CN115372412B - 一种涡轮叶片基于六点定位的特征测量方法 - Google Patents

一种涡轮叶片基于六点定位的特征测量方法 Download PDF

Info

Publication number
CN115372412B
CN115372412B CN202211298522.5A CN202211298522A CN115372412B CN 115372412 B CN115372412 B CN 115372412B CN 202211298522 A CN202211298522 A CN 202211298522A CN 115372412 B CN115372412 B CN 115372412B
Authority
CN
China
Prior art keywords
turbine blade
thermal imaging
thermal
algorithm
representing
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
Application number
CN202211298522.5A
Other languages
English (en)
Other versions
CN115372412A (zh
Inventor
孙跃飞
冯雷涛
王晨阳
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.)
Beijing Hanfei Aviation Technology Co ltd
Original Assignee
Beijing Hanfei Aviation Technology 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 Beijing Hanfei Aviation Technology Co ltd filed Critical Beijing Hanfei Aviation Technology Co ltd
Priority to CN202211298522.5A priority Critical patent/CN115372412B/zh
Publication of CN115372412A publication Critical patent/CN115372412A/zh
Application granted granted Critical
Publication of CN115372412B publication Critical patent/CN115372412B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G01N25/72—Investigating presence of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明公开一种涡轮叶片基于六点定位的特征测量方法，应用于信息处理领域；解决的技术问题是涡轮叶片测量，采用的技术方案是基于六点定位的特征测量方法，包括（S1）基于六点定位在涡轮叶片的底部、上风高压侧和下风高压侧设置六个热成像摄像机；（S2）通过热成像技术对涡轮叶片进行室外采集，六个热成像摄像机采集六种原始涡轮叶片热像图；（S3）采用改进型深度学习算法进行数据预处理，得到一次处理涡轮叶片热像图；（S4）采用阈值判断的区域指导算法建立特征判定条件函数对一次处理涡轮叶片热像图进行特征判定，得到涡轮叶片的特征参数；本发明能够从多个点位测量涡轮叶片的破损情况且高精度地完成测量工作。

