | 基于人工智能的壳体加工路径优化方法及系统 | |
CN113627289A (zh) | 一种基于深度学习的电力设备识别方法及其装置 | |
CN115797804A (zh) | 一种基于不平衡时序航空飞行数据的异常检测方法 | |
CN109583727A (zh) | 一种利用电缆线路移动巡检数据确定电缆状态的方法及系统 | |
CN115563507A (zh) | 可再生能源发电场景的生成方法、装置及设备 | |
CN117237902B (zh) | 基于深度学习的机器人物体识别系统 | |
Boubou et al. | Visual impression localization of autonomous robots | |
Wafi et al. | Insulator Detection via CNN for UAS Onboard Computers | |
Carrilho et al. | Quality assessment for automatic LiDAR data classification methods | |
CN108022240B (zh) | 基于多种群联合演化的螺旋叶片图像分割方法 | |
Feng et al. | A method of bad data identification based on improved GSA algorithm |
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 | ||
CB02 | Change of applicant information |
Address after: Room 1404, Guanghua Building, No. 777, Guangzhou Road, Binjiang Street, Haimen District, Nantong City, Jiangsu Province, 226100 Applicant after: Fuya Intelligent Technology Development (Jiangsu) Co.,Ltd. Address before: 200433 3rd floor, No.1 Lane 127, Guotai Road, Yangpu District, Shanghai Applicant before: SHANGHAI FUYA INTELLIGENT TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information |