CN114320709B - 一种基于深度学习的电站发电机内部漏油分类检测方法 - Google Patents
一种基于深度学习的电站发电机内部漏油分类检测方法 Download PDFInfo
- Publication number
- CN114320709B CN114320709B CN202111642276.6A CN202111642276A CN114320709B CN 114320709 B CN114320709 B CN 114320709B CN 202111642276 A CN202111642276 A CN 202111642276A CN 114320709 B CN114320709 B CN 114320709B
- Authority
- CN
- China
- Prior art keywords
- oil
- oil leakage
- guide bearing
- current
- oil tank
- 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
Classifications
-
- 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
- Y02E10/20—Hydro energy
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种基于深度学习的电站发电机内部漏油分类检测方法,包括以下步骤:检测装置对检测区域进行拍照;对照片进行分类;对每个类别中的照片进行预处理;将预处理后的照片输入检测系统预先训练的识别模型中,利用识别模型去识别照片的漏油信息;采集水轮机当前的监测信息,对漏油情况及原因进行分析整理;终端设备接收漏油信息并进行分析以及显示,当出现异常时,会触发语音模块和通信模块,语音模块被触发后进行语音报警,通信模块被触发后发送信息至相关人员;本发明不需要人工去巡检,避免出现人工巡检安全风险高、人为判断错误的情况,同时本发明中的检测装置使得摄像装置能够进行多角度调节,全方位的对发电机进行拍摄。
Description
技术领域
本发明涉及水轮发电检测技术领域,具体涉及一种基于深度学习的电站发电机内部漏油分类检测方法。
背景技术
水轮发电机是水电站的核心设备,其安全稳定运行,对水电站和电网均有重要影响。发电机的定子、转子、推力导轴承以及空冷器、机械制动等附属设备一般安装在相对封闭的风洞,统称发电机内部设备。处于成本和技术考虑,继电保护装置和自动检测装置无法实现发电机内部全部机械、电气设备运行状态的监视、检测和保护,因此巡视检查是诊断发电机设备运行状态、保证设备正常运行的重要手段。
目前,水电站发电机主要由人工巡视检查完成设备外观变形、部件脱落、漏水、漏油、冒烟着火、振动、运行声音、异常气体、温度等现象的检测与判断。人工巡检存在二个局限性。一是发电机内部空间限制和安全需要,难以全面覆盖设备。发电机运行时,风洞内噪声大、温度高、风力大,环境恶劣。定子、转子高电压,人员需要保持电气安全距离。由于安全风险较大,人员不适合到高速旋转的转子下工作检查,因此人工巡检无法触达全部设备;二是由于人体感官的局限性,无色无味的气体、可见光以外的光线、超声波与次声波等多种故障伴随的现象难以被感知发现。 同时目前的检测装置大多只能在固定的位置进行拍照并传输,不便进行多角度调节,不能全方位的对发电机进行检查,而且对检测装置进行更换或检修时,拆卸较麻烦,需要耗费大量时间和人工,工作效率不高。
发明内容
本发明所要解决的技术问题是提供一种基于深度学习的电站发电机内部漏油分类检测方法,用以解决现有技术中存在的人工巡检安全风险高、容易出现判断错误和检测装置不便进行多角度调节,不能全方位的对发电机进行检查,而且拆卸较麻烦,需要耗费大量时间和人工,工作效率不高的问题,还能对漏油的情况及原因进行分析。
为解决上述技术问题,本发明所采用的技术方案是:
一种基于深度学习的电站发电机内部漏油分类检测方法,包括以下步骤:
Step1、检测装置对检测区域进行拍照,并将照片发送至终端设备;
Step2、终端设备获取照片后根据每张照片的场景设备不同,对照片进行分类,将对应同一场景设备的照片分类到同一照片类别中;
Step3、对每个类别中的照片进行预处理,使得处理后的所述照片同预先训练的识别模型的输入参数匹配;
Step4、将预处理后的照片输入检测系统预先训练的识别模型中,利用识别模型去识别照片的漏油信息,初步预判漏油情况;