Description

一种涡轮叶片基于六点定位的特征测量方法
技术领域
本发明信息处理领域，且更确切地涉及一种涡轮叶片基于六点定位的特征测量方法。
背景技术
由于风力涡轮机叶片尺寸大、表面积大、形状复杂，即使在制造或维修设施内，也很难对其进行非破坏性检查。目视检查无法识别风力涡轮机叶片外皮表面以下的缺陷，通常由玻璃纤维材料制成。使用热的主动热成像检测技术对近表面缺陷有效，但由于材料厚度和表面发射率的变化，可能会产生误报和漏报。在工厂对叶片进行热应力或挠曲测试期间，剪切变形描记法可用于检测翼梁帽和叶片其他区域的纤维波，但该技术速度慢、成本高，通常仅在怀疑存在已知问题时才进行。角束超声波技术速度很慢，可能无法通过厚碳纤维圆石帽工作。因此，叶片通常安装在塔架上并投入使用，很可能存在潜在的制造缺陷。
传统测量检查员使用空中起重机或绳索通道，其费用昂贵和耗时，并将人员置于非常危险的工作环境中。现有技术中已经开发并测试了带有用于现场检查的无损检测传感器的叶片和塔架爬行器，但它们可能非常昂贵、运行缓慢、需要维修和维护，这些方法存在复杂的物流、对缺陷不敏感、可重复性差以及不允许精确测量缺陷尺寸、面积或位置的问题。因此，需要一种用于风力涡轮机叶片的快速、成本有效的无损检测系统和方法，以足够早地检测潜在的和传播的损伤，从而在需要从塔架上移除风力涡轮机叶片并在场外进行修复或用新叶片替换之前允许塔架上的修复。
发明内容
针对上述问题，本发明公开一种涡轮叶片基于六点定位的特征测量方法，采用可移动热成像摄像机采集图像，能够测量涡轮叶片的特征参数。
为了实现上述技术效果，本发明采用以下技术方案：
一种涡轮叶片基于六点定位的特征测量方法，步骤包括：
（S1）用户观察风力涡轮发电机周边环境，根据涡轮叶片的底部、上风高压侧和下风高压侧设置六个热成像摄像机；
（S2）热成像摄像机通过热成像技术对涡轮叶片进行室外采集，六个热成像摄像机采集六种原始涡轮叶片热像图；
（S3）输入采集原始涡轮叶片热像图并采用改进型深度学习算法进行数据预处理，得到一次处理涡轮叶片热像图；
（S4）计算机处理中心接收一次处理涡轮叶片热像图，采用阈值判断的区域指导算法建立特征判定条件函数对一次处理涡轮叶片热像图进行特征判定，得到涡轮叶片的特征参数。
作为本发明的进一步技术方案，所述六个热成像摄像机采用六点定位的方法，包括：首先在涡轮叶片的底部前侧与后侧三十米处放置第一热成像摄像机与第二热成像摄像机；假设穿过第一热成像摄像机与第二热成像摄像机的线作为垂直线，则垂直线向西平移六十米出为涡轮叶片的下风高压侧，平移得到下风高压侧上的两台热成像摄像机为第三热成像摄像机与第四热成像摄像机；垂直线向东平移六十米出为涡轮叶片的上风高压侧，平移得到上风高压侧上的两台热成像摄像机为第五热成像摄像机与第六热成像摄像机；六台热成像摄像机定位在涡轮叶片的周边六点，同时对涡轮叶片进行室外采集；
作为本发明的进一步技术方案，所述第一热成像摄像机与第二热成像摄像机定位接收来自涡轮叶片的低水平热辐射；所述低水平热辐射是由于涡轮自叶片旋转运动的重力作用在涡轮叶片材料上的应力的热弹性，由于涡轮叶片内部摩擦和缺陷周围的塑性，来自机械应力缺陷显示在热成像摄像机产生的图像中。
作为本发明的进一步技术方案，所述第三热成像摄像机与第四热成像摄像机定位接收来自涡轮叶片的下风低压侧表面良好视图，在三到四个视频帧中具有相对低的角度变化率，具有快速移动角度变化和叶片扭曲的热成像。
作为本发明的进一步技术方案，所述采用改进型深度学习算法进行数据预处理，根据涡轮叶片热像图数据得到准约束函数，如公式（1）所示：
Figure 243197DEST_PATH_IMAGE001
（1）
式（1）中，G表示改进型深度学习算法的准约束函数，b i 表示改进型深度学习算法的数码，i表示涡轮叶片热像图数据序号，n表示涡轮叶片热像图数据总数；在数据预处理中，改进型深度学习算法的约束函数能够有效筛选涡轮叶片热像图数据的可用性，但对于离散型区别较大的涡轮叶片热像图数据需要通过正切函数tanh(x)进行计算，如公式（2）所示：
Figure 946842DEST_PATH_IMAGE002
（2）
式（2）中，x’表示离散化涡轮叶片热像图数据，通过数据指数变换，得到离散涡轮叶片热像图数据的正切关系，通过变换对离散数据与1进行比较，从而完成涡轮叶片热像图数据的初步筛选；对筛选之后的样本数据进行临界计算，得到涡轮叶片热像图数据的临界函数如公式（3）所示：
Figure 570328DEST_PATH_IMAGE003
（3）
式（3）中，
Figure 992213DEST_PATH_IMAGE004
表示涡轮叶片热像图数据临界值函数，
Figure 431285DEST_PATH_IMAGE006
表示临界函数曲线增长的速率；临界函数与离散数据的正切函数相似，两者都是对自变量的指数运算，都是通过与数字1进行比较得出一次处理涡轮叶片热像图。
作为本发明的进一步技术方案，所述阈值判断的区域指导算法步骤包括：
（S41）阈值判断的区域指导算法对一次处理涡轮叶片热像图进行函数转化，如公式（4）所示：
Figure 924190DEST_PATH_IMAGE007
（4）
式（4）中，H表示一次处理涡轮叶片热像图录入算法标准，
Figure 157725DEST_PATH_IMAGE008
