CN116733691A - 一种风机叶片故障预警系统 - Google Patents
一种风机叶片故障预警系统 Download PDFInfo
- Publication number
- CN116733691A CN116733691A CN202310720858.4A CN202310720858A CN116733691A CN 116733691 A CN116733691 A CN 116733691A CN 202310720858 A CN202310720858 A CN 202310720858A CN 116733691 A CN116733691 A CN 116733691A
- Authority
- CN
- China
- Prior art keywords
- blade
- fault
- image
- threshold value
- unit
- 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
- 238000007619 statistical method Methods 0.000 claims abstract description 10
- 230000036541 health Effects 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims description 35
- 238000012423 maintenance Methods 0.000 claims description 27
- 238000001514 detection method Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 13
- 238000012937 correction Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 239000004576 sand Substances 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明涉及风机叶片故障预警技术领域,更具体的说是涉及一种风机叶片故障预警系统,包括:采集模块,对风机叶片表面的图像信息进行采集;数据模块,根据风机叶片表面的图像信息,对风机叶片表面的故障进行分析判断,对故障信息进行统计分析,根据分析结果对叶片的健康状况进行预警,同时对叶片的检修周期进行调节;使用无人机对风机叶片的图像信息进行采集,能够保证叶片图像在同一拍摄角度,有利于对叶片故障位置的确定。根据风机叶片转动的特性分段进行分析,依据故障的数量和大小生成不同等级的预警信息,对叶片的检修周期进行调节,避免了检修过早或过晚造成的经济损失。
Description
技术领域
本发明涉及风机叶片故障预警技术领域,更具体的说是涉及一种风机叶片故障预警系统。
背景技术
叶片作为风力发电机组中一个非常关键的部件,它的气动效率决定了风力发电机组利用风能的能力。叶片高速转动时不可避免会与空气中的沙尘、颗粒产生摩擦和撞击,导致叶片前缘磨碎,前缘粘合会因此开裂。另外,随着风机运行年限的增加,叶片表面胶衣磨损、脱落后会出现砂眼和裂纹,这些缺陷都会对风机发电量产生影响。而随着缺陷的扩张甚至会导致叶片事故的发生。
及时的对风机叶片进行检修,可以预防不必要的故障停机及缺陷扩大化,提高风电场的上网电量。但对风机叶片进行检修需要进行停机,且耗费大量的人力,所以在叶片的故障较少或者故障较轻时进行检修回造成资源的浪费。
因此如何根据叶片的故障情况对叶片进行预警,并确定检修时间是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种风机叶片故障预警系统,使用无人机对风机叶片的图像信息进行采集,能够保证叶片图像在同一拍摄角度,有利于对叶片故障位置的确定。根据风机叶片转动的特性分段进行分析,依据故障的数量和大小生成不同等级的预警信息,对叶片的检修周期进行调节,避免了检修过早或过晚造成的经济损失。
为实现上述目的,本发明提供如下技术方案:
优选的,在上述一种风机叶片故障预警系统,包括:
采集模块,对风机叶片表面的图像信息进行采集;
数据模块,根据风机叶片表面的图像信息,对风机叶片表面的故障进行分析判断,对故障信息进行统计分析,根据分析结果对叶片的健康状况进行预警,同时对叶片的检修周期进行调节。