Step5、根据Step4中预判的漏油情况,结合Step1中产生漏油情况的区域和场景设备,采集水轮机当前的监测信息,对漏油情况及原因进行分析整理;
Step6、将Step5中分析整理处的漏油情况及原因上传至集控中心,并将信息传送至终端设备,终端设备接收漏油信息并进行分析以及显示,当出现异常时,会触发语音模块和通信模块,语音模块被触发后进行语音报警,通信模块被触发后,发送信息至相关人员。
优选的方案中,上述的Step1中的检测区域包括上导轴承内挡油筒、上导轴承油箱盖与滑转子密封处、上导主轴承油箱、上机架、下导轴承及推力轴承内挡油筒、下导轴承及推力轴承密封盖边缘及和与滑转子密封处、下导轴承及推力轴承油箱及下机架。
上述的Step4中,将分类后的场景分类照片与训练好的相应场景设备模型进行比对,预判出现的是漏油还是甩油。
优选的方案中,上述的Step5中,根据Step4所预判的结果和检测区域的不同,采取的分析策略如下:
Step5.1、如果上导轴承内挡油筒、上导轴承油箱盖与滑转子密封处、上导主轴承油箱及上机架处发生漏油现象,采集机组的转速曲线、当前上导轴承油箱液位高度信息,对漏油程度进行判断复核,然后采集上机架水平度、主轴垂直度信息并与设定的值进行比较,分析漏油原因;
如若上机架水平度超出预设值且根据当前转速曲线及当前上导轴承油箱液位高度判断发生漏油现象,则判定为上机架不水平导致的漏油;
如果主轴垂直度超出预设值且根据当前转速曲线及当前上导轴承油箱液位高度判断发生漏油现象,则判定为主轴偏心导致漏油;
Step5.2、如果上导轴承内挡油筒、上导轴承油箱盖与滑转子密封处、上导主轴承油箱、上机架处发生甩油现象,采集机组的转速曲线、当前上导轴承油箱液位高度信息及冷却机组的冷却量信息,对漏油程度进行判断,然后采集机组摆度信息并与设定的值进行比较,分析系漏油原因;
如若发生甩油现象且根据当前机组的转速曲线及当前上导轴承油箱液位高度高于应当值,则判定为油箱内透平油过多导致甩油现象;
如若机组摆度超过预设值且当前转速曲线及当前上导轴承油箱液位高度低于应当值,冷却机组的冷却量小于预设值,则判定为机组摆度过大导致甩油现象;
Step5.3、如果下导轴承及推力轴承内挡油筒、下导轴承及推力轴承密封盖边缘及和与滑转子密封处、下导轴承及推力轴承油箱及下机架处发生漏油现象,采集机组的转速曲线、当前下导轴承及推力轴承油箱液位高度信息,对漏油程度进行判断复核,然后采集下机架水平度、主轴垂直度信息及推力头吸气压力并与设定的值进行比较,分析漏油原因;
如若下机架水平度超出预设值且根据当前转速曲线及当前下导轴承及推力轴承油箱液位高度判断发生漏油现象,则判定为下机架不水平导致的漏油;
如若主轴垂直度超出预设值且根据当前转速曲线及当前下导轴承及推力轴承油箱液位高度判断发生漏油现象,则判定为主轴偏心导致漏油;
如果推力头吸气压力小于预设压力且根据当前转速曲线及当前下导轴承及推力轴承油箱液位高度判断发生漏油现象,则判定为推力头内部气压过低导致的漏油;
Step5.4、如果下导轴承及推力轴承内挡油筒、下导轴承及推力轴承密封盖边缘及和与滑转子密封处、下导轴承及推力轴承油箱及下机架处发生甩油现象,采集机组的转速曲线、当前下导轴承及推力轴承油箱液位高度信息及冷却机组的冷却量信息,对漏油程度进行判断,然后采集机组摆度信息并与设定的值进行比较,分析系漏油原因;
如若发生甩油现象且根据当前机组的转速曲线及当前下导轴承及推力轴承油箱液位高度高于应当值,则判定为油箱内透平油过多导致甩油现象;
如若机组摆度超过预设值且当前转速曲线及当前下导轴承及推力轴承油箱液位高度低于应当值,冷却机组的冷却量小于预设值,则判定为机组摆度过大导致甩油现象。
上述的Step中的检测装置包括轨道部和移动部,移动部与轨道部滑动连接,移动部的内部设置有第一电机,第一电机的输出轴连接有转动盘,转动盘连接有两个平行设置的支撑杆,其中一个支撑杆中设置有第二电机,第二电机的输出轴连接有转动杆的一端,转动杆的另一端与另一个支撑杆转动连接且转动杆与两个支撑杆垂直,转动杆沿水平方向的中部设置有连接部,所述连接部连接有摄像装置。
上述的连接部与摄像装置活动连接,连接部包括与转动杆连接的连杆、与连杆连接的卡接头,所述卡接头沿侧面的截面为梯形,靠近连杆的一端为下底,远离连杆的一端为上底;
摄像装置靠近连接部的一端设置有卡接部,所述卡接部从左至右依次包括空心段和实心段,所述实心段开设有与卡接头相匹配的卡接槽,在空心段与实心段的连接处上下对称设置有两个阻挡件,空心段上开设有两个与阻挡件相匹配的通孔,每个阻挡件与穿过对应的通孔并延伸至通孔的外部,每个阻挡件的延伸端均设置有阻板,所述阻板的下表面连接有弹性装置的一端,所述弹性装置的另一端与空心段或实现段连接,两个阻挡件相对的一端均与水平面呈倾斜,当弹性装置为正常状态时,两个阻挡件之间的空隙与卡接头相匹配。