表示收录的一次处理涡轮叶片热像图数据函数，
Figure DEST_PATH_IMAGE009
表示录入一次处理涡轮叶片热像图偏差；
（S42）通过对录入的一次处理涡轮叶片热像图数据进行规律化调整，使一次处理涡轮叶片热像图数据满足阈值判断的区域指导算法运算标准，进而完成阈值判定，如公式（5）所示：
Figure 332485DEST_PATH_IMAGE010
（5）
式（5）中，
Figure DEST_PATH_IMAGE011
表示一次处理涡轮叶片热像图数据调整方式，r表示阈值判断的区域指导算法编程图像变量，R表示实数集，
Figure 604942DEST_PATH_IMAGE012
表示横向调整量，
Figure 922659DEST_PATH_IMAGE013
表示纵向调整量；调整之后的一次处理涡轮叶片热像图能够被阈值判断的区域指导算法程序识别，通过阈值判断的区域指导算法编程方式判定涡轮叶片的特征参数，判定条件如公式（6）所示：
Figure 264779DEST_PATH_IMAGE014
（6）
式（6）中，W表示阈值判断的区域指导算法判定条件函数，f表示一次处理涡轮叶片热像图判定条件系数，
Figure 208726DEST_PATH_IMAGE015
表示阈值判断的区域指导算法识别标准一次处理涡轮叶片热像图形式；
（S43）在阈值判断的区域指导算法的近邻计算中，对于一次处理涡轮叶片热像图相近的涡轮叶片的特征参数判定记为近邻化判定，如公式（7）所示：
Figure 51918DEST_PATH_IMAGE016
（7）
式（7）中，
Figure 660360DEST_PATH_IMAGE017
表示待测次处理涡轮叶片热像图数据调整方式，
Figure 422649DEST_PATH_IMAGE018
表示近邻化涡轮叶片的特征参数函数形式，
Figure 696635DEST_PATH_IMAGE019
表示近邻算法识别标准函数，
Figure 438457DEST_PATH_IMAGE020
表示标准近邻函数的偏导自变量，
Figure 100002_DEST_PATH_IMAGE021
表示近邻函数的偏导因变量；
（S44）对于监测涡轮叶片的特征参数的最终判定是由众数法决定的，通过其样本选择和近邻对比，将判定结果表述如公式（8）所示：
Figure 606133DEST_PATH_IMAGE022
（8）
式（8）中，
Figure 178804DEST_PATH_IMAGE023
表示阈值判断的区域指导算法收录的众数涡轮叶片的特征参数，
Figure 392616DEST_PATH_IMAGE024
表示在阈值判断的区域指导算法中涡轮叶片的特征参数的判定结果，j表示阈值判断的区域指导算法识别范围，
Figure 452976DEST_PATH_IMAGE025
表示判定相角条件。
作为本发明的进一步技术方案，所述计算机处理中心将涡轮叶片特征参数传输至显示器，用户通过显示器得到涡轮叶片特征参数；用户控制计算机处理中心发出命令到波形发生器，波形发生器通过信号放大器放大命令信号驱动线性电机致动器控制热成像摄像机操作。
作为本发明的进一步技术方案，所述热成像摄像机通过自带反射镜反射光线获取原始涡轮叶片热成像图，所述反射镜耦合在热成像摄像机的外围上方，通过线性电机致动器控制热成像摄像机与反射镜之间的距离和反射镜的角度。
本发明有益的积极效果在于：
区别于常规技术，本发明能够从多个点位测量涡轮叶片的破损情况，通过热成像技术采集涡轮叶片的热成像图，之后通过阈值判断的区域指导算法收录的众数涡轮叶片的特征参数，能够高精度地完成测量工作。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中：
图1展示了一种涡轮叶片基于六点定位的特征测量方法流程图；
图2展示了六个热成像摄像机的六点定位示意图；
图3展示了位于涡轮叶片正下方的热成像摄像机测量示意图；
图4展示了位于涡轮叶片下风低压侧的热成像摄像机测量示意图；
图5展示了涡轮叶片特征测量过程图；
图6展示了三种测量方法的特征测量精度对比图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明；
如图1所示，一种涡轮叶片基于六点定位的特征测量方法，步骤包括：
（S1）用户观察风力涡轮发电机周边环境，根据涡轮叶片的底部、上风高压侧和下风高压侧设置六个热成像摄像机；
在具体实施例中，风力涡轮机叶片通常由形成高压侧和低压侧的粘合复合壳体制造。后缘与前缘一样粘合，在某些情况下，在由构成夹层板18的内部和外部玻璃纤维蒙皮形成的两个凸缘之间粘合，可由玻璃纤维或碳纤维层压材料或其他类似复合材料制成的翼梁腹板3.0结合到夹层板的边缘，翼梁腹板可以是实心玻璃纤维层压板或具有玻璃纤维或碳纤面板的夹层结构，以及由泡沫、轻木或其他具有高压缩强度的合适材料制成的芯材。翼梁腹板3.0用粘合剂粘结到翼梁帽以形成工字梁。有时，存在形成箱形梁的第二或甚至第三翼梁腹板。
（S2）热成像摄像机通过热成像技术对涡轮叶片进行室外采集，六个热成像摄像机采集六种原始涡轮叶片热像图；
