CN115471501A - 利用机器视觉在线识别发电机气隙分布状态的方法及系统 - Google Patents

Abstract

本发明公开了一种利用机器视觉在线识别发电机气隙分布状态的方法。它包括如下步骤，步骤一：获取待测发电机定子基座、转子及相应气隙图像；步骤二：采用基于HOG特征的方法对所摄图像中发电机转子和定子的气隙进行识别；步骤三：基于Adaboost的迭代算法对气隙的大小进行测量；步骤四：采用Vibe运动目标检测方法对所摄图像中定子和转子间气隙的变化进行识别、测量和计算；步骤五：采用BP神经网络对水电站发电机气隙进行变化趋势分析和预测，用以预知危险情况的发生。本发明具有能准确监测发电机气隙、有效且全面监测发电机的电磁参数状态的优点。本发明还公开了利用机器视觉在线识别发电机气隙分布状态的系统。

Description

利用机器视觉在线识别发电机气隙分布状态的方法及系统

技术领域

本发明涉及水利水电及人工智能领域，更具体地说它是一种利用机器视觉在线识别发电机气隙分布状态的方法，更具体地说它是通过机器视觉和算法高精度测量发电机气隙、并在线实时识别发电机气隙分布状态的方法。本发明还涉及利用机器视觉在线识别发电机气隙分布状态的系统。

背景技术

水电站的水轮发电机组气隙值（即发电机固定部件定子和旋转部件转子之间的空气间隙）是一个重要的电磁参数，由于它是电磁场的耦合通道，因此该气隙参数直接影响如发电机同步电抗、短路比、暂态电抗等参数；而且，气隙值的大小和分布规律也直接影响发电机的效率和运行稳定性；因此，发电机静止和运行时的气隙值及其沿圆周的分布规律、变化趋势是发电机运行的重要考量对象；

目前，发电机在实际的日常运行中由于转子的高速旋转和偏心、振摆等原因，发电机气隙一直难以准确测量；因而无法有效的全面监测发电机的电磁参数状态，也因发电机气隙分布情况监测不到位、预知能力不足而导致各种安全隐患；

因此，开发一种能准确监测发电机气隙、有效且全面监测发电机的电磁参数状态的发电机气隙的识别方法及系统很有必要。

发明内容

本发明的第一目的是为了提供一种利用机器视觉在线识别发电机气隙分布状态的方法，通过机器视觉人工智能算法，可对发电机气隙进行基于图像识别的状态参数测量和趋势分析，从而实现无传感器、无接触、实时在线的气隙状态监测，准确监测发电机气隙、有效且全面监测发电机的电磁参数状态，特别是可通过多视角、多部位的气隙分布状态联合趋势分析，预知危险情况的发生，保证工程安全、设备安全、运行安全；克服了传统检测传感器方式在实际运行中，由于转子的高速旋转和偏心、振摆等原因，发电机气隙一直难以准确测量，装置经常出现断线、失效的情况，从而影响发电机安全稳定运行的缺陷；

本发明的第二目的是为了提供利用机器视觉在线识别发电机气隙分布状态的系统。

为了实现上述本发明的第一目的，本发明的技术方案为：一种利用机器视觉在线识别发电机气隙分布状态的方法，其特征在于：通过高速、高动态的机器视觉成像，借助边缘识别和封闭轮廓等算法，高精度识别转子和定子对象外缘，通过图像增强、边缘算法、轮廓处理、AI算法最终得到气隙值和气隙分布，

具体方法，包括如下步骤，

步骤一：获取待测发电机定子基座、转子及相应气隙图像（如图1、图4所示）；

通过利用机器视觉在线识别发电机气隙分布状态的系统的图像采集模块获取待测发电机定子基座、转子及相应气隙图像；

步骤二：采用基于HOG特征的方法对所摄图像中发电机转子和定子的气隙进行识别；

步骤三：基于Adaboost的迭代算法对气隙的大小进行测量；

步骤四：采用Vibe运动目标检测方法对所摄图像中定子和转子间气隙的变化进行识别、测量和计算；本发明通过利用机器视觉在线识别发电机气隙分布状态的系统的机器识别及AI算法处理单元实现气隙及其变化进行识别、测量及计算；

步骤五：采用BP神经网络对水电站发电机气隙进行变化趋势分析和预测，用以预知危险情况的发生，本发明通过BP神经网络的机器深度学习输出水电站内部发电机气隙的变化趋势分析，并发出相关不稳定或危险状态的预报、预警（如图5所示）；本发明通过利用机器视觉在线识别发电机气隙分布状态的系统的机器识别及AI算法处理单元和图像处理系统实现隙的变化趋势分析和预测，通过深度学习算法单元的BP神经网络的机器深度学习输出水电站内部发电机气隙的变化趋势分析，并发出相关不稳定或危险状态的预报、预警。

在上述技术方案中，在步骤二中，采用基于HOG特征的方法对所摄图像中发电机转子和定子的气隙进行识别的方法为：通过计算所摄图像在局部区域上的梯度方向直方图来构成目标特征，从而提取目标特征，进而描述目标的边缘；

