CN115511880A - 一种利用机器视觉识别测量两轴振动幅值和频率的方法 - Google Patents
一种利用机器视觉识别测量两轴振动幅值和频率的方法 Download PDFInfo
- Publication number
- CN115511880A CN115511880A CN202211387433.8A CN202211387433A CN115511880A CN 115511880 A CN115511880 A CN 115511880A CN 202211387433 A CN202211387433 A CN 202211387433A CN 115511880 A CN115511880 A CN 115511880A
- Authority
- CN
- China
- Prior art keywords
- measured
- frequency
- vibration
- target frame
- amplitude
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 230000001133 acceleration Effects 0.000 claims description 30
- 238000001514 detection method Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 239000003550 marker Substances 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 12
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 210000004027 cell Anatomy 0.000 description 22
- 230000006870 function Effects 0.000 description 18
- 238000004458 analytical method Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 7
- 230000010355 oscillation Effects 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 150000001875 compounds Chemical class 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003466 welding Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical group [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明采用的技术方案是:一种利用机器视觉识别测量两轴振动幅值和频率的方法,包括以下步骤:在特定时间段,按照设定的采样频率,获取待测量对象在多个时刻的若干张不同角度的图像并进行融合;所述待测量对象为水电站机电设备;对不同时刻的融合后的图像中的待测量对象进行标记,获得待测量对象在不同时刻的坐标位置;根据待测量对象在不同时刻的坐标位置和采样频率,计算得到待测量对象在特定时间段的两轴振动幅值和频率。本发明可对单个、局部、乃至视域内的部件的振摆状态进行高精度识别和测量,从而实现无传感器、无接触、实时在线的振摆状态监测,保证工程安全、设备安全、运行安全。
Description
技术领域
本发明属于水利水电及人工智能技术领域,具体涉及一种利用机器视觉识别测量两轴振动幅值和频率的方法。
背景技术
在水利水电工程中,有各种各样的涉及关键部位、重要部件、工程安全的运行振摆现象,这些现象反映了设备的运行状态,需要加以监测。如水电站电机定子铁心、定子机座、水轮机顶盖、蜗壳、发电机上机架、上盖板等,这些部位的振摆状态不仅直接反映了设备的运行情况,而且一旦发生超过安全裕度的振动或摆度,常会导致极其严重的后果。如国内某大型水电站由于定子绕组的长期振动过大,导致内冷纯水管路的接口处疲劳断裂,纯水喷出后造成发电机引出线铜环短路的事故,定子损坏严重。再如,某大型电站发电机定子铁心在长期振动下,下齿压板紧固螺栓松动,造成铁心拉紧力下降,导致铁心叠片外移,最终发展成与转子碰撞的“扫膛”事故,发电机定、转子等设备损失严重。
上述设备长期运行过程中的振动摆度是反映设备性能和状态的主要参数,但其演变为具有破坏性大幅振摆具有一定的隐蔽性和趋势性,在实际的日常运行中也容易由于各种外因导致振摆状态的突然变化,但之前却很难被运行人员发现,且大多数重要且有振摆特征的部位数量多、分布广,目前采用的速度型传感器振摆测量方式因为布点及数量受限,因而无法有效的全面监测,且传统振动摆度传感器方式只能对预埋设的固定部位测量,不具备机器深度学习等趋势分析功能,因此振摆不仅是电站、电厂日常运行维护工作的难点,也因监测不到位、预知能力不足而导致各种安全隐患。
发明内容
本发明的目的就是为了解决上述背景技术存在的不足,提供一种利用机器视觉识别测量两轴振动幅值和频率的方法,可对单个、局部、乃至视域内的部件的振摆状态进行高精度识别和测量,从而实现无传感器、无接触、实时在线的振摆状态监测,保证工程安全、设备安全、运行安全。
本发明采用的技术方案是:一种利用机器视觉识别测量两轴振动幅值和频率的方法,包括以下步骤:
在特定时间段,按照设定的采样频率,获取待测量对象在多个时刻的若干张不同角度的图像并进行融合;所述待测量对象为水电站机电设备;