上述的弹性装置的数量为两个且对称设置在阻板下表面的两侧,两个弹性装置分别与空心段和实心段连接,在每个所述阻挡件靠近卡接部空心段的位置处沿竖直方向设置有凸起部,所述卡接部开设有与凸起部相匹配的限位孔。
上述的弹性装置为弹簧。
上述的摄像装置远离转动杆的一端设置有遮挡板。
本发明提供的一种基于深度学习的电站发电机内部漏油分类检测方法,本发明的有益效果是:
(1)通过对检测区域摄取的场景设备图像进行分类,并与训练的识别模型进行对比,判断是否有漏油现象发生及漏油种类进行预判,再经过对相应场景的发电机组信息进行确认复核,并根据当前设备的状态信息对漏油原因进行分析整理,将分析结果发送至集控中心及终端设备处,方便监控人员和运维人员进行性针对性准备,智能化进行漏油监控及分析,减少了人力工作量,提前对信息进行掌握;
(2)利用此方法不需要相关人员去巡检,只需要对出现异常的设备进行检查和处理即可,避免出现人工巡检安全风险高、人为判断错误的情况;
(3)本发明在检测装置上设置声光报警器,能够在设备发生异常时,对应的检测装置接收报警信息后进行声音报警和灯光闪烁,使得相关人员能够清楚地知道是哪个区域内的设备出现了异常;
(4)本发明通过轨道部和移动部的配合,实现摄像装置的水平移动,通过转动盘与支撑杆的配合,实现摄像装置在水平方向上的转动,通过转动杆与支撑杆的配合,实现摄像装置在竖直方向上的转动,使得摄像装置能够进行多角度调节,全方位的对发电机进行拍摄;
(5)发明通过连接部与卡接部的配合,实现摄像装置的轻松安装与拆卸,方便相关人员对摄像装置进行检修和更换,节省安装和拆卸的时间,方便快捷。提高了工作效率;
(6)本发明通过凸起部与限位孔的配合,使得阻挡件被限制,只能进行上下移动,避免阻挡件发生自转,提高了阻挡件在移动过程中的稳定性。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1为本发明的流程图;
图2为本发明检测装置的结构示意图;
图3为本发明中卡接头插入卡接部过程中的示意图;
图4为本发明中卡接头插入卡接部后的示意图。
其中:10-轨道部;11-移动部;12-第一电机;13-转动盘;14-支撑杆;15-第二电机;16-转动杆;17-卡接头;18-空心段;19-实心段;20-卡接槽;21- 连杆;22-凸起部;23-阻板;24-弹性装置;25-阻挡件;26-摄像装置;27-遮挡板。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
如图1中所示,一种基于深度学习的电站发电机内部漏油分类检测方法,包括以下步骤:
Step1、检测装置对检测区域进行拍照,并将照片发送至终端设备;
Step2、终端设备获取照片后根据每张照片的场景设备不同,对照片进行分类,将对应同一场景设备的照片分类到同一照片类别中;
Step3、对每个类别中的照片进行预处理,使得处理后的所述照片同预先训练的识别模型的输入参数匹配;
Step4、将预处理后的照片输入检测系统预先训练的识别模型中,利用识别模型去识别照片的漏油信息,初步预判漏油情况;
Step5、根据Step4中预判的漏油情况,结合Step1中产生漏油情况的区域和场景设备,采集水轮机当前的监测信息,对漏油情况及原因进行分析整理;
Step6、将Step5中分析整理处的漏油情况及原因上传至集控中心,并将信息传送至终端设备,终端设备接收漏油信息并进行分析以及显示,当出现异常时,会触发语音模块和通信模块,语音模块被触发后进行语音报警,通信模块被触发后,发送信息至相关人员。
优选的方案中,上述的Step1中的检测区域包括上导轴承内挡油筒、上导轴承油箱盖与滑转子密封处、上导主轴承油箱、上机架、下导轴承及推力轴承内挡油筒、下导轴承及推力轴承密封盖边缘及和与滑转子密封处、下导轴承及推力轴承油箱及下机架。
上述的Step4中,将分类后的场景分类照片与训练好的相应场景设备模型进行比对,预判出现的是漏油还是甩油。
优选的方案中,上述的Step5中,根据Step4所预判的结果和检测区域的不同,采取的分析策略如下:
Step5.1、如果上导轴承内挡油筒、上导轴承油箱盖与滑转子密封处、上导主轴承油箱及上机架处发生漏油现象,采集机组的转速曲线、当前上导轴承油箱液位高度信息,对漏油程度进行判断复核,然后采集上机架水平度、主轴垂直度信息并与设定的值进行比较,分析漏油原因;
当主轴静止时,主轴油箱内液位维持在稳定数值,当主轴旋转,根据主轴的转速和加速度,会在油箱内形成中间低,外圈高的旋涡状润滑流,而不同的加速度和速度关系会导致不同的液位高度,因此需要将机组的转速曲线及液面高度进行学习,根据前后的速度增速来判断当前液位高度,若液位高度低于学习值,说明有漏油发生;
