CN117212077B - 一种风电机的风轮故障监测方法、装置、设备及存储介质 - Google Patents
一种风电机的风轮故障监测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117212077B CN117212077B CN202311476057.4A CN202311476057A CN117212077B CN 117212077 B CN117212077 B CN 117212077B CN 202311476057 A CN202311476057 A CN 202311476057A CN 117212077 B CN117212077 B CN 117212077B
- Authority
- CN
- China
- Prior art keywords
- image data
- training
- wind wheel
- training set
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012544 monitoring process Methods 0.000 title claims description 42
- 238000012549 training Methods 0.000 claims abstract description 242
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 230000000007 visual effect Effects 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 10
- 238000012795 verification Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 239000002131 composite material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本申请公开了一种风电机的风轮故障监测方法、装置、设备及存储介质，涉及电数字数据处理技术领域，方法通过将图像数据的获取周期与风轮的转动周期动态同步，消除了风向规律带来的风轮转速扰动，使得每次采集的图像数据均为风轮的同一姿态，从而减少甚至消除无关变量，保证了后续模型训练的准确性，且由于风向规律吻合季节规律，使得采集到的图像数据自身具有前述的规律属性，该规律属性经过神经网络模型并进行训练后形成的预测模型则具有了该规律属性，只要风轮的形变顺应上述的规律属性，则不会被判定为故障。且本申请通过两个相互垂直的拍摄视角获取风轮的图像数据，以尽可能少的拍摄设备获取尽可能多的风轮视觉信息，且不存在拍摄盲区。
Description
技术领域
本申请涉及电数字数据处理技术领域，尤其涉及一种风电机的风轮故障监测方法、装置、设备及存储介质。
背景技术
风力发电是指把风的动能转为电能，风能是一种清洁无公害的可再生能源，风力发电通过风力带动风车叶片旋转，再透过增速机将旋转的速度提升，来促使发电机发电，且风力发电不需要使用燃料，也不会产生辐射或空气污染，是一种可再生的新能源。风力发电主要是通过风电机（风力发电机）将风能转换为机械功，机械功带动转子旋转，最终输出交流电。
其中，风轮是风电机的一个关键部件，在工作过程中受到强风负荷、沙粒冲刷、大气氧化和潮湿空气腐蚀等多种因素的影响，不可避免的会因为出现的气孔、裂缝、磨损、腐蚀等问题，从而导致风电机组叶片开裂、弯折、偏移、断裂等机械损坏。
目前，为了确保叶片日常运行的的安全性，通常通过人工巡检、无人机巡检、红外成像、风电机振动监测等监测手段，人工巡检以及无人机巡检分别通过工作人员或无人机现场查看风电机的外观状态并产生人为判断，从而存在主观因素和人为误差，而且前述的监测方法需要在叶片产生明显外观损伤或者明显的转动偏移，才能现场确认叶片出现故障，对于较为不明显的叶片损伤，现有技术通常通过红外成像以及风电机振动监测来辅助监测风电机机架和叶片的运行状态，在叶片产生一定程度的损伤时，通常会伴随有异常升温和过幅振动，进而进一步确定叶片出现故障，且现有技术对于叶片的监测未考虑风向规律、温度规律，在大风天气时可能导致振动监测误判，在高温天气时可能导致红外监测误判。
综上所述，现有技术中对于风电机的叶片的状态监测结果不准确。
发明内容
本申请的主要目的在于提供一种风电机的风轮故障监测方法、装置、设备及存储介质，以解决现有技术中对于风电机的叶片的状态监测结果不准确的问题。
为了实现上述目的，本申请提供了如下技术方案：
一种风电机的风轮故障监测方法，所述风电机包括通过支撑座固定架设于预设区域内的风轮，所述风轮在竖直面转动以形成圆柱形的运动轨迹，所述风电机的风轮故障监测方法包括：
将所述风轮的一个转动周期定义为一个数据获取周期；
基于所述数据获取周期获取所述运动轨迹的若干个第一图像数据和若干个第二图像数据，所述第一图像数据的拍摄中心线与所述第二图像数据的拍摄视角的拍摄中心线垂直；
将所有第一图像数据按照第一预设比例划分为第一训练集和第一样本集，并将所有第二图像数据按照第二预设比例划分为第二训练集和第二样本集；
将所述第一训练集输出至预设神经网络模型并进行训练，得到第一预测模型，并将所述第二训练集输出至所述预设神经网络模型并进行训练，得到第二预测模型；
将所述第一样本集输出至所述第一预测模型，得到第一预测值，并将所述第二样本集输出至所述第二预测模型，得到第二预测值；
判断所述第一预测值是否位于第一预设区间内，并判断所述第二预测值是否位于第二预设区间内；
若均否，则判定所述风轮出现故障。
作为本申请的进一步改进，所述第一图像数据的个数与所述第二图像数据的个数相同；所述第一图像数据包括所述圆柱形的其中一个底面，所述第二图像数据包括所述圆柱形的侧面，或者，所述第一图像数据包括所述圆柱形的侧面，所述第二图像数据包括所述圆柱形的其中一个底面。
作为本申请的进一步改进，将所有第一图像数据按照第一预设比例划分为第一训练集和第一样本集，并将所有第二图像数据按照第二预设比例划分为第二训练集和第二样本集，包括：
通过目标监测算法获取所述第一图像数据中基于所述风轮的第一最小包围盒，以及所述第二图像数据中基于所述风轮的第二最小包围盒；
将所有第一最小包围盒按照所述第一预设比例划分为所述第一训练集和所述第一样本集；
将所有第二最小包围盒按照所述第二预设比例划分为所述第二训练集和第二样本集。
作为本申请的进一步改进，将所述第一训练集输出至预设神经网络模型并进行训练，得到第一预测模型，并将所述第二训练集输出至所述预设神经网络模型并进行训练，得到第二预测模型，包括：
定义所述预设神经网络模型的拓扑关系，所述拓扑关系包括依次信号连接的输入层、隐含层、输出层；