目标特征提取的主要过程为：

首先把所设图像分割为若干个像素的单元，同时把梯度方向平均划分为9个区间；

然后在每个单元里面对所有像素的梯度方向在各个方向区间进行直方图统计，得到一个9维的特征向量，由于每相邻的4个单元构成一个块，因此把一个块内的特征向量联起来得到36维的特征向量，从而用块对所摄图像进行扫描；

最后将所有块的特征串联起来，就得到了目标的特征，其具体步骤为：

1）将输入的彩图转换为灰度图；

2）采用Gamma校正法对输入图像进行颜色空间的标准化，用于调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时抑制噪音的干扰；

3）计算梯度以捕获轮廓信息，同时进一步弱化光照的干扰；

4）将梯度投影到单元的梯度方向，为局部图像区域提供一个编码；

5）将所有单元格在块上进行归一化，进而对光照、阴影和边缘进行压缩；

6）收集得到检测空间所有块的HOG特征，并将检测窗口中所有重叠的块进行HOG特征的收集，并将它们结合成最终的特征向量供分类使用。

在上述技术方案中，在步骤三中，基于Adaboost的迭代算法对气隙的大小进行测量，具体方法为：

针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)；该方法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本分类的正确与否和上次的总体分类的准确率来确定每个样本的权值，然后将修改过权值的新数据集送给下层分类器进行训练，并将每次训练得到的分类器最后融合起来作为决策分类器；其中，不同的训练集是通过调整每个样本对应的权重来实现的；

开始时，每个样本对应的权重是相同的，即其中n为样本个数，在此样本分布下训练出弱分类器；对于分类错误的样本，加大其对应的权重；而对于分类正确的样本，降低其权重，这样分错的样本就被突出出来，从而得到一个新的样本分布；在新的样本分布下，再次对弱分类器进行训练，得到弱分类器；依次类推，经过次循环，得到个弱分类器，把这个弱分类器按一定的权重叠加(boost)起来，得到最终想要的强分类器；设输入的个训练样本为：

，其中

是输入的训练样本，

分别表示正样本和负样本，其中正样本数为

，负样本数m，

，则采用Adaboost迭代算法进行样本分类的具体步骤如下：

1）初始化每个样本的权重

；

2）对每个

(

为弱分类器的个数)，然后把权重归一化为一个概率分布；

（1）

其中，对每个特征

，训练一个弱分类器

计算对应所有特征的弱分类器的加权错误率：

（2）

然后选取最佳的弱分类器

(拥有最小错误率

)，并按照这个最佳弱分类器，调整权重：

（3）

其中

表示被正确地分类，

，表示被错误地分类，

（4）

最后，可计算得到强分类器为：

（5）

基于多特征融合的Adaboost级联分类器将不同特征下的分类器进行加权求和，即可得到气隙所在的区间，进而计算气隙的最大宽度。

在上述技术方案中，在步骤四中，采用Vibe运动目标检测方法对所摄图像中定子和转子间气隙的变化进行识别、测量和计算，具体方法为：

将前后帧的图像进行对比，进而区分背景物体和前景物体；背景物体就是指静止的或是非常缓慢的移动的物体，而前景物体就对应移动的物体；在本发明所涉及的场景中，背景物体包括发电子定子基座及其他固定物体，静止的或是非常缓慢的移动的物体；前景物体则包括定子和转子以及两者之间的气隙，对应背景物体移动的物体；

Vibe运动目标检测方法为：

将物体检测看出一个分类问题，其主要思路是确定一个像素点是否属于背景点；

背景模型为每个背景点存储了一个样本集，然后将每一个新的像素值和样本集进行比较来判断是否属于背景点，如果一个新的观察值属于背景点，则它样本集中的采样值比较接近；记v(x)：x点处的像素值；M(x)={V1,V2,…VN}为x处的背景样本集(样本集大小为N)；SR(v(x))：以x为中心R为半径的区域，若M(x) [{SR(v(x))∩ {v1,v2, . . . , vN}}]大于一个给定的阈值#min，则认为x点属于背景点；Vibe运动目标检测方法的主要步骤包括：首先采用保守的更新策略+前景点计数方法对前经典进行技术，具体表示为对像素点进行统计，如果某个像素点连续N次被检测为前景，则将其更新为背景点；然后，在每一个新的视频帧中都去更新背景模型中的每一个像素点的样本值是没有必要的，当一个像素点被分类为背景点时，它有1/ φ的概率去更新背景模型；进一步地，由于每一个背景点有1/ φ的概率去更新自己的模型样本值，同时也有1/ φ的概率去更新它的邻居点的模型样本值；更新邻居的样本值利用了像素值的空间传播特性，背景模型逐渐向外扩散，这也有利于Ghost区域的更快的识别；同时当前景点计数达到临界值时将其变为背景，并有1/ φ的概率去更新自己的模型样本值；

在选择要替换的样本集中的样本值的时候，本发明方法是随机选取一个样本值进行更新，这样可以保证样本值的平滑的生命周期由于是随机的更新，这样一个样本值在时刻t不被更新的概率是 (N-1)/N，假设时间是连续的，那么在dt的时间过去后，样本值仍然保留的概率可按照公式（6）进行计算：