如若上机架水平度超出预设值且根据当前转速曲线及当前上导轴承油箱液位高度判断发生漏油现象,则判定为上机架不水平导致的漏油;
如果主轴垂直度超出预设值且根据当前转速曲线及当前上导轴承油箱液位高度判断发生漏油现象,则判定为主轴偏心导致漏油;
上机架不水平、偏移或者主轴偏心引起主轴与挡油圈间隙不均,主轴的旋转会在缝隙处产生负压,从而导致上导轴承漏油;
Step5.2、如果上导轴承内挡油筒、上导轴承油箱盖与滑转子密封处、上导主轴承油箱、上机架处发生甩油现象,采集机组的转速曲线、当前上导轴承油箱液位高度信息及冷却机组的冷却量信息,对漏油程度进行判断,然后采集机组摆度信息并与设定的值进行比较,分析系漏油原因;
当发生甩油时,透平油变成油雾跟随主轴旋转引起甩油,此时油箱内透平油大量丢失,导致进行恒温冷却的冷却设备提供的冷却量急剧减小,因此可以根据油箱内液位的高度减少值和冷却系统提供的冷却量大小对甩油现象进行复核;
如若发生甩油现象且根据当前机组的转速曲线及当前上导轴承油箱液位高度高于应当值,则判定为油箱内透平油过多导致甩油现象;
当油箱内存的油箱液位过高时,会导致外圈的液位在旋涡的作用下超过油箱箱体高度,使得边缘油体在箱体作用下向中心涌,形成“海浪”,最终变成油雾引起甩油;
当油箱中存油过多,主轴的旋转会导致旋涡现象,使得油箱边缘处液位升高
如若机组摆度超过预设值且当前转速曲线及当前上导轴承油箱液位高度低于应当值,冷却机组的冷却量小于预设值,则判定为机组摆度过大导致甩油现象;
当机组运行的摆度过大时,主轴的不规则摆动带动轴体附近油体进行摆动,与漩涡运动中作用产生油雾,导致甩油现象的发生。
Step5.3、如果下导轴承及推力轴承内挡油筒、下导轴承及推力轴承密封盖边缘及和与滑转子密封处、下导轴承及推力轴承油箱及下机架处发生漏油现象,采集机组的转速曲线、当前下导轴承及推力轴承油箱液位高度信息,对漏油程度进行判断复核,然后采集下机架水平度、主轴垂直度信息及推力头吸气压力并与设定的值进行比较,分析漏油原因;
如若下机架水平度超出预设值且根据当前转速曲线及当前下导轴承及推力轴承油箱液位高度判断发生漏油现象,则判定为下机架不水平导致的漏油;
如若主轴垂直度超出预设值且根据当前转速曲线及当前下导轴承及推力轴承油箱液位高度判断发生漏油现象,则判定为主轴偏心导致漏油;
如果推力头吸气压力小于预设压力且根据当前转速曲线及当前下导轴承及推力轴承油箱液位高度判断发生漏油现象,则判定为推力头内部气压过低导致的漏油;
当推理头的吸气压力低于预设压力时,推力头内部补气不足、气压低于大气压,油位升高形接触压油风叶引起漏油;
Step5.4、如果下导轴承及推力轴承内挡油筒、下导轴承及推力轴承密封盖边缘及和与滑转子密封处、下导轴承及推力轴承油箱及下机架处发生甩油现象,采集机组的转速曲线、当前下导轴承及推力轴承油箱液位高度信息及冷却机组的冷却量信息,对漏油程度进行判断,然后采集机组摆度信息并与设定的值进行比较,分析系漏油原因;
如若发生甩油现象且根据当前机组的转速曲线及当前下导轴承及推力轴承油箱液位高度高于应当值,则判定为油箱内透平油过多导致甩油现象;
同上,发生甩油时,透平油变成油雾跟随主轴旋转引起甩油,此时油箱内透平油大量丢失,导致进行恒温冷却的冷却设备提供的冷却量急剧减小,因此可以根据油箱内液位的高度减少值和冷却系统提供的冷却量大小对甩油现象进行复核;
如若机组摆度超过预设值且当前转速曲线及当前下导轴承及推力轴承油箱液位高度低于应当值,冷却机组的冷却量小于预设值,则判定为机组摆度过大导致甩油现象。
其中,对照片进行预处理的步骤包括:对照片进行白化处理,过滤照片中的噪声像素,并调整白化处理后的各个照片的尺寸;预先训练的识别模型为训练后的深度卷积神经网络模型,深度卷积神经网络模型的训练过程主要包括:
Step3.1、获取预设数量的包含电站发电机内部漏油的照片样本。
Step3.2、根据获取的照片样本中的漏油信息,对获取的照片样本按不同场景设备进行分类获得至少一个照片类别。
Step3.3、对每个照片类别中各个照片样本进行白化处理,并调整白化处理后的各个照片样本的尺寸,再通过数据增强方式旋转,裁剪,平移,翻转等得到每个照片类别下的照片样本集合。
Step3.4、从每个照片类别下的照片样本集合中获取每个照片类别下的待训练照片样本集合及每个照片类别下的待校核照片样本集合。
