CN115493740A - 利用机器视觉测量水轮机内部流道压力脉动的方法及系统 - Google Patents

利用机器视觉测量水轮机内部流道压力脉动的方法及系统 Download PDF

Info

Publication number
CN115493740A
CN115493740A CN202211419670.8A CN202211419670A CN115493740A CN 115493740 A CN115493740 A CN 115493740A CN 202211419670 A CN202211419670 A CN 202211419670A CN 115493740 A CN115493740 A CN 115493740A
Authority
CN
China
Prior art keywords
pressure pulsation
value
target
water
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.)
Granted
Application number
CN202211419670.8A
Other languages
English (en)
Other versions
CN115493740B (zh
Inventor
梁波
乐零陵
刘亚青
崔磊
朱钊
谌睿
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.)
Changjiang Institute of Survey Planning Design and Research Co Ltd
Original Assignee
Changjiang Institute of Survey Planning Design and Research 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 Changjiang Institute of Survey Planning Design and Research Co Ltd filed Critical Changjiang Institute of Survey Planning Design and Research Co Ltd
Priority to CN202211419670.8A priority Critical patent/CN115493740B/zh
Publication of CN115493740A publication Critical patent/CN115493740A/zh
Application granted granted Critical
Publication of CN115493740B publication Critical patent/CN115493740B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L11/00—Measuring steady or quasi-steady pressure of a fluid or a fluent solid material by means not provided for in group G01L7/00 or G01L9/00
    • G01L11/02—Measuring steady or quasi-steady pressure of a fluid or a fluent solid material by means not provided for in group G01L7/00 or G01L9/00 by optical means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Hydraulic Turbines (AREA)

Abstract

本发明公开了一种利用机器视觉测量水轮机内部流道压力脉动的方法。它包括如下步骤，步骤一：获取待测等压引流管及管内水体图像；步骤二：基于自动识别最优阙值的边缘检测方法对目标标志物进行检测并读取管内水体高度；步骤三：结合Meanshift目标追踪方法对水位在透明垂直段的变幅和变化频率进行检测；步骤四：采用多项Logistic模型预测水位在透明垂直段的高度、变幅以及变化频率和引流区域压力脉动值的关系；步骤五：采用BP神经网络预测引流区域压力脉动值的变化趋势，用以预知危险情况的发生。本发明具有检测精度高、无需检修更换检测系统的优点。本发明还公开了利用机器视觉测量水轮机内部流道压力脉动的系统。