(6)

公式（6）表明一个样本值在模型中是否被替换与时间t无关；

基于上述方法，首先根据检测到的前景目标图像，采用前述基于HOG特征的检测方法得到发电机气隙轮廓上不同顶点的坐标

，然后基于Adaboost的迭代算法获取发生变化后的对应顶点的坐标

，其中，n表示顶点的个数，i表示摄像头拍摄的图像帧数索引；基于公式（7），可以分别计算气隙的大小

，变化量

及速度

：

（7）。

在上述技术方案中，在步骤五中，采用BP神经网络对水电站发电机气隙进行变化趋势分析和预测，用以预知危险情况的发生，具体方法包括正向传播和反向传播两个过程；

BP神经网络的第一层网络为输入层，最后一层网络为输出层；

在正向传播过程中，外部数据由输入层进入BP网络，经过处理后进入到隐藏层，再经过隐藏层各层神经元的处理传向输出层，由输出层输出数据；

若经输出层输出的结果非理想输出，则进入反向传播过程，即将输出端的误差信号逐层向前反馈，以便修改隐藏层各层神经元的权重值，进而减少输出层的输出误差；

在M层神经网络中，设

和

分别表示第k层i个神经元总的输入和输出，

表示k-1层第j个神经元对k层的第i个神经元的输入影响大小的权值；如果在输入与输出之间存在关系函数

，且在输入层加上输入模式，则

,

和

之间的关系可表达如下：

（8）

若实际输出与预期输出存在一定的差异，则定义误差函数E为该差异的平方和，其计算方法如公式（9）所示：

（9）

公式（9）中，

和

分别表示输出神经元的预期输出和实际输出；

为尽量控制输出误差，在BP神经网络中借助非线性系统中的最快下降法，沿着误差函数的负梯度方向对权重值进行修改，进而得到权值

的更新量

：

（10）

公式（10）中，

表示学习步长，其值大于0；设

为实际输出与预期输出的误差值，经过推导可得BP神经网络的学习公式：

（11）

基于上述BP神经网络学习方法，即可预判水电站内部发电机气隙的变化趋势，进而实现对于危险情况的预知，保证工程安全、设备安全、运行安全。

为了实现上述本发明的第二目的，本发明的技术方案为：利用机器视觉在线识别发电机气隙分布状态的方法采用的系统，其特征在于：包括光学系统、图像采集模块、图像处理系统和预警等状态输出交互界面；

光学系统、图像采集模块、图像处理系统和状态输出交互界面依次连接；

图像采集模块布置在气隙识别对象的圆周上；气隙识别对象为水电站水轮发电机的定子和转子之间的空气间隙（如图1、图4所示）；

图像处理系统包括图像采集卡、机器识别及AI算法处理单元和预警装置；图像采集卡用于对图像采集模块（工业级相机镜头）获取的图像进行采集和预处理，数据接口根据分辨率和帧率决定传输带宽，结合传输距离可选择USB3.0、Camera Link或GigE接口；

机器识别及AI算法处理单元通过高速、高动态的机器视觉成像，通过高速、高动态的机器视觉成像，借助边缘识别和封闭轮廓等算法，高精度识别转子和定子对象外缘，通过边缘检测、轮廓处理、运动图像识别、AI算法最终得到气隙值、气隙分布以及气隙变化量；

当气隙发生超过安全系数范围内最大、最小限值（预警阙值）的位移或变化量时，状态输出交互界面的预警装置发出预警信号；

状态输出交互界面输出机器识别及AI算法处理单元在边缘识别和时间参数分析下的发电机气隙的变化趋势曲线等参数；

电源及控制电缆用于连接上述设备的动力电缆接入和控制电缆连接（如图6所示）；

本发明通过光学系统、图像采集模块、图像处理系统和基于机器视觉图像识别算法实现无接触、无内置传感器、无引线、测量无源的目标对象进行高精度识别、获取、预知、预警；通过光学系统、图像采集模块、图像处理系统和基于机器视觉图像增强、边缘识别等算法实现无接触、无内置传感器的目标对象振摆状态的高精度参数识别、获取、预知、预警；对机器视觉高精度识别气隙大小X（mm），并按运用场景进行基于安全系数的阙值设定，并根据和阙值的比对发出振动幅值过大的预警；对机器视觉高精度识别的变化幅值△X（mm）以及在时间参数映射计算的气隙变化速度△V（mm/s），在时间参数映射计算的频率按运用场景进行基于安全系数的阙值设定，并根据和阙值的比对发出危险振动频率、危险振源力的预警；气隙变化量△X/week、或△X/month，以及对应的气隙变化速度△V/week或△V/month输出趋势分析，提出检修周期预案，从而实现高精度、高动态响应速度识别发电机的电磁参数状态。