在具体实施例中，热成像摄像机采集涡轮叶片热像图存在于翼梁帽与翼梁腹板3.0粘合剂粘结处的诸如粘合剂剥离或未粘结的缺陷可导致叶片在使用中的灾难性故障，实心翼梁帽层压体中的纤维波也可导致开裂并最终导致叶片失效。此外，后缘在高压侧和低压侧壳体粘合剂结合部中的裂口或裂缝可能是操作期间叶片过度弯曲的迹象。后缘粘合剂结合在朝向叶根端的最大叶片弦宽度区域中支撑叶片扭转载荷。除非及时检测到并且涡轮机停机并及时修复，否则这些位置处的粘合剂结合中的裂纹和断裂也可能导致叶片故障。当其中一个加强元件（如玻璃或碳纤维）断裂时，会发出明显的声音，就像棍子断裂一样。声音传播穿过风力涡轮机叶片的结构，并穿过由叶片外皮的内表面限定的封闭空间。此外，由于向心加速度，封闭空间内形成压力梯度。封闭空间的靠近风力涡轮机轮毂的部分与封闭空间的最外部之间的压差可以在2psi的量级上。
（S3）输入采集原始涡轮叶片热像图并采用改进型深度学习算法进行数据预处理，得到一次处理涡轮叶片热像图；
在具体实施例中，图像的预处理是数字图像处理过程中非常重要的步骤，预处理就是在图像分析过程中，对输入图像进行目标识别等主要任务之前所进行的处理。图像预处理的主要目的是尽量消除待检图像中无关的信息，恢复有用真实信息，增强相关信息的可检测性并最大限度地简化数据，从而更加方便快捷的进行后续所需要的图像处理，并提高其结果的可靠性。根据不同需要，图像预处理主要包括去噪、对比度増强、灰度变换、几何变换等。由此可知预处理图像质量的好坏，直接影响了后续的图像分析，如分类、图像分割、目标识别定位等，因此必须在对图像进行定位之前，必须选择合适的图像预处理方法。
（S4）计算机处理中心接收一次处理涡轮叶片热像图，采用阈值判断的区域指导算法建立特征判定条件函数对一次处理涡轮叶片热像图进行特征判定，得到涡轮叶片的特征参数。
在具体实施例中，图像的特征提取技术是图像分析处理的第一步，图像的边缘是图像最基本的特征之一。所谓的边缘，简单地指的是图像中那些像素的集合，其中周围像素的灰色具有突然变化，并且边缘是图像中局部特征的最明显变化。标记一个区域的结束和另一个区域的开头。边缘在目标和背景之间，目标和目标之间以及区域和区域之间广泛存在,因此它是实现图像分割的重要方法图像的边缘检测也叫边缘特征提取，其目的就是标识数字图像中灰度变化明显的点,此像素集合即构成了图像的边缘。图像边缘检测的主要目的是保留图像的重要结构特性,去除与边缘无关的信息,这也大大减少了数据量。
在具体实施例中，所述六个热成像摄像机采用六点定位的方法，包括：首先在涡轮叶片的底部前侧与后侧三十米处放置第一热成像摄像机与第二热成像摄像机；假设穿过第一热成像摄像机与第二热成像摄像机的线作为垂直线，则垂直线向西平移六十米出为涡轮叶片的下风高压侧，平移得到下风高压侧上的两台热成像摄像机为第三热成像摄像机与第四热成像摄像机；垂直线向东平移六十米出为涡轮叶片的上风高压侧，平移得到上风高压侧上的两台热成像摄像机为第五热成像摄像机与第六热成像摄像机；六台热成像摄像机定位在涡轮叶片的周边六点，同时对涡轮叶片进行室外采集。
在具体实施例中，第一热成像摄像机与第一热成像摄像机位于叶片下方的位置处，以接收来自低压侧前缘和前部的热辐射。该位置减少了在帧采集期间由于图像中的叶片旋转引起的角度变化。来自热成像摄像机采集得到的涡轮叶片热像图由计算机处理中心记录，或作为视频文件记录在热成像摄像机中的存储设备中，并使用峰值存储或其他图像处理技术进行处理和呈现，并呈现在显示器上，以获得良好的图像质量以及尺寸和位置的定量测量，比较目标范围内已知尺寸的特征。
在具体实施例中，所述第一热成像摄像机与第二热成像摄像机定位接收来自涡轮叶片的低水平热辐射；所述低水平热辐射是由于涡轮自叶片旋转运动的重力作用在涡轮叶片材料上的应力的热弹性，由于涡轮叶片内部摩擦和缺陷周围的塑性，来自机械应力缺陷显示在热成像摄像机产生的图像中。
在具体实施例中，所述第三热成像摄像机与第四热成像摄像机定位接收来自涡轮叶片的下风低压侧表面良好视图，在三到四个视频帧中具有相对低的角度变化率，具有快速移动角度变化和叶片扭曲的热成像。
在具体实施例中，涡轮叶片指向不同于水平方向的角度的图像，由于红外摄像机到叶片上点的距离变化，图像比例失真更大。如果叶片朝下，则相机到叶片尖端的距离大约等于塔架高度的一半。叶尖处的图像尺度将是叶根处图像尺度值的两倍，缺陷测量值将是实际尺寸的两倍，可以逐帧回放数字热图像或照片序列，以允许分析员能够选择具有最佳图像质量的帧来定义异常的边界。可以对沿着穿过缺陷指示的线测量每个像素值的图像测量工具进行编程，以测量信噪比，该信噪比可以定义为邻近缺陷平方的区域的像素值除以缺陷指示平方的像素值。在图像处理领域的技术人员已知的许多工具中，这种工具可以用于定量地选择具有最佳图像质量的图像。现场操作员可以在位置段中对风力涡轮机叶片进行成像，以便在所有三个叶片通过相机视场时至少一次捕获它们的多个图像序列。这之后可以是相机在其支架上的旋转，以捕获下一个叶片段，以便在所有三个叶片通过相机场时至少一次拍摄它们的多个图像序列，等等，直到捕获整个叶片的图像。换言之，随着叶片旋转，从内向外递增扫描沿叶片纵轴按长度分割的片段。分析人员审查整个叶片长度上的逐帧序列时，可以使用具有距离校正因子的图像比例来获得准确的测量值。
在具体实施例中，所述采用改进型深度学习算法进行数据预处理，根据涡轮叶片热像图数据得到准约束函数，如公式（1）所示：
Figure 101258DEST_PATH_IMAGE026
（1）