Description

利用机器视觉测量水轮机内部流道压力脉动的方法及系统
技术领域
本发明涉及水利水电及人工智能领域，更具体的它说是一种基于机器视觉自识别的压力脉动人工智能测量方法，更具体地说它是一种利用机器视觉测量水轮机内部流道压力脉动的方法。更具体地说它是一种利用等压引流管外引，通过透明段液面的变化识别水轮机流道内部压力脉动分布和大小的方法。本发明还涉及利用机器视觉测量水轮机内部流道压力脉动的系统。
背景技术
水力发电机组的水轮机在各种水头工况下会呈现不同的水力流体特征，在一定水头、流速情况下，会产生流道内有害的压力脉动，压力脉动可能发生的部位往往随水轮机型式、叶片边形、进口蜗壳、出口尾水的形状而多变，因此一般均需要在选型阶段进行模型试验，在真机运行时进行监测，以防止危险的、大幅值压力脉动产生，影响水轮机安全稳定性能；
目前，水轮机流道内重点部位压力脉动的测量一般采用压力传感器在测点或引出测量，压力传感器是有源元件，而且需要将被测量量转换为电量后输出；由于压力脉动测点处于水体流道复杂流态下，压力传感器方式存在测量精度和有源元件易损坏、难以检修更换（需停机大修时无水更换）的难题；
因此，开发一种精度高、便于检修更换的水轮机流道压力脉动的测量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测量水轮机内部流道压力脉动的方法，为一种无需传感器、引线和相应电源的一种机器视觉结合AI算法的流体压力脉动识别和测量方法，可根据等压引流管末端透明垂直段的水面特征和变化规律，识别流道内部压力分布和波动情况，通过对水面特征和变化规律、频率的高精度识别和算法，测得内部压力脉动值；检测精度高、无需检修更换检测系统；克服现有技术在压力脉动测点处于水体流道复杂流态下，采用压力传感器方式存在测量精度和有源元件易损坏、难以检修更换（需停机大修时无水更换）的问题；
本发明的第二目的是为了提供一种利用机器视觉测量水轮机内部流道压力脉动的系统。
为了实现上述本发明的第一目的，本发明的技术方案为：一种利用机器视觉测量水轮机内部流道压力脉动的方法，其特征在于：通过等压引流管将水轮机流道范围内易发生压力脉动的区域的压力无差别传递到水轮机流道的外部，基于机器视觉识别可视的透明垂直段内的水位在透明垂直段的高度、变幅和变化频率，直观识别流道内部压力分布和波动情况，通过算法测得真实反映内部引流区域的压力脉动值，利用机器视觉测量水轮机内部流道压力脉动的方法采用的整套系统在水轮机及其流道内为无源系统，直观、高精度（无差别）表达流道内压力脉动情况；
具体方法，包括如下步骤，
步骤一：获取待测不锈钢等压引流管及管内水体图像；
步骤二：基于自动识别最优阙值的边缘检测方法对目标标志物进行检测并读取管内水体高度；
步骤三：结合Meanshift目标追踪方法对水位在透明垂直段的变幅和变化频率进行检测；
步骤四：采用多项Logistic模型预测水位在透明垂直段的高度、变幅以及变化频率和引流区域压力脉动值的关系；
步骤五：采用BP神经网络预测引流区域压力脉动值的变化趋势，用以预知危险情况的发生（如图6所示）。
在上述技术方案中，在步骤二中，基于自动识别最优阙值的边缘检测方法对目标标志物进行检测并读取管内水体高度的具体方法为：
假设以灰度级t为阀值，将所摄不锈钢等压引流管及管内水体图像分成背景和前景两类，背景类用S1表示，包含图像中像素值不大于t的所有点；前景类用S2表示，包含图像中像素值大于t的所有点；基于此，分别定义S1和S2的类内中心，如公式（1）所示：
Figure 466923DEST_PATH_IMAGE001
（1）
公式（1）中，
Figure 917496DEST_PATH_IMAGE002
表示图像中灰度值为i的点的个数，L为图像中灰度最大值；
Figure 408520DEST_PATH_IMAGE003
和
Figure 794502DEST_PATH_IMAGE004
分别表示
Figure 574239DEST_PATH_IMAGE005
和
Figure 828503DEST_PATH_IMAGE006
出现的概率，且二者的和为1；
分别定义S1和S2的类内距，如公式（2）所示：
Figure 111717DEST_PATH_IMAGE007
（2）
由此可计算S1和S2的类间距为
Figure 934179DEST_PATH_IMAGE008
；
分析可知，当 d1和d2的值越小，背景类S1和前景类S2内部像素值的距离越小，即类的内聚性越好；D越大时，背景类S1和前景类S2的类间距离越大，分类效果也就越好；
定义分类判别函数
Figure 997950DEST_PATH_IMAGE009
以尽量分析，如下公式（3）所示：
Figure 790326DEST_PATH_IMAGE010
（3）
由公式（3）可知，H(t)越大，S1和S2的类间距离越大，将前景和背景分开的效果就越好；当图像的灰度级T使
Figure 193625DEST_PATH_IMAGE011
取最大值，则可认为T为所求的最优分割阀值；即，若能找到图像的某一个灰度级T使
Figure 186989DEST_PATH_IMAGE011
取最大值，则可认为T为所求的最优分割阀值；
滤除所有灰度值小于T的像素点（背景类），保留图像中所有灰度值大于T的像素点（前景类），即可得到检测目标引流管及水内水体的所在区域，并对照标尺，读取水位在透明垂直段的高度进行；
采用基于自动识别最优阈值的边缘检测方法对特定帧图像中的目标标志物引流管及管内水体进行检测后，用矩形框标出，得到目标区域。
在上述技术方案中，在步骤三中，结合Meanshift目标追踪方法对水位在透明垂直段的变幅和变化频率进行检测，具体方法为：
首先，将核函数（一般意义上为某种沿径向对称的标量函数）作用于目标区域；将核函数
Figure 534794DEST_PATH_IMAGE012
定义为空间中任一点
Figure 68543DEST_PATH_IMAGE013
到某一中心
Figure 591928DEST_PATH_IMAGE014
之间欧氏距离的单调函数，可记作
Figure 756194DEST_PATH_IMAGE015
；
将目标区域的大小设置为核函数的带宽
Figure 591294DEST_PATH_IMAGE016
；同时，将视频帧（即步骤一获取的图像）中所有像素值平均分为n个区间，此时该视频帧中特征值的总数
Figure 663156DEST_PATH_IMAGE017
；每个区间根据值域的大小可分别对应其中一个特征值，计算每个特征值u的概率的方法如公式（4）所示：
Figure 306626DEST_PATH_IMAGE018
（4）
公式（4）中，
Figure 110634DEST_PATH_IMAGE019
表示目标模型的归一化常数；
Figure 698611DEST_PATH_IMAGE020
为kronecker data函数，用于判断该区域内的像素值是否与该特征值相等；
其次，在后一帧（拍摄的图像有很多张，这里是将在前后时间拍摄的图像进行比较；后一帧标识时间较为靠后的一张，由于拍摄的是视频，所以选取视频中前后的两帧图像进行比较）中寻找可能包含视觉特征标志物的目标框，并将其目标框质心坐标作为核函数的中心坐标，基于此对该目标框计算特征概率密度分布；若候选目标框区域的中心坐标为y，则候选目标模型的概率分布根据公式（5）进行计算：
Figure 246267DEST_PATH_IMAGE021
（5）
公式（5）中，
Figure 744244DEST_PATH_IMAGE022