优选的,在上述一种风机叶片故障预警系统,所述采集模块,包括:
无人机单元,利用无人机携带相机、云台、激光雷达和机载电脑对叶片表面进行图像拍摄;
其中,机载电脑与无人机、云台、相机和激光雷达连接,并进行控制;
遥控器单元,通过无线通信与无人机和机载电脑连接,通过机载电脑获取并显示无人机、云台、相机和激光雷达的状态数据,同时显示相机拍摄的图像信息;通过无线通信对无人机进行手动控制,并控制无人机作业的开始和结束。
优选的,在上述一种风机叶片故障预警系统,所述数据单元,包括:
预处理单元,用于对叶片表面的图像信息进行预处理;
故障判断单元,利用神经网络训练模型对预处理后的叶片表面图像进行故障判断分析;
统计分析单元,根据叶片表面故障的位置、种类和数量进行统计,同时根据故障的变化趋势对故障的发生进行预测;
预警单元,根据故障的统计数据与预设的阈值进行对比,超过阈值时生成叶片的故障预警信息;
周期调节单元,根据叶片的预警情况对风机检修的日期进行调节。
优选的,在上述一种风机叶片故障预警系统,所述预处理单元,包括:
背景分割单元,利用前后景分割算法对叶片表面图像进行处理,得到背景分割图像;
图像拼接单元,根据叶片表面图像和背景分割图像对每一张图像中的叶片特征进行提取,根据叶片特征将叶片表面图像进行拼接,生成叶片整体图像;
图像切割单元,基于背景分割图像将叶片表面图像分为有障碍区域和无障碍区域,对无障碍区域进行清除;将有障碍区域的图像进行切割,得到叶片切割图像。
优选的,在上述一种风机叶片故障预警系统,所述故障判断单元,包括:
图像区分单元,利用神经网络训练模型对所述叶片切割图像进行分析,将没有障碍的所述叶片切割图像进行清除,得到叶片故障图像;
故障识别单元,用于对所述叶片故障图像进行故障识别,对故障的种类和大小进行标记;
图像合并单元,若判断故障延伸至所述叶片故障图像的边缘,根据故障的延伸趋势对相邻的所述叶片故障图像进行故障匹配,匹配成功后对将所有匹配的图像进行合并形成新的所述叶片故障图像,并重新对故障的大小的进行标记。
优选的,在上述一种风机叶片故障预警系统,所述统计分析单元,包括:
统计单元,根据故障的种类将故障进行分别统计,形成对各故障数据集;
叶片分段单元,根据叶片整体图像对叶片进行分段,并根据叶片的分段结果和所述故障数据集中故障的位置对故障进行分组,得到故障数据组;
故障预测单元,基于当前叶片的故障情况,根据历史数据对叶片故障的发展情况进行分析。
优选的,在上述一种风机叶片故障预警系统,所述故障预测单元,包括:
获取单元,获取风电厂内风机叶片的历史数据,提取与当前叶片型号向匹配的叶片数据,得到参考数据;
匹配单元,根据所述故障数据组中的故障大小和位置在参考数据中进行匹配,得到叶片局部的分析数据;
预测单元,将所述分析数据进行异常值清理,得到有效数据;对有效数据进行有效值计算作为故障预测的参考值;根据参考值对当前叶片的故障进行预测,得到预测故障数据。
优选的,在上述一种风机叶片故障预警系统,所述预警单元,包括:
基于所述故障数据组,对故障的设定第一数量阈值、第二数量阈值、第一大小阈值和第二大小阈值;其中,所述第一数量阈值小于所述第二数量阈值,所述第一大小阈值小于所述第二大小阈值;
设定所述第一数量阈值和所述第一大小阈值为一级,所述第二数量阈值和所述第二大小阈值为二级;
若所述故障数据组中的数据大于所述第一数量阈值且小于所述第一大小阈值,或小于所述第一数量阈值且大于所述第一大小阈值,生成一级预警信息;
若所述故障数据组中的数据大于所述第一数量阈值小于所述第二数量阈值且大于所述第一大小阈值小于所述第二大小阈值,生成二级预警信息;
若所述故障数据组中的数据大于所述第一数量阈值小于所述第二数量阈值且大于所述第二大小阈值,或大于所述第二数量阈值且大于所述第一大小阈值小于第二大小阈值,生成三级预警信息;
若所述故障数据组中的数据大于所述第二数量阈值且大于所述第二大小阈值,生成四级预警信息。
优选的,在上述一种风机叶片故障预警系统,所述周期调节单元,包括:
设置检测周期、检修周期和调节周期,其中所述调节周期的时间段在所述检修周期内,且处于所述检修周期末尾;所述检测周期的时间段在所述检修周期内,且处于检修周期的开始;所述检测周期和调节周期不进行重叠;
所述检修周期开始时进行计时,在检修计时未到达所述调节周期的时间段内时:
若没有产生预警信息,则检修周期正常进行;
若在检测周期内生成了一级预警或二级预警,则将检修计时调节到调节周期的开始;