在上述技术方案中，还包括专用光源；专用光源是考虑识别发电机定子、转子等对象所在环境光线不足时的必要补充光源，当识别目标对象的气隙特征变化时，可选用正面或正侧面光源；光学系统补充光源的设置和标定，用于为视觉目标提供满足分辨率和成像要求的光线强度，对幅值的边缘通过特别标定的镜面进行放大，使△X₁=n△X₁，其中n为光影放大倍数，实现发电机的电磁参数状态的高精度、高动态响应速度识别。

在上述技术方案中，图像采集模块选用多目多角度的工业级相机；工业级相机选用面阵相机或线阵相机；气隙系统相机进行设置和标定，相机为高分辨率、低帧频的多目相机，根据监测的目标可为单色（黑白）或彩色成像相机；

对全局图像进行分布和趋势分析时，选用面阵相机；在识别对象边缘变化范围的情景下，可选用黑白相机，当需要用颜色辅助识别时，选用彩色相机；相机分辨率根据实际图像幅宽与精度要求计算，若要求高精度、快速识别定子、转子对象边缘动态范围，因此选择较高分辨率1920像素×1080像素；本发明一般为长期状态监测，帧率可选用高帧率如20fps；由于本发明中的工业级相机一般位置固定，因此镜头采用定焦、固定光圈；

本发明中的工业级相机有两个，基于气隙范围均匀分布（如图1、图4所示）。

在上述技术方案中，参照标尺设置在气隙识别对象的圆周上、且位于图像采集模块的侧方；

参照标尺包括X轴方向识别参照标尺和Ｙ轴方向识别参照标尺；X轴方向识别参照标尺位于气隙识别对象的Ｘ轴上；Ｙ轴方向识别参照标尺位于气隙识别对象的Ｙ轴上（如图1、图2、图3所示）；

本发明利用机器视觉在线识别发电机气隙分布状态的系统，通过光学系统补充光源、通过工业相机在线实时获取水电站内部发电机气隙位置图片，并将图片传输给图像采集卡，机器识别及AI算法处理单元获取发电机的气隙值、气隙分布以及气隙变化量，在气隙发生超过安全系数范围的预警阙值的位移或变化量时进行预警并通过输出交互界面显示，并通过预警装置发出预警信号。

本发明技术方案的优点及积极效果如下：

（1）采用本发明的方法，可在不停机、不接触设备的情况下搭建机器视觉系统，实现实时在线高精度测量发电机气隙状态，本发明的测量和阈值预警精度达到1.0mm级别，高于传统检测传感器方法；克服了现有技术采用的传感器装置，整套装置包括检测器、检测头、转换器、电缆，检测头需埋设在定子铁芯，数量受限，且引线长、布置困难的缺陷；

（2）本发明的方法和系统，由于不和设备接触，无需预埋，也无引线、断线的情况，系统简单，因此大大提高了检测系统的可靠性和可用性；可靠性经（马尔科夫）模型初步分析，本发明的方法相较于传统检测传感器可提升监测可靠性45%，整套系统可用率达100%；克服了传统检测传感器方式在实际运行中，由于转子的高速旋转和偏心、振摆等原因，发电机气隙一直难以准确测量，装置经常出现断线、失效的情况，从而影响发电机安全稳定运行的缺陷；

（3）本发明的方法通过高速成像和图像处理算法，可多点检测，从而能够更加准确反映发电机气隙的绝对值、不均匀度、变化率；与现有的传统检测传感器测量方式比较，本发明的测量点数量为传统方式200%~400%；

（4）本发明的方法通过沿气隙圆周的多点相机分布可识别发电机气隙的不均匀分布和变化趋势，气隙的绝对值限值和不均匀度，包括变化速度可设置阙值进行预警，测量和阈值预警精度达到1.0mm级别，高于传统检测传感器方法。

附图说明

图1为本发明在线识别发电机气隙的平面工作状态图；

图2为本发明中的X轴方向识别参照标尺的结构示意图；

图3为本发明中的Y轴方向识别参照标尺的结构示意图；

图4为本发明中的发电机定子机座外缘振动幅度及其视觉检测平面图；

图5为本发明利用机器视觉在线识别发电机气隙的方法原理流程框图；

图6为本发明利用机器视觉在线识别发电机气隙分布状态的系统结构框图；

在图1中，A1表示发电机定子机座两轴振幅测点1；A2表示发电机定转子气隙两轴测点2（X轴方向）；A3表示发电机定子机座两轴振幅测点3；A4表示发电机定转子气隙两轴振幅测点4；

A5表示发电机转子；

A6表示发电机定子机座外缘；A7表示发电机转子外缘；A8为X轴方向识别参照标尺；A9为Y轴方向识别参照标尺；

在图4中，A5表示发电机转子；A10表示工业相机（正视视角）。

具体实施方式

下面结合附图详细说明本发明的实施情况，但它们并不构成对本发明的限定，仅作举例而已。同时通过说明使本发明的优点更加清楚和容易理解。

本发明方法具体应用时，是针对发电机转子高速旋转时和定子铁心之间的气隙测量（分布）通过高速、高动态的机器视觉成像，借助边缘识别和图像长度测量等算法，高精度识别发电机定子和转子之间的气隙值及气隙变化量，对目标的变化趋势进行运动目标检测，从而可根据识别的变化量计算出气隙的变化速度；

