[发明专利]一种风力发电机组叶片故障估测系统及方法

说明书

本发明提供了一种风力发电机组叶片故障估测系统及方法。获取每幅可见光与红外图像，标记每幅图像的风电机组叶片故障类型、故障预测框；构建改进的yoloV5模型网络，通过架构改进得到优化后的yoloV5网络；构建GoogLeNet网络，通过Adam算法优化训练得到优化后GoogLeNet网络；处理终端拍摄每幅筛选后风电机叶片可见光图像通过优化后的yoloV5网络预测得到对应的故障的位置与类型，将每幅筛选后风电机叶片红外图像通过GoogLeNet网络预测得到对应的故障的类型与位置，进一步通过双光谱对照融合识别得到最终的风电机叶片的故障的位置与类型。本发明优点在于，减少了巡检工人在恶劣工作环境中工作时长；通过改进传统yoloV5网络与GoogLeNet网络提高对于图像处理速度和精度使之满足巡检需求。

技术领域

本发明属于图像数据处理技术领域，尤其涉及一种风力发电机组叶片故障估测系统及方法。

背景技术

风电机叶片系统作为其发电过程中关键的组成部分，叶片故障占总故障率的25％，叶片气动效率的大小直接影响风电机发电效率，叶片常出现的普通故障主要包括表层材料腐蚀、产生裂纹、产生砂眼等；叶片常出现的严重损伤主要包括前端后端发生开裂、蒙皮剥离脱落、和冰雹雷击等极恶劣天气产生的损坏、折断事故等。其中叶片由于交变载荷导致的蒙皮损伤应引起高度重视，特别是在其损伤发生初期及时发现可有效预防其进一步的蔓延恶化，这将大大减小其运维成本。一但叶片严重损伤甚至发生叶片折断，将导致整个风电机系统的瘫痪，所以叶片系统的失效不仅会带来高额的成本而且带来的长时间停机。

现存主要有目视法、人工巡检、无人机巡检方式，目视法通过使用高倍望远镜直接观察风电叶片上的损伤，该方法可以快捷的得到视野内叶片的损伤情况，但对观察者的经验和技术水平依赖程度比较高，对光线不好或叶片内部存在故障的时候不适用。人工巡检目前是最普遍的做法，但效率低、危险性高，不适合大面积风场巡检。无人机可见光巡检通过使用无人机对风力机进行拍照，来识别叶片故障，该方法效率高，但无法识别叶片内部故障。

红外线是一种波长范围为0.76～1,000,μm的一种在红光外的不可见光，物体开尔文温度在高于绝对零度时都可以产生红外线；当风电机叶片的故障发生在内部或为贯穿故障时，叶片原本均匀有序的结构被破坏，在太阳照射或激励热源下将产生不同的温度场；红外相机得到成热图像视频信号，进行拍摄得到目标叶片温度场情况与相应可见光图像对比分析作为叶片故障诊断的依据；

发明内容

本发明提供了一种风力发电机组叶片故障检测方法，对yoloV5网络构架进行改进，和GoogLeNet模型监督信号的引入，识别速度和检测精度得到大幅提高；所采用的是使用无人机的可见光和红外光融合识别故障技术来对叶片进行智能巡检，该方法可以减少巡检人员的工作负荷和风险，可以同时发现叶片表面故障和内部故障，并快速定位故障位置，实现快速巡检。

为解决上述技术问题，本发明提供了一种风力发电机组叶片故障估测系统及方法。

本发明系统的技术方案为一种风力发电机组叶片故障估测系统，包括：处理终端、彩色可见光相机、红外热成像相机、无人机；

所述的处理终端、彩色可见光相机、红外热成像相机均放置于无人机上；

所述处理终端分别与所述的彩色可见光相机、红外热成像相机依次连接；

所述处理终端通过所述彩色可见光相机采集多个时刻的风电机叶片可见光图像，通过所述红外热成像相机多个时刻的风电机叶片红外光图像；