表示候选目标模型的归一化常数；基于目标模型和候选目标模型，选取巴氏系数（Bhattacharyya)作为相似性函数，以度量目标与候选目标直方图之间的相似性，具体表示为：
Figure 312629DEST_PATH_IMAGE023
（6）
根据上述公式（6）可判断候选区域与目标区域的相似度，
Figure 856742DEST_PATH_IMAGE024
的数值越大，表明目标模型和候选模型越相似；可得出目标模型的Meanshift向量如公式（7）所示：
Figure 739248DEST_PATH_IMAGE025
（7）
最后，将前一帧中目标框的中心位置作为搜索窗口的中心，不断迭代 Meanshift向量，进而找到使得相似函数最大的候选区域，即为当前帧中目标框的位置，计算存储该次目标像素坐标；
当目标标志物中心坐标被计算记录下来之后，通过计算该段时间内（即前后两张图片拍摄时间之间的时间段）目标标志物引流管内水体的实际位移来计算其水位在透明垂直段的变幅和变化速率。
在上述技术方案中，在步骤四中，采用多项Logistic模型预测水位在透明垂直段的高度、变幅以及变化频率和引流区域压力脉动值的关系的具体方法为：
对所摄不锈钢等压引流管及管内水体图像进行分割并提取出水位在透明垂直段的高度
Figure 826153DEST_PATH_IMAGE026
、变幅
Figure 565438DEST_PATH_IMAGE027
和变化速率
Figure 3373DEST_PATH_IMAGE028
后，根据公式（8）计算内部引流区域的压力脉动值
Figure 17465DEST_PATH_IMAGE029
（pressure pulsation）；
Figure 224456DEST_PATH_IMAGE030
（8）
在分析和预测水位在透明垂直段的高度、变幅以及变化频率和内部引流区域的压力脉动值的关系时，将上述关系分为M个类别，并对其进行两两组合，最终将其转化为二分类问题，其中与水位在透明垂直段的高度、变幅以及变化频率对应的预测数量最多的内部引流区域的压力脉动值作为最终的预测结果；
通过Sigmoid函数将输出特征值的形式由连续的形式转化为0/1的形式，进而得到具有分类概率模型性质的函数，其数学表达式如下：
Figure 931381DEST_PATH_IMAGE031
(9)
Figure 856611DEST_PATH_IMAGE032
(10)
公式（9）表示输出的
Figure 877657DEST_PATH_IMAGE033
函数的计算法，该函数的图像呈S型曲线，该函数的性质为：若
Figure 407995DEST_PATH_IMAGE034
时，
Figure 692346DEST_PATH_IMAGE035
，
Figure 963928DEST_PATH_IMAGE036
，若
Figure 788664DEST_PATH_IMAGE037
时，
Figure 439088DEST_PATH_IMAGE038
，
Figure 628761DEST_PATH_IMAGE039
；
公式（10）为计算Y的概率分布函数表达式；
采用上述方法得到水体内部引流区域的压力脉动值，当该值超过设定阙值时，发出预警信号。
在上述技术方案中，在步骤五中，采用BP神经网络预测引流区域压力脉动值的变化趋势，具体方法如下：
在M层神经网络中，设
Figure 387639DEST_PATH_IMAGE040
和
Figure 422591DEST_PATH_IMAGE041
分别表示第k层i个神经元总的输入和输出，
Figure 724259DEST_PATH_IMAGE042
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
Figure 881571DEST_PATH_IMAGE043
，且在输入层加上输入模式，则
Figure 862165DEST_PATH_IMAGE044
,
Figure 231967DEST_PATH_IMAGE045
和
Figure 856983DEST_PATH_IMAGE046
之间的关系可表达如下：
Figure 247513DEST_PATH_IMAGE047
（11）
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（12）所示：
Figure 676524DEST_PATH_IMAGE048
（12）
公式（12）中，
Figure 850017DEST_PATH_IMAGE049
和
Figure 595119DEST_PATH_IMAGE050
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神经网络中借助采用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
Figure 156550DEST_PATH_IMAGE051
的更新量
Figure 252682DEST_PATH_IMAGE052
，计算方法如下公式（13）所示：
Figure 761024DEST_PATH_IMAGE053
（13）
公式（13）中，
Figure 95053DEST_PATH_IMAGE054
表示学习步长，其值大于0；设
Figure 92965DEST_PATH_IMAGE055
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：
Figure 676393DEST_PATH_IMAGE056
（14）
基于上述BP神经网络学习方法，即可提取内部引流区域的压力脉动值的变化趋势，进而实现对于危险情况的预知；本发明通过BP神经网络的机器深度学习输出压力脉动的变化趋势分析，并发出相关不稳定或危险状态的预报、预警，以便在不影响水轮机运行的情况下全天候24小时动态读取流道内关键部位的压力脉动数值，具有超高的可靠性和实时性；
本发明在河流区间内基于机器视觉的水位识别对应变化率△aC/day、△aC/week或△aC/month基于BP神经网络算法的机器深度学习，建立图像或视频监测区间内内部引流区域的压力脉动值，形成长区间、长序列实时压力脉动值变化趋势预报、预警。
为了实现上述本发明的第二目的，本发明的技术方案为：一种利用机器视觉测量水轮机内部流道压力脉动的系统，其特征在于：包括等压引流管（末端透明垂直可视段）、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；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压力脉动参数识别、获取、预知、预警；
等压引流管与蜗壳进水口连接；等压引流管用于将水轮机内部流体（即压力脉动测量目标对象）的水压及波动状况以等压力传递的方式引出，水轮机内部流体位于水轮机流道内，包括蜗壳、转轮、尾水等水轮机内部流道内易发生压力脉动的区域内流体（如图1所示）；
垂直透明监测段设置在等压引流管末端；等压引流管的前半部位为不锈钢，终端垂直段为高强度有机透明玻璃（为机器视觉观测窗）（如图2、图3、图4、图5所示），保证等压引流管的强度，同时便于图像采集模块获取垂直透明监测段液面图像；
光学系统设置在垂直透明监测段侧方；
图像采集模块设置在垂直透明监测段侧方、且位于光学系统侧下方；
图像采集模块、图像处理系统和输出交互界面依次连接。
在上述技术方案中，等压引流管采用不锈钢钢管；
等压引流管的入口处设置过滤网等过滤装置，防止小颗粒杂物进入；
垂直透明监测段采用垂直（相对于水平线而言）、高强度有机玻璃材料，以便观察；