在检修计时达到所述调节周期的时间段内时:
若生成一级预警信息或二级预警信息,则马上对叶片进行检修,检修后将检修计时进行重置;
在检修周期的时间段内,产生三级预警信息或四级预警信息,则马上对叶片进行检修,检修后将检修计时进行重置。
优选的,在上述一种风机叶片故障预警系统,所述对叶片进行检修之后,包括:
阈值调节单元,获取叶片检修后的故障数据信息,并对第一数量阈值、第二数量阈值、第一大小阈值和第二大小阈值进行调节;
检修周期单元,获取预测故障数据,对叶片的检修周期时间进行调节。
经由上述的技术方案可知,与现有技术相比,本发明的有益效果为:
1.使用无人机对风机叶片的图像信息进行采集,能够保证叶片图像在同一拍摄角度,有利于对叶片故障位置的确定。根据风机叶片转动的特性分段进行分析,依据故障的数量和大小生成不同等级的预警信息,对叶片的检修周期进行调节,避免了检修过早或过晚造成的经济损失。
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的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明系统的结构示意图。
图2附图为本发明的无人机信息传递流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明中,术语“第一”、“第二”、“第三”仅用于描述的目的,而不能理解为指示或暗示相对重要性;术语“多个”则指两个或两个以上,除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;“相连”可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的描述中,需要理解的是,术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作,因此,不能理解为对本发明的限制。
在本说明书的描述中,术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
实施例1
如图1所示,本发明实施例公开了一种风机叶片故障预警系统,包括:
采集模块,对风机叶片表面的图像信息进行采集;
数据模块,根据风机叶片表面的图像信息,对风机叶片表面的故障进行分析判断,对故障信息进行统计分析,根据分析结果对叶片的健康状况进行预警,同时对叶片的检修周期进行调节。
其中,风机叶片表面的故障包括:脱衣、砂眼和裂纹。
上述实施例的有益效果为:使用无人机对风机叶片的图像信息进行采集,能够保证叶片图像在同一拍摄角度,有利于对叶片故障位置的确定。根据风机叶片转动的特性分段进行分析,依据故障的数量和大小生成不同等级的预警信息,对叶片的检修周期进行调节,避免了检修过早或过晚造成的经济损失。
实施例2
如图2所示,在一个实施例中,一种风机叶片故障预警系统,采集模块,包括:
无人机单元,利用无人机携带相机、云台、激光雷达和机载电脑对叶片表面进行图像拍摄;
其中,机载电脑与无人机、云台、相机和激光雷达连接,并进行控制;
遥控器单元,通过无线通信与无人机和机载电脑连接,通过机载电脑获取并显示无人机、云台、相机和激光雷达的状态数据,同时显示相机拍摄的图像信息;通过无线通信对无人机进行手动控制,并控制无人机作业的开始和结束。
在上述实施例中,遥控器、无人机、相机、云台、激光雷达和机载电脑都为本领域人员常知现有技术;
其中,遥控器还用于对无人机采集的图像进行确定,确定后发送到云端数平台进行数据处理。
实施例3
在一个实施例中,一种风机叶片故障预警系统,数据单元,包括:
预处理单元,用于对叶片表面的图像信息进行预处理;
故障判断单元,利用神经网络训练模型对预处理后的叶片表面图像进行故障判断分析;
统计分析单元,根据叶片表面故障的位置、种类和数量进行统计,同时根据故障的变化趋势对故障的发生进行预测;
预警单元,根据故障的统计数据与预设的阈值进行对比,超过阈值时生成叶片的故障预警信息;
周期调节单元,根据叶片的预警情况对风机检修的日期进行调节。
在上述实施例中,神经网络训练模型为本领域人员常的现有技术,能够有效的图像中的缺陷进行识别,并计算缺陷的大小;
在上述实施例中,对叶片图像进行编号,缺陷的位置有叶片图像的编号进行确定。
实施例4
在一个实施例中,一种风机叶片故障预警系统,预处理单元,包括:
背景分割单元,利用前后景分割算法对叶片表面图像进行处理,得到背景分割图像;
