CN114240235A - 一种风力发电机组扇叶状态监测装置及方法 - Google Patents

一种风力发电机组扇叶状态监测装置及方法 Download PDF

Info

Publication number
CN114240235A
CN114240235A CN202111611056.7A CN202111611056A CN114240235A CN 114240235 A CN114240235 A CN 114240235A CN 202111611056 A CN202111611056 A CN 202111611056A CN 114240235 A CN114240235 A CN 114240235A
Authority
CN
China
Prior art keywords
fan blade
generating set
wind generating
visible light
image
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
Application number
CN202111611056.7A
Other languages
English (en)
Inventor
李凯
黄植红
公志强
覃杰
李培
何涛
彭目华
刘峥
刘薇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Industry Polytechnic
Wuhan Huazhong Numerical Control Co Ltd
Original Assignee
Hunan Industry Polytechnic
Wuhan Huazhong Numerical Control Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Industry Polytechnic, Wuhan Huazhong Numerical Control Co Ltd filed Critical Hunan Industry Polytechnic
Priority to CN202111611056.7A priority Critical patent/CN114240235A/zh
Publication of CN114240235A publication Critical patent/CN114240235A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Sustainable Development (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Sustainable Energy (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Chemical & Material Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Primary Health Care (AREA)
  • Wind Motors (AREA)
  • Public Health (AREA)

Abstract

本发明涉及红外热成像测温技术领域，为一种风力发电机组扇叶状态监测装置及方法，其中装置包括外壳及云台，外壳内安设有内套，内套内安设有可见光模块及红外热成像模块，可见光模块与红外热成像模块安装为观测同一画面；固定安装在风力发电机组上的云台与外壳的底部连接；可见光模块用于采集风力发电机组运行时的扇叶图像，红外热成像模用于采集风力发电机组运行时扇叶的红外图像。该方案首次使用红外热成像模块配合可见光模块对风力发电机组进行监测与分析，通过红外热成像模块对扇叶进行成像，从而实时的监测扇叶状态，进而指导风电机组的运行与维护，提高风电机组的效率和可靠性。