对不同时刻的融合后的图像中的待测量对象进行标记,获得待测量对象在不同时刻的坐标位置;
根据待测量对象在不同时刻的坐标位置和采样频率,计算得到待测量对象在特定时间段的两轴振动幅值和频率。
上述技术方案中,通过待测量对象在特定时间段的两轴振动幅值和频率进行二阶或高阶求导,计算得到待测量对象在垂直和水平两个方向上的各阶加速度。本发明能同时快速的高精度识别振动摆度方面的信息。
上述技术方案中,还包括以下步骤:计算待测量对象在多个连续的特定时间段的两轴振动幅值、频率和加速度;通过待测量对象在多个连续的特定时间段的两轴振动幅值、频率和加速度对BP神经网络进行训练,得到用于预测待测量对象两轴振动幅值、频率和加速度变化趋势的预测模型;将待测量对象在当前特定时间段的两轴振动幅值、频率和加速度输入预测模型,预测模型输出待测量对象在下一个特定时间段的两轴振动幅值、频率和加速度。本发明能通过振摆幅度和加速度的发展趋势,预测预知危险振动或摆度的发生,保证工程安全、设备安全、运行安全。
上述技术方案中,通过设置于待测量对象外侧的机器视觉光学系统,获取待测量对象在多个时刻的若干张不同角度的图像;所述机器视觉光学系统的标定相机镜头对准待测对象边缘;待测量对象在至少X轴和Y轴两个方向上的图像在标定相机的视域范围内;所述标定相机的根据预估的待测量对象的振动频率设置快门速度和感光速度。采用本发明的方法,可在不停机、不接触设备(定子机座)的情况下搭建机器视觉系统,实现实时在线振摆状态监测。本发明获取针对待测量对象获取多角度的图像,强化了测量的精度。
上述技术方案中,通过离散双正交小波变换对待测量对象在多个时刻的若干张不同角度的图像进行融合。和原速度型振动检测装置及方法相比,本发明的方法不受2/3高度位置限制,可多点检测,通过多角度的图像融合能够更加准确反映待测量对象的振动状态。
上述技术方案中,通过YOLO网络对不同时刻的融合后的图像中的待测量对象进行目标检测,采用矩形的目标框对待测量对象进行标记,所述目标框的坐标位置用于表征待测量对象边缘标记点的坐标。本发明使用整个带式输送机采集图片作为YOLO网络的输入,在输出层的位置上直接返回到预定义的候选区域及其类别,采用了有别于Faster RCNN的锚框,效果更好。
上述技术方案中,通过YOLO网络对特定时间段内第一时刻的融合后的图像中的待测量对象进行目标检测,采用矩形的目标框对待测量对象进行标记;采用Meanshift目标追踪方法,根据当前时刻的融合后的图像的目标框,计算得到下一时刻的融合后的图像的目标框;所述目标框的坐标位置用于表征待测量对象边缘标记点的坐标。Meanshift实时性强,对于物体运动信息描述适用性高,集合YOLO网络能够更好地反映图像中目标框的变化,提高测量精度。
式中,n表示一个特定时间段内的时刻数;∆xkn表示第kn个时刻待测对象在x方向的振动值,∆ykn第kn个时刻待测对象在y方向的振动值;xkn 和xkn-1分别标识kn时刻和kn-1时刻识别出的待测目标的中心标记点的横坐标,ykn 和ykn-1分别标识kn时刻和kn-1时刻识别出的待测目标的中心标记点的纵坐标;
采用下式计算待测量对象在x方向和y方向的振动频率fx和fy:
zxkn表示待测量对象在第kn个时刻是否在x方向产生振动;zykn表示待测量对象在第kn个时刻是否在y方向产生振动;∆xkn ≠0表示k时刻目标对象在x方向产生了振动,∆ykn ≠0表示k时刻目标对象在y方向产生了振动,此时zxkn的值为1,否则其值为0;以1min为单位,将待测对象在该时段内产生振动的次数相加,即为频率。
本发明可以实现两轴向(X、Y方向)0.01mm的振摆幅值的测量精度,完全满足定子机座X、Y两向在0.5~5Hz振频范围内水平分量不超过0.02mm的精度要求。
上述技术方案中,通过YOLO网络对融合后的图像中的待测量对象进行目标检测的过程包括:采用融合后的图像作为YOLO网络的输入图像,YOLO网络将检测为待测量对象的边缘标记点作为候选区域;在YOLO网络输出层的位置上直接返回到预定义的候选区域及其类别,然后将输入图像分成平均分为均等大小的单元格,如果作为视觉特征标志物的待测量对象的边缘标记点落在单元格当中,则该单元格用于预测待测量对象;如果判定单元格中存在待测量对象,则该单元格的置信度分数等于预测框与真实框的交互比;如果判定单元格中不存在该目标,则其置信分数置零;保留置信度分数最大的单元格并删除其余的单元;保留的单元格包含有若干个候选区域,根据候选区域的坐标计算得到预测的边界框,作为采用矩形的目标框对待测量对象进行标记。本发明采用YOLO网络及回归的方法,采用目标库对待测量对象进行标记,无需采用复杂的框架,有效提高计算速度,提高对待测量的标记速率。
上述技术方案中,采用Meanshift目标追踪方法,通过当前时刻的融合后的图像的目标框,计算得到下一时刻的融合后的图像的目标框的过程包括:定义核函数为空间中任一点到某一中心之间欧氏距离的单调函数;将当前时刻的融合后的图像的目标框的大小设置为核函数的带宽;将每个时刻融合后的图像中所有像素值平均分为若干个区间,形成每个时刻融合后的图像相应的若干个特征值;计算每个区间根据值域的大小分别对应的特征值;计算每个特征值的概率;在下一时刻融合后的图像中寻找可能包含待测量对象的候选目标框,并将候选目标框质心坐标作为核函数的中心坐标,对该候选目标框计算特征概率密度分布;根据候选目标框的特征概率密度分布,计算候选目标框与当前时刻目标框的相似度,得到候选目标框的Meanshift向量;将当前时刻中目标框的中心位置作为搜索窗口的中心,不断迭代所述Meanshift向量,找到相似度最大的候选目标框,作为下一时刻的目标框。由于Meanshift向量均值连续性的特点,能够高效且准确地实现针对待测量对象在连续图像视频流中目标的定位与追踪。