等压引流管与垂直透明监测段的接口段设有多层过滤网，防止小颗粒杂物进入视觉观测窗。
在上述技术方案中，光学系统为补充照明光源，用于提高识别的准确率和精度；专用光源可提供必要的补充光源以提高识别的准确率和精度，满足户内的正常照明条件下即可识别水位，如，为识别目标对象的水位和波动变化情况，可选用正面或正侧面补充照明光源，并避免反光对机器视觉识别的影响。
在上述技术方案中，图像采集模块包括工业级相机和参照标尺；
垂直透明监测段位于工业级相机与参照标尺之间；基于固定位置的参照标识，可为机坑墙壁上的标志物或设置人工固定标识，对标志物或标识进行高精度的基准高程的标定，能在图像或视频中准确的识别，作为测量目标压力脉动的测量参照系；
参照标尺与垂直透明监测段呈平行设置；参照标尺的长度大于或等于垂直透明监测段的长度；参照标尺为固定的标尺，以能在图像或视频中作为测量对象压力脉动的测量参照系；
工业级相机与垂直透明监测段呈垂直设置；
工业级相机的视角宽度大于或等于垂直透明监测段的长度；
本发明利用等压引流管外引，通过透明段液面的变化识别水轮机流道内部压力脉动分布和大小；通过等压引流管将水轮机流道范围内，包括蜗壳、转轮、尾水等水轮机内部流道内易发生压力脉动的区域（测点）的压力无差别传递到水轮机流道的外部，等压引流管的测量末端为可视的透明垂直段，通过该垂直段的标尺标识，利用机器视觉识别读取水位在透明垂直段的高度、变幅和变化频率，再结合算法得到真实反映内部引流区域的压力脉动值；
图像处理系统包括图像采集卡、水位脉动边缘轮廓识别及AI算法处理单元和深度学习单元；
图像采集卡对工业级相机的镜头获取的图像进行采集和预处理，图像采集卡的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；
水位脉动边缘轮廓识别及AI算法处理单元通过高速、高动态的机器视觉成像，借助边缘识别算法，高精度识别垂直透明监测段内水体液面和振动情况，结合对参照标尺标定的参照系的比对，识别并读取观测视窗内的水位变化和振动参数；
深度学习单元用于对实时获得的观测视窗内的水位变化、振动参数进行时域上的对比分析和深度学习，当发生突然变化趋势时，可对如压力脉动增加、运行稳定区偏移、危险水力振动等极端现象进行智能识别和预报、预警，确保水轮机和流道的安全；
输出交互界面上设置预警装置，用于当发生超过安全系数范围内压力脉动幅值和频率（预警阙值）或变化过快时，发出预警信号；
电源及控制电缆为外部无接触设备电源，非传感器用电源和电缆；电源及控制电缆用于连接上述机器视觉、补充照明设备的动力电缆接入和控制电缆连接。
在上述技术方案中，工业级相机选用面阵相机或线阵相机；
工业级相用于对上述垂直透明监测段观测视窗内的水位和波动状况的识别，选用高动态、黑白或全彩相机；
工业级相机为高分辨率、低帧频的单目或多目相机；根据监测的目标为黑白或彩色成像相机；
工业级相机的分辨率选用1920像素×1080像素；帧率选用20fps；
相机分辨率根据实际图像幅宽与精度要求计算，在要求高精度、动态识别的情况下，选择较高分辨率如1920像素×1080像素，也可根据实际情况选择其它分辨率；在长期状态监测，且压力脉动频率高、变化快的情况下，帧率可选用高帧率，如20fps；由于本方法中的相机一般位置固定，因此镜头可采用定焦、固定光圈。
本发明利用机器视觉测量水轮机内部流道压力脉动的系统中，光学系统提供补充光源，工业相机实时获取水轮机流道内部垂直透明监视段液面的变化、识别水轮机流道内部压力脉动分布和大小、并将获取的信息传递给图像采集卡，水位脉动边缘轮廓识别及AI算法处理单元对图像采集卡中的实时信息进行识别并读取观测视窗内的水位变化和振动参数，深度学习单元对实时获得的观测视窗内的水位变化、振动参数进行时域上的对比分析和深度学习，当发生极端现象进行智能识别和预报、预警并在输出交互界面上显示、并通过预警装置发出预警信号（如图7所示）；
采用本发明的方法和现有的方法相比，主要有以下优点和创新的积极效果：
（1）本发明的机器视觉识别方法无需任何传感器类的测量元件，因此具有超高的可靠性和实时性，可在不影响水轮机运行的情况下全天候24小时动态读取流道内关键部位的压力脉动数值；克服了现有的方法通常需要在水轮机流道内埋设相应的压力感应元件，并通过引线引出，由于压力脉动等水力振动的存在，感应元件及其引线都易发生损坏和失效，导致水轮机蜗壳、尾水管等关键流道内的关键稳定性参数无法获得，从而影响机组安全稳定运行的缺陷，同时克服了现有技术采用传感器，只能延时获取流道内关键部位的压力脉动数值、无法实现实时数据获取的缺陷；
（2）本发明基于机器视觉自识别的压力脉动人工智能测量方法，直观识别流道内部压力分布和波动情况，通过算法测得内部压力脉动值，整套装置在水轮机及其流道内为无源系统，直观、无差别表达流道内压力脉动情况，并可达到较高精度（μm级）；克服了现有的方法测量流道压力脉动在内部流道内预设的位置设传感器，测量精度有限、且难以检修更换的缺陷；
（3）本方法等压引流管的测量末端为可视的透明垂直段，通过该垂直段的标尺标识，利用机器视觉识别读取水位在透明垂直段的高度、变幅和变化频率，即使有气泡干扰也不影响参数读取，从而不需要反复排气操作，大大方便运行和数据的获取，提高了幅值和频率测量的准确性；克服了现有方法测量压力脉动，由于测量元件的要求，需要对测量管路进行彻底的排气，否则极易收到管路中的游离气泡的影响，这些气泡还对压力脉动产生缓冲和吸收的影响，导致测量的幅值和频率不准的缺陷；
本发明方法通过搭建全新的机器视觉及AI算法，可在无传感器、引线和电源的情况下，在线识别并测量流道内压力脉动值，并在实时获取、长期监测的情况下，通过机器深度学习，掌握流道内压力脉动的变化趋势，提出最优运行工况、最大稳定范围和转轮安全检修周期，对提高水轮发电机组的安全稳定性能，进而提高发电效率和效益具有十分重要的意义。
附图说明
图1为本发明中的利用机器视觉测量水轮机内部流道压力脉动的系统设置在水电站发电厂房的水轮机蜗壳处的局部剖面图；
图2为本发明中的等压引流管引至位于发电机层的图像采集模块处的正视图；
图3为本发明中的等压引流管引至位于发电机层的图像采集模块处的侧视图；
图4为本发明中的工业级相机获取的待测等压引流管及管内水体图像；
图5为图4的A处放大图；
图6为本发明的水轮机内部流道压力脉动可视化测量方法流程框图；
图7为本发明利用机器视觉测量水轮机内部流道压力脉动的系统的结构框图；
在图1中，A1表示发电厂房发电机层；A2表示发电厂房水轮机层；A3表示发电机转子；A4表示推力轴承；A5表示主轴；A6表示导水机构；A7表示尾水管；
在图2、图3中，A2表示发电厂房水轮机层；
在图5中，B表示垂直透明监测段内的液面；
图中，1-等压引流管，2-蜗壳进水口，3-图像采集模块，31-工业级相机，32-参照标尺，4-垂直透明监测段。
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。
本发明为一种利用等压引流管外引，通过透明段（即垂直透明监测段）液面的变化识别水轮机流道内部压力脉动分布和大小的方法；在该方法下，通过等压引流管将水轮机流道范围内，包括蜗壳、转轮、尾水等水轮机内部流道内易发生压力脉动的区域（测点）的压力无差别传递到水轮机流道的外部，等压引流管的测量末端为可视的透明垂直段，通过该垂直段的标尺标识，利用机器视觉识别读取水位在透明垂直段的高度、变幅和变化频率，再结合算法得到真实反映内部引流区域的压力脉动值；同时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压力脉动参数识别、获取、预知、预警；本发明通过BP神经网络的机器深度学习输出压力脉动的变化趋势分析，并发出相关不稳定或危险状态的预报、预警；本发明的机器视觉识别方法由于无需任何传感器类的测量元件，不存在检修更换的问题，具有超高的可靠性和实时性，可在不影响水轮机运行的情况下全天候24小时动态读取流道内关键部位的压力脉动数值；可扩展的，在等压引流管的末端进行压力补偿的方式，可调节内部的压力脉动，从而通过主动干预的方式降低、甚至消除该部位的压力脉动，使水轮机运行在更好、更安全、更高效的区域，从而提高整个水轮机的稳定性及运行效率；本发明的方法还可用在如有压输水管道等内部流道需要监测压力脉动的场合。