Description

一种风力发电机组扇叶状态监测装置及方法
技术领域
本发明涉及红外热成像测温技术领域，具体涉及一种风力发电机组扇叶状态监测装置及方法。
背景技术
近年来，随着绿色能源项目的不断推进和建设，其中风力发电是目前大力推广和应用的主要方向。风力发电机是一种风能动力机械，风力发电机的风轮叶片是接受风能的最主要部件，叶片设计要求有高效的翼型，合理的安装角，优化的升阻比、叶尖速比和叶片扭曲规律等。由于风力机组安装在高山、荒野、海滩、海岛等风口处，受无规律的变风向、变负荷的风力作用以及强阵风的冲击，常年经受酷暑、严寒、雷击和极端温差的影响，有可能会产生暗裂纹，另外在高山地区低温条件时，叶片会出现结冰的现场，结冰会加重风力机组的运行负荷，甚至损毁风力机组。因此风轮叶片的状态需要一种实时在线式监控系统来对叶片的运行状况进行监控取样，数据统计分析以及远程故障分析，以便保障风轮叶片的正常运转。
目前常用的方式为单可见光监测，通过监控人员的经验来判断采集到的可见光图像中的扇叶是否有结冰、暗裂纹等异常情况，以及通过未来几日的气温趋势来判断未来是否会结冰，从而来决定是否对风电机组进行停运或者检查维护，该方法依赖于监控人员的经验，在监控人员无法判断风轮扇叶的状态或者未来气温趋势不明朗时，为保护风电机组，往往会将风电机组停止运行，这不仅不能有效地判断出风轮扇叶的状态，也极大的浪费了风电机组的发电效率。
发明内容
本发明提供了一种风力发电机组扇叶状态监测装置及方法，解决了以上所述的风轮叶片的状态监测智能化程度低导致监测效率差的技术问题。
本发明为解决上述技术问题提供了1.一种风力发电机组扇叶状态监测装置，所述装置包括外壳及云台，所述外壳内安设有内套，所述内套内安设有可见光模块及红外热成像模块，所述可见光模块与红外热成像模块安装为观测同一画面；
固定安装在风力发电机组上的所述云台与所述外壳的底部连接；
所述可见光模块用于采集风力发电机组运行时的扇叶图像，所述红外热成像模用于采集风力发电机组运行时扇叶的红外图像。
优选地，所述内套内还设有集中处理模块，所述集中处理模块用于分析处理扇叶的扇叶图像和红外图像，并判断扇叶是否存在暗纹、结冰。
优选地，所述外壳为椭球形。
优选地，所述内套内还设有温度传感器及半导体制冷器，所述半导体制冷器用于根据所述温度传感器监测到的内套的温度数据，以对内套进行温度调节并控制在-40℃至50℃内。
优选地，所述内套的上部和下部均安设有半导体制冷器，每个半导体制冷器都具备制热面和制冷面；
位于上部的半导体制冷器的制冷面面向内套的内部各功能模块，位于下部的半导体制冷器的制热面面内套的内部各功能模块，形成内套内部空间温度的制冷和制热的双制功能组件。
优选地，所述外壳上安装有雨刮器，所述雨刮器用于对可见光模块和红外热成像模块的窗口进行清洁。
优选地，所述外壳与所述内套之间留有间隙，所述内套的外层设有保温层。
本发明还提供了一种风力发电机组扇叶状态监测方法，所述检测方法用于通过一种风力发电机组扇叶状态监测装置实现，包括：
S1，采集风力发电机组扇叶的可见光图像与红外图像；
S2，对采集到的图像数据集进行统一的输入要求转换，保证后面处理的结果一致性；具体地，对可见光图像进行色彩空间、色彩特征的预处理；对红外图像进行倒置、直方图均衡、去噪、锐化的图像预处理；
S3，采用深度学习的卷积神经网络，训练可见光模块中的扇叶目标对象检测器，并进行扇叶目标图像的识别和检出；当环境光线的强度低于阈值而不足以使可见光模块检出扇叶目标时，则单独使用红外热成像模块来进行目标图像的识别和检出；
S4，对被检出的扇叶图像的各个温度区域极性区域划分，建立相应的暗裂纹及落雪、区域结冰、全域结冰的带温度信息红外图像训练集和测试集；
S5，利用长短期记忆网络(LSTM)学习分类带有温度信息的红外图像中扇叶结冰区域图像，获取在时间序列上的暗裂纹及落雪、小面积结冰、大面积结冰、全域结冰、全域低温结冰的结冰程度图像分类，完成图像数据分析模块功能；
S6，根据设置条件实现对相应的结冰状态或者暗裂纹进行报警，并将信息传递至外部设备，给风电机组是否继续运行提供参考信息。
优选地，所述S1与S2之间还包括：将可见光图像和红外图像分别建库，通过卷积过滤器对可见光图像进行过滤，过滤激活图像中的扇叶特征，学习判断识别扇叶目标；通过卷积过滤器对红外图像进行过滤，过滤激活图像中的结冰、暗裂纹区域的热辐射信息特征，学习判断是否存在暗裂纹和结冰。