本发明的有益效果是:本发明针对水电站机电设备在运行中的振摆特征现象,提出的一种基于机器视觉和人工智能算法的高精度、在线识别和测量摆度(双向幅值、加速度)及频率的方法。在本发明的方法下,可以通过机器视觉及算法无时延识别机电设备对象,如发电机定子铁心、变压器外壳、开敞式铝管母线等在各种运行工况下的振动状态,通过对状态的高精度、高分辨率识别和机器视觉深度学习,可实现基于机器视觉算法的振摆状态参数测量,通过趋势分析预知设备的运行状态,并可根据安全阙值的设定发出相关的预警、预报或检修提示。
本发明直接对需要监测的运行设备进行机器视觉图像识别,通过高速、高动态的机器视觉成像,借助YOLO网络、Meanshift目标追踪方法等算法,高精度识别设备对象外缘在不同时刻在振摆水平和垂直两个方向上的位移,从而计算得到设备在两轴振动幅值和频率以及加速度。
本发明可对机电设备的某一个部位进行识别和测量,也可对相机视域范围内的多个部位进行识别和测量。如对发电机定子铁心、定子机座的四轴方向多联振摆测量,变压器油箱外壳上部出线法兰和下部振摆测量,蜗壳振动幅度和频率,水轮机顶盖振动、发电机上机架、上盖板等运行中振幅较大且需要状态采样和趋势分析的重要部位、部件能同时快速的高精度识别振动摆度方面的信息,并能通过振摆幅度和加速度的发展趋势,预测预知危险振动或摆度的发生,保证工程安全、设备安全、运行安全。
附图说明
图1为本发明的流程示意图;
图2为本发明具体实施例的使用状态示意图。
其中,1-相机,2-标尺,3-定子基座。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明,便于清楚地了解本发明,但它们不对本发明构成限定。
如图1所示,本发明提供了一种利用机器视觉识别测量两轴振动幅值和频率的方法,包括以下步骤:
S1,在特定时间段,按照设定的采样频率,获取待测量对象在多个时刻的若干张不同角度的图像并进行融合;所述待测量对象为水电站机电设备,如发电机上盖板、上机架、铁心、机座、水轮机顶盖、蜗壳等重要部位设备设施处;
S2,对不同时刻的融合后的图像中的待测量对象进行标记,获得待测量对象在不同时刻的坐标位置;
S3,根据待测量对象在不同时刻的坐标位置和采样频率,计算得到待测量对象在特定时间段的两轴振动幅值和频率;
S4,通过待测量对象在特定时间段的两轴振动幅值和频率进行二阶或高阶求导,计算得到待测量对象在垂直和水平两个方向上的各阶加速度;
S5,计算待测量对象在多个连续的特定时间段的两轴振动幅值、频率和加速度;通过待测量对象在多个连续的特定时间段的两轴振动幅值、频率和加速度对BP神经网络进行训练,得到用于预测待测量对象两轴振动幅值、频率和加速度变化趋势的预测模型;将待测量对象在当前特定时间段的两轴振动幅值、频率和加速度输入预测模型,预测模型输出待测量对象在下一个特定时间段的两轴振动幅值、频率和加速度;
S6,将待测量对象在下一个特定时间段的两轴振动幅值、频率和加速度与安全阈值进行比对,并根据比对结果选择是否发出危险振动频率、危险振源力的预警。
本发明还提供了一种利用机器视觉识别测量振动幅值和频率的装置,包括:工业级相机(单目或多目)、机器识别及AI算法处理单元;预警装置;趋势状态输出显示装置。
其中,工业级相机用于在特定时间段,按照设定的采样频率,获取待测量对象在多个时刻的若干张不同角度的图像并进行融合;所述待测量对象为水电站机电设备。
机器识别及AI算法处理单元用于对不同时刻的融合后的图像中的待测量对象进行标记,获得待测量对象在不同时刻的坐标位置;根据待测量对象在不同时刻的坐标位置和采样频率,计算得到待测量对象在当前特定时间段的两轴振动幅值、频率和加速度,并预测待测量对象在下一个特定时间段的两轴振动幅值、频率和加速度;
预警装置用于将待测量对象在下一个特定时间段的两轴振动幅值、频率和加速度与安全阈值进行比对,并根据比对结果选择是否发出危险振动频率、危险振源力的预警。
所述工业级相机(单目或多目)可选择面阵相机或线阵相机,对发电机定子机座等需要全局图像进行分布和趋势分析的设备时,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,对于要求高精度、快速识别对象边缘动态范围,可此选择较高分辨率1920像素×1080像素。为便于长期状态监测,帧率可选用高帧率如20fps。由于相机一般位置固定,因此镜头采用定焦、固定光圈。
本发明一般还配置有专用光源,专用光源是考虑识别发电机定子机座对象所在环境光线不足时的必要补充光源,为识别目标对象的连续性图案特征变化,因此可选用正面或正侧面光源。
工业级相机镜头配置有图像采集卡,用于获取的图像采集和预处理,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。
本具体实施例的待测量对象是XX水电站700MW水轮机发电组定子机座,是整个机组中外径尺寸最大的部件之一,外径达21.42m,高3.46m,单量为600t,采用厚钢板工厂焊接、现场组圆组焊而成。由于受发电机定子绕组巨大交变电磁力的作用,定子机座也具有一定的振动,并向上传递到上机架和上盖板。
本具体实施例的具体应用过程如下:
第一步,首先在发电机机坑内的墙壁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轴两个方向上的图像在标定相机视域范围内。如图2所示,在定子基座x轴方向两端和y轴方向两端,分别设置探测点,并在探测点一侧固定设置参照标尺,在参照标尺的正上方设置相机。当定子基座发生振动时,参照标尺和相机均保持不动。通过相机拍摄的视频可以获取定子基座的振动下的位移情况。视频图像中包含参照标尺的图像,为定子基座的位置情况提供参考,如果实际情况不允许可以不设置,仅仅通过定子基座在逐帧画面中的移动情况,也可以定子基座的振动下的位移情况。