将所述第一训练集输出至所述输入层，通过Levenberg-Marquardt方法对所述第一训练集进行第一预设次数的训练，并基于每一次训练分别获取一次所述第一样本集与当前次的训练结果的均方根误差；
获取所有均方根误差中的第一极小值，并获取与所述第一极小值对应的训练结果作为所述第一预测模型；
将所述第二训练集输出至所述输入层，通过所述Levenberg-Marquardt方法对所述第二训练集进行第二预设次数的训练，并基于每一次训练分别获取一次所述第二样本集与当前次的训练结果的均方根误差；
获取所述均方根误差中的第二极小值，并获取与所述第二极小值对应的训练结果作为所述第二预测模型。
作为本申请的进一步改进，所述预设神经网络模型通过式（1）表征：
（1）；
其中，为所述预设神经网络模型；/>为所述输入层且/>，/>为所述输入层的第/>个输入节点，每个输入节点对应一个所述第一训练集或者一个所述第二训练集，/>为所述输入层的第/>个输入节点到所述隐含层的第/>个输入节点的权重；为连接于所述隐含层的第/>个输入节点的偏置；/>为传递函数，且。
作为本申请的进一步改进，所述均方根误差通过式（2）表征：
（2）；
其中，为所述均方根误差，/>为所述第一训练集的个数或者所述第二训练集的个数，/>为第/>个第一训练集的真实值或者第/>个第二训练集的真实值，/>为第/>个第一训练集或者第/>个第二训练集训练完成后的训练结果。
作为本申请的进一步改进，若均否，则判定所述风轮出现故障，之后，包括：
将出现故障的风轮标记为异常风轮并生成预警信息；
关闭所述异常风轮并发送所述预警信息至外部接收端。
为了实现上述目的，本申请还提供了如下技术方案：
一种风电机的风轮故障监测装置，所述风电机的风轮故障监测装置应用于如上述的风电机的风轮故障监测方法，所述风电机的风轮故障监测装置包括：
数据获取周期定义模块，用于将所述风轮的一个转动周期定义为一个数据获取周期；
图像数据获取模块，用于基于所述数据获取周期获取所述运动轨迹的若干个第一图像数据和若干个第二图像数据，所述第一图像数据的拍摄中心线与所述第二图像数据的拍摄视角的拍摄中心线垂直；
图像数据划分模块，用于将所有第一图像数据按照第一预设比例划分为第一训练集和第一样本集，并将所有第二图像数据按照第二预设比例划分为第二训练集和第二样本集；
训练集训练模块，用于将所述第一训练集输出至预设神经网络模型并进行训练，得到第一预测模型，并将所述第二训练集输出至所述预设神经网络模型并进行训练，得到第二预测模型；
样本集预测模块，用于将所述第一样本集输出至所述第一预测模型，得到第一预测值，并将所述第二样本集输出至所述第二预测模型，得到第二预测值；
预测值判断模块，用于判断所述第一预测值是否位于第一预设区间内，并判断所述第二预测值是否位于第二预设区间内；
风轮故障判定模块，用于若所述第一预测值没有位于第一预设区间内，且所述第二预测值没有位于第二预设区间内，则判定所述风轮出现故障。
为了实现上述目的，本申请还提供了如下技术方案：
一种电子设备，包括处理器、以及与所述处理器耦接的存储器，所述存储器存储有可被所述处理器执行的程序指令；所述处理器执行所述存储器存储的所述程序指令时实现如上述的风电机的风轮故障监测方法。
为了实现上述目的，本申请还提供了如下技术方案：
一种存储介质，所述存储介质内存储有程序指令，所述程序指令被处理器执行时实现能够实现如上述的风电机的风轮故障监测方法。
本申请通过将风轮的一个转动周期定义为一个数据获取周期；基于数据获取周期获取运动轨迹的若干个第一图像数据和若干个第二图像数据，第一图像数据的拍摄中心线与第二图像数据的拍摄视角的拍摄中心线垂直；将所有第一图像数据按照第一预设比例划分为第一训练集和第一样本集，并将所有第二图像数据按照第二预设比例划分为第二训练集和第二样本集；将第一训练集输出至预设神经网络模型并进行训练，得到第一预测模型，并将第二训练集输出至预设神经网络模型并进行训练，得到第二预测模型；将第一样本集输出至第一预测模型，得到第一预测值，并将第二样本集输出至第二预测模型，得到第二预测值；判断第一预测值是否位于第一预设区间内，并判断第二预测值是否位于第二预设区间内；若均否，则判定风轮出现故障。本申请将图像数据的获取周期与风轮的转动周期动态同步，消除了风向规律带来的风轮转速扰动，使得每次采集的图像数据均为风轮的同一姿态，从而减少甚至消除无关变量，保证了后续模型训练的准确性，且由于风向规律吻合季节规律，使得采集到的图像数据自身具有前述的规律属性（例如在一个自然月内采集到的第一图像数据和第二图像数据，该第一图像数据和第二图像数据包含了该自然月的规律属性，例如若该自然月的前半月为大风、后半月为微风，则该第一图像数据和第二图像数据的前半部分所体现的风轮具有较大幅度的良性形变，例如叶片沿风向方向偏移3°，该第一图像数据和第二图像数据的后半部分具有较小幅度的良性形变，例如叶片沿风向方向偏移1.5°），该规律属性经过神经网络模型并进行训练后形成的预测模型则具有了该规律属性，只要风轮的形变顺应上述的规律属性，则不会被判定为故障。且本申请通过两个相互垂直的拍摄视角获取风轮的图像数据，以尽可能少的拍摄设备获取尽可能多的风轮视觉信息，且本实施例利用了叶片自身带有角度的特性，若以本实施例中的三分之一个旋转周期为一个图像数据获取周期，则每三个图像数据获取周期即可以获得一个完整的风轮图像，不存在拍摄盲区。
附图说明
图1为本申请风电机的风轮故障监测方法一个实施例的步骤流程示意图；
图2为本申请风电机的风轮故障监测装置一个实施例的功能模块示意图；
图3为本申请电子设备一个实施例的结构示意图；
图4为本申请存储介质一个实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请中的术语“第一”“第二”“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”“第二”“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本申请实施例中所有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其他实施例相结合。
如图1所示，本实施例提供了风电机的风轮故障监测方法的一个实施例，在本实施例中，风电机包括通过支撑座固定架设于预设区域内的风轮，风轮在竖直面转动以形成圆柱形的运动轨迹。
优选地，风电机的风轮一般均为三叶片120°环形阵列，每片叶片一般长度为20米至44米，叶片的弦长为2米至3.7米，在旋转时所扫过的区域厚度约为1.4米至2.6米，则圆柱形的底面半径可等效为20米至44米、圆柱形的高度可等效为1.4米至2.6米。
具体地，该方法包括如下步骤：
步骤S1，将风轮的一个转动周期定义为一个数据获取周期。
优选地，若风轮设置为三叶片120°环形阵列，则数据获取周期可设置为三分之一个转动周期。