有益效果：本发明提供了一种风力发电机组扇叶状态监测装置及方法，其中装置包括外壳及云台，所述外壳内安设有内套，所述内套内安设有可见光模块及红外热成像模块，所述可见光模块与红外热成像模块安装为观测同一画面；固定安装在风力发电机组上的所述云台与所述外壳的底部连接；所述可见光模块用于采集风力发电机组运行时的扇叶图像，所述红外热成像模用于采集风力发电机组运行时扇叶的红外图像。该方案首次使用红外热成像模块配合可见光模块对风力发电机组进行监测与分析，通过红外热成像模块对扇叶进行成像，利用暗裂纹和结冰后的热辐射与周围正常区域相差较大来识别分析暗裂纹和结冰区域，从而实时的监测扇叶状态，进而指导风电机组的运行与维护，提高风电机组的效率和可靠性。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明风力发电机组扇叶状态监测装置的结构图；
图2为本发明风力发电机组扇叶状态监测装置的安装示意图；
图3为本发明风力发电机组扇叶状态监测装置的原理图；
图4为本发明风力发电机组扇叶状态监测方法的流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。在下列段落中参照附图以举例方式更具体地描述本发明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均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例的目的。
需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1至图3所示，本发明提供了一种风力发电机组扇叶状态监测装置，该装置包括外壳1、内套2、可见光模块3、红外热成像模块4、集中处理模块5、温度传感器6、半导体制冷器7、网络交换机8、电源9、雨刮器模块10、云台。
外壳1设计为椭球型，整体为流线型造型，在承载内部其他模块的同时，可以很好的抵抗各个方向吹来的风，消除或降低风对机头的晃动，使装置的工作环境保持稳定的状态。
内套2安装在外壳1中，设计有一定厚度的保温层，与外壳1之间设计有间隙，保温层和间隙可以很好的将内套2与外壳1进行分隔，从而使外壳1的温度变化对内套2不造成或尽可能的少造成影响，进一步保证装置内部稳定的工作环境。
可见光模块3安装在内套2中，主要用来采集风力发电机组运行时的扇叶图像，红外热成像模块4安装在内套2中，用于采集风力发电机组运行时扇叶的红外图像。
集中处理模块5安装在内套2中，用于分析处理扇叶的可见光和红外图像，并根据图像判断扇叶是否存在暗纹、结冰。
温度传感器6安装在内套2中，用于采集所述装置内部的实时温度，半导体制冷器7的冷端在内套2下方，位于可见光模块3和红外热成像模块4下部，热端在内套2上方，当所述温度传感器6采集到外壳1内的温度低于可见光模块3和红外热成像模块4启动最低温度时，系统会控制所述半导体制冷器7进行加热至装置内部温度达到启动温度；当所述温度传感器6采集到外壳1内的温度高于可见光模块3和红外热成像模块4的最高工作温度时，系统会控制所述半导体制冷器7进行制冷，将装置内部温度降至正常工作温度。
网络交换机8安装在内套2中，用于信号的交换传输；电源9安装在内套2中，用于所述装置的供电；另外，本装置设计有雨刮器模块10，安装在外壳1上，用于对可见光模块3和红外热成像模块4的窗口进行清洁，使可见光模块3和红外热成像模块4拥有清晰的视场。
如图2所示，云台202安装在机头203下部，并且云台202安装在风力发电机组的外壳上，云台202为2轴云台，水平可360°转动，俯仰为95°，云台202可以对装置的观测方向进行调整，从而根据需求进行扇叶201不同位置的观测。
可见光模块3与红外热成像模块4安装为观测同一画面，二者均使用可自动调焦镜头，当可见光模块3和红外热成像模块4对扇叶201进行图像采集后，集中处理模块5可以将可见光模块3和红外热成型模块4采集到的可见光图像和红外图像分别建库，通过卷积过滤器对可见光图像进行过滤，过滤激活图像中的扇叶特征，学习判断识别扇叶目标；通过卷积过滤器对红外图像进行过滤，过滤激活图像中的结冰、暗裂纹区域的热辐射信息特征，学习判断是否存在暗裂纹和结冰；再将所得到的信息传递至风电机组监控端，给风电机组的运行和维护提供指导。
其中，各模块框图如图3所示，可见光模块与红外热成像模块采集到到扇叶图像后，向后传递至交换机进行信号交换，然后将图像传递至集中处理模块，集中处理模块分别对可见光图像和红外图像进行处理，通过可见光图像识别出扇叶区域，通过红外图像识别出扇叶上的结冰或者暗裂纹，同时，集中处理模块会使用卷积神经网络通过对采集的大量可见光图像和红外图像进行自我学习，以提升可见光模块对扇叶的识别率和红外热成像模块对扇叶结冰、暗裂纹的识别率；另外，集中处理模块还接收温度传感器采集到的工作环境温度信息并进行判断，通过判断结果来控制半导体制冷器组件的热端或冷端进行工作，以调节装置的内部工作环境温度；根据可见光图像背景的清晰度，集中处理模块还会控制雨刮器对可见光模块和红外热成像模块的窗口进行清洁去污，以保证可见光模块和红外热成像模块采集到的图像背景干净无干扰物。