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。
然后对定子机座外壁监测部位进行高速成像,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,形成多设备从多视角多方位收集到的定子机座的图像视频。
第二步,获取水电站发电机定子机座的全面特征,采用图像融合技术将多个设备分别收集到的定子机座的图像视频经过融合处理,以获得对目标更细致、更准确和更完整的描述与分析。图像视频是由多帧图像组成的,图像融合是对选定的每一帧图像进行融合。本发明基于离散双正交小波变换对拍摄的在同一时刻(即同一帧)拍摄到的多张不同角度的水电站发电机定子机座图像进行融合。
首先在正交小波变换中选定大小为的邻域作为子带图像高频分量,其
中: ,nl为自然数,根据L的数值大小计算。设该邻域的中心像素点为 ,
则其在水平、垂直和对角线三个方向纹理测度可根据式(1)分别计算得到:
式中,(k,m),(k,m)和(k,m)分别表示邻域在以为中心区域内
的在水平、垂直和对角线方向的小波系数,(k,m)表示以为中心区域内的任一像素
点;(i,j),(i,j)和(i,j)分别表示邻域在以为中心区域内的在水平、
垂直和对角线方向的均值。
进一步地,可通过式(2)计算得到各高频分量图像在水平、垂直、对角线三个不同方向上的纹理一致性测度,并定义目标纹理一致性测试方程,如式(3)所示:
在本发明中,取对图像进行一致性测试。在对多张不同角度的水
电站发电机定子机座图像进行融合的过程中,为了使图像在各个频带的数据具有一致性,
本发明采用“多数”原则进行一致性检测与调整,即在对各个频带的数据进行融合时,对每
个像素进行如下处理:若某像素的8领域中有多数像素值具有较大的纹理一致性测度,表明
该区域是边缘区,则选取边缘纹理一致性测度值最大的高频图像小波系数作为融合的小波
系数;相反地,若某像素的8领域中有多数像素具有较小的目标一致性测度,表明该区域是
平滑区,需要根据式(4-1,4-2)和式(5)分别计算两两不同的水电站发电机定子机座图像在
同一区域的能量(即ENA和ENB),和它们的匹配度MTAB(在该区域内)
其中,和分别表示两个不同的
水电站发电机定子机座图像邻域在坐标上的像素值,mc和nc表示两
个不同的水电站发电机定子机座图像邻域中心点的横坐标和纵坐标;mc1和nc1表示两个不
同的水电站发电机定子机座图像邻域周围点距分别其中心点在横坐标方向上和纵坐标方
向上的距离。
进一步地,再根据匹配度的大小,确定多幅水电站发电机定子机座图像的小波系数在融合图像小波系数中所占的比重,如式(6)和(7)所示:
最后,将获得的小波系数进行离散双正交小波逆变换,对多张水电站发电机定子机座进行融合,即可得到融合后的水电站发电机定子机座图像。
YOLO网络方法的原理是将目标区域预测和目标类别预测合并为回归问题来解决。YOLO网络中包含24个卷积层和两个全连接层,并且在每个1×1的降维层之后再连接一个3×3的卷积层代替 Inception结构。
由于在水电站发电机定子机座对目标跟踪时,只需要判断是前景还是背景,而不需要进行目标类别的判断,所以本具体实施例可以将全连接层去掉,用Softmax类器进行简化,将最后一层卷积层的输出作为Softmax分类器的输入,将图像检测分为前景和背景,进而将检测为前景的目标作为候选区域,为下一步目标跟踪做准备。
使用整个水电站发电机定子机座图像作为YOLO网络的输入,在输出层的位置上直接返回到预定义的候选区域及其类别,然后将输入图像分成SxS个均等大小的网格,如果输入图像的视觉特征标志物,即定子机座正好落在某个单元格当中,那么该单元格就用来预测视觉特征标志物。
在每个单元格中,YOLO会预测M个目标边界框,每个目标边界框包括5个预测值x’,y’,w’,h’和置信度Conf;x’, y’表示目标边界框的中心坐标;w’, h’表示长和宽。如果单元格中存在目标,则该单元格的置信度分数等于预测框与真实框的交互比,如果单元格中不存在该目标,则其置信分数置零。
置信度的计算表达式如式(8)所示
保留置信度分数最大的单元格并删除其余的单元;保留的单元格包含有若干个候选区域。
采用YOLO网络对特定帧图像中的目标标志物定子机座进行检测后,将其用矩形框标出,得到目标区域。
第四步,结合Meanshift目标追踪方法对定子机座的振动幅值和频率进行检测。首
先,将核函数(一般意义上为某种沿径向对称的标量函数)作用于下一帧的融合后的定子基
座图像。本发明采用的方法将核函数 定义为空间中任一点x到某一中心xc之间欧氏
距离的单调函数,可记作 。
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,当前帧目标框的的概率分布计算方法如式(11)所示:
式中,nk表示区间个数,xc表示每个区间的中心点坐标,xi表示每个区间任一像素,
u表示特征值;b(xi)函数的作用是判断目标区域中像素xi处的像素值是否属于第u个单元;C
表示目标模型(即当前帧目标框)的归一化常数, 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待测量对象的候选目标框,并将其候选目标框质心坐标作为核函数的中心坐标,基于此对该候选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,则候选目标框的概率分布可根据(12)进行计算:
式中,Ch表示候选目标模型(即候选目标框)的归一化常数。选取巴氏系数(Bhattacharyya)作为相似性函数,以度量目标框与候选目标框之间的相似性,具体表示为:
进一步地,可得出目标模型的Meanshift向量如式(14)所示:
最后,将当前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,进而找到使得相似度最大的候选目标框,即为当前帧中目标框的位置,计算存储当前帧目标框像素坐标。
循环执行上述步骤,即可得到每一帧的目标框像素坐标,即发生振动后定子基座的各顶点的坐标位置。进而计算得到在某段时间内定子机座两轴的振动幅值和频率。
本具体实施例中选取1分钟作为计算的时间尺度,基于所有前后帧图像中识别得到的对应位置的定子机座坐标定点,可通过式(15)计算其在x方向和y方向的振动幅值:
式中,n表示一个特定时间段内的时刻数;∆xkn表示第kn个时刻待测对象在x方向的振动值,∆ykn第kn个时刻待测对象在y方向的振动值。
同样地,定子机座在x方向和y方向的振动频率也可通过式(16)计算得到:
zxkn表示待测量对象在第kn个时刻是否在x方向产生振动(1为振动,0为未振动);zykn表示待测量对象在第kn个时刻是否在y方向产生振动(1为振动,0为未振动),可以实现两轴向(X、Y方向)0.01mm的振摆幅值的测量精度,完全满足定子机座X、Y两向在0.5~5Hz振频范围内水平分量不超过0.02mm的精度要求。
第五步,基于获得的大量水电站发电机定子机座在不同时刻时的振荡幅值和频率数据,本具体实施例采用BP神经网络提取当前振荡幅值和频率的变化趋势,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,设分别表示第kb层ib个神经元总的输入和输出,
即上标表示神经网络层数的编号,下标表示神经元的编号;表示kb-1层第jb个神经元
对kb层的第ib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
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,其计算方法如式(18)所示:
式中,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,本具体实施例在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,进而得到权值的更新量
基于上述BP神经网络学习方法,基于获得的大量水电站发电机定子机座在不同时刻的振荡幅值和频率数据,即可提取当前振荡幅值和频率的变化趋势。
第六步,根据当前振荡幅值和频率的变化趋势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。
本具体实施例定子机座冷态情况下,X、Y两向在0.5~5Hz振频范围内水平分量不超过0.02mm,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0.02mm时,发出预警信号。并根据振动幅值在两个方向上的每周振幅变化△X/week、△Y/week或每月振幅变化△X/month、△Y/month,以及对应两个方向上的每周加速度变化△aX/week、△aY/week或每月加速度变化△aX/month、△aY/month输出趋势分析,通过趋势分析,判断会出现预警情况,并针对预警情况提出检修周期预案。
本具体实施例x方向和y方向的振幅变化△X、△Y根据在某水力发电厂的技术研究和实验运用,均采用0.01mm为基准参数,两个方向上的加速度△aX、△aY采用0.005mm为基准参数。振动摆度的趋势分析按周(7天)、月(30天)输出,对应的检修周期(本例为发电机定子机座)以6个月(180天)为基准单位。
综上所示,本具体实施例对某巨型水电站水轮机发电机最大的结构部件定子机座进行了技术实施研究和测试,该700MW发电机定子机座外径达21.42m,高3.46m,单量达600t,厚钢板工厂焊接、现场组圆组焊而成。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,本具体实施例的优点及积极效果如下:
在不停机、不接触设备(定子机座)的情况下搭建机器视觉系统,实现实时在线振摆状态监测。原采用的速度型振动检测器,整套装置包括检测器、检测头、转换器、电缆,检测头需埋设在机座2/3高度,数量受限,且引线长、布置困难。传统检测传感器方式在实际运行中,由于机座本身的长期振动,振摆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。本具体实施例由于不和设备接触,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可靠性25%,整套系统可用率达100%。
本发明的方法通过高速成像和图像处理算法,可以实现两轴向(X、Y方向)0.01mm的振摆幅值的测量精度,完全满足定子机座X、Y两向在0.5~5Hz振频范围内水平分量不超过0.02mm的精度要求。此外,和原速度型振动检测装置及方法相比,本发明的方法不受2/3高度位置限制,可多点检测,从而能够更加准确反映定子机座的振动状态。测量点数量为传统方式的200%~400%。
本发明的方法由于采用机器视觉技术和算法,在定子机座上没有预埋件,因此也避免了原检测元件受机座本身振动和电磁干扰影响,X、Y两向水平测量精度可大幅提升50%以上,达到0.01mm级。