步骤S2，基于数据获取周期获取运动轨迹的若干个第一图像数据和若干个第二图像数据，第一图像数据的拍摄中心线与第二图像数据的拍摄视角的拍摄中心线垂直。
优选地，第一图像数据的采集点可设置于圆柱形的底面法线上，第二图像数据的采集点可设置于穿过圆柱形的中心并与半径所在直线共线的直线上。
步骤S3，将所有第一图像数据按照第一预设比例划分为第一训练集和第一样本集，并将所有第二图像数据按照第二预设比例划分为第二训练集和第二样本集。
优选地，第一预设比例可与第二预设比例相同，以将图像数据以8：2的比例划分为训练集和样本集。
优选地，在实际应用过程中，还需要一定比例的验证集来验证模型的准确性，即训练完成后需要验证，在验证成功后才开始使用样本集预测，通常采用70%：15%：15%的比例将图像数据划分为训练集、验证集、样本集，即70%的数据为训练集、15%的数据为验证集、15%的数据为样本集。
步骤S4，将第一训练集输出至预设神经网络模型并进行训练，得到第一预测模型，并将第二训练集输出至预设神经网络模型并进行训练，得到第二预测模型。
优选地，训练模型训练一个神经网络通常需要提供大量的数据，即数据集；数据集一般被分为三类，即上述的训练集(training set)、验证集(validation set)和测试集(test set)。
其中，一个epoch就是等于使用训练集中的全部样本训练一次的过程，所谓训练一次，指的是进行一次正向传播(forward pass)和反向传播(back pass)；当一个epoch的样本(即训练集)数量太过庞大的时候，进行一次训练可能会消耗过多的时间，并且每次训练都使用训练集的全部数据不全是必要的，则需要把整个训练集分成多个小块，也就是分成多个batch进行训练；一个epoch由一个或多个batch构成，batch为训练集的一部分，每次训练的过程只使用一部分数据，即一个batch，训练一个batch的过程为一个iteration。
优选地，神经网络训练具体包括感知机(Perceptron)，感知机由两层神经元组成，输入层接受外界输入信号后传递给输出层，输出层为M-P神经元，阶跃函数为。
优选地，给定训练数据集，则权重(/>=1,2,...,n)以及训练偏置/>可通过学习得到，/>可理解为一个固定输入为-1,0的固定值所对应的权重/>。
需要注意的是，此处的公式①不与实施例其他公式的符号含义互通，此阶跃函数仅作原理性说明，不参与其他公式的计算。
优选地，本实施例中神经网络训练次数可设置为1000次。
优选地，第1个至第500个epoch的学习率可设置为0.01，第501个至第750个epoch的学习率可设置为0.001，第751个至第1000个epoch的学习率可设置为0.0001。
可以理解为，本实施例的神经网络训练主要包括如下思路：
①初始化网络中的权值和偏置项。
初始化参数值(输出单元权值、偏置项和隐藏单元权值、偏置项均为模型的参数)，是为激活前向传播，得到每一层元素的输出值，进而得到损失函数的值。
②激活前向传播，得到各层输出值以及各层损失函数的期望值。
③根据损失函数，计算输出单元的误差项和隐藏单元的误差项。
计算各项误差，计算参数关于损失函数的梯度或根据微积分链式法则计算偏导数。 对于复合函数中的向量或矩阵求偏导，复合函数内部函数的偏导总是选择左乘；对于复合函数中的标量求偏导，复合函数内部函数的偏导选择左乘或者右乘均可。
④更新神经网络中的权值和偏置项。
⑤重复②~④，直到损失函数小于预设偏置或迭代次数用完为止，输出此时的参数即为目前最佳参数。
步骤S5，将第一样本集输出至第一预测模型，得到第一预测值，并将第二样本集输出至第二预测模型，得到第二预测值。
步骤S6，判断第一预测值是否位于第一预设区间内，并判断第二预测值是否位于第二预设区间内，若第一预测值没有位于第一预设区间内且第二预测值没有位于第二预设区间内，则执行步骤S7。
优选地，本实施例主要用于识别并训练图像数据中风轮叶片的偏移角度规律。
优选地，为了保证预测结果准确，可分别对两个图像数据采集点做抗震处理，以防止采集点跟随外部因素共振。
步骤S7，判定风轮出现故障。
进一步地，第一图像数据的个数与第二图像数据的个数相同；第一图像数据包括圆柱形的其中一个底面，第二图像数据包括圆柱形的侧面，或者，第一图像数据包括圆柱形的侧面，第二图像数据包括圆柱形的其中一个底面。
进一步地，步骤S3具体包括如下步骤：
步骤S31，通过目标监测算法获取第一图像数据中基于风轮的第一最小包围盒，以及第二图像数据中基于风轮的第二最小包围盒。
优选地，目标监测算法可设置为YOLO算法，并可根据实际需要具体选择YOLO算法的具体版本，本步骤的目标监测算法目的在于获取两个图像数据的最小包围盒，任何能够获取最小包围盒的目标监测算法均可使用。
步骤S32，将所有第一最小包围盒按照第一预设比例划分为第一训练集和第一样本集。
步骤S33，将所有第二最小包围盒按照第二预设比例划分为第二训练集和第二样本集。
优选地，第一预设比例可与第二预设比例相同，以将图像数据以8：2的比例划分为训练集和样本集。
优选地，在实际应用过程中，还需要一定比例的验证集来验证模型的准确性，即训练完成后需要验证，在验证成功后才开始使用样本集预测，通常采用70%：15%：15%的比例将图像数据划分为训练集、验证集、样本集，即70%的数据为训练集、15%的数据为验证集、15%的数据为样本集。
优选地，由于图像数据的采集点固定，所以图像数据还包含了最小包围盒在图像数据的相对位置关系，该关系也会跟随模型一起训练，当最小包围盒的相对位置出现偏差，则代表叶片产生了整体偏移（例如完全断裂）。
进一步地，步骤S4具体包括如下步骤：
步骤S41，定义预设神经网络模型的拓扑关系，拓扑关系包括依次信号连接的输入层、隐含层、输出层。
优选地，在实际训练过程中，需要对图像数据进行归一化处理，以防止训练过程中数据量级差异过大导致没有显著性，本实施例可先将图像数据进行坐标化，将图像数据的边界定义为0至1（此时可将图像数据按照同一位置裁切为正方形），即可获得最小包围盒四个角点的坐标，且坐标值均位于0和1之间，可基于单个最小包围盒的四个坐标值进行训练即可。
步骤S42，将第一训练集输出至输入层，通过Levenberg-Marquardt方法对第一训练集进行第一预设次数的训练，并基于每一次训练分别获取一次第一样本集与当前次的训练结果的均方根误差。
优选地，Levenberg-Marquardt方法是一种非线性最小二乘法，该方法用于解决非线性最优化问题，例如本实施例中的神经网络模型，该方法通过在每一步迭代中利用目标函数的梯度信息来调整参数，以寻找最佳的模型参数估计。该方法使用了一个被称为Levenberg-Marquardt的调整因子，该调整因子根据当前迭代步骤的情况来平衡梯度下降和高斯-牛顿方法。在每一次迭代中，该方法会计算一个参数增量，然后通过比较当前模型残差和使用新参数估计得到的模型残差的大小来决定是否接受参数增量。