进一步的方案，在风电机组上的安装位置如图3所示，装置的云台底部安装在风电机组设备舱的尾端顶部，可见光模块与红外热成像模块朝向扇叶，精确的观测角度可以在风电机组控制端通过云台进行调整，提高装置使用的便利性。
如图4所示，本发明还提供了一种风力发电机组扇叶状态监测方法，具体包括如下：
(1)可见光模块和红外热成像模块采集被监测扇叶目标的可见光图像与红外图像；
(2)将获取到的实时图像进行数据集的建库操作，分别创建可见光和红外的图像数据集，通常情况下可见光和红外每秒均可采集25帧图像，每小时可以采集指定图像90000张，建立的可见光和红外图像数据库分别包括各自的训练集数据库和测试集数据库；
(3)对采集到的图像进行预处理，首先对采集到的图像数据集进行统一的输入要求转换(如图像大小、通道的转换)，保证后面处理的结果一致性，对可见光图像进行色彩空间、色彩特征的预处理；对红外图像进行倒置、直方图均衡、去噪、锐化的图像预处理，得到预处理过的可见光图像和红外图像；
(4)采用深度学习的卷积神经网络，训练可见光模块中的扇叶目标对象检测器，对其进行扇叶目标图像的识别和检出，获取扇叶目标在图像中位置、区域等信息。
(5)在环境光线的强度可使可见光模块检出扇叶目标时，则使用可见光模块来进行目标图像识别，将识别到的扇叶目标的坐标信息或者扇叶目标区域信息映射至红外图像坐标用来提高红外图像中扇叶目标的检出率；在环境光线的强度不足以使可见光模块检出扇叶目标时，单独使用红外热成像模块来进行目标图像识别；
(6)被检出的扇叶红外图像包含目标温度信息(即热辐射信息)，因此可以对各个温度区域进行区域划分，建立相应的暗裂纹及落雪、区域结冰、全域结冰的带温度信息红外图像训练集和测试集。
(7)利用长短期记忆网络(LSTM)学习分类带有温度信息的红外图像中扇叶结冰区域图像，获取在时间序列上的暗裂纹及落雪、小面积结冰、大面积结冰、全域结冰、全域低温结冰的结冰程度图像分类，完成图像数据分析模块功能。
(8)获取分类后的图像信息后，根据设置条件实现对相应的结冰状态或者暗裂纹进行报警，并将信息传递至外部设备(如风电机组控制台)，给风电机组是否继续运行提供参考信息。本系统在时间序列上的多次进行扇叶的检出、识别、分类结果的统计和分析，可以实现对一段时间内的结冰状态预测功能，并能识别到扇叶存在的暗裂纹。
本发明提供了一种大型风力发电机组扇叶状态监测与分析的双光系统装置以及监测分析方法，通过可见光模块来识别风力发电机组的扇叶，红外热成像模块来对风力发电机组的扇叶进行实时的非接触的热像采样，将采集到的大量图像数据运用自我深度学习方法进行训练，从而得出扇叶上不同区域的温度及图像，通过温度可以判断扇叶是否存在结冰，通过热成像图像上的阴影、暗纹等可以判断扇叶表面是否存在裂纹或暗伤，实现扇叶的状态监测与分析。首次使用红外热成像模块配合可见光模块对风力发电机组进行监测与分析，解决了现有技术中可见光监测系统无法在光线不足(如夜晚、雨雪大雾)的环境下进行检测的问题，而且夜晚一般比白昼的温度要低，风电机组的扇叶会更加容易结冰，因此采用红外热成像模块可以较好的实现夜晚对扇叶的监测；采用基于神经网络的多层深度学习的监测分析方法，通过采集的大量图像进行自我学习，不断地提升图像识别精度，从而可以减少对监控人员观测经验的依赖。本发明提供了一种大型风力发电机组扇叶状态监测与分析的方法，可以科学的指导风力发电机组的运行与维护，提高设备利用效率和稳定性。
总体而言，通过本发明所提出的以上技术与现有技术对比，可以取得以下的优势或益处：
首次使用红外热成像模块配合可见光模块对风力发电机组进行监测与分析，通过红外热成像模块对扇叶进行成像，利用暗裂纹和结冰后的热辐射与周围正常区域相差较大来识别分析暗裂纹和结冰区域，从而实时的监测扇叶状态，进而指导风电机组的运行与维护，提高风电机组的效率和可靠性；
使用红外热成像模块，可以解决现有技术中可见光监测系统无法在光线不足(如夜晚、雨雪大雾)的环境下进行检测的问题，夜晚一般比白昼的温度要低，风电机组的扇叶会更加容易结冰，因此采用红外热成像模块可以较好的实现夜晚对扇叶的监测；
采用基于神经网络的多层深度学习的监测分析方法，通过采集的大量图像进行自我学习，不断地提升图像识别精度，从而可以减少对监控人员观测经验的依赖。
以上所述，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上所述而顺畅地实施本发明；但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。