式（1）中，G表示改进型深度学习算法的准约束函数，b i 表示改进型深度学习算法的数码，i表示涡轮叶片热像图数据序号，n表示涡轮叶片热像图数据总数；在数据预处理中，改进型深度学习算法的约束函数能够有效筛选涡轮叶片热像图数据的可用性，但对于离散型区别较大的涡轮叶片热像图数据需要通过正切函数tanh(x)进行计算，如公式（2）所示：
Figure 956081DEST_PATH_IMAGE027
（2）
式（2）中，x’表示离散化涡轮叶片热像图数据，通过数据指数变换，得到离散涡轮叶片热像图数据的正切关系，通过变换可以对离散数据与1进行比较，从而完成涡轮叶片热像图数据的初步筛选；对筛选之后的样本数据进行临界计算，得到涡轮叶片热像图数据的临界函数如公式（3）所示：
Figure 329294DEST_PATH_IMAGE028
（3）
式（3）中，
Figure 511505DEST_PATH_IMAGE029
表示涡轮叶片热像图数据临界值函数，
Figure 997981DEST_PATH_IMAGE030
表示临界函数曲线增长的速率；临界函数与离散数据的正切函数相似，两者都是对自变量的指数运算，都是通过与数字1进行比较得出一次处理涡轮叶片热像图。
在具体实施例中，所述阈值判断的区域指导算法步骤包括：
（S41）阈值判断的区域指导算法对一次处理涡轮叶片热像图进行函数转化，如公式（4）所示：
Figure 538553DEST_PATH_IMAGE031
（4）
式（4）中，H表示一次处理涡轮叶片热像图录入算法标准，
Figure 743270DEST_PATH_IMAGE032
表示收录的一次处理涡轮叶片热像图数据函数，
Figure 896164DEST_PATH_IMAGE033
表示录入一次处理涡轮叶片热像图偏差；本发明对于风力涡轮发电机可以在数字图像中选择一个校准特征，该特征随着距离的变化而改变视在宽度，但如果视角变化，则不会改变，从而提供更可靠的测量。这种物体的一个例子是球体，其直径随距离而变化，但不随视角而变化，圆柱体是另一个例子。风力涡轮机叶片的根端是圆柱形的，连接到轮毂中的变桨轴承。
（S42）通过对录入的一次处理涡轮叶片热像图数据进行规律化调整，使一次处理涡轮叶片热像图数据满足阈值判断的区域指导算法运算标准，进而完成阈值判定，如公式（5）所示：
Figure 627360DEST_PATH_IMAGE010
（5）
式（5）中，
Figure 823986DEST_PATH_IMAGE034
表示一次处理涡轮叶片热像图数据调整方式，r表示阈值判断的区域指导算法编程图像变量，R表示实数集，
Figure DEST_PATH_IMAGE035
表示横向调整量，
Figure 654014DEST_PATH_IMAGE036
表示纵向调整量；
在具体实施例中，无论叶片节距或与地面的视角如何，叶片根部端直径可用于校准风力涡轮机叶片的图像比例，然后允许在相同的接近距离测量其他特征。由于塔架接头焊缝处的钢厚度增加，这些接头保留了来自太阳的热量，并在夜间大部分时间通过红外摄像机保持可见，此时风力涡轮机叶片的热检查是最好的，因为有热排放的缺陷被冲洗掉。调整之后的一次处理涡轮叶片热像图能够被阈值判断的区域指导算法程序识别，通过阈值判断的区域指导算法编程方式判定涡轮叶片的特征参数，判定条件如公式（6）所示：
Figure 751546DEST_PATH_IMAGE014
（6）
式（6）中，W表示阈值判断的区域指导算法判定条件函数，f表示一次处理涡轮叶片热像图判定条件系数，
Figure DEST_PATH_IMAGE037
表示阈值判断的区域指导算法识别标准一次处理涡轮叶片热像图形式；
（S43）在阈值判断的区域指导算法的近邻计算中，对于一次处理涡轮叶片热像图相近的涡轮叶片的特征参数判定记为近邻化判定，如公式（7）所示：
Figure 930723DEST_PATH_IMAGE016
（7）
式（7）中，
Figure 563830DEST_PATH_IMAGE038
表示待测次处理涡轮叶片热像图数据调整方式，
Figure DEST_PATH_IMAGE039
表示近邻化涡轮叶片的特征参数函数形式，
Figure 163045DEST_PATH_IMAGE040
表示近邻算法识别标准函数，
Figure 31644DEST_PATH_IMAGE041
表示标准近邻函数的偏导自变量，
Figure 894689DEST_PATH_IMAGE042
表示近邻函数的偏导因变量；
在具体实施例中，涡轮叶片根部或塔架焊缝处的已知尺寸可用于校准图像比例。已知尺寸区域的成像可以使用数字热成像、摄影或任何其他被动或主动成像技术来完成。然后使用软件确定以像素/英尺为单位的图像比例。然后，像素计数用于确定以指示的大小或面积的像素为单位校准的尺寸。这将允许软件比较确定位于大致相同距离的其他特征或对象的尺寸。然后，这些特征或异常的尺寸可以转换回常规尺寸测量，例如英尺、米或其他长度单位。
（S44）对于监测涡轮叶片的特征参数的最终判定是由众数法决定的，通过其样本选择和近邻对比，将判定结果表述如公式（8）所示：
Figure 167538DEST_PATH_IMAGE022
（8）
式（8）中，
Figure 489935DEST_PATH_IMAGE043