优选地，Levenberg-Marquardt方法的迭代步长由表征。
其中，为Levenberg-Marquardt方法的迭代步长，/>为当前模型残差，/>为当前模型残差的雅可比矩阵，/>为当前模型残差的雅可比矩阵的转置矩阵，/>为上述的Levenberg-Marquardt调整因子，/>为单位矩阵，/>为协方差矩阵。
优选地，单位矩阵的阶数与雅可比矩阵的阶数相同。
优选地，当时，/>为正数，/>倾向于高斯-牛顿方法；当/>时，/>倾向于平衡梯度下降。
步骤S43，获取所有均方根误差中的第一极小值，并获取与第一极小值对应的训练结果作为第一预测模型。
步骤S44，将第二训练集输出至输入层，通过Levenberg-Marquardt方法对第二训练集进行第二预设次数的训练，并基于每一次训练分别获取一次第二样本集与当前次的训练结果的均方根误差。
步骤S45，获取均方根误差中的第二极小值，并获取与第二极小值对应的训练结果作为第二预测模型。
进一步地，预设神经网络模型通过式（1）表征：
（1）。
其中，为预设神经网络模型；/>为输入层且/>，/>为输入层的第/>个输入节点，每个输入节点对应一个第一训练集或者一个第二训练集，/>为输入层的第/>个输入节点到隐含层的第/>个输入节点的权重；/>为连接于隐含层的第/>个输入节点的偏置；/>为传递函数，且/>。
优选地，本实施例的式（1）中符号角标的括号内的数字为层数，例如角标（1）为第一层，即输入层，角标（1，2）为第一层到第二层，即输入层到隐含层。
优选地，神经网络模型的学习率即为上述的迭代步长，较小的学习率会使权重和偏置的更新速度较慢，有助于更精确地找到损失函数的最优解，但可能会导致收敛速度较慢。较大的学习率会使权重和偏置的更新速度较快，可以更快地收敛，但可能会错过最优解。通常可以通过尝试不同的学习率，并观察损失函数的下降情况来确定最佳学习率。如果损失函数下降缓慢或不稳定，可以尝试增大学习率；如果损失函数下降过快或不收敛，可以尝试减小学习率。
优选地，可采集1000个样本并采用上述的“第1个至第500个epoch的学习率可设置为0.01，第501个至第750个epoch的学习率可设置为0.001，第751个至第1000个epoch的学习率可设置为0.0001”即可。
进一步地，均方根误差通过式（2）表征：
（2）。
其中，为均方根误差，/>为第一训练集的个数或者第二训练集的个数，/>为第/>个第一训练集的真实值或者第/>个第二训练集的真实值，/>为第/>个第一训练集或者第/>个第二训练集训练完成后的训练结果。
进一步地，步骤S7之后，还包括如下步骤：
步骤S10，将出现故障的风轮标记为异常风轮并生成预警信息。
步骤S20，关闭异常风轮并发送预警信息至外部接收端。
本实施例通过将风轮的一个转动周期定义为一个数据获取周期；基于数据获取周期获取运动轨迹的若干个第一图像数据和若干个第二图像数据，第一图像数据的拍摄中心线与第二图像数据的拍摄视角的拍摄中心线垂直；将所有第一图像数据按照第一预设比例划分为第一训练集和第一样本集，并将所有第二图像数据按照第二预设比例划分为第二训练集和第二样本集；将第一训练集输出至预设神经网络模型并进行训练，得到第一预测模型，并将第二训练集输出至预设神经网络模型并进行训练，得到第二预测模型；将第一样本集输出至第一预测模型，得到第一预测值，并将第二样本集输出至第二预测模型，得到第二预测值；判断第一预测值是否位于第一预设区间内，并判断第二预测值是否位于第二预设区间内；若均否，则判定风轮出现故障。本实施例将图像数据的获取周期与风轮的转动周期动态同步，消除了风向规律带来的风轮转速扰动，使得每次采集的图像数据均为风轮的同一姿态，从而减少甚至消除无关变量，保证了后续模型训练的准确性，且由于风向规律吻合季节规律，使得采集到的图像数据自身具有前述的规律属性（例如在一个自然月内采集到的第一图像数据和第二图像数据，该第一图像数据和第二图像数据包含了该自然月的规律属性，例如若该自然月的前半月为大风、后半月为微风，则该第一图像数据和第二图像数据的前半部分所体现的风轮具有较大幅度的良性形变，例如叶片沿风向方向偏移3°，该第一图像数据和第二图像数据的后半部分具有较小幅度的良性形变，例如叶片沿风向方向偏移1.5°），该规律属性经过神经网络模型并进行训练后形成的预测模型则具有了该规律属性，只要风轮的形变顺应上述的规律属性，则不会被判定为故障。且本实施例通过两个相互垂直的拍摄视角获取风轮的图像数据，以尽可能少的拍摄设备获取尽可能多的风轮视觉信息，且本实施例利用了叶片自身带有角度的特性，若以本实施例中的三分之一个旋转周期为一个图像数据获取周期，则每三个图像数据获取周期即可以获得一个完整的风轮图像，不存在拍摄盲区。
如图2所示，本实施例提供了风电机的风轮故障监测装置的一个实施例，在本实施例中，该装置应用于如上述实施例中的方法，该装置包括依次电性连接的数据获取周期定义模块1用于将风轮的一个转动周期定义为一个数据获取周期；图像数据获取模块2用于基于数据获取周期获取运动轨迹的若干个第一图像数据和若干个第二图像数据，第一图像数据的拍摄中心线与第二图像数据的拍摄视角的拍摄中心线垂直；图像数据划分模块3用于将所有第一图像数据按照第一预设比例划分为第一训练集和第一样本集，并将所有第二图像数据按照第二预设比例划分为第二训练集和第二样本集；训练集训练模块4用于将第一训练集输出至预设神经网络模型并进行训练，得到第一预测模型，并将第二训练集输出至预设神经网络模型并进行训练，得到第二预测模型；样本集预测模块5用于将第一样本集输出至第一预测模型，得到第一预测值，并将第二样本集输出至第二预测模型，得到第二预测值；预测值判断模块6用于判断第一预测值是否位于第一预设区间内，并判断第二预测值是否位于第二预设区间内；风轮故障判定模块7用于若第一预测值没有位于第一预设区间内，且第二预测值没有位于第二预设区间内，则判定风轮出现故障。
进一步地，图像数据划分模块包括依次电性连接的第一图像数据划分子模块、第二图像数据划分子模块、第三图像数据划分子模块；第一图像数据划分子模块与图像数据获取模块电性连接，第三图像数据划分子模块与训练集训练模块电性连接。
其中，第一图像数据划分子模块用于通过目标监测算法获取第一图像数据中基于风轮的第一最小包围盒，以及第二图像数据中基于风轮的第二最小包围盒；第二图像数据划分子模块用于将所有第一最小包围盒按照第一预设比例划分为第一训练集和第一样本集；第三图像数据划分子模块用于将所有第二最小包围盒按照第二预设比例划分为第二训练集和第二样本集。
进一步地，训练集训练模块包依次电性连接的第一训练集训练子模块、第二训练集训练子模块、第三训练集训练子模块、第四训练集训练子模块、第五训练集训练子模块；第一训练集训练子模块与第三图像数据划分子模块电性连接，第五训练集训练子模块与样本集预测模块电性连接。