本发明在某水电站的运用大大提高了发电机关键部件定子机座及铁芯的振动监测的精度,特别是趋势分析,能很好的预知关键设备的状态,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。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种利用机器视觉识别测量两轴振动幅值和频率的方法,其特征在于:包括以下步骤:
在特定时间段,按照设定的采样频率,获取待测量对象在多个时刻的若干张不同角度的图像并进行融合;所述待测量对象为水电站机电设备;
对不同时刻的融合后的图像中的待测量对象进行标记,获得待测量对象在不同时刻的坐标位置;
根据待测量对象在不同时刻的坐标位置和采样频率,计算得到待测量对象在特定时间段的两轴振动幅值和频率。
2.根据权利要求1所述的一种利用机器视觉识别测量两轴振动幅值和频率的方法,其特征在于:通过待测量对象在特定时间段的两轴振动幅值和频率进行二阶或高阶求导,计算得到待测量对象在垂直和水平两个方向上的各阶加速度。
3.根据权利要求2所述的一种利用机器视觉识别测量两轴振动幅值和频率的方法,其特征在于:还包括以下步骤:计算待测量对象在多个连续的特定时间段的两轴振动幅值、频率和加速度;通过待测量对象在多个连续的特定时间段的两轴振动幅值、频率和加速度对BP神经网络进行训练,得到用于预测待测量对象两轴振动幅值、频率和加速度变化趋势的预测模型;将待测量对象在当前特定时间段的两轴振动幅值、频率和加速度输入预测模型,预测模型输出待测量对象在下一个特定时间段的两轴振动幅值、频率和加速度。
4.根据权利要求1所述的一种利用机器视觉识别测量两轴振动幅值和频率的方法,其特征在于:通过设置于待测量对象外侧的机器视觉光学系统,获取待测量对象在多个时刻的若干张不同角度的图像;所述机器视觉光学系统的标定相机镜头对准待测对象边缘;待测量对象在至少X轴和Y轴两个方向上的图像在标定相机的视域范围内;所述标定相机的根据预估的待测量对象的振动频率设置快门速度和感光速度。
5.根据权利要求1所述的一种利用机器视觉识别测量两轴振动幅值和频率的方法,其特征在于:通过离散双正交小波变换对待测量对象在多个时刻的若干张不同角度的图像进行融合。
6.根据权利要求1所述的一种利用机器视觉识别测量两轴振动幅值和频率的方法,其特征在于:通过YOLO网络对不同时刻的融合后的图像中的待测量对象进行目标检测,采用矩形的目标框对待测量对象进行标记,所述目标框的坐标位置用于表征待测量对象边缘标记点的坐标。
7.根据权利要求1所述的一种利用机器视觉识别测量两轴振动幅值和频率的方法,其特征在于:通过YOLO网络对特定时间段内第一时刻的融合后的图像中的待测量对象进行目标检测,采用矩形的目标框对待测量对象进行标记;采用Meanshift目标追踪方法,根据当前时刻的融合后的图像的目标框,计算得到下一时刻的融合后的图像的目标框;所述目标框的坐标位置用于表征待测量对象边缘标记点的坐标。
式中,n表示一个特定时间段内的时刻数;∆xkn表示第kn个时刻待测对象在x方向的振动值,∆ykn第kn个时刻待测对象在y方向的振动值;xkn 和xkn-1分别标识kn时刻和kn-1时刻识别出的待测目标的中心标记点的横坐标,ykn 和ykn-1分别标识kn时刻和kn-1时刻识别出的待测目标的中心标记点的纵坐标;
采用下式计算待测量对象在x方向和y方向的振动频率fx和fy:
zxkn表示待测量对象在第kn个时刻是否在x方向产生振动;zykn表示待测量对象在第kn个时刻是否在y方向产生振动;∆xkn ≠0表示k时刻目标对象在x方向产生了振动,∆ykn ≠0表示k时刻目标对象在y方向产生了振动,此时zxkn的值为1,否则其值为0;以1min为单位,将待测对象在该时段内产生振动的次数相加,即为频率。
9.根据权利要求6或7所述的一种利用机器视觉识别测量两轴振动幅值和频率的方法,其特征在于:通过YOLO网络对融合后的图像中的待测量对象进行目标检测的过程包括:采用融合后的图像作为YOLO网络的输入图像,YOLO网络将检测为待测量对象的边缘标记点作为候选区域;在YOLO网络输出层的位置上直接返回到预定义的候选区域及其类别,然后将输入图像分成平均分为均等大小的单元格,如果作为视觉特征标志物的待测量对象的边缘标记点落在单元格当中,则该单元格用于预测待测量对象;如果判定单元格中存在待测量对象,则该单元格的置信度分数等于预测框与真实框的交互比;如果判定单元格中不存在该目标,则其置信分数置零;保留置信度分数最大的单元格并删除其余的单元;保留的单元格包含有若干个候选区域,根据候选区域的坐标计算得到预测的边界框,作为采用矩形的目标框对待测量对象进行标记。
10.根据权利要求7所述的一种利用机器视觉识别测量两轴振动幅值和频率的方法,其特征在于:采用Meanshift目标追踪方法,通过当前时刻的融合后的图像的目标框,计算得到下一时刻的融合后的图像的目标框的过程包括:定义核函数为空间中任一点到某一中心之间欧氏距离的单调函数;将当前时刻的融合后的图像的目标框的大小设置为核函数的带宽;将每个时刻融合后的图像中所有像素值平均分为若干个区间,形成每个时刻融合后的图像相应的若干个特征值;计算每个区间根据值域的大小分别对应的特征值;计算每个特征值的概率;在下一时刻融合后的图像中寻找可能包含待测量对象的候选目标框,并将候选目标框质心坐标作为核函数的中心坐标,对该候选目标框计算特征概率密度分布;根据候选目标框的特征概率密度分布,计算候选目标框与当前时刻目标框的相似度,得到候选目标框的Meanshift向量;将当前时刻中目标框的中心位置作为搜索窗口的中心,不断迭代所述Meanshift向量,找到相似度最大的候选目标框,作为下一时刻的目标框。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211387433.8A CN115511880A (zh) | 2022-11-07 | 2022-11-07 | 一种利用机器视觉识别测量两轴振动幅值和频率的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211387433.8A CN115511880A (zh) | 2022-11-07 | 2022-11-07 | 一种利用机器视觉识别测量两轴振动幅值和频率的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115511880A true CN115511880A (zh) | 2022-12-23 |