Claims (9)

1.一种风力发电机组扇叶状态监测装置，其特征在于，所述装置包括外壳及云台，所述外壳内安设有内套，所述内套内安设有可见光模块及红外热成像模块，所述可见光模块与红外热成像模块安装为观测同一画面；
固定安装在风力发电机组上的所述云台与所述外壳的底部连接；
所述可见光模块用于采集风力发电机组运行时的扇叶图像，所述红外热成像模用于采集风力发电机组运行时扇叶的红外图像。
2.根据权利要求1所述的风力发电机组扇叶状态监测装置，其特征在于，所述内套内还设有集中处理模块，所述集中处理模块用于分析处理扇叶的扇叶图像和红外图像，并判断扇叶是否存在暗纹、结冰。
3.根据权利要求1所述的风力发电机组扇叶状态监测装置，其特征在于，所述外壳为椭球形。
4.根据权利要求2所述的风力发电机组扇叶状态监测装置，其特征在于，所述内套内还设有温度传感器及半导体制冷器，所述半导体制冷器用于根据所述温度传感器监测到的内套的温度数据，以对内套进行温度调节并控制在-40℃至50℃内。
5.根据权利要求4所述的风力发电机组扇叶状态监测装置，其特征在于，所述内套的上部和下部均安设有半导体制冷器，每个半导体制冷器都具备制热面和制冷面；
位于上部的半导体制冷器的制冷面面向内套的内部各功能模块，位于下部的半导体制冷器的制热面面内套的内部各功能模块，形成内套内部空间温度的制冷和制热的双制功能组件。
6.根据权利要求1所述的风力发电机组扇叶状态监测装置，其特征在于，所述外壳上安装有雨刮器，所述雨刮器用于对可见光模块和红外热成像模块的窗口进行清洁。
7.根据权利要求1所述的风力发电机组扇叶状态监测装置，其特征在于，所述外壳与所述内套之间留有间隙，所述内套的外层设有保温层。
8.一种风力发电机组扇叶状态监测方法，其特征在于，所述检测方法用于通过如权利要求1-7任一项所述的一种风力发电机组扇叶状态监测装置实现，包括：
S1，采集风力发电机组扇叶的可见光图像与红外图像；
S2，对采集到的图像数据集进行统一的输入要求转换，保证后面处理的结果一致性；具体地，对可见光图像进行色彩空间、色彩特征的预处理；对红外图像进行倒置、直方图均衡、去噪、锐化的图像预处理；
S3，采用深度学习的卷积神经网络，训练可见光模块中的扇叶目标对象检测器，并进行扇叶目标图像的识别和检出；当环境光线的强度低于阈值而不足以使可见光模块检出扇叶目标时，则单独使用红外热成像模块来进行目标图像的识别和检出；
S4，对被检出的扇叶图像的各个温度区域极性区域划分，建立相应的暗裂纹及落雪、区域结冰、全域结冰的带温度信息红外图像训练集和测试集；
S5，利用长短期记忆网络(LSTM)学习分类带有温度信息的红外图像中扇叶结冰区域图像，获取在时间序列上的暗裂纹及落雪、小面积结冰、大面积结冰、全域结冰、全域低温结冰的结冰程度图像分类，完成图像数据分析模块功能；
S6，根据设置条件实现对相应的结冰状态或者暗裂纹进行报警，并将信息传递至外部设备，给风电机组是否继续运行提供参考信息。
9.根据权利要求8所述的风力发电机组扇叶状态监测方法，其特征在于，所述S1与S2之间还包括：将可见光图像和红外图像分别建库，通过卷积过滤器对可见光图像进行过滤，过滤激活图像中的扇叶特征，学习判断识别扇叶目标；通过卷积过滤器对红外图像进行过滤，过滤激活图像中的结冰、暗裂纹区域的热辐射信息特征，学习判断是否存在暗裂纹和结冰。
CN202111611056.7A 2021-12-27 2021-12-27 一种风力发电机组扇叶状态监测装置及方法 Pending CN114240235A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111611056.7A CN114240235A (zh) 2021-12-27 2021-12-27 一种风力发电机组扇叶状态监测装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111611056.7A CN114240235A (zh) 2021-12-27 2021-12-27 一种风力发电机组扇叶状态监测装置及方法