其中，第一训练集训练子模块用于定义预设神经网络模型的拓扑关系，拓扑关系包括依次信号连接的输入层、隐含层、输出层；第二训练集训练子模块用于将第一训练集输出至输入层，通过Levenberg-Marquardt方法对第一训练集进行第一预设次数的训练，并基于每一次训练分别获取一次第一样本集与当前次的训练结果的均方根误差；第三训练集训练子模块用于获取所有均方根误差中的第一极小值，并获取与第一极小值对应的训练结果作为第一预测模型；第四训练集训练子模块用于将第二训练集输出至输入层，通过Levenberg-Marquardt方法对第二训练集进行第二预设次数的训练，并基于每一次训练分别获取一次第二样本集与当前次的训练结果的均方根误差；第五训练集训练子模块用于获取均方根误差中的第二极小值，并获取与第二极小值对应的训练结果作为第二预测模型。
进一步地，第一训练集训练子模块搭载有通过式（1）表征的预设神经网络模型：
（1）。
其中，为预设神经网络模型；/>为输入层且/>，/>为输入层的第/>个输入节点，每个输入节点对应一个第一训练集或者一个第二训练集，/>为输入层的第/>个输入节点到隐含层的第/>个输入节点的权重；/>为连接于隐含层的第/>个输入节点的偏置；/>为传递函数，且/>。
进一步地，第四训练集训练子模块搭载有通过式（2）表征的均方根误差：
（2）。
其中，为均方根误差，/>为第一训练集的个数或者第二训练集的个数，/>为第/>个第一训练集的真实值或者第/>个第二训练集的真实值，/>为第/>个第一训练集或者第/>个第二训练集训练完成后的训练结果。
进一步地，风电机的风轮故障监测装置还包括依次电性连接的故障标记与预警模块和预警信息处理与发送模块；故障标记与预警模块与风轮故障判定模块电性连接。
其中，故障标记与预警模块用于将出现故障的风轮标记为异常风轮并生成预警信息；预警信息处理与发送模块用于关闭异常风轮并发送预警信息至外部接收端。
本实施例通过将风轮的一个转动周期定义为一个数据获取周期；基于数据获取周期获取运动轨迹的若干个第一图像数据和若干个第二图像数据，第一图像数据的拍摄中心线与第二图像数据的拍摄视角的拍摄中心线垂直；将所有第一图像数据按照第一预设比例划分为第一训练集和第一样本集，并将所有第二图像数据按照第二预设比例划分为第二训练集和第二样本集；将第一训练集输出至预设神经网络模型并进行训练，得到第一预测模型，并将第二训练集输出至预设神经网络模型并进行训练，得到第二预测模型；将第一样本集输出至第一预测模型，得到第一预测值，并将第二样本集输出至第二预测模型，得到第二预测值；判断第一预测值是否位于第一预设区间内，并判断第二预测值是否位于第二预设区间内；若均否，则判定风轮出现故障。本实施例将图像数据的获取周期与风轮的转动周期动态同步，消除了风向规律带来的风轮转速扰动，使得每次采集的图像数据均为风轮的同一姿态，从而减少甚至消除无关变量，保证了后续模型训练的准确性，且由于风向规律吻合季节规律，使得采集到的图像数据自身具有前述的规律属性（例如在一个自然月内采集到的第一图像数据和第二图像数据，该第一图像数据和第二图像数据包含了该自然月的规律属性，例如若该自然月的前半月为大风、后半月为微风，则该第一图像数据和第二图像数据的前半部分所体现的风轮具有较大幅度的良性形变，例如叶片沿风向方向偏移3°，该第一图像数据和第二图像数据的后半部分具有较小幅度的良性形变，例如叶片沿风向方向偏移1.5°），该规律属性经过神经网络模型并进行训练后形成的预测模型则具有了该规律属性，只要风轮的形变顺应上述的规律属性，则不会被判定为故障。且本实施例通过两个相互垂直的拍摄视角获取风轮的图像数据，以尽可能少的拍摄设备获取尽可能多的风轮视觉信息，且本实施例利用了叶片自身带有角度的特性，若以本实施例中的三分之一个旋转周期为一个图像数据获取周期，则每三个图像数据获取周期即可以获得一个完整的风轮图像，不存在拍摄盲区。
如图3所示，本实施例提供了电子设备的一个实施例，在本实施例中，该电子设备8包括处理器81及和处理器81耦接的存储器82。
存储器82存储有用于实现上述任一实施例的风电机的风轮故障监测方法的程序指令。
处理器81用于执行存储器82存储的程序指令以进行风电机的风轮故障监测。
其中，处理器81还可以称为CPU（Central Processing Unit，中央处理单元）。处理器81可能是一种集成电路芯片，具有数据的处理能力。处理器81还可以是通用处理器、数字数据处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
进一步地，图4为本申请一实施例的存储介质的结构示意图，本申请实施例的存储介质9存储有能够实现上述所有方法的程序指令91，其中，该程序指令91可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所做的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围。
以上对本申请的具体实施方式进行了详细说明，但其只作为范例，本申请并不限制于以上描述的具体实施方式。对于本领域的技术人员而言，任何对本申请进行的等同修改或替代也都在本申请的范畴之中，因此，在不脱离本申请的精神和原则范围下所作的均等变换和修改、改进等，都应涵盖在本申请的范围内。
Claims (8)
1.一种风电机的风轮故障监测方法，其特征在于，所述风电机包括通过支撑座固定架设于预设区域内的风轮，所述风轮在竖直面转动以形成圆柱形的运动轨迹，所述风电机的风轮故障监测方法包括：
将所述风轮的一个转动周期定义为一个数据获取周期；
基于所述数据获取周期获取所述运动轨迹的若干个第一图像数据和若干个第二图像数据，所述第一图像数据的拍摄中心线与所述第二图像数据的拍摄视角的拍摄中心线垂直；
将所有第一图像数据按照第一预设比例划分为第一训练集和第一样本集，并将所有第二图像数据按照第二预设比例划分为第二训练集和第二样本集；
将所述第一训练集输入至预设神经网络模型并进行训练，得到第一预测模型，并将所述第二训练集输入至所述预设神经网络模型并进行训练，得到第二预测模型；
将所述第一样本集输入至所述第一预测模型，得到第一预测值，并将所述第二样本集输入至所述第二预测模型，得到第二预测值；
判断所述第一预测值是否位于第一预设区间内，并判断所述第二预测值是否位于第二预设区间内；
若均否，则判定所述风轮出现故障；
第一图像数据的个数与第二图像数据的个数相同；
第一图像数据包括圆柱形的其中一个底面，第二图像数据包括圆柱形的侧面，或者，第一图像数据包括圆柱形的侧面，第二图像数据包括圆柱形的其中一个底面；
将所有第一图像数据按照第一预设比例划分为第一训练集和第一样本集，并将所有第二图像数据按照第二预设比例划分为第二训练集和第二样本集，包括：
通过目标监测算法获取所述第一图像数据中基于所述风轮的第一最小包围盒，以及所述第二图像数据中基于所述风轮的第二最小包围盒；
将所有第一最小包围盒按照所述第一预设比例划分为所述第一训练集和所述第一样本集；