实施例：现以本发明试用于某水电站水轮发电机进行流道压力脉动测量为实施例对本发明进行说明，对本发明应用于其他水电站水轮发电机进行流道压力脉动测量同样具有指导作用。
本实施例中的某水电站水轮发电机为700MW巨型水轮发电机，其压力脉动是制造、运行过程中重点关注的问题，但在传统方式下，无法实现高精度、实时在线监测，现有手段和方法难以实现实时在线监测和保证测量精度；现有技术是在某水电站水轮机流道设置内压力传感器，压力脉动测点处于水体流道复杂流态下，压力传感器方式存在测量精度低、以及有源元件易损坏、难以检修更换（需停机大修时无水更换），无法实现实时在线监测等问题。
本实施例以某水电站水轮机流道内转轮进水口处的压力脉动水位机器视觉及AI测量为例（其他有压流动水体场景的压力脉动测量同理类推），本实施例采用发明的主要原理及具体实施流程如下：
首先在需要识别和测量压力脉动的水轮机转轮进水口处，同过不锈钢等压引流管将该处的压力信息无差别传递到外部；无压引流管的管口布置在转轮进口处，管口设过滤装置；本例即将无压引流管的内部管口设置在转轮进水口附近，另一端则引到外部；
等压引流管伸出地面后可通过不锈钢和有机透明管之间的接口，再次设置过滤装置，以过滤掉小颗粒物；引流管末端为透明的、采用高强度、高透光率有机玻璃视窗；旁边机坑墙壁上固定设置清晰的标尺作为参照系；
安装固定的机器视觉光学系统，对准目标，即透明垂直段观测窗（管段），设置正面相机或正侧面相机，使垂直段观测管内的水体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（用于清晰成像和测量），满足现场高清晰成像的照度要求；相机为工业级，1920像素×1080d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；
然后相机视域范围内的标识参照系（固定），通过高速、高动态的机器视觉成像，借助边缘识别算法，高精度识别水体液面，和标定的参照系进行比对和测量，通过AI算法得到压力脉动的幅值和振动频率等参数；经实践证明，该系统简单有效，与传统的传感器元件同点同工况压力脉动的测量偏差在±5%以内；
另外，当监测目标对象压力脉动的幅值或变化速率超过设定阙值时，发出预警信号；并根据该处压力脉动在两个或多个时间序列上的△C（m）/day、△C/week或△C/month以及对应的变化率△aC/day、△aC/week或△aC/month通过BP神经网络的机器深度学习输出压力脉动的变化趋势分析，并发出相关不稳定或危险状态的预报、预警；
根据在某水力发电厂的技术研究和实验运用，本例压力脉动△C、△aC采用0.001mm（即1μm）为基准单位；趋势分析按周（7天）、月（30天）输出，对应的检修周期（本例为转轮进水入口处的压力钢管）以6个月（180天）为基准单位；预警阈值对应周（7天）、月（30天）输出分别为10μm和30μm；
本发明在本实施例中某水电站的运用大大提高了本实施例水轮机关键水力流道内压力脉动的监测水平，特别是长期运行下的压力脉动趋势分析，能很好的预知各运行工况下的水力状态，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；
此外，在上面所述的基础上可建立流道内流体在如蜗壳入口处、转轮、尾水管处的多点压力脉动测量，实时提供流道内水轮机在长区间内的变化趋势，并可预报、预警；
为了识别透明段液面的变化识别水轮机流道内部压力脉动分布和大小，需要首先对所摄不锈钢等压引流管及管内水体图像进行目标检测；本实施例采用基于自动识别最优阈值的边缘检测方法对引流管及水内水体图像识别；该方法能够设置最优阈值以将图像中的前景和背景进行区分；假设以灰度级t为阀值，将所摄不锈钢等压引流管及管内水体图像分成背景和前景两类，背景类用S1表示，包含图像中像素值不大于t的所有点；前景类用S2表示，包含图像中像素值大于t的所有点；基于此，分别定义S1和S2的类内中心，如公式（1）所示：
Figure 394950DEST_PATH_IMAGE001
（1）
公式（1）中，
Figure 176962DEST_PATH_IMAGE002
表示图像中灰度值为i的点的个数，L为图像中灰度最大值；
Figure 486720DEST_PATH_IMAGE003
和
Figure 150920DEST_PATH_IMAGE004
分别表示
Figure 938747DEST_PATH_IMAGE005
和
Figure 575265DEST_PATH_IMAGE006
出现的概率，且二者的和为1；进一步地，分别定义S1和S2的类内距，如公式（2）所示：
Figure 55925DEST_PATH_IMAGE057
（2）
由此可计算S1和S2的类间距为
Figure 941841DEST_PATH_IMAGE008
；分析可知，d1和d2的值越小，背景类S1和前景类S2内部像素值的距离越小，即类的内聚性越好；D越大时，背景类S1和前景类S2的类间距离越大，分类效果也就越好；进一步地，定义分类判别函数
Figure 533360DEST_PATH_IMAGE058
以尽量分析，如下公式（3）所示：
Figure 821121DEST_PATH_IMAGE010
（3）
由公式（3）可知，H(t)越大，S1和S2的类间距离越大，将前景和背景分开的效果就越好；因此，若能找到图像的某一个灰度级T使
Figure 472683DEST_PATH_IMAGE011
取最大值，则可认为T为所求的最优分割阀值；进一步的，滤除所有灰度值小于T的像素点（背景类），保留图像中所有灰度值大于T的像素点（前景类），即可得到检测目标引流管及水内水体的所在区域，并对照标尺，读取水位在透明垂直段的高度进行；
采用基于自动识别最优阈值的边缘检测方法对特定帧图像中的目标标志物引流管及管内水体进行检测后，将其用矩形框标出，得到目标区域；然后结合Meanshift目标追踪方法对水位在透明垂直段的变幅和变化频率进行检测；首先，将核函数（一般意义上为某种沿径向对称的标量函数）作用于该区域；本实施例采用的方法将核函数
Figure 314737DEST_PATH_IMAGE059
定义为空间中任一点
Figure 178787DEST_PATH_IMAGE013
到某一中心
Figure 727580DEST_PATH_IMAGE014
之间欧氏距离的单调函数，可记作
Figure 674677DEST_PATH_IMAGE015
；进一步地，将目标区域的大小设置为核函数的带宽
Figure 738448DEST_PATH_IMAGE016
；同时，将视频帧中所有像素值平均分为n个区间，此时该视频帧中特征值的总数
Figure 406189DEST_PATH_IMAGE017
；由于每个区间根据值域的大小可分别对应其中一个特征值，因为需要计算每个特征值u的概率，计算方法如公式（4）所示：
Figure 809489DEST_PATH_IMAGE060
（4）
公式（4）中，
Figure 661907DEST_PATH_IMAGE019