图像拼接单元,根据叶片表面图像和背景分割图像对每一张图像中的叶片特征进行提取,根据叶片特征将叶片表面图像进行拼接,生成叶片整体图像;
图像切割单元,基于背景分割图像将叶片表面图像分为有障碍区域和无障碍区域,对无障碍区域进行清除;将有障碍区域的图像进行切割,得到叶片切割图像。
在上述实施例中,前后景分割算法为现有技术,前后景叶片分割是叶片图像处理的基础操作,采用semantic segmentation的思想将叶片前景在pixel级别上分割出来。采用Deep Learning某一个60+层的semantic segmentation模型,并在这个model的基础上做了卷积层和Up Sample方面的优化,得到背景分割图像。
在上述实施例中,图像拼接算法为现有技术,在无人机进行图像拍摄时,利用激光雷达对叶片的形态进行3D建模,通过对2D图像和3D模型对叶片的特征进行提取,完成叶片整体的拼接。
在上述实施例中,背景分割图像形成的黑白图像,有效的分辨图像内叶片和背景,将大面积的进行标记为无障碍区域进行清除。减少计算的工作量,再次对叶片区域进行切割成相同大小的若干图像,完成对图像的预处理。
上述实施例的有益效果为:将叶片图像拼接成整体图像,能够对故障的位置进行精确的确认。
实施例5
在一个实施例中,一种风机叶片故障预警系统,故障判断单元,包括:
图像区分单元,利用神经网络训练模型对叶片切割图像进行分析,将没有障碍的叶片切割图像进行清除,得到叶片故障图像;
故障识别单元,用于对叶片故障图像进行故障识别,对故障的种类和大小进行标记;
图像合并单元,若判断故障延伸至叶片故障图像的边缘,根据故障的延伸趋势对相邻的叶片故障图像进行故障匹配,匹配成功后对将所有匹配的图像进行合并形成新的叶片故障图像,并重新对故障的大小的进行标记。
在上述实施例,对于故障类型为脱衣的叶片故障,进行故障大小分析时,故障一般较大会横跨多个叶片故障图像,需要进行拼接来确定故障的面积大小。
在上述实施例中,不同故障的大小定义不同,其中,脱衣故障大小为脱衣的面积,砂眼故障的大小为砂眼的直径,裂缝故障的大小为裂缝的长度。
实施例6
在一个实施例中,一种风机叶片故障预警系统,统计分析单元,包括:
统计单元,根据故障的种类将故障进行分别统计,形成对各故障数据集;
叶片分段单元,根据叶片整体图像对叶片进行分段,并根据叶片的分段结果和故障数据集中故障的位置对故障进行分组,得到故障数据组;
故障预测单元,基于当前叶片的故障情况,根据历史数据对叶片故障的发展情况进行分析。
在上述实施例中,叶片分段单元根据叶片的宽度对分段的长度进行调节,调节遵循如下过程:
在叶片分段单元中,对分段长度进行计算时,根据叶片的宽度D,对分段长度E进行修正,
叶片分段单元用于预设叶片宽度矩阵D0,设定D0(D1,D2,D3,D4),其中,D1为第一预设叶片宽度,D2为第二预设叶片宽度,D3为第三预设叶片宽度,D4为第四预设叶片宽度,且D1>D2>D3>D4;
叶片分段单元用于预设分段长度的修正系数矩阵F0,设定F0(F1,F2,F3),其中,F1为第一预设修正系数,F2为第二预设修正系数,F3为第三预设修正系数,且1>F1>F2>F3>0.8;
叶片分段单元根据当前叶片宽度D与宽度矩阵中各数据的关系,确定分段长度的修正系数,对分段长度E进行修正:
当D>D1时,叶片分段单元无需对分段长度E进行修正;
当D1≥D>D2时,选定第一预设修正系数F1对分段长度进行修正,修正后的分段长度为E*F1;
当D2≥D>D3时,选定第二预设修正系数F2对分段长度进行修正,修正后的分段长度为E*F2;
当D3≥D>D4时,选定第三预设修正系数F3对分段长度进行修正,修正后的分段长度为E*F3。
实施例7
在一个实施例中,一种风机叶片故障预警系统,故障预测单元,包括:
获取单元,获取风电厂内风机叶片的历史数据,提取与当前叶片型号向匹配的叶片数据,得到参考数据;
匹配单元,根据故障数据组中的故障大小和位置在参考数据中进行匹配,得到叶片局部的分析数据;
预测单元,将分析数据进行异常值清理,得到有效数据;对有效数据进行有效值计算作为故障预测的参考值;根据参考值对当前叶片的故障进行预测,得到预测故障数据。
在上述实施例中,分析数据以叶片的分段结果作为判断单元,叶片的每段生成一个分析数据。
在上述实施例中,清除异常数据,使用箱线图算法,将数据中的极值进行清理,增加预测的稳定性;参考值为故障数量的有效值和故障大小的有效值。
实施例8