Publications (1)

Publication Number Publication Date
CN114240235A true CN114240235A (zh) 2022-03-25

Family

ID=80763313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111611056.7A Pending CN114240235A (zh) 2021-12-27 2021-12-27 一种风力发电机组扇叶状态监测装置及方法

Country Status (1)

Country Link
CN (1) CN114240235A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115525080A (zh) * 2022-11-23 2022-12-27 北京昆仑海岸科技股份有限公司 一种基于温度监测的防结冰控制方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115525080A (zh) * 2022-11-23 2022-12-27 北京昆仑海岸科技股份有限公司 一种基于温度监测的防结冰控制方法及系统

Similar Documents

Publication Publication Date Title
CN108957240A (zh) 电网故障远程定位方法及系统
CN108872819A (zh) 基于红外热像和可见光的绝缘子检测无人机及方法
CN108956640A (zh) 适用于配电线路巡检的车载检测装置及检测方法
CN101833099B (zh) 直升机巡检电力线路的锁定跟踪方法
CN112491982A (zh) 基于云边协同输电线路精细化感知方法
WO2021224893A1 (en) Systems and methods for artificial intelligence powered inspections and predictive analyses
CN105844659A (zh) 运动部件的跟踪方法和装置
CN207473031U (zh) 无人机巡检故障诊断系统
CN114240235A (zh) 一种风力发电机组扇叶状态监测装置及方法
CN115133874A (zh) 一种无人机联动巡查光伏电站故障检测的方法及系统
CN112483330B (zh) 一种匹配在役风力机状态的无人巡检轨迹程控方法
Ramírez et al. Remotely piloted aircraft system and engineering management: a real case study
CN112455676A (zh) 一种光伏板健康状态智能监测分析系统及方法
CN203759160U (zh) 一种变电站综合智能监测系统
CN108418550A (zh) 集群太阳能板的缺陷检测和定位方法
Guo et al. Detecting and positioning of wind turbine blade tips for uav-based automatic inspection
CN106959294A (zh) 一种基于无人机巡检的输电杆塔缺陷分析装置及方法
CN110779264B (zh) 基于风机振动和信息融合的除霜控制系统及控制方法
CN112329584A (zh) 基于机器视觉自动识别电网异物的方法及系统、设备
CN113065540A (zh) 一种基于机巡图像的输电线路元件失效识别方法及系统
CN114882682B (zh) 一种高压线缆状态监测平台及监测方法
CN109459077A (zh) 一种输配电防风能力评估系统
CN107621664A (zh) 一种用于太阳能采集区域的云遮预判装置与方法
CN115549303A (zh) 一种电力设备巡检监控系统
CN114442658A (zh) 输配电线路无人机自动巡检系统及其运行方法

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