将所有第二最小包围盒按照所述第二预设比例划分为所述第二训练集和第二样本集。
2.根据权利要求1所述的风电机的风轮故障监测方法，其特征在于，将所述第一训练集输出至预设神经网络模型并进行训练，得到第一预测模型，并将所述第二训练集输出至所述预设神经网络模型并进行训练，得到第二预测模型，包括：
定义所述预设神经网络模型的拓扑关系，所述拓扑关系包括依次信号连接的输入层、隐含层、输出层；
将所述第一训练集输出至所述输入层，通过Levenberg-Marquardt方法对所述第一训练集进行第一预设次数的训练，并基于每一次训练分别获取一次所述第一样本集与当前次的训练结果的均方根误差；
获取所有均方根误差中的第一极小值，并获取与所述第一极小值对应的训练结果作为所述第一预测模型；
将所述第二训练集输出至所述输入层，通过所述Levenberg-Marquardt方法对所述第二训练集进行第二预设次数的训练，并基于每一次训练分别获取一次所述第二样本集与当前次的训练结果的均方根误差；
获取所述均方根误差中的第二极小值，并获取与所述第二极小值对应的训练结果作为所述第二预测模型。
3.根据权利要求2所述的风电机的风轮故障监测方法，其特征在于，所述预设神经网络模型通过式（1）表征：
（1）；
其中，为所述预设神经网络模型；/>为所述输入层且/>，/>为所述输入层的第/>个输入节点，每个输入节点对应一个所述第一训练集或者一个所述第二训练集，/>为所述输入层的第/>个输入节点到所述隐含层的第/>个输入节点的权重；/>为连接于所述隐含层的第/>个输入节点的偏置；/>为传递函数，且，角标的括号内的数字为层数。
4.根据权利要求2所述的风电机的风轮故障监测方法，其特征在于，所述均方根误差通过式（2）表征：
（2）；
其中，为所述均方根误差，/>为所述第一训练集的个数或者所述第二训练集的个数，/>为第/>个第一训练集的真实值或者第/>个第二训练集的真实值，/>为第/>个第一训练集或者第/>个第二训练集训练完成后的训练结果。
5.根据权利要求1所述的风电机的风轮故障监测方法，其特征在于，若均否，则判定所述风轮出现故障，之后，包括：
将出现故障的风轮标记为异常风轮并生成预警信息；
关闭所述异常风轮并发送所述预警信息至外部接收端。
6.一种风电机的风轮故障监测装置，所述风电机的风轮故障监测装置应用于如权利要求1至5之一所述的风电机的风轮故障监测方法，其特征在于，所述风电机的风轮故障监测装置包括：
数据获取周期定义模块，用于将所述风轮的一个转动周期定义为一个数据获取周期；
图像数据获取模块，用于基于所述数据获取周期获取所述运动轨迹的若干个第一图像数据和若干个第二图像数据，所述第一图像数据的拍摄中心线与所述第二图像数据的拍摄视角的拍摄中心线垂直；
图像数据划分模块，用于将所有第一图像数据按照第一预设比例划分为第一训练集和第一样本集，并将所有第二图像数据按照第二预设比例划分为第二训练集和第二样本集；
训练集训练模块，用于将所述第一训练集输入至预设神经网络模型并进行训练，得到第一预测模型，并将所述第二训练集输入至所述预设神经网络模型并进行训练，得到第二预测模型；
样本集预测模块，用于将所述第一样本集输入至所述第一预测模型，得到第一预测值，并将所述第二样本集输入至所述第二预测模型，得到第二预测值；
预测值判断模块，用于判断所述第一预测值是否位于第一预设区间内，并判断所述第二预测值是否位于第二预设区间内；
风轮故障判定模块，用于若所述第一预测值没有位于第一预设区间内，且所述第二预测值没有位于第二预设区间内，则判定所述风轮出现故障；
第一图像数据的个数与第二图像数据的个数相同；
第一图像数据包括圆柱形的其中一个底面，第二图像数据包括圆柱形的侧面，或者，第一图像数据包括圆柱形的侧面，第二图像数据包括圆柱形的其中一个底面；
图像数据划分模块包括依次电性连接的第一图像数据划分子模块、第二图像数据划分子模块、第三图像数据划分子模块；第一图像数据划分子模块与图像数据获取模块电性连接，第三图像数据划分子模块与训练集训练模块电性连接；
其中，第一图像数据划分子模块用于通过目标监测算法获取第一图像数据中基于风轮的第一最小包围盒，以及第二图像数据中基于风轮的第二最小包围盒；第二图像数据划分子模块用于将所有第一最小包围盒按照第一预设比例划分为第一训练集和第一样本集；第三图像数据划分子模块用于将所有第二最小包围盒按照第二预设比例划分为第二训练集和第二样本集。
7.一种电子设备，其特征在于，包括处理器、以及与所述处理器耦接的存储器，所述存储器存储有可被所述处理器执行的程序指令；所述处理器执行所述存储器存储的所述程序指令时实现如权利要求1至5中任一项所述的风电机的风轮故障监测方法。
8.一种存储介质，其特征在于，所述存储介质内存储有程序指令，所述程序指令被处理器执行时实现能够实现如权利要求1至5中任一项所述的风电机的风轮故障监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311476057.4A CN117212077B (zh) | 2023-11-08 | 2023-11-08 | 一种风电机的风轮故障监测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311476057.4A CN117212077B (zh) | 2023-11-08 | 2023-11-08 | 一种风电机的风轮故障监测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117212077A CN117212077A (zh) | 2023-12-12 |
| CN117212077B true CN117212077B (zh) | 2024-02-06 |
Family
ID=89046607
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311476057.4A Active CN117212077B (zh) | 2023-11-08 | 2023-11-08 | 一种风电机的风轮故障监测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117212077B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11969764B2 (en) * | 2016-07-18 | 2024-04-30 | Sortera Technologies, Inc. | Sorting of plastics |
| US12103045B2 (en) * | 2015-07-16 | 2024-10-01 | Sortera Technologies, Inc. | Removing airbag modules from automotive scrap |