表示目标模型的归一化常数，
Figure 150657DEST_PATH_IMAGE061
为kronecker data函数，用于判断该区域内的像素值是否与该特征值相等；然后，在后一帧中寻找可能包含视觉特征标志物的目标框，并将其目标框质心坐标作为核函数的中心坐标，基于此对该目标框计算特征概率密度分布；若候选目标框区域的中心坐标为y，则候选目标模型的概率分布可根据公式（5）进行计算：
Figure 887669DEST_PATH_IMAGE062
（5）
公式（5）中，
Figure 207792DEST_PATH_IMAGE022
表示候选目标模型的归一化常数；基于目标模型和候选目标模型，选取巴氏系数（Bhattacharyya)作为相似性函数，以度量目标与候选目标直方图之间的相似性，具体表示为：
Figure 231112DEST_PATH_IMAGE063
（6）
根据上述公式（6）可判断候选区域与目标区域的相似度，
Figure 941579DEST_PATH_IMAGE064
的数值越大，表明目标模型和候选模型越相似；进一步地，可得出目标模型的Meanshift向量如公式（7）所示：
Figure 482282DEST_PATH_IMAGE065
（7）
最后，将前一帧中目标框的中心位置作为搜索窗口的中心，不断迭代 Meanshift向量，进而找到使得相似函数最大的候选区域，即为当前帧中目标框的位置，计算存储该次目标像素坐标；当目标标志物中心坐标被计算记录下来之后，通过计算该段时间内目标标志物引流管内水体的实际位移来计算其水位在透明垂直段的变幅和变化速率；
对所摄不锈钢等压引流管及管内水体图像进行分割并提取出水位在透明垂直段的高度
Figure 719228DEST_PATH_IMAGE066
、变幅
Figure 851132DEST_PATH_IMAGE027
和变化速率
Figure 580054DEST_PATH_IMAGE028
后，可以根据公式（8）计算内部引流区域的压力脉动值
Figure 127710DEST_PATH_IMAGE029
（pressure pulsation）；
Figure 484742DEST_PATH_IMAGE067
（8）
该关系函数通过采用模型预测方法对历史数据得到，其本质是解决水位在透明垂直段的高度、变幅以及变化频率数据链的分类问题，可以采用多项Logistic模型进行预测，其分类过程是在二项Logistic回归过程上的延续和发展，具体表现为将多分类任务转化为多个二分类的任务；在分析和预测水位在透明垂直段的高度、变幅以及变化频率和内部引流区域的压力脉动值的关系时，该方法将上述关系分为M个类别，并对其进行两两组合，最终将其转化为二分类问题，其中与水位在透明垂直段的高度、变幅以及变化频率对应的预测数量最多的内部引流区域的压力脉动值作为最终的预测结果；对于二分类问题，其输出值仅为0或1，而线性回归模型
Figure 459651DEST_PATH_IMAGE068
（
Figure 675869DEST_PATH_IMAGE069
表示输入样本矩阵X和输出特征向量Y之间的线性关系系数）的输出值却是连续的，因此需要通过Sigmoid函数将输出特征值的形式由连续的形式转化为0/1的形式，进而得到具有分类概率模型性质的函数；其数学表达式如下：
Figure 355112DEST_PATH_IMAGE070
(9)
Figure 566650DEST_PATH_IMAGE071
(10)
公式（9）表示输出的
Figure 509198DEST_PATH_IMAGE033
函数的计算法，该函数的图像呈S型曲线；该函数的性质为：若
Figure 415974DEST_PATH_IMAGE034
时，
Figure 633329DEST_PATH_IMAGE035
，
Figure 699374DEST_PATH_IMAGE072
，若
Figure 547244DEST_PATH_IMAGE037
时，
Figure 206896DEST_PATH_IMAGE038
，
Figure 24679DEST_PATH_IMAGE039
；基于此，公式（10）计算了Y的概率分布函数表达式；采用此方法得到水体内部引流区域的压力脉动值，当该值超过设定阙值时，发出预警信号；
基于获得的大量水体内部引流区域的压力脉动值，本实施例采用BP神经网络提取当前内部引流区域的压力脉动值的变化趋势，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
Figure 351755DEST_PATH_IMAGE040
和
Figure 432844DEST_PATH_IMAGE041
分别表示第k层i个神经元总的输入和输出，
Figure 314212DEST_PATH_IMAGE042
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
Figure 935686DEST_PATH_IMAGE043
，且在输入层加上输入模式，则
Figure 117269DEST_PATH_IMAGE044
，
Figure 369259DEST_PATH_IMAGE045
和
Figure 737923DEST_PATH_IMAGE046
之间的关系可表达如下：
Figure 304034DEST_PATH_IMAGE047
（11）
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（12）所示：
Figure 199177DEST_PATH_IMAGE048
（12）
公式（12）中，
Figure 294172DEST_PATH_IMAGE073
和
Figure 478029DEST_PATH_IMAGE050
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，本实施例在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
Figure 582251DEST_PATH_IMAGE074
的更新量
Figure 331901DEST_PATH_IMAGE052
，如下公式（13）所示：
Figure 863377DEST_PATH_IMAGE075
（13）
公式（13）中，
Figure 472213DEST_PATH_IMAGE054
表示学习步长，其值大于0；设
Figure 442443DEST_PATH_IMAGE076
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：
Figure 46600DEST_PATH_IMAGE077
（14）
基于上述BP神经网络学习方法，即可提取内部引流区域的压力脉动值的变化趋势，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：本实施例采用本发明方法进行水轮发电机流道压力脉动测量，通过搭建全新的机器视觉及AI算法，可在无传感器、引线和电源的情况下，在线识别并测量流道内压力脉动值（可在不影响水轮机运行的情况下全天候24小时动态读取流道内关键部位的压力脉动数值），达到了较高精度（μm级），提高了幅值和频率测量的准确性，并在实时获取、长期监测的情况下，通过机器深度学习，掌握流道内压力脉动的变化趋势，提出最优运行工况、最大稳定范围和转轮安全检修周期，提高了某水电站水轮发电机组的安全稳定性能，从而提高了某水电站的发电效率和效益。
其它未说明的部分均属于现有技术。