表示阈值判断的区域指导算法收录的众数涡轮叶片的特征参数，
Figure DEST_PATH_IMAGE044
表示在阈值判断的区域指导算法中涡轮叶片的特征参数的判定结果，j表示阈值判断的区域指导算法识别范围，
Figure 457498DEST_PATH_IMAGE045
表示判定相角条件。
在具体实施例中，成像软件然后可以集成尺寸测量以确定特征或异常的表面积，叶片根端和叶片轮毂的视频图像可以用摄像机连续记录，并与来自热成像摄像机的视频帧同步，热成像摄像机使用GPOS定时信号、无线信号或其他手段中的至少一种对叶片进行异常成像，以识别叶片序列号或转子吊耳，从而识别具有异常或感兴趣特征的特定叶片的叶片位置。这样的成像可以在风力涡轮机叶片处于多个径向旋转角的情况下进行，以便生成图像缩放模板，该图像缩放模板在风力涡轮机转子旋转时校正数字图像的视场上的图像失真。成像可以在风力涡轮机叶片旋转时进行，因此在检查过程中不需要固定风力涡轮机叶片或使机组离线。对于水平定向的叶片，图像中叶片上缺陷标记所包含的弧角相对较小，因此缺陷尺寸和定位误差相对较小。
在具体实施例中，所述计算机处理中心将涡轮叶片特征参数传输至显示器，用户通过显示器得到涡轮叶片特征参数；用户控制计算机处理中心发出命令到波形发生器，波形发生器通过信号放大器放大命令信号驱动线性电机致动器控制热成像摄像机操作。热成像摄像机旋转移动以跟随叶片围绕轴线的运动。热成像摄像机安装在框架或板上并连接到铰链，铰链也连接到支撑致动器的框架构件。板的相对端通过柔性接头连接到电致动器。例如铰链或万向接头。致动器的移动导致热成像摄像机上下移动，当与叶片的一部分对齐时，这里的运动基本相同，将趋于使叶片在热成像摄像机的视场中稳定。额外的致动器可以同时操作以在多个方向上移动热成像摄像机，但具有额外的复杂性。实际上，如果在现场能够获得叶片在旋转期间到达水平位置时的清晰视图，则一个致动器就足够了。另一种选择是旋转整个致动器、支撑板以及热成像摄像机，以在数据采集期间使致动器的运动与叶片的运动对齐。减少驱动质量降低了电子和电动致动器的振动和功率要求，该电子和电动执行器可以由电池操作，也可以由操作员使用的车辆供电。摄像机的运动应大致与涡轮机叶片在其绕轴线旋转期间在摄像机视场中的运动方向对齐。
在具体实施例中，所述热成像摄像机通过自带反射镜反射光线获取原始涡轮叶片热成像图，所述反射镜耦合在热成像摄像机的外围上方，其在叶片运动方向上的循环运动可被调节以跟踪每个叶片通过视场旋转时的近似运动。旋转将基本上停止旋转运动几个帧。叶片似乎悬挂在空间中，从而使热相机有时间生成移动叶片的更高分辨率图像。调整包括斜坡电压的幅度，其将补偿叶片旋转速度、斜坡函数的持续时间以及斜坡函数每次开始之间的时间。波形发生器的输出信号在信号放大器中放大，信号放大器随后驱动线性电机致动器。反射镜的运动可以使热成像摄像机产生的短图像序列去旋转。用户可以选择通过每3秒开始跟踪运动来对所有叶片成像，相同叶片的图像将被呈现和去旋转。弹簧可用于提供恢复力，使反射镜回到其起始位置，为下一次叶片通过做好准备。只需跟踪一个或多个视频帧，即可显著改善由于叶片旋转导致的热像仪图像模糊。可以在以下示例中计算去旋转反射镜的运动频率。假设涡轮机以15rpm运行，热成像摄像机具有每秒30帧的帧速率，并且期望去旋转4个视频帧。涡轮的周期t是旋转1圈所需的时间，在这种情况下为4秒。我们从0秒开始移动反射镜以跟踪叶片，此时叶片进入热成像摄像机的视野。反射镜的角度在0.133秒内连续改变（根据叶片在视场中移动的方向而增加或减小），然后返回到起始位置。为了仅跟踪一个叶片，每4秒（t）开始跟踪运动。为了顺序跟踪所有三个叶片，每开始一次跟踪运动，在每次跟踪运动之后，反射镜返回到起始位置，以等待下一个跟踪循环。
在具体实施例中，本发明针对涡轮叶片的测量工作进行实验，验证本发明采用的特征测量方法的实用性。实验室采用Intel i7 9600KF配置计算机，32+256GB内存容量。现场实验环境设置，实验风力涡轮机功率为1200W，工作电压为220V，监测图像分辨率为2600*1200ppi，设备图像分析精度大于90%，现场数据分析速度>8.0MB/s。本发明与现有技术中基于无人机测量涡轮叶片系统（方案一）与基于无线传感器网络测量涡轮叶片系统（方案二）进行对比，采用三种测量方法采集24小时的涡轮叶片图像数据，通过后台服务器进行图像识别与特征提取算出无效图像占所有图像的百分比为测量精度结果，如表1所示：
表1涡轮叶片测量精度结果
Figure DEST_PATH_IMAGE046
通过表1中的对比结果进一步完成对比实验，根据仿真软件得到三种测量方法的特征测量精度对比如图6所示：从图6可以看出，本发明测量精度随运行时间变化有所衰减，最低为97.683%；方案一随时间变化降低幅度较大，测量精度最低为94.448%；方案二与方案一较为相似，随运行时间的延长，测量精度持续降低，最低为93.672%。综上所述，本发明对涡轮叶片的测量工作具有明显效果，体现出本发明阈值判断的区域指导算法的优越性。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变；例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围；因此，本发明的范围仅由所附权利要求书限定。