| CN117934482B (zh) * | 2024-03-25 | 2024-05-28 | 云南能源投资股份有限公司 | 一种风电机的雷击概率预测方法、装置、设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2882404A1 (fr) * | 2005-02-22 | 2006-08-25 | Electricite De France | Procede et dispositif pour la surveillance des pales d'une installation eolienne |
| JP2010229824A (ja) * | 2009-03-25 | 2010-10-14 | Tokyo Electric Power Co Inc:The | 回転ブレード診断装置 |
| CN107705293A (zh) * | 2017-09-14 | 2018-02-16 | 广东工业大学 | 一种基于ccd面阵相机视觉检测的五金零件尺寸测量方法 |
| CN108843492A (zh) * | 2018-06-19 | 2018-11-20 | 上海扩博智能技术有限公司 | 通过无人机进行风机偏航角测算方法及系统 |
| CA3153024A1 (en) * | 2019-10-03 | 2021-04-08 | Morten Hartvig Hansen | A method and a system for tracking motion of a blade |
| CN113610749A (zh) * | 2021-04-21 | 2021-11-05 | 北京智慧空间科技有限责任公司 | 基于神经网络的风机叶片缺陷检测方法 |
| CN114623049A (zh) * | 2022-01-29 | 2022-06-14 | 西安翔迅科技有限责任公司 | 一种风电机组塔架净空监测方法、计算机程序产品 |
| CN115013255A (zh) * | 2022-05-23 | 2022-09-06 | 北京华能新锐控制技术有限公司 | 一种风机叶片在线视觉监测与故障诊断方法 |
| JP7188832B1 (ja) * | 2022-08-19 | 2022-12-13 | 株式会社amuse oneself | 無人飛行体、および、風力発電設備の点検システム、並びに、風力発電設備の点検方法 |
| CN116912715A (zh) * | 2023-06-15 | 2023-10-20 | 东南大学 | 一种面向风机叶片巡检的无人机视觉伺服控制方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2448940B (en) * | 2007-05-04 | 2009-10-14 | Insensys Ltd | Wind turbine monitoring |
| US9330449B2 (en) * | 2013-03-15 | 2016-05-03 | Digital Wind Systems, Inc. | System and method for ground based inspection of wind turbine blades |
| CA2883772C (en) * | 2014-03-04 | 2019-09-24 | Steffen Bunge | Method for replacing the blades of a wind turbine to maintain safe operation |
| WO2020156629A1 (en) * | 2019-01-28 | 2020-08-06 | Helispeed Holdings Limited | Method of inspection of wind turbine blades |
| US11984038B2 (en) * | 2019-03-26 | 2024-05-14 | Sony Corporation | Concept for designing and using an UAV controller model for controlling an UAV |
-
2023
- 2023-11-08 CN CN202311476057.4A patent/CN117212077B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2882404A1 (fr) * | 2005-02-22 | 2006-08-25 | Electricite De France | Procede et dispositif pour la surveillance des pales d'une installation eolienne |
| JP2010229824A (ja) * | 2009-03-25 | 2010-10-14 | Tokyo Electric Power Co Inc:The | 回転ブレード診断装置 |
| CN107705293A (zh) * | 2017-09-14 | 2018-02-16 | 广东工业大学 | 一种基于ccd面阵相机视觉检测的五金零件尺寸测量方法 |
| CN108843492A (zh) * | 2018-06-19 | 2018-11-20 | 上海扩博智能技术有限公司 | 通过无人机进行风机偏航角测算方法及系统 |
| CA3153024A1 (en) * | 2019-10-03 | 2021-04-08 | Morten Hartvig Hansen | A method and a system for tracking motion of a blade |
| CN113610749A (zh) * | 2021-04-21 | 2021-11-05 | 北京智慧空间科技有限责任公司 | 基于神经网络的风机叶片缺陷检测方法 |
| CN114623049A (zh) * | 2022-01-29 | 2022-06-14 | 西安翔迅科技有限责任公司 | 一种风电机组塔架净空监测方法、计算机程序产品 |
| CN115013255A (zh) * | 2022-05-23 | 2022-09-06 | 北京华能新锐控制技术有限公司 | 一种风机叶片在线视觉监测与故障诊断方法 |
| JP7188832B1 (ja) * | 2022-08-19 | 2022-12-13 | 株式会社amuse oneself | 無人飛行体、および、風力発電設備の点検システム、並びに、風力発電設備の点検方法 |
| CN116912715A (zh) * | 2023-06-15 | 2023-10-20 | 东南大学 | 一种面向风机叶片巡检的无人机视觉伺服控制方法及系统 |