本发明的机器视觉和人工智能算法可在无需传感器等其他测量元件的条件下进行无接触的精准识别和测量；同时，通过沿气隙圆周的多点相机分布可识别发电机气隙的不均匀分布和变化趋势，气隙的绝对值限值和不均匀度，包括变化速度可设置阙值进行预警；

本发明的方法可在线监测发电机静止、动态气隙值及分布情况，并能通过状态趋势分析提出发电机气隙值的超限预警（包括绝对值、不均匀度、变化率），从而可以实时获得发电机气隙这个重要的电磁参数的数值和变化趋势，有效的保证发电机安全稳定运行。

实施例：现以本发明试用于某巨型水电站水轮机发电机进行气隙的机器视觉及AI识别为实施例对本发明进行详细说明，对本发明应用于其它发电机气隙进行机器视觉在线高精度测量同样具有指导作用。

本实施例中，某巨型水电站水轮机发电机为700MW发电机，该700MW发电机定子铁芯内径为19310mm，发电机气隙静止时为32mm（平均值），运行时气隙设计平均值为26mm，气隙不均匀度设计要求小于5%，对气隙监测的要求极高；

本实施例采用本发明方法进行发电机气隙的机器视觉在线高精度测量，具体实施方法如下：

首先在发电机机坑内的定子机座上设置固定的机器视觉光学系统，对准定子机座外壁边缘设置正面相机或正侧面相机，使定子机座在至少±X轴和±Y轴4个方向上的图像在标定相机视域范围内；对应相机镜头图像范围，设置LED光源补光，满足现场高清晰成像的照度要求。相机为工业级，1920像素×1080像素，选用20fps帧率。采用图像采集卡用于上述工业级相机镜头获取的图像采集和预处理，数据接口根据上述分辨率和帧率所决定传输带宽选择USB3.0接口；

然后对定子铁心和转子的外壁监测部位和转子进行高速成像，快门速度根据定子机座的振动频率和速率范围设置快门速度为1s/400，ISO400或ISO800感光速度，在标定相机的感光元件时效和感光速度下，定子铁心和转子的外壁的边缘成像，对其进行识别和测量，结合时间、快门速度、感光速度及算法可计算出气隙的大小：在静止状态时为31~33mm，在额定运行工况时为25~28mm；

当安全系数范围内振动幅值或加速度变化量超过设定阙值时，发出预警信号。并根据气隙的变化值△X/week或△X/month，以及对应的变化速度△V/week、或△a_X/month输出趋势分析，提出检修周期预案；

本例中，△X、△V、△a_X、△a_Y根据在某水力发电厂的技术研究和实验运用，均采用0.2mm为基准参数，趋势分析按周（7天）、月（30天）输出，对应的检修周期以12个月（365天）为基准单位。预警设定阈值对应△V/week、或△a_X/month输出趋势分别采用1.0mm、2.0mm；

本发明在某水电站的运用大大提高了发电机关键参数气隙值的监测的精度，特别是趋势分析，能很好的预知定、转子之间的相对状态，对保证设备的安全稳定运行、指导电站的日常维护和高效运行具有重要的作用和意义；

为了识别发电机转子高速旋转时和定子铁心之间的气隙大小和气隙分布，需要首先对所摄发电机转子和定子图像中的气隙进行目标检测。本发明采用基于HOG特征的方法对气隙进行识别。其主要原理通过计算所摄图像在局部区域上的梯度方向直方图来构成目标特征,进而描述目标的边缘。目标提取的主要过程为：首先把所设图像分割为若干个像素的单元，同时把梯度方向平均划分为9个区间；然后在每个单元里面对所有像素的梯度方向在各个方向区间进行直方图统计，得到一个9维的特征向量，由于每相邻的4个单元构成一个块，因此把一个块内的特征向量联起来得到36维的特征向量，从而用块对所摄图像进行扫描。最后将所有块的特征串联起来，就得到了目标的特征。其具体步骤为：1）将输入的彩图转换为灰度图；2）采用Gamma校正法对输入图像进行颜色空间的标准化，用于调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时抑制噪音的干扰；3）计算梯度以捕获轮廓信息，同时进一步弱化光照的干扰；4）将梯度投影到单元的梯度方向，为局部图像区域提供一个编码；5）将所有单元格在块上进行归一化，进而对光照、阴影和边缘进行压缩；6）收集得到检测空间所有块的HOG特征，并将检测窗口中所有重叠的块进行HOG特征的收集，并将它们结合成最终的特征向量供分类使用；