Step3.5、将每个照片类别下的待训练照片样本集合的照片样本依次输入所述深度卷积神经网络模型,利用预设的训练算法训练用于电站发电机内部漏油分类检测的模型,并利用每个照片类别下的待校验照片样本集合的照片样本校核训练后的深度卷积神经网络模型。
本发明中通过检测装置拍摄检测设备的照片发送至终端设备,并通过预先训练的识别模型去识别照片的漏油信息,终端设备对漏油信息进行显示和分析后,出现异常会进行语音报警和发送信息通知相关人员,使得相关人员能够及时对该设备进行检查和处理,利用此方法不需要相关人员去巡检,只需要对出现异常的设备进行检查和处理即可,避免出现人工巡检安全风险高、人为判断错误的情况。
实施例2
本实施例是在实施例1的基础上,对本发明做出进一步地优化说明。
如图1所示,检测装置上设置有声光报警器,当出现异常情况时,终端设备将报警信息发送至异常位置处的检测装置,并触发检测装置上的声光报警器进行报警。
本发明在检测装置上设置声光报警器,能够在设备发生异常时,对应的检测装置接收报警信息后进行声音报警和灯光闪烁,使得相关人员能够清楚地知道是哪个区域内的设备出现了异常。
实施例3
本实施例是在上述实施例基础上,关于检测装置的结构做出说明。
如图2和图4所示,检测装置包括轨道部10和移动部11,移动部11与轨道部10滑动连接,移动部11的内部设置有第一电机12,第一电机12的输出轴连接有转动盘13,转动盘13连接有两个平行设置的支撑杆14,其中一个支撑杆14中设置有第二电机15,第二电机15的输出轴连接有转动杆16的一端,转动杆16的另一端与另一个支撑杆14转动连接且转动杆16与两个支撑杆14垂直,转动杆16沿水平方向的中部设置有连接部,连接部连接有摄像装置26。
需要说明的是,移动部11与轨道部10采用现有技术中常用的滑动连接方式,例如螺纹、气缸等连接方式,实现移动部11在轨道部10能够自动进行水平移动。
工作时,移动部11在轨道部10进行水平移动, 摄像装置26对待检测设备进行拍照,根据实际情况,需要进行角度调节时,开启第一电机12,第一电机12的输出轴带动转动盘13转动,从而带动支撑杆14和转动杆16同时转动,摄像装置26在水平方向上的角度即得到了调节,开启第二电机15,第二电机15的输出轴带动转动杆16转动,由于转动杆16与支撑杆14转动连接,所以转动杆16的转动不受限制,转动杆16转动的同时,由于连接部与摄像装置26连接,摄像装置26也跟随转动杆16转动,从而摄像装置26在竖直方向上的角度即得到了调节。
本发明通过轨道部10和移动部11的配合,实现摄像装置26的水平移动,通过转动盘13与支撑杆14的配合,实现摄像装置26在水平方向上的转动,通过转动杆16与支撑杆14的配合,实现摄像装置26在竖直方向上的转动,使得摄像装置26能够进行多角度调节,全方位的对发电机进行拍摄。
实施例4
本实施例是在上述实施例基础上,关于连接部与摄像装置26的结构做出说明。
如图3和图4所示,连接部与摄像装置26活动连接。
优选地,连接部包括与转动杆16连接的连杆21、与连杆21连接的卡接头17,卡接头17沿侧面的截面为梯形,靠近连杆21的一端为下底,远离连杆21的一端为上底;
摄像装置26靠近连接部的一端设置有卡接部,卡接部从左至右依次包括空心段18和实心段19,实心段19开设有与卡接头17相匹配的卡接槽20,在空心段18与实心段19的连接处上下对称设置有两个阻挡件25,空心段18上开设有两个与阻挡件25相匹配的通孔,每个阻挡件25与穿过对应的通孔并延伸至通孔的外部,每个阻挡件25的延伸端均设置有阻板23,阻板23的下表面连接有弹性装置24的一端,弹性装置24的另一端与空心段18或实现段连接,两个阻挡件25相对的一端均与水平面呈倾斜,当弹性装置24为正常状态时,两个阻挡件25之间的空隙与卡接头17相匹配。
安装时,手持摄像装置26,将摄像装置26的空心段18对准连接部,卡接头17穿过空心段18与两个阻挡件25接触,继续向转动杆16方向推动摄像装置26,卡接头17从两个阻挡件25之间的空隙穿过并加入卡接槽20中,在卡接头17移动过程中,两个阻挡件25在受挤压力的作用下,分别向外凸出,由于设置有弹性装置24,阻挡件25不会掉出卡接部,当卡接头17完全进入卡接槽20后,阻挡件25不再受到挤压,在弹性装置24的回复力作用下,阻挡件25回到原来的位置,将卡接头17的出口堵住,卡接头17被限制在卡接槽20中,不会自行脱出,此时摄像装置26即被稳定地安装在转动杆16上,跟随转动杆16一起转动。
拆卸时,两个手指分别勾住拉扣,向相反的方向拉动,当拉动至卡接头17不被阻挡件25阻挡时,取下摄像装置26即可。
空心段18的端部设置成转动杆16轮廓相匹配的形状,使得安装完成后,卡接部与转动杆16紧密接触,增加摄像装置26在转动杆16上的稳定性。