Claims (6)

1.一种涡轮叶片基于六点定位的特征测量方法，步骤包括：
（S1）用户观察风力涡轮发电机周边环境，根据涡轮叶片的底部、上风高压侧和下风高压侧设置六个热成像摄像机；
（S2）热成像摄像机通过热成像技术对涡轮叶片进行室外采集，六个热成像摄像机采集六种原始涡轮叶片热像图；
（S3）输入采集原始涡轮叶片热像图并采用改进型深度学习算法进行数据预处理，得到一次处理涡轮叶片热像图；
（S4）计算机处理中心接收一次处理涡轮叶片热像图，采用阈值判断的区域指导算法建立特征判定条件函数对一次处理涡轮叶片热像图进行特征判定，得到涡轮叶片的特征参数；
其中采用改进型深度学习算法进行数据预处理，根据涡轮叶片热像图数据得到准约束函数，如公式（1）所示：
Figure 246853DEST_PATH_IMAGE001
（1）
式（1）中，G表示改进型深度学习算法的准约束函数，b i 表示改进型深度学习算法的数码，i表示涡轮叶片热像图数据序号，n表示涡轮叶片热像图数据总数；
在数据预处理中，改进型深度学习算法的约束函数能够有效筛选涡轮叶片热像图数据的可用性，但对于离散型区别较大的涡轮叶片热像图数据需要通过正切函数tanh(x)进行计算，如公式（2）所示：
Figure 774787DEST_PATH_IMAGE002
（2）
式（2）中，x’表示离散化涡轮叶片热像图数据，通过数据指数变换，得到离散涡轮叶片热像图数据的正切关系，通过变换对离散数据与1进行比较，从而完成涡轮叶片热像图数据的初步筛选；
对筛选之后的样本数据进行临界计算，得到涡轮叶片热像图数据的临界函数如公式（3）所示：
Figure 190987DEST_PATH_IMAGE003
（3）
式（3）中，s(x’)表示涡轮叶片热像图数据临界值函数，η表示临界函数曲线增长的速率；临界函数与离散数据的正切函数相似，两者都是对自变量的指数运算，都是通过与数字1进行比较得出一次处理涡轮叶片热像图；
所述阈值判断的区域指导算法步骤包括：
（S41）阈值判断的区域指导算法对一次处理涡轮叶片热像图进行函数转化，如公式（4）所示：
Figure 633732DEST_PATH_IMAGE004
（4）
式（4）中，H表示一次处理涡轮叶片热像图录入算法标准，
Figure 698640DEST_PATH_IMAGE005
表示收录的一次处理涡轮叶片热像图数据函数，
Figure 644861DEST_PATH_IMAGE006
表示录入一次处理涡轮叶片热像图偏差；
（S42）通过对录入的一次处理涡轮叶片热像图数据进行规律化调整，使一次处理涡轮叶片热像图数据满足阈值判断的区域指导算法运算标准，进而完成阈值判定，如公式（5）所示：
Figure 402602DEST_PATH_IMAGE007
（5）
式（5）中，
Figure 535905DEST_PATH_IMAGE009
表示一次处理涡轮叶片热像图数据调整方式，r表示阈值判断的区域指导算法编程图像变量，R表示实数集，
Figure 935662DEST_PATH_IMAGE010
表示横向调整量，
Figure 826188DEST_PATH_IMAGE011
表示纵向调整量；调整之后的一次处理涡轮叶片热像图能够被阈值判断的区域指导算法程序识别，通过阈值判断的区域指导算法编程方式判定涡轮叶片的特征参数，判定条件如公式（6）所示：
Figure DEST_PATH_IMAGE012
（6）
式（6）中，W表示阈值判断的区域指导算法判定条件函数，f表示一次处理涡轮叶片热像图判定条件系数，θ表示阈值判断的区域指导算法识别标准一次处理涡轮叶片热像图形式；
（S43）在阈值判断的区域指导算法的近邻计算中，对于一次处理涡轮叶片热像图相近的涡轮叶片的特征参数判定记为近邻化判定，如公式（7）所示：
Figure 912087DEST_PATH_IMAGE013
（7）
式（7）中，
Figure DEST_PATH_IMAGE014
表示待测次处理涡轮叶片热像图数据调整方式，
Figure 922900DEST_PATH_IMAGE015
表示近邻化涡轮叶片的特征参数函数形式，θ(x,y)表示近邻算法识别标准函数，
Figure 424550DEST_PATH_IMAGE016
表示标准近邻函数的偏导自变量，
Figure 640637DEST_PATH_IMAGE017
表示近邻函数的偏导因变量；
（S44）对于监测涡轮叶片的特征参数的最终判定是由众数法决定的，通过其样本选择和近邻对比，将判定结果表述如公式（8）所示：
Figure 163016DEST_PATH_IMAGE018
（8）
式（8）中，
Figure 739753DEST_PATH_IMAGE019
表示阈值判断的区域指导算法收录的众数涡轮叶片的特征参数，
Figure 513937DEST_PATH_IMAGE020
表示在阈值判断的区域指导算法中涡轮叶片的特征参数的判定结果，j表示阈值判断的区域指导算法识别范围，
Figure DEST_PATH_IMAGE021
表示判定相角条件。
2.根据权利要求1所述的一种涡轮叶片基于六点定位的特征测量方法，其特征在于：所述六个热成像摄像机采用六点定位的方法；
所述方法包括：首先在涡轮叶片的底部前侧与后侧三十米处放置第一热成像摄像机与第二热成像摄像机；
假设穿过第一热成像摄像机与第二热成像摄像机的线作为垂直线，则垂直线向西平移六十米出为涡轮叶片的下风高压侧，平移得到下风高压侧上的两台热成像摄像机为第三热成像摄像机与第四热成像摄像机；
垂直线向东平移六十米出为涡轮叶片的上风高压侧，平移得到上风高压侧上的两台热成像摄像机为第五热成像摄像机与第六热成像摄像机；
六台热成像摄像机定位在涡轮叶片的周边六点，同时对涡轮叶片进行室外采集。
3.根据权利要求2所述的一种涡轮叶片基于六点定位的特征测量方法，其特征在于：
所述第一热成像摄像机与第二热成像摄像机定位接收来自涡轮叶片的低水平热辐射；
所述低水平热辐射是由于涡轮自叶片旋转运动的重力作用在涡轮叶片材料上的应力的热弹性。
4.根据权利要求2所述的一种涡轮叶片基于六点定位的特征测量方法，其特征在于：所述第三热成像摄像机与第四热成像摄像机定位接收来自涡轮叶片的下风低压侧表面良好视图，在三到四个视频帧中具有相对低的角度变化率。
5.根据权利要求1所述的一种涡轮叶片基于六点定位的特征测量方法，其特征在于：所述计算机处理中心将涡轮叶片特征参数传输至显示器，用户通过显示器得到涡轮叶片特征参数；用户控制计算机处理中心发出命令到波形发生器，波形发生器通过信号放大器放大命令信号驱动线性电机致动器控制热成像摄像机操作。
6.根据权利要求1所述的一种涡轮叶片基于六点定位的特征测量方法，其特征在于：所述热成像摄像机通过自带反射镜反射光线获取原始涡轮叶片热成像图，所述反射镜耦合在热成像摄像机的外围上方，通过线性电机致动器控制热成像摄像机与反射镜之间的距离和反射镜的角度。
CN202211298522.5A 2022-10-24 2022-10-24 一种涡轮叶片基于六点定位的特征测量方法 Active CN115372412B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211298522.5A CN115372412B (zh) 2022-10-24 2022-10-24 一种涡轮叶片基于六点定位的特征测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211298522.5A CN115372412B (zh) 2022-10-24 2022-10-24 一种涡轮叶片基于六点定位的特征测量方法