Family
ID=84511600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211387433.8A Pending CN115511880A (zh) | 2022-11-07 | 2022-11-07 | 一种利用机器视觉识别测量两轴振动幅值和频率的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115511880A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797411A (zh) * | 2023-01-17 | 2023-03-14 | 长江勘测规划设计研究有限责任公司 | 一种利用机器视觉在线识别水电站电缆桥架形变的方法 |
CN115808129A (zh) * | 2023-01-17 | 2023-03-17 | 长江勘测规划设计研究有限责任公司 | 一种机器视觉识别发电机母线位移和形变的方法 |
CN116977438A (zh) * | 2023-09-22 | 2023-10-31 | 广东木川实业有限公司 | 一种物流用伸缩机振动检测方法、系统及使用设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090262985A1 (en) * | 2005-10-27 | 2009-10-22 | The Tokyo Electric Power Co. Inc. | Vibration measuring system, vibration measuring method, and computer program |
US20130169631A1 (en) * | 2010-09-07 | 2013-07-04 | Anatoly Alekseevich Speranskiy | Method for reconstructing a three-dimensional model of the physical state of a monitoring object at a measurement point |
CN108875841A (zh) * | 2018-06-29 | 2018-11-23 | 国家电网有限公司 | 一种抽蓄机组振动趋势预测方法 |
CN112098092A (zh) * | 2020-09-11 | 2020-12-18 | 北京航空航天大学 | 一种结合深度学习和机器视觉的滚动轴承振动测量方法 |
-
2022
- 2022-11-07 CN CN202211387433.8A patent/CN115511880A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090262985A1 (en) * | 2005-10-27 | 2009-10-22 | The Tokyo Electric Power Co. Inc. | Vibration measuring system, vibration measuring method, and computer program |
US20130169631A1 (en) * | 2010-09-07 | 2013-07-04 | Anatoly Alekseevich Speranskiy | Method for reconstructing a three-dimensional model of the physical state of a monitoring object at a measurement point |
CN108875841A (zh) * | 2018-06-29 | 2018-11-23 | 国家电网有限公司 | 一种抽蓄机组振动趋势预测方法 |
CN112098092A (zh) * | 2020-09-11 | 2020-12-18 | 北京航空航天大学 | 一种结合深度学习和机器视觉的滚动轴承振动测量方法 |
Non-Patent Citations (5)
Title |
---|
YUECHAO WU ET AL.: "The Life Cycle Integrated Management and Control Platform for Smart Hydropower Stations", 《2020 IEEE INTERNATIONAL CONFERENCE ON ADVANCES IN ELECTRICAL ENGINEERING AND COMPUTER APPLICATIONS (AEECA)》 * |
刘赏 主编, 同济大学结构理论研究所 * |