本发明中,通过连接部与卡接部的配合,实现摄像装置26的轻松安装与拆卸,方便相关人员对摄像装置26进行检修和更换,节省安装和拆卸的时间,方便快捷。提高了工作效率。
实施例5
本实施例是在上述实施例基础上,关于弹性装置24的数量做出说明。
如图3和图4所示,弹性装置24的数量为两个且对称设置在阻板23下表面的两侧,两个弹性装置24分别与空心段18和实心段19连接。
通过两侧的弹性装置24,使得阻挡件25在上升或下降过程中,受力均匀。
优选地,弹性装置24为弹簧,成本低,实用性强。
实施例6
本实施例是在上述实施例基础上,对本发明做出进一步地优化说明。
如图3和图4所示,在每个阻挡件25靠近卡接部空心段18的位置处沿竖直方向设置有凸起部22,卡接部开设有与凸起部22相匹配的限位孔。
通过凸起部22与限位孔的配合,使得阻挡件25被限制,只能进行上下移动,避免阻挡件25发生自转,提高了阻挡件25在移动过程中的稳定性。
优选地,摄像装置26远离转动杆16的一端设置有遮挡板27,起到遮光和防水的效果,使得拍摄出的照片的效果更佳。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于深度学习的电站发电机内部漏油分类检测方法,其特征在于,包括以下步骤:
Step1、检测装置对检测区域进行拍照,并将照片发送至终端设备;
Step2、终端设备获取照片后根据每张照片的场景设备不同,对照片进行分类,将对应同一场景设备的照片分类到同一照片类别中;
Step3、对每个类别中的照片进行预处理,使得处理后的所述照片同预先训练的识别模型的输入参数匹配;
Step4、将预处理后的照片输入检测系统预先训练的识别模型中,利用识别模型去识别照片的漏油信息,初步预判漏油情况;
Step5、根据Step4中预判的漏油情况,结合Step1中产生漏油情况的区域和场景设备,采集水轮机当前的监测信息,对漏油情况及原因进行分析整理;
Step6、将Step5中分析整理处的漏油情况及原因上传至集控中心,并将信息传送至终端设备,终端设备接收漏油信息并进行分析以及显示,当出现异常时,会触发语音模块和通信模块,语音模块被触发后进行语音报警,通信模块被触发后,发送信息至相关人员;
所述的Step5中,根据Step4所预判的结果和检测区域的不同,采取的分析策略如下:
Step5.1、如果上导轴承内挡油筒、上导轴承油箱盖与滑转子密封处、上导主轴承油箱及上机架处发生漏油现象,采集机组的转速曲线、当前上导轴承油箱液位高度信息,对漏油程度进行判断复核,然后采集上机架水平度、主轴垂直度信息并与设定的值进行比较,分析漏油原因;
如若上机架水平度超出预设值且根据当前转速曲线及当前上导轴承油箱液位高度判断发生漏油现象,则判定为上机架不水平导致的漏油;
如果主轴垂直度超出预设值且根据当前转速曲线及当前上导轴承油箱液位高度判断发生漏油现象,则判定为主轴偏心导致漏油;
Step5.2、如果上导轴承内挡油筒、上导轴承油箱盖与滑转子密封处、上导主轴承油箱、上机架处发生甩油现象,采集机组的转速曲线、当前上导轴承油箱液位高度信息及冷却机组的冷却量信息,对漏油程度进行判断,然后采集机组摆度信息并与设定的值进行比较,分析系漏油原因;
如若发生甩油现象且根据当前机组的转速曲线及当前上导轴承油箱液位高度高于应当值,则判定为油箱内透平油过多导致甩油现象;
如若机组摆度超过预设值且当前转速曲线及当前上导轴承油箱液位高度低于应当值,冷却机组的冷却量小于预设值,则判定为机组摆度过大导致甩油现象;
Step5.3、如果下导轴承及推力轴承内挡油筒、下导轴承及推力轴承密封盖边缘及和与滑转子密封处、下导轴承及推力轴承油箱及下机架处发生漏油现象,采集机组的转速曲线、当前下导轴承及推力轴承油箱液位高度信息,对漏油程度进行判断复核,然后采集下机架水平度、主轴垂直度信息及推力头吸气压力并与设定的值进行比较,分析漏油原因;
如若下机架水平度超出预设值且根据当前转速曲线及当前下导轴承及推力轴承油箱液位高度判断发生漏油现象,则判定为下机架不水平导致的漏油;
如若主轴垂直度超出预设值且根据当前转速曲线及当前下导轴承及推力轴承油箱液位高度判断发生漏油现象,则判定为主轴偏心导致漏油;
如果推力头吸气压力小于预设压力且根据当前转速曲线及当前下导轴承及推力轴承油箱液位高度判断发生漏油现象,则判定为推力头内部气压过低导致的漏油;
Step5.4、如果下导轴承及推力轴承内挡油筒、下导轴承及推力轴承密封盖边缘及和与滑转子密封处、下导轴承及推力轴承油箱及下机架处发生甩油现象,采集机组的转速曲线、当前下导轴承及推力轴承油箱液位高度信息及冷却机组的冷却量信息,对漏油程度进行判断,然后采集机组摆度信息并与设定的值进行比较,分析系漏油原因;