Publications (2)

Publication Number Publication Date
CN115372412A CN115372412A (zh) 2022-11-22
CN115372412B true CN115372412B (zh) 2023-01-10

Family

ID=84073388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211298522.5A Active CN115372412B (zh) 2022-10-24 2022-10-24 一种涡轮叶片基于六点定位的特征测量方法

Country Status (1)

Country Link
CN (1) CN115372412B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115791887B (zh) * 2023-02-08 2023-04-18 北京汉飞航空科技有限公司 一种涡轮叶片基于六点测具的自适应测量算法
CN115890537B (zh) * 2023-03-07 2023-06-23 北京汉飞航空科技有限公司 一种涡轮叶片基于六点定位的姿态调整方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469054A (zh) * 2015-11-25 2016-04-06 天津光电高斯通信工程技术股份有限公司 正常行为的模型构建方法及异常行为的检测方法
CN110082355A (zh) * 2019-04-08 2019-08-02 安徽驭风风电设备有限公司 一种风电叶片探测系统
CN111060057A (zh) * 2019-12-25 2020-04-24 贵阳航发精密铸造有限公司 一种基于三坐标测量机的涡轮叶片叶型轮廓测量方法
CN211950751U (zh) * 2019-11-21 2020-11-17 东莞深圳清华大学研究院创新中心 一种风机叶片检测装置
CN115015270A (zh) * 2022-05-25 2022-09-06 中国民航大学 基于热风红外的航空发动机部件近表面缺陷在翼检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201813432D0 (en) * 2018-08-17 2018-10-03 Rolls Royce Plc Method of detecting rotor blade damage

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469054A (zh) * 2015-11-25 2016-04-06 天津光电高斯通信工程技术股份有限公司 正常行为的模型构建方法及异常行为的检测方法
CN110082355A (zh) * 2019-04-08 2019-08-02 安徽驭风风电设备有限公司 一种风电叶片探测系统
CN211950751U (zh) * 2019-11-21 2020-11-17 东莞深圳清华大学研究院创新中心 一种风机叶片检测装置
CN111060057A (zh) * 2019-12-25 2020-04-24 贵阳航发精密铸造有限公司 一种基于三坐标测量机的涡轮叶片叶型轮廓测量方法
CN115015270A (zh) * 2022-05-25 2022-09-06 中国民航大学 基于热风红外的航空发动机部件近表面缺陷在翼检测方法

Also Published As

Publication number Publication date
CN115372412A (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
US9996747B2 (en) System and method for ground based inspection of wind turbine blades
CN115372412B (zh) 一种涡轮叶片基于六点定位的特征测量方法
JP6555729B2 (ja) 風力タービンブレードの地上ベースの検査のためのシステムおよび方法
US10776660B2 (en) Method and apparatus for contrast enhanced photography of wind turbine blades
JP6415034B2 (ja) 航空機構造体の遠隔検査のためのシステム及び方法
US8553233B2 (en) Method and apparatus for the remote nondestructive evaluation of an object using shearography image scale calibration
DK178100B1 (en) Wind turbine inspection system and method
US10605783B2 (en) System and method for progressive damage monitoring and failure event prediction in a composite structure
US8085296B2 (en) Method and apparatus for measuring an operating position in a remote inspection
WO2012003372A2 (en) Method and apparatus for the remote nondestructive evaluation of an object
TW201300634A (zh) 轉子葉片之評測
EP4097354A1 (en) Method of imaging a wind turbine rotor blade
JP7044283B2 (ja) 風力発電設備のブレードの非接触検査方法
CN115890537B (zh) 一种涡轮叶片基于六点定位的姿态调整方法
JP6857432B1 (ja) 風力発電設備のブレードの非接触検査方法
EP4009272A1 (en) Unmanned airborne visual diagnosis of an operating wind turbine generator
US20240175426A1 (en) Method of imaging a wind turbine rotor blade
Besharatian et al. Benchmarking dynamic properties of structures using non-contact sensing
KR20230162086A (ko) 풍력 터빈 로터 블레이드를 이미지화하는 방법
CN116008970A (zh) 基于视频图像验证雷达净空值反演精度的方法

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
GR01 Patent grant
GR01 Patent grant