在一个实施例中,一种风机叶片故障预警系统,预警单元,包括:
基于故障数据组,对故障的设定第一数量阈值、第二数量阈值、第一大小阈值和第二大小阈值;其中,第一数量阈值小于第二数量阈值,第一大小阈值小于第二大小阈值;
设定第一数量阈值和第一大小阈值为一级,第二数量阈值和第二大小阈值为二级;
若故障数据组中的数据大于第一数量阈值且小于第一大小阈值,或小于第一数量阈值且大于第一大小阈值,生成一级预警信息;
若故障数据组中的数据大于第一数量阈值小于第二数量阈值且大于第一大小阈值小于第二大小阈值,生成二级预警信息;
若故障数据组中的数据大于第一数量阈值小于第二数量阈值且大于第二大小阈值,或大于第二数量阈值且大于第一大小阈值小于第二大小阈值,生成三级预警信息;
若故障数据组中的数据大于第二数量阈值且大于第二大小阈值,生成四级预警信息。
在上述实施例中,第一数量阈值、第一大小阈值、第二数量阈值、第二大小阈值都为预设值。
在上述实施例中,预警基于故障数据组,既对叶片一个分段进行单独预警。需要说明的是,在风机叶片运行过程中,每个分段受到的损害不同,设定的阈值不同。同时在某一分段受到损伤时,将对风机叶片整体的运行产生影响。
实施例9
在一个实施例中,一种风机叶片故障预警系统,周期调节单元,包括:
设置检测周期、检修周期和调节周期,其中调节周期的时间段在检修周期内,且处于检修周期末尾;检测周期的时间段在检修周期内,且处于检修周期的开始;检测周期和调节周期不进行重叠;
检修周期开始时进行计时,在检修计时未到达调节周期的时间段内时:
若没有产生预警信息,则检修周期正常进行;
若在检测周期内生成了一级预警或二级预警,则将检修计时调节到调节周期的开始;
在检修计时达到调节周期的时间段内时:
若生成一级预警信息或二级预警信息,则马上对叶片进行检修,检修后将检修计时进行重置;
在检修周期的时间段内,产生三级预警信息或四级预警信息,则马上对叶片进行检修,检修后将检修计时进行重置。
在上述实施例中,检测周期、检修周期和调节周期,其中检测周期与调节周期相加等于检修周期,且检测周期与调节周期在检修周期内的占比固定。
上述实施例的有益效果为:通过叶片的实际情况对检修周期进行调节,减少检修不及时造成叶片的损坏。
实施例10
在一个实施例中,一种风机叶片故障预警系统,对叶片进行检修之后,包括:
阈值调节单元,获取叶片检修后的故障数据信息,并对第一数量阈值、第二数量阈值、第一大小阈值和第二大小阈值进行调节;
检修周期单元,获取预测故障数据,对叶片的检修周期时间进行调节。
需要说明的对叶片进行检修后,并不能将叶片的所有故障进行修理完好,因此需要再旧故障的基础上对叶片预警的阈值进行调节。
需要说明的是,上述实施例,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种风机叶片故障预警系统,其特征在于,包括:
采集模块,对风机叶片表面的图像信息进行采集;
数据模块,根据风机叶片表面的图像信息,对风机叶片表面的故障进行分析判断,对故障信息进行统计分析,根据分析结果对叶片的健康状况进行预警,同时对叶片的检修周期进行调节。
2.根据权利要求1所述的一种风机叶片故障预警系统,其特征在于,所述采集模块,包括:
无人机单元,利用无人机携带相机、云台、激光雷达和机载电脑对叶片表面进行图像拍摄;
其中,机载电脑与无人机、云台、相机和激光雷达连接,并进行控制;
遥控器单元,通过无线通信与无人机和机载电脑连接,通过机载电脑获取并显示无人机、云台、相机和激光雷达的状态数据,同时显示相机拍摄的图像信息;通过无线通信对无人机进行手动控制,并控制无人机作业的开始和结束。
3.根据权利要求1所述的一种风机叶片故障预警系统,其特征在于,所述数据单元,包括:
预处理单元,用于对叶片表面的图像信息进行预处理;
故障判断单元,利用神经网络训练模型对预处理后的叶片表面图像进行故障判断分析;
统计分析单元,根据叶片表面故障的位置、种类和数量进行统计,同时根据故障的变化趋势对故障的发生进行预测;
预警单元,根据故障的统计数据与预设的阈值进行对比,超过阈值时生成叶片的故障预警信息;
周期调节单元,根据叶片的预警情况对风机检修的日期进行调节。
4.根据权利要求3所述的一种风机叶片故障预警系统,其特征在于,所述预处理单元,包括:
背景分割单元,利用前后景分割算法对叶片表面图像进行处理,得到背景分割图像;
图像拼接单元,根据叶片表面图像和背景分割图像对每一张图像中的叶片特征进行提取,根据叶片特征将叶片表面图像进行拼接,生成叶片整体图像;