如若发生甩油现象且根据当前机组的转速曲线及当前下导轴承及推力轴承油箱液位高度高于应当值,则判定为油箱内透平油过多导致甩油现象;
如若机组摆度超过预设值且当前转速曲线及当前下导轴承及推力轴承油箱液位高度低于应当值,冷却机组的冷却量小于预设值,则判定为机组摆度过大导致甩油现象;
所述的Step1中的检测区域包括上导轴承内挡油筒、上导轴承油箱盖与滑转子密封处、上导主轴承油箱、上机架、下导轴承及推力轴承内挡油筒、下导轴承及推力轴承密封盖边缘及和与滑转子密封处、下导轴承及推力轴承油箱及下机架;
所述的Step4中,将分类后的场景分类照片与训练好的相应场景设备模型进行比对,预判出现的是漏油还是甩油。
2.根据权利要求1所述的一种基于深度学习的电站发电机内部漏油分类检测方法,其特征在于,所述的Step1中的检测装置包括轨道部(10)和移动部(11),移动部(11)与轨道部(10)滑动连接,移动部(11)的内部设置有第一电机(12),第一电机(12)的输出轴连接有转动盘(13),转动盘(13)连接有两个平行设置的支撑杆(14),其中一个支撑杆(14)中设置有第二电机(15),第二电机(15)的输出轴连接有转动杆(16)的一端,转动杆(16)的另一端与另一个支撑杆(14)转动连接且转动杆(16)与两个支撑杆(14)垂直,转动杆(16)沿水平方向的中部设置有连接部,所述连接部连接有摄像装置(26)。
3.根据权利要求2所述的一种基于深度学习的电站发电机内部漏油分类检测方法,其特征在于,所述的连接部与摄像装置(26)活动连接,连接部包括与转动杆(16)连接的连杆(21)、与连杆(21)连接的卡接头(17),所述卡接头(17)沿侧面的截面为梯形,靠近连杆(21)的一端为下底,远离连杆(21)的一端为上底;
摄像装置(26)靠近连接部的一端设置有卡接部,所述卡接部从左至右依次包括空心段(18)和实心段(19),所述实心段(19)开设有与卡接头(17)相匹配的卡接槽(20),在空心段(18)与实心段(19)的连接处上下对称设置有两个阻挡件(25),空心段(18)上开设有两个与阻挡件(25)相匹配的通孔,每个阻挡件(25)与穿过对应的通孔并延伸至通孔的外部,每个阻挡件(25)的延伸端均设置有阻板(23),所述阻板(23)的下表面连接有弹性装置(24)的一端,所述弹性装置(24)的另一端与空心段(18)或实心段(19)连接,两个阻挡件(25)相对的一端均与水平面呈倾斜,当弹性装置(24)为正常状态时,两个阻挡件(25)之间的空隙与卡接头(17)相匹配。
4.根据权利要求3所述的一种基于深度学习的电站发电机内部漏油分类检测方法,其特征在于,所述的弹性装置(24)的数量为两个且对称设置在阻板(23)下表面的两侧,两个弹性装置(24)分别与空心段(18)和实心段(19)连接,在每个所述阻挡件(25)靠近卡接部空心段(18)的位置处沿竖直方向设置有凸起部(22),所述卡接部开设有与凸起部(22)相匹配的限位孔。
5.根据权利要求3所述的一种基于深度学习的电站发电机内部漏油分类检测方法,其特征在于,所述的弹性装置(24)为弹簧。
6.根据权利要求2所述的一种基于深度学习的电站发电机内部漏油分类检测方法,其特征在于,所述的摄像装置(26)远离转动杆(16)的一端设置有遮挡板(27)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111642276.6A CN114320709B (zh) | 2021-12-30 | 2021-12-30 | 一种基于深度学习的电站发电机内部漏油分类检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111642276.6A CN114320709B (zh) | 2021-12-30 | 2021-12-30 | 一种基于深度学习的电站发电机内部漏油分类检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114320709A CN114320709A (zh) | 2022-04-12 |
CN114320709B true CN114320709B (zh) | 2023-07-18 |
Family