然后，本发明采用基于Adaboost的迭代算法，对气隙进行检测和测量；其主要原理是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。该方法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本分类的正确与否和上次的总体分类的准确率来确定每个样本的权值，然后将修改过权值的新数据集送给下层分类器进行训练，并将每次训练得到的分类器最后融合起来作为决策分类器。其中，不同的训练集是通过调整每个样本对应的权重来实现的。开始时，每个样本对应的权重是相同的，即其中n为样本个数，在此样本分布下训练出弱分类器。对于分类错误的样本，加大其对应的权重；而对于分类正确的样本，降低其权重，这样分错的样本就被突出出来，从而得到一个新的样本分布。在新的样本分布下，再次对弱分类器进行训练，得到弱分类器。依次类推，经过T次循环，得到个弱分类器，把这个弱分类器按一定的权重叠加(boost)起来，得到最终想要的强分类器。设输入的个训练样本为：

,其中

是输入的训练样本，

分别表示正样本和负样本，其中正样本数为

，负样本数m。

，则采用Adaboost迭代算法进行分类的具体步骤如下：1）初始化每个样本的权重

；2）对每个

(

为弱分类器的个数)，然后把权重归一化为一个概率分布

（1）

其中，对每个特征

，训练一个弱分类器

计算对应所有特征的弱分类器的加权错误率：

（2）

然后选取最佳的弱分类器

(拥有最小错误率

)，并按照这个最佳弱分类器，调整权重：

（3）

其中

表示被正确地分类，

，表示被错误地分类，

（4）

最后，可计算得到强分类器为：

（5）

基于多特征融合的Adaboost级联分类器将不同特征下的分类器进行加权求和，即可得到气隙所在的区间，进而计算气隙的最大宽度；

进一步地，为了得到气隙地变化量及变化速度，本发明拟采用Vibe运动目标检测方法对气隙地变化进行检测和识别；该方法将前后帧的图像进行对比，进而区分背景物体和前景物体。背景物体就是指静止的或是非常缓慢的移动的物体，而前景物体就对应移动的物体。在本发明所涉及的场景中，背景物体及发电子定子基座及其他固定物体，前景物体则包括定子和转子以及两者之间的气隙。Vibe运动目标检测方法将物体检测看出一个分类问题，其主要思路是确定一个像素点是否属于背景点。背景模型为每个背景点存储了一个样本集，然后将每一个新的像素值和样本集进行比较来判断是否属于背景点，如果一个新的观察值属于背景点，则它样本集中的采样值比较接近。记v(x)：x点处的像素值；M(x)={V1,V2,…VN}为x处的背景样本集(样本集大小为N)；SR(v(x))：以x为中心R为半径的区域，若M(x) [{SR(v(x))∩ {v1,v2, . . . , vN}}]大于一个给定的阈值#min,则认为x点属于背景点。其主要步骤包括：首先采用保守的更新策略+前景点计数方法对前经典进行技术，具体表示为对像素点进行统计，如果某个像素点连续N次被检测为前景，则将其更新为背景点。然后，在每一个新的视频帧中都去更新背景模型中的每一个像素点的样本值是没有必要的，当一个像素点被分类为背景点时，它有1/ φ的概率去更新背景模型。进一步地，由于每一个背景点有1/ φ的概率去更新自己的模型样本值，同时也有1/ φ的概率去更新它的邻居点的模型样本值。更新邻居的样本值利用了像素值的空间传播特性，背景模型逐渐向外扩散，这也有利于Ghost区域的更快的识别。同时当前景点计数达到临界值时将其变为背景，并有1/ φ的概率去更新自己的模型样本值；

在选择要替换的样本集中的样本值的时候，本方法是随机选取一个样本值进行更新，这样可以保证样本值的平滑的生命周期由于是随机的更新，这样一个样本值在时刻t不被更新的概率是 (N-1)/N，假设时间是连续的，那么在dt的时间过去后，样本值仍然保留的概率可按照公式（6）进行计算：

(6)

公式（6）表明一个样本值在模型中是否被替换与时间t无关；

基于上述方法，首先根据检测到的前景目标图像，采用前述基于HOG特征的检测方法得到发电机气隙轮廓上不同顶点的坐标

，然后基于Adaboost的迭代算法获取发生变化后的对应顶点的坐标

，其中，n表示顶点的个数，i表示摄像头拍摄的图像帧数索引。基于公式（7），可以分别计算气隙的大小

，变化量

及速度

：

（7）

最后采用BP神经网络预测变化趋势，用以预知危险情况的发生，保证工程安全、设备安全、运行安全。BP神经网络适用于多层网络，每一层都有多个神经元，可以对批量数据进行处理。第一层为输入层，最后一层为输出层。其算法包括正向传播和反向传播两个过程。在正向传播过程中，外部数据由输入层进入BP网络，经过处理后进入到隐藏层，再经过隐藏层各层神经元的处理传向输出层，由输出层输出数据。若经输出层输出的结果非理想输出，则进入反向传播过程，即将输出端的误差信号逐层向前反馈，以便修改隐藏层各层神经元的权重值，进而减少输出层的输出误差；在M层神经网络中，设

和

分别表示第k层i个神经元总的输入和输出，

表示k-1层第j个神经元对k层的第i个神经元的输入影响大小的权值；如果在输入与输出之间存在关系函数

，且在输入层加上输入模式，则

,

和

之间的关系可表达如下：

（8）

若实际输出与预期输出存在一定的差异，则定义误差函数E为该差异的平方和，其计算方法如公式（9）所示：

（9）

公式（9）中，

和

分别表示输出神经元的预期输出和实际输出；为尽量控制输出误差，本发明在BP神经网络中借助非线性系统中的最快下降法，其具体思路是沿着误差函数的负梯度方向对权重值进行修改，进而得到权值