图像切割单元,基于背景分割图像将叶片表面图像分为有障碍区域和无障碍区域,对无障碍区域进行清除;将有障碍区域的图像进行切割,得到叶片切割图像。
5.根据权利要求4所述的一种风机叶片故障预警系统,其特征在于,所述故障判断单元,包括:
图像区分单元,利用神经网络训练模型对所述叶片切割图像进行分析,将没有障碍的所述叶片切割图像进行清除,得到叶片故障图像;
故障识别单元,用于对所述叶片故障图像进行故障识别,对故障的种类和大小进行标记;
图像合并单元,若判断故障延伸至所述叶片故障图像的边缘,根据故障的延伸趋势对相邻的所述叶片故障图像进行故障匹配,匹配成功后对将所有匹配的图像进行合并形成新的所述叶片故障图像,并重新对故障的大小的进行标记。
6.根据权利要求5所述的一种风机叶片故障预警系统,其特征在于,所述统计分析单元,包括:
统计单元,根据故障的种类将故障进行分别统计,形成对各故障数据集;
叶片分段单元,根据叶片整体图像对叶片进行分段,并根据叶片的分段结果和所述故障数据集中故障的位置对故障进行分组,得到故障数据组;
故障预测单元,基于当前叶片的故障情况,根据历史数据对叶片故障的发展情况进行分析。
7.根据权利要求6所述的一种风机叶片故障预警系统,其特征在于,所述故障预测单元,包括:
获取单元,获取风电厂内风机叶片的历史数据,提取与当前叶片型号向匹配的叶片数据,得到参考数据;
匹配单元,根据所述故障数据组中的故障大小和位置在参考数据中进行匹配,得到叶片局部的分析数据;
预测单元,将所述分析数据进行异常值清理,得到有效数据;对有效数据进行有效值计算作为故障预测的参考值;根据参考值对当前叶片的故障进行预测,得到预测故障数据。
8.根据权利要求7所述的一种风机叶片故障预警系统,其特征在于,所述预警单元,包括:
基于所述故障数据组,对故障的设定第一数量阈值、第二数量阈值、第一大小阈值和第二大小阈值;其中,所述第一数量阈值小于所述第二数量阈值,所述第一大小阈值小于所述第二大小阈值;
设定所述第一数量阈值和所述第一大小阈值为一级,所述第二数量阈值和所述第二大小阈值为二级;
若所述故障数据组中的数据大于所述第一数量阈值且小于所述第一大小阈值,或小于所述第一数量阈值且大于所述第一大小阈值,生成一级预警信息;
若所述故障数据组中的数据大于所述第一数量阈值小于所述第二数量阈值且大于所述第一大小阈值小于所述第二大小阈值,生成二级预警信息;
若所述故障数据组中的数据大于所述第一数量阈值小于所述第二数量阈值且大于所述第二大小阈值,或大于所述第二数量阈值且大于所述第一大小阈值小于第二大小阈值,生成三级预警信息;
若所述故障数据组中的数据大于所述第二数量阈值且大于所述第二大小阈值,生成四级预警信息。
9.根据权利要求8所述的一种风机叶片故障预警系统,其特征在于,所述周期调节单元,包括:
设置检测周期、检修周期和调节周期,其中所述调节周期的时间段在所述检修周期内,且处于所述检修周期末尾;所述检测周期的时间段在所述检修周期内,且处于检修周期的开始;所述检测周期和调节周期不进行重叠;
所述检修周期开始时进行计时,在检修计时未到达所述调节周期的时间段内时:
若没有产生预警信息,则检修周期正常进行;
若在检测周期内生成了一级预警或二级预警,则将检修计时调节到调节周期的开始;
在检修计时达到所述调节周期的时间段内时:
若生成一级预警信息或二级预警信息,则马上对叶片进行检修,检修后将检修计时进行重置;
在检修周期的时间段内,产生三级预警信息或四级预警信息,则马上对叶片进行检修,检修后将检修计时进行重置。
10.根据权利要求9所述的一种风机叶片故障预警系统,其特征在于,所述对叶片进行检修之后,包括:
阈值调节单元,获取叶片检修后的故障数据信息,并对第一数量阈值、第二数量阈值、第一大小阈值和第二大小阈值进行调节;
检修周期单元,获取预测故障数据,对叶片的检修周期时间进行调节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310720858.4A CN116733691A (zh) | 2023-06-16 | 2023-06-16 | 一种风机叶片故障预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310720858.4A CN116733691A (zh) | 2023-06-16 | 2023-06-16 | 一种风机叶片故障预警系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116733691A true CN116733691A (zh) | 2023-09-12 |