ID=81016062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111642276.6A Active CN114320709B (zh) | 2021-12-30 | 2021-12-30 | 一种基于深度学习的电站发电机内部漏油分类检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114320709B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115457297B (zh) * | 2022-08-23 | 2023-09-26 | 中国航空油料集团有限公司 | 航油油库漏油检测方法、装置及航油安全运维系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR1402082A (fr) * | 1964-04-29 | 1965-06-11 | Fr De L Electro Resistance Soc | Perfectionnements aux potentiomètres rotatifs |
JP5281723B1 (ja) * | 2011-11-30 | 2013-09-04 | 三菱重工業株式会社 | 再生エネルギー型発電装置およびその油漏れ検出方法 |
CN111126196A (zh) * | 2019-12-10 | 2020-05-08 | 安徽银河物联通信技术有限公司 | 一种设备漏油检测方法 |
CN115769275A (zh) * | 2020-05-05 | 2023-03-07 | 美国安进公司 | 用于自动视觉检查的深度学习平台 |
-
2021
- 2021-12-30 CN CN202111642276.6A patent/CN114320709B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114320709A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416294B (zh) | 一种基于深度学习的风机叶片故障智能识别方法 | |
CN114320709B (zh) | 一种基于深度学习的电站发电机内部漏油分类检测方法 | |
CN202793389U (zh) | 一种高铁接触网在线巡检装置 | |
CN110002302A (zh) | 一种基于深度学习的电梯开关门检测系统与方法 | |
CN113213101A (zh) | 一种托辊异常检测方法和系统 | |
CN113298059A (zh) | 受电弓异物入侵检测方法、装置、计算机设备、系统及存储介质 | |
CN113726606B (zh) | 异常检测方法及装置、电子设备、存储介质 | |
CN111523386B (zh) | 一种基于机器视觉的高速铁路站台门监测防护方法及系统 | |
CN113232006A (zh) | 煤化工智能巡检机器人、智能巡检系统及巡检方法 | |
CN113446953A (zh) | 一种基于数字摄影测量技术的地铁隧道变形监测系统 | |
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 | |
CN112268582B (zh) | 一种基于大数据的除尘设备智能监测分析管理系统 | |
CN117429835A (zh) | 一种井下带式输送机关键部件健康监测系统与方法 | |
CN113898537A (zh) | 一种风电场远程智能巡检系统 | |
CN116380496B (zh) | 一种汽车车门疲劳耐久测试方法、系统及介质 | |
CN116877358A (zh) | 一种风力发电机组振动监测分析系统 | |
CN107356611A (zh) | 一种全方向非接触的内螺纹表面质量检测装置 | |
CN208207128U (zh) | 弓网运行状态检测装置 | |
CN213779130U (zh) | 一种便于安装的实时检测装置 | |
CN105203315A (zh) | 一种设在巡检车上的风机浆叶监测装置 | |
CN114412729A (zh) | 一种风机叶片损伤监测装置及其监测方法 | |
KR20190062834A (ko) | 풍력 발전기의 블레이드 검사장치 및 그 방법 | |
CN114439702A (zh) | 一种风力发电机的叶片状态监测方法和装置 | |
CN212844976U (zh) | 一种薄煤层地层的检测装置 | |
CN115174871B (zh) | 基于机器视觉的输送线故障分析系统 |
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 |