的更新量

：

（10）

公式（10）中，

表示学习步长，其值大于0；设

为实际输出与预期输出的误差值，经过推导可得BP神经网络的学习公式：

（11）

基于上述BP神经网络学习方法，即可预判水电站内部发电机气隙的变化趋势，进而实现对于危险情况的预知，保证工程安全、设备安全、运行安全；

结论：本实施例中，将本发明方法在某巨型水电站水轮机发电机进行了技术实施研究和测试，该700MW发电机定子铁芯内径为19310mm，发电机气隙静止时为32mm（平均值），运行时气隙设计平均值为26mm，气隙不均匀度设计要求小于5%；通过现场研究分析，并根据电厂生产技术部、质检部、检修厂的联合在线测试，本发明技术方案的优点及积极效果如下：

（1）采用本发明的方法，可在不停机、不接触设备的情况下搭建机器视觉系统，实现实时在线高精度测量发电机气隙状态；而原采用的传感器装置，整套装置包括检测器、检测头、转换器、电缆，检测头需埋设在定子铁芯，数量受限，且引线长、布置困难；

（2）传统检测传感器方式在实际运行中，由于转子的高速旋转和偏心、振摆等原因，发电机气隙一直难以准确测量，装置经常出现断线、失效的情况，从而影响发电机安全稳定运行；而本发明的方法和系统，由于不和设备接触，无需预埋，也无引线、断线的情况，系统简单，因此大大提高了检测系统的可靠性和可用性；可靠性经（马尔科夫）模型初步分析，本发明的方法可提升监测可靠性45%，整套系统可用率达100%；

（3）本发明的方法通过高速成像和图像处理算法，可多点检测，从而能够更加准确反映发电机气隙的绝对值、不均匀度、变化率；与现有的传统检测传感器检测方式比较，本发明测量点数量为传统方式的200%~400%；

（4）本发明的方法通过沿气隙圆周的多点相机分布可识别发电机气隙的不均匀分布和变化趋势，气隙的绝对值限值和不均匀度，包括变化速度可设置阙值进行预警，本发明的测量和阈值预警精度达到1.0mm级别。

其它未说明的部分均属于现有技术。

Claims (9)

1.一种利用机器视觉在线识别发电机气隙分布状态的方法，其特征在于：通过高速、高动态的机器视觉成像，借助边缘识别和封闭轮廓算法，高精度识别水轮发电机转子和定子对象外缘，通过图像增强、边缘算法、轮廓处理、AI算法最终得到气隙值和气隙分布，

具体方法，包括如下步骤，

步骤一：获取待测发电机定子基座、转子及相应气隙图像；

步骤二：采用基于HOG特征的方法对所摄图像中发电机转子和定子的气隙进行识别；

步骤三：基于Adaboost的迭代算法对气隙的大小进行测量；

步骤四：采用Vibe运动目标检测方法对所摄图像中定子和转子间气隙的变化进行识别、测量和计算；

步骤五：采用BP神经网络对水电站发电机气隙进行变化趋势分析和预测，用以预知危险情况的发生。

2.根据权利要求1所述的利用机器视觉在线识别发电机气隙分布状态的方法，其特征在于：在步骤二中，采用基于HOG特征的方法对所摄图像中发电机转子和定子的气隙进行识别的方法为：通过计算所摄图像在局部区域上的梯度方向直方图来构成目标特征，从而提取目标特征，进而描述目标的边缘；

目标特征提取的主要过程为：

首先把所设图像分割为若干个像素的单元，同时把梯度方向平均划分为9个区间；

然后在每个单元里面对所有像素的梯度方向在各个方向区间进行直方图统计，得到一个9维的特征向量，由于每相邻的4个单元构成一个块，因此把一个块内的特征向量联起来得到36维的特征向量，从而用块对所摄图像进行扫描；

最后将所有块的特征串联起来，就得到了目标的特征，其具体步骤为：

S21：将输入的彩图转换为灰度图；

S22：采用Gamma校正法对输入图像进行颜色空间的标准化，用于调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时抑制噪音的干扰；