Non-Patent Citations (7)
| Title |
|---|
| Randomization-based neural networks for image-based wind turbine fault diagnosis;Junda Wang etal.;Engineering Applications of Artificial Intelligenc(第121期);全文 * |
| Surface defect detection of wind turbine based on lightweight YOLOv5s model;Yinsheng Zhang;Measurement(第220期);全文 * |
| 吴镜锋 ; 金炜东 ; 唐鹏 ; .数据异常的监测技术综述.计算机科学.2017,(第S2期),全文. * |
| 基于无人机图像的风力发电机叶片缺陷识别;仇梓峰;王爽心;李蒙;;发电技术(第03期);全文 * |
| 基于深度学习的钢桁架桥螺栓病害智能识别方法;沈浩;江臣;陈宇文;王国香;李枝军;;南京工业大学学报(自然科学版)(第05期);全文 * |
| 基于航拍图像的输电线路识别与状态检测方法研究;仝卫国;中国博士学位论文全文数据库 科技信息辑;全文 * |
| 数据异常的监测技术综述;吴镜锋;金炜东;唐鹏;;计算机科学(第S2期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117212077A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117212077B (zh) | 一种风电机的风轮故障监测方法、装置、设备及存储介质 | |
| Chen et al. | Experimental and numerical study of high-order complex curvature mode shape and mode coupling on a three-bladed wind turbine assembly | |
| WO2018171165A1 (zh) | 预测风机的故障的方法和设备 | |
| Koukoura et al. | Identification of support structure damping of a full scale offshore wind turbine in normal operation | |
| US11520053B2 (en) | Method for acquiring and modelling with a lidar sensor an incident wind field | |
| US20060074595A1 (en) | Method and apparatus for improved fault detection in power generation equipment | |
| CN107451338A (zh) | 一种基于有限元的分布随机动载荷识别方法 | |
| WO2012044161A2 (en) | Method and system for wind gust detection in a wind turbine | |
| Pérez-Pérez et al. | Fault diagnosis in wind turbines based on ANFIS and Takagi–Sugeno interval observers | |
| CN116401536B (zh) | 一种风电机组风速计的故障诊断方法、装置及系统 | |
| US20200301020A1 (en) | METHOD FOR PREDICTING WIND SPEED IN THE ROTOR PLANE FOR A WIND TURBINE EQUIPPED WITH A LiDAR SENSOR | |
| CN107454925A (zh) | 用于确定风能设备的剩余使用寿命的方法 | |
| Sakaris et al. | Structural health monitoring of tendons in a multibody floating offshore wind turbine under varying environmental and operating conditions | |
| Zhang et al. | Structural damage identification of offshore wind turbines: A two‐step strategy via FE model updating | |
| CN115249980A (zh) | 数据和知识联合驱动的新能源场站阻抗辨识方法及系统 | |
| CN113612237A (zh) | 一种在海上风电场中定位谐振诱发的次同步振荡源的方法 | |
| Ji et al. | Structural performance degradation identification of offshore wind turbines based on variational mode decomposition with a Grey Wolf Optimizer algorithm | |
| Odofin et al. | Robust fault estimation for wind turbine energy via hybrid systems | |
| CN100478650C (zh) | 改善发电设备故障检测的方法和装置 | |
| CN108574290B (zh) | 受迫振荡的振荡源定位方法、装置、终端及可读存储介质 | |
| Muto et al. | Model-based load estimation for wind turbine blade with Kalman filter | |
| CN110765640B (zh) | 一种转子有效风速的计算方法、系统及设备 | |
| CN106338274B (zh) | 一种基于多参数传感器修正波浪特征参数的测波装置和方法 | |
| Namura | Wind shear estimation model using load measurement of wind turbine tower and surrogate model | |
| CN114912353A (zh) | 基于风向相关性的风电场风向数值计算方法及系统 |
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 |