Family
ID=87907730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310720858.4A Pending CN116733691A (zh) | 2023-06-16 | 2023-06-16 | 一种风机叶片故障预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116733691A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117310746A (zh) * | 2023-11-27 | 2023-12-29 | 西安俊为电子科技有限公司 | 一种高可靠激光测风雷达装置 |
-
2023
- 2023-06-16 CN CN202310720858.4A patent/CN116733691A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117310746A (zh) * | 2023-11-27 | 2023-12-29 | 西安俊为电子科技有限公司 | 一种高可靠激光测风雷达装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416294B (zh) | 一种基于深度学习的风机叶片故障智能识别方法 | |
KR102166654B1 (ko) | 안전점검 기준표와 분류별 결함 데이터를 활용한 풍력 발전기 블레이드 안전 관리 시스템 및 방법 | |
CN110282143B (zh) | 一种海上风电场无人机巡检方法 | |
CN108537154B (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
EP3679247B1 (en) | Method for analysis of sensor data related to a wind turbine | |
CN105717934B (zh) | 自主无人机巡检风机叶片系统及方法 | |
CN112360699A (zh) | 一种全自动风力发电机组叶片智能巡视及诊断分析方法 | |
CN116733691A (zh) | 一种风机叶片故障预警系统 | |
CN111461210A (zh) | 一种基于无人机风电巡检叶片缺陷等级判定方法 | |
CN109060826B (zh) | 一种不停机的风电叶片检测装置 | |
CN112950634A (zh) | 基于无人机巡检的风力机叶片损伤识别方法、设备和系统 | |
CN112947511A (zh) | 一种无人机巡检风机叶片的方法 | |
CN114639025A (zh) | 一种无人机辅助下风力机叶片检修方法及装置 | |
CN112085694B (zh) | 一种人工智能自动巡检风能风机叶片系统 | |
CN115586789A (zh) | 基于视觉的风力发电机巡检无人机悬停点确认及巡检方法 | |
CN109583593B (zh) | 一种基于自动气象站的低空风切变识别方法 | |
CN113256668A (zh) | 图像分割方法以及装置 | |
CN112465776A (zh) | 一种基于风力机表面模糊图像的裂纹智能检测方法 | |
CN112882487A (zh) | 风机叶片的无人机巡检轨迹生成方法,巡检方法及系统 | |
CN105203315A (zh) | 一种设在巡检车上的风机浆叶监测装置 | |
CN114442658A (zh) | 输配电线路无人机自动巡检系统及其运行方法 | |
CN115013255A (zh) | 一种风机叶片在线视觉监测与故障诊断方法 | |
CN210639103U (zh) | 一种风电机组叶片表面缺陷取数装置 | |
CN114439702A (zh) | 一种风力发电机的叶片状态监测方法和装置 | |
CN110515400B (zh) | 一种放电计数器表面除湿方法及其装置 |
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 |