解树平 等: "基于双目立体视觉的三维测振技术", 《光学仪器》 * |
詹佩: "基于人工智能的水电机组振动趋势预测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
黄锐: "抽水蓄能电站机组振摆监测系统国产化关键技术应用", 《抽水蓄能电站工程建设文集 2018》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797411A (zh) * | 2023-01-17 | 2023-03-14 | 长江勘测规划设计研究有限责任公司 | 一种利用机器视觉在线识别水电站电缆桥架形变的方法 |
CN115808129A (zh) * | 2023-01-17 | 2023-03-17 | 长江勘测规划设计研究有限责任公司 | 一种机器视觉识别发电机母线位移和形变的方法 |
CN116977438A (zh) * | 2023-09-22 | 2023-10-31 | 广东木川实业有限公司 | 一种物流用伸缩机振动检测方法、系统及使用设备 |
CN116977438B (zh) * | 2023-09-22 | 2024-04-02 | 广东佳德自动化设备有限公司 | 一种物流用伸缩机振动检测方法、系统及使用设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Yang et al. | Deep learning‐based bolt loosening detection for wind turbine towers | |
CN115471501B (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 | |
CN105547635A (zh) | 一种用于风洞试验的非接触式结构动力响应测量方法 | |
CN114297947B (zh) | 基于深度学习网络的数据驱动风电系统孪生方法及系统 | |
Zhu et al. | A multi-resolution deep feature framework for dynamic displacement measurement of bridges using vision-based tracking system | |
CN114333424B (zh) | 一种桥梁防船撞监测预警系统 | |
CN115909093A (zh) | 一种基于无人机巡检和红外图像语义分割的电力设备故障检测方法 | |
CN111221003A (zh) | 用激光雷达传感器获取入射风场和对其建模的方法 | |
Su et al. | Transformer vibration detection based on YOLOv4 and optical flow in background of high proportion of renewable energy access | |
CN116503318A (zh) | 一种融合CAT-BiFPN与注意力机制的航拍绝缘子多缺陷检测方法、系统及设备 | |
CN115272560B (zh) | 一种基于三维声场云图的变电设备隐患定位方法及系统 | |
CN115359054A (zh) | 一种基于伪缺陷空间生成的电力设备缺陷检测方法 | |
Li et al. | Ferrite beads surface defect detection based on spatial attention under weakly supervised learning | |
CN115808129B (zh) | 一种机器视觉识别发电机母线位移和形变的方法 | |
CN113052103A (zh) | 一种基于神经网络的电气设备缺陷检测方法及装置 | |
Mohammed et al. | Artificial neural networks as decision-makers for stereo matching | |
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 | |
CN117150838A (zh) | 一种基于视觉信息与物理融合的裂纹损伤智能评估方法 | |
Liu et al. | Detection of transmission line against external force damage based on improved YOLOv3 | |
Diaz et al. | Fast detection of wind turbine blade damage using Cascade Mask R-DSCNN-aided drone inspection analysis | |
CN115797411A (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 | |
Rong et al. | A joint faster RCNN and stereovision algorithm for vegetation encroachment detection in power line corridors | |
CN112464854A (zh) | 基于深度学习的机械隔离刀闸的状态精确判断方法及系统 | |
CN115439741A (zh) | 基于人工智能与单目视觉的电力设备检测、测距及预警方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221223 |