Claims (10)

1.一种利用机器视觉测量水轮机内部流道压力脉动的方法，其特征在于：通过等压引流管将水力发电机组的水轮机流道范围内易发生压力脉动的区域的压力无差别传递到水轮机流道的外部,基于机器视觉识别可视的透明垂直段内的水位在透明垂直段的高度、变幅和变化频率，直观识别流道内部压力分布和波动情况，通过算法测得真实反映内部引流区域的压力脉动值；
具体方法，包括如下步骤，
步骤一：获取待测等压引流管及管内水体图像；
步骤二：基于自动识别最优阙值的边缘检测方法对目标标志物进行检测并读取管内水体高度；
步骤三：结合Meanshift目标追踪方法对水位在透明垂直段的变幅和变化频率进行检测；
步骤四：采用多项Logistic模型预测水位在透明垂直段的高度、变幅以及变化频率和引流区域压力脉动值的关系；
步骤五：采用BP神经网络预测引流区域压力脉动值的变化趋势，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测量水轮机内部流道压力脉动的方法，其特征在于：在步骤二中，基于自动识别最优阙值的边缘检测方法对目标标志物进行检测并读取管内水体高度的具体方法为：
假设以灰度级t为阀值，将所摄不锈钢等压引流管及管内水体图像分成背景和前景两类，背景类用S1表示，包含图像中像素值不大于t的所有点；前景类用S2表示，包含图像中像素值大于t的所有点；基于此，分别定义S1和S2的类内中心，如公式（1）所示：
Figure 723990DEST_PATH_IMAGE001
（1）
公式（1）中，
Figure 516366DEST_PATH_IMAGE002
表示图像中灰度值为i的点的个数，L为图像中灰度最大值；
Figure 981982DEST_PATH_IMAGE003
和
Figure 975346DEST_PATH_IMAGE004
分别表示
Figure 198517DEST_PATH_IMAGE005
和
Figure 60162DEST_PATH_IMAGE006
出现的概率，且二者的和为1；
分别定义S1和S2的类内距，如公式（2）所示：
Figure 52389DEST_PATH_IMAGE007
（2）
由此计算S1和S2的类间距为
Figure 216654DEST_PATH_IMAGE008
；
当d1和d2的值越小，背景类S1和前景类S2内部像素值的距离越小，即类的内聚性越好；D越大时，背景类S1和前景类S2的类间距离越大，分类效果越好；
定义分类判别函数
Figure 255017DEST_PATH_IMAGE009
以尽量分析，如下公式（3）所示：
Figure 389195DEST_PATH_IMAGE010
（3）
由公式（3）可知，H(t)越大，S1和S2的类间距离越大，将前景和背景分开的效果就越好；当图像的灰度级T使
Figure 501508DEST_PATH_IMAGE011
取最大值，则T为所求的最优分割阀值；
滤除所有灰度值小于T的像素点，保留图像中所有灰度值大于T的像素点，得到检测目标引流管及水内水体的所在区域，并对照标尺，读取水位在透明垂直段的高度进行；
采用基于自动识别最优阈值的边缘检测方法对特定帧图像中的目标标志物引流管及管内水体进行检测后，用矩形框标出，得到目标区域。
3.根据权利要求2所述的利用机器视觉测量水轮机内部流道压力脉动的方法，其特征在于：在步骤三中，结合Meanshift目标追踪方法对水位在透明垂直段的变幅和变化频率进行检测，具体方法为：
首先，将核函数作用于目标区域；将核函数
Figure 898991DEST_PATH_IMAGE012
定义为空间中任一点
Figure 955809DEST_PATH_IMAGE013
到某一中心
Figure 300203DEST_PATH_IMAGE014
之间欧氏距离的单调函数，记作
Figure 267022DEST_PATH_IMAGE015
；
将目标区域的大小设置为核函数的带宽
Figure 632144DEST_PATH_IMAGE016
；同时，将视频帧中所有像素值平均分为n个区间，此时该视频帧中特征值的总数
Figure 582782DEST_PATH_IMAGE017
；每个区间根据值域的大小分别对应其中一个特征值，计算每个特征值u的概率的方法如公式（4）所示：
Figure 262025DEST_PATH_IMAGE018
（4）
公式（4）中，
Figure 83351DEST_PATH_IMAGE019
表示目标模型的归一化常数；
Figure 884954DEST_PATH_IMAGE020
为kronecker data函数，用于判断该区域内的像素值是否与该特征值相等；
其次，在后一帧中寻找包含视觉特征标志物的目标框，并将其目标框质心坐标作为核函数的中心坐标，基于此对该目标框计算特征概率密度分布；若候选目标框区域的中心坐标为y，则候选目标模型的概率分布根据公式（5）进行计算：
Figure 322888DEST_PATH_IMAGE021
（5）
公式（5）中，
Figure 477926DEST_PATH_IMAGE022
表示候选目标模型的归一化常数；基于目标模型和候选目标模型，选取巴氏系数作为相似性函数，以度量目标与候选目标直方图之间的相似性，具体表示为：
Figure 481654DEST_PATH_IMAGE023
（6）
根据上述公式（6）判断候选区域与目标区域的相似度，
Figure 595104DEST_PATH_IMAGE024
的数值越大，表明目标模型和候选模型越相似；得出目标模型的Meanshift向量如公式（7）所示：
Figure 379389DEST_PATH_IMAGE025
（7）
最后，将前一帧中目标框的中心位置作为搜索窗口的中心，不断迭代 Meanshift向量，进而找到使得相似函数最大的候选区域，即为当前帧中目标框的位置，计算存储该次目标像素坐标；
当目标标志物中心坐标被计算记录下来之后，通过计算该段时间内目标标志物引流管内水体的实际位移来计算其水位在透明垂直段的变幅和变化速率。
4.根据权利要求3所述的利用机器视觉测量水轮机内部流道压力脉动的方法，其特征在于：在步骤四中，采用多项Logistic模型预测水位在透明垂直段的高度、变幅以及变化频率和引流区域压力脉动值的关系的具体方法为：
对所摄不锈钢等压引流管及管内水体图像进行分割并提取出水位在透明垂直段的高度
Figure 72538DEST_PATH_IMAGE026
、变幅
Figure 399615DEST_PATH_IMAGE027
和变化速率
Figure 215124DEST_PATH_IMAGE028
后，根据公式（8）计算内部引流区域的压力脉动值
Figure 221126DEST_PATH_IMAGE029
；
Figure 983546DEST_PATH_IMAGE030
（8）
在分析和预测水位在透明垂直段的高度、变幅以及变化频率和内部引流区域的压力脉动值的关系时，将上述关系分为M个类别，并对其进行两两组合，其中与水位在透明垂直段的高度、变幅以及变化频率对应的预测数量最多的内部引流区域的压力脉动值作为最终的预测结果；
通过Sigmoid函数将输出特征值的形式由连续的形式转化为0/1的形式，进而得到具有分类概率模型性质的函数，其数学表达式如下：
Figure 165128DEST_PATH_IMAGE031
(9)
Figure 213856DEST_PATH_IMAGE032
(10)
公式（9）表示输出的
Figure 644837DEST_PATH_IMAGE033
函数的计算法，该函数的图像呈S型曲线，该函数的性质为：若
Figure 210948DEST_PATH_IMAGE034
时，
Figure 247037DEST_PATH_IMAGE035
，
Figure 466665DEST_PATH_IMAGE036
，若
Figure 384943DEST_PATH_IMAGE037
时，
Figure 754744DEST_PATH_IMAGE038
，
Figure 379761DEST_PATH_IMAGE039
；
公式（10）为计算Y的概率分布函数表达式；
采用上述方法得到水体内部引流区域的压力脉动值，当该值超过设定阙值时，发出预警信号。
5.根据权利要求4所述的利用机器视觉测量水轮机内部流道压力脉动的方法，其特征在于：在步骤五中，采用BP神经网络预测引流区域压力脉动值的变化趋势，具体方法如下：
在M层神经网络中，设
Figure 35870DEST_PATH_IMAGE040
和
Figure 644706DEST_PATH_IMAGE041
分别表示第k层i个神经元总的输入和输出，
Figure 21461DEST_PATH_IMAGE042
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
Figure 828880DEST_PATH_IMAGE043
，且在输入层加上输入模式，则
Figure 796836DEST_PATH_IMAGE044
,
Figure 486443DEST_PATH_IMAGE045
和
Figure 932468DEST_PATH_IMAGE046
之间的关系表达如下：
Figure 594393DEST_PATH_IMAGE047
（11）
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（12）所示：
Figure 733250DEST_PATH_IMAGE048
（12）
公式（12）中，
Figure 910154DEST_PATH_IMAGE049
和
Figure 159870DEST_PATH_IMAGE050
分别表示输出神经元的预期输出和实际输出；采用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
Figure 473039DEST_PATH_IMAGE051
的更新量
Figure 782798DEST_PATH_IMAGE052
，计算方法如下公式（13）所示：
Figure 650260DEST_PATH_IMAGE053
（13）
公式（13）中，
Figure 172508DEST_PATH_IMAGE054
表示学习步长，其值大于0；设
Figure 12288DEST_PATH_IMAGE055
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：
Figure 352003DEST_PATH_IMAGE056
（14）
基于上述BP神经网络学习方法，提取内部引流区域的压力脉动值的变化趋势，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测量水轮机内部流道压力脉动的方法采用的利用机器视觉测量水轮机内部流道压力脉动的系统，其特征在于：包括等压引流管(1)、光学系统、图像采集模块(3)、图像处理系统和输出交互界面；等压引流管(1)与蜗壳进水口(2)连接；垂直透明监测段(4)设置在等压引流管(1)末端；光学系统设置在垂直透明监测段(4)侧方；图像采集模块(3)设置在垂直透明监测段(4)侧方、且位于光学系统侧下方；
图像采集模块(3)、图像处理系统和输出交互界面依次连接。
7.根据权利要求6所述的利用机器视觉测量水轮机内部流道压力脉动的系统，其特征在于：等压引流管(1)采用不锈钢钢管；等压引流管(1)的入口处设置过滤装置；垂直透明监测段(4)采用垂直、高强度有机玻璃材料；等压引流管与垂直透明监测段的连接处设有多层过滤网。
8.根据权利要求7所述的利用机器视觉测量水轮机内部流道压力脉动的系统，其特征在于：光学系统为补充照明光源。
9.根据权利要求8所述的利用机器视觉测量水轮机内部流道压力脉动的系统，其特征在于：图像采集模块(3)包括工业级相机(31)和参照标尺(32)；
垂直透明监测段(4)位于工业级相机(31)与参照标尺(32)之间；参照标尺(32)与垂直透明监测段(4)呈平行设置；参照标尺(32)的长度大于或等于垂直透明监测段(4)的长度；工业级相机(31)与垂直透明监测段(4)呈垂直设置；
工业级相机(31)的视角宽度大于或等于垂直透明监测段(4)的长度；
图像处理系统包括图像采集卡、水位脉动边缘轮廓识别及AI算法处理单元和深度学习单元；
图像采集卡对工业级相机的镜头获取的图像进行采集和预处理；
水位脉动边缘轮廓识别及AI算法处理单元通过高速、高动态的机器视觉成像，借助边缘识别算法，高精度识别垂直透明监测段内水体液面和振动情况，结合对参照标尺标定的参照系的比对，识别并读取观测视窗内的水位变化和振动参数；
深度学习单元用于对实时获得的观测视窗内的水位变化、振动参数进行时域上的对比分析和深度学习，当发生突然变化趋势时，对如压力脉动增加、运行稳定区偏移、危险水力振动这些极端现象进行智能识别和预报、预警，确保水轮机和流道的安全；
输出交互界面上设置预警装置。
10.根据权利要求9所述的利用机器视觉测量水轮机内部流道压力脉动的系统，其特征在于：工业级相机(31)选用面阵相机或线阵相机；
工业级相机(31)的分辨率选用1920像素×1080像素；帧率选用20fps。
CN202211419670.8A 2022-11-14 2022-11-14 利用机器视觉测量水轮机内部流道压力脉动的方法及系统 Active CN115493740B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211419670.8A CN115493740B (zh) 2022-11-14 2022-11-14 利用机器视觉测量水轮机内部流道压力脉动的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211419670.8A CN115493740B (zh) 2022-11-14 2022-11-14 利用机器视觉测量水轮机内部流道压力脉动的方法及系统