S23：计算梯度以捕获轮廓信息，同时进一步弱化光照的干扰；

S24：将梯度投影到单元的梯度方向，为局部图像区域提供一个编码；

S25：将所有单元格在块上进行归一化，进而对光照、阴影和边缘进行压缩；

S26：收集得到检测空间所有块的HOG特征，并将检测窗口中所有重叠的块进行HOG特征的收集，并将它们结合成最终的特征向量供分类使用。

3.根据权利要求1或2所述的利用机器视觉在线识别发电机气隙分布状态的方法，其特征在于：在步骤三中，采用Adaboost迭代算法进行样本分类，具体步骤如下：

S31：初始化每个样本的权重

；

S32：对每个

，然后把权重归一化为一个概率分布；

（1）

其中，对每个特征

，训练一个弱分类器

计算对应所有特征的弱分类器的加权错误率：

（2）

然后选取最佳的弱分类器

，并按照这个最佳弱分类器，调整权重：

（3）

其中

表示被正确地分类，

，表示被错误地分类，

（4）

最后，计算得到强分类器为：

（5）

基于多特征融合的Adaboost级联分类器将不同特征下的分类器进行加权求和，即得到气隙所在的区间，进而计算气隙的最大宽度。

4.根据权利要求３所述的利用机器视觉在线识别发电机气隙分布状态的方法，其特征在于：在步骤四中，采用Vibe运动目标检测方法对所摄图像中定子和转子间气隙的变化进行识别、测量和计算，具体方法为：

背景物体包括发电子定子基座及其他固定物体；前景物体则包括定子和转子以及两者之间的气隙，对应背景物体移动的物体；将前后帧的图像进行对比，进而区分背景物体和前景物体；

Vibe运动目标检测方法为：

首先根据检测到的前景目标图像，采用前述基于HOG特征的检测方法得到发电机气隙轮廓上不同顶点的坐标

，然后基于Adaboost的迭代算法获取发生变化后的对应顶点的坐标

，其中，n表示顶点的个数，i表示摄像头拍摄的图像帧数索引；基于公式（7），分别计算气隙的大小

，变化量

及速度

：

（7）。

5.根据权利要求4所述的利用机器视觉在线识别发电机气隙分布状态的方法，其特征在于：在步骤五中，采用BP神经网络对水电站发电机气隙进行变化趋势分析和预测，用以预知危险情况的发生，具体方法包括正向传播和反向传播两个过程；

BP神经网络的第一层网络为输入层，最后一层网络为输出层；

在正向传播过程中，外部数据由输入层进入BP网络，经过处理后进入到隐藏层，再经过隐藏层各层神经元的处理传向输出层，由输出层输出数据；

若经输出层输出的结果非理想输出，则进入反向传播过程，即将输出端的误差信号逐层向前反馈，以便修改隐藏层各层神经元的权重值，进而减少输出层的输出误差；

在M层神经网络中，设

和

分别表示第k层i个神经元总的输入和输出，

表示k-1层第j个神经元对k层的第i个神经元的输入影响大小的权值；如果在输入与输出之间存在关系函数

，且在输入层加上输入模式，则

,

和

之间的关系表达如下：

（8）

若实际输出与预期输出存在一定的差异，则定义误差函数E为该差异的平方和，其计算方法如公式（9）所示：

（9）

公式（9）中，

和

分别表示输出神经元的预期输出和实际输出；

为控制输出误差，在BP神经网络中通过非线性系统中的最快下降法，沿着误差函数的负梯度方向对权重值进行修改，进而得到权值

的更新量

：

（10）

公式（10）中，

表示学习步长，其值大于0；设

为实际输出与预期输出的误差值，经过推导得BP神经网络的学习公式：

（11）

基于上述BP神经网络学习方法，预判水电站内部发电机气隙的变化趋势，进而实现对于危险情况的预知。

6.根据权利要求1-5中任一权利要求所述的利用机器视觉在线识别发电机气隙分布状态的方法采用的系统，其特征在于：包括光学系统、图像采集模块、图像处理系统和状态输出交互界面；

光学系统、图像采集模块、图像处理系统和状态输出交互界面依次连接；

图像采集模块布置在气隙识别对象的圆周上；

图像处理系统包括图像采集卡、机器识别及AI算法处理单元和预警装置；图像采集卡用于对图像采集模块获取的图像进行采集和预处理；

机器识别及AI算法处理单元通过高速、高动态的机器视觉成像，通过高速、高动态的机器视觉成像，借助边缘识别和封闭轮廓这些算法，高精度识别转子和定子对象外缘，通过边缘检测、轮廓处理、运动图像识别、AI算法最终得到气隙值、气隙分布以及气隙变化量；

当气隙发生超过安全系数范围内最大、最小限值的位移或变化量时，状态输出交互界面的预警装置发出预警信号；

状态输出交互界面输出机器识别及AI算法处理单元在边缘识别和时间参数分析下的发电机气隙的变化趋势曲线这些参数。

7.根据权利要求6所述的利用机器视觉在线识别发电机气隙分布状态的系统，其特征在于：还包括专用光源。

8.根据权利要求7所述的利用机器视觉在线识别发电机气隙分布状态的系统，其特征在于：图像采集模块选用多目多角度的工业级相机；工业级相机选用面阵相机或线阵相机。

9.根据权利要求8所述的利用机器视觉在线识别发电机气隙分布状态的系统，其特征在于：参照标尺设置在气隙识别对象的圆周上、且位于图像采集模块的侧方；

参照标尺包括X轴方向识别参照标尺和Ｙ轴方向识别参照标尺；X轴方向识别参照标尺位于气隙识别对象的Ｘ轴上；Ｙ轴方向识别参照标尺位于气隙识别对象的Ｙ轴上。

Images