Publications (2)

Publication Number Publication Date
CN115493740A true CN115493740A (zh) 2022-12-20
CN115493740B CN115493740B (zh) 2023-02-28

Family

ID=85115648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211419670.8A Active CN115493740B (zh) 2022-11-14 2022-11-14 利用机器视觉测量水轮机内部流道压力脉动的方法及系统

Country Status (1)

Country Link
CN (1) CN115493740B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661154A (zh) * 2022-12-27 2023-01-31 长江勘测规划设计研究有限责任公司 机器视觉识别发电机集电环碳刷接触状态的系统及方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SU584622A1 (ru) * 1976-03-26 2005-11-10 Т.Т. Бубнов Устройство для измерения пульсаций давления на входе в турбомашину
US20100201184A1 (en) * 2007-07-14 2010-08-12 Continental Teves Ag & Co. Ohg Method for dimensioning the admission pressure at an analogized electromagnetically actuated hydraulic valve
US20140100703A1 (en) * 2011-06-03 2014-04-10 Siegmund Düll Method for the computer-supported generation of a data-driven model of a technical system, in particular of a gas turbine or wind turbine
CN105240187A (zh) * 2015-11-18 2016-01-13 哈尔滨工业大学 基于混沌理论实现水轮机状态监测和故障诊断的方法
US20170131174A1 (en) * 2015-11-10 2017-05-11 Belkin International, Inc. Water leak detection using pressure sensing
US20180100777A1 (en) * 2015-06-12 2018-04-12 Abb Schweiz Ag Device for measuring the pressure of a fluid flowing through a pipeline
RU184246U1 (ru) * 2018-06-29 2018-10-18 федеральное государственное автономное образовательное учреждение высшего образования "Самарский национальный исследовательский университет имени академика С.П. Королева" Устройство для измерения пульсаций давления газа
CN109543858A (zh) * 2018-11-30 2019-03-29 青海电研科技有限责任公司 一种水电机组在线监测数据分析评估方法
CN109751173A (zh) * 2019-01-16 2019-05-14 哈尔滨理工大学 基于概率神经网络的水轮机运行故障诊断方法
CN110119671A (zh) * 2019-03-26 2019-08-13 中国海洋大学 基于人工侧线可视化图像的水下感知方法
CN210243072U (zh) * 2019-07-29 2020-04-03 华能澜沧江水电股份有限公司 一种水轮机蜗壳测压装置
AU2021101956A4 (en) * 2021-04-15 2021-07-01 Angatha, V V Sudhakar IoT and Machine Learning based Power Generation from Sewage Water

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SU584622A1 (ru) * 1976-03-26 2005-11-10 Т.Т. Бубнов Устройство для измерения пульсаций давления на входе в турбомашину
US20100201184A1 (en) * 2007-07-14 2010-08-12 Continental Teves Ag & Co. Ohg Method for dimensioning the admission pressure at an analogized electromagnetically actuated hydraulic valve
US20140100703A1 (en) * 2011-06-03 2014-04-10 Siegmund Düll Method for the computer-supported generation of a data-driven model of a technical system, in particular of a gas turbine or wind turbine
US20180100777A1 (en) * 2015-06-12 2018-04-12 Abb Schweiz Ag Device for measuring the pressure of a fluid flowing through a pipeline
US20170131174A1 (en) * 2015-11-10 2017-05-11 Belkin International, Inc. Water leak detection using pressure sensing
CN105240187A (zh) * 2015-11-18 2016-01-13 哈尔滨工业大学 基于混沌理论实现水轮机状态监测和故障诊断的方法
RU184246U1 (ru) * 2018-06-29 2018-10-18 федеральное государственное автономное образовательное учреждение высшего образования "Самарский национальный исследовательский университет имени академика С.П. Королева" Устройство для измерения пульсаций давления газа
CN109543858A (zh) * 2018-11-30 2019-03-29 青海电研科技有限责任公司 一种水电机组在线监测数据分析评估方法
CN109751173A (zh) * 2019-01-16 2019-05-14 哈尔滨理工大学 基于概率神经网络的水轮机运行故障诊断方法
CN110119671A (zh) * 2019-03-26 2019-08-13 中国海洋大学 基于人工侧线可视化图像的水下感知方法
CN210243072U (zh) * 2019-07-29 2020-04-03 华能澜沧江水电股份有限公司 一种水轮机蜗壳测压装置
AU2021101956A4 (en) * 2021-04-15 2021-07-01 Angatha, V V Sudhakar IoT and Machine Learning based Power Generation from Sewage Water

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WEN-TAO SU等: "Experimental Investigation on the Characteristics of Hydrodynamic Stabilities in Francis Hydroturbine Models", 《ADVANCES IN MECHANICAL ENGINEERING》 *
桂中华等: "混流式水轮机压力脉动与振动稳定性研究进展", 《大电机技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661154A (zh) * 2022-12-27 2023-01-31 长江勘测规划设计研究有限责任公司 机器视觉识别发电机集电环碳刷接触状态的系统及方法

Also Published As

Publication number Publication date
CN115493740B (zh) 2023-02-28

Similar Documents

Publication Publication Date Title
CN109932708B (zh) 一种基于干涉条纹和深度学习的水面水下分类目标的方法
CN115409741B (zh) 一种利用河流表面色差测量泥沙含量的机器视觉识别方法
CN105389814A (zh) 一种用于气密性试验的气泡检测方法
CN106643965B (zh) 一种利用模板匹配精确识别液位的方法
CN115493740B (zh) 利用机器视觉测量水轮机内部流道压力脉动的方法及系统
CN115471501A (zh) 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
CN115546235B (zh) 一种基于图像分割的水位识别方法、系统及存储介质
CN112862898B (zh) 一种基于计算机视觉的流速测定方法
CN113313684B (zh) 一种暗光条件下基于视频的工业缺陷检测系统
CN112365468A (zh) 基于AA-gate-Unet的海上风电塔筒涂层缺陷检测方法
CN109271868B (zh) 基于密集连接卷积网络超球体嵌入的目标重识别方法
CN115511880A (zh) 一种利用机器视觉识别测量两轴振动幅值和频率的方法
CN114241469A (zh) 一种面向电表轮换过程的信息识别方法和装置
CN111814696A (zh) 一种基于改进YOLOv3的视频船舶目标检测方法
CN115797411B (zh) 一种利用机器视觉在线识别水电站电缆桥架形变的方法
Lin et al. Semantic segmentation and scale recognition–based water-level monitoring algorithm
CN117372854A (zh) 一种大坝深水结构隐患病害实时检测方法
CN112884731B (zh) 一种基于机器视觉的水位检测方法及河道监测方法
CN115908951A (zh) 一种机器视觉实时识别预紧螺栓状态的方法
CN113848209B (zh) 一种基于无人机与激光测距的堤坝裂缝检测方法
CN113822104B (zh) 基于多候选虚拟标尺的人工智能水面检测系统
CN115240030A (zh) 一种基于深度卷积神经网络的齿轮磨削烧伤分割方法
CN113807238A (zh) 一种河道水面漂浮物面积的视觉测量方法
CN115760850B (zh) 一种利用机器视觉的无标尺识别水位的方法
Bai et al. Automated Construction Site Monitoring Based on Improved YOLOv8-Seg Instance Segmentation 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
GR01 Patent grant
GR01 Patent grant