发明名称 基于机器视觉图像对电力系统风力发电机叶片表面结冰故障进行诊断的方法
摘要 本发明公开了基于机器视觉图像对电力系统风力发电机叶片表面结冰故障进行诊断的方法,包括如下步骤:步骤一、划分风力发电机叶片,获得叶片基元;步骤二、对风力发电机叶片基元进行拍照,并对背景进行剔除;步骤三、对步骤二获得的叶片基元结果图像进行二次划分成图像基元,并对基元结果图像进行特征提取;步骤四、对故障诊断所用的支持向量机进行训练;步骤五、使用训练好的支持向量机对风力发电机叶片基元的表面故障种类进行诊断;步骤六、对所有的叶片基元均进行步骤二、三、五的操作,直至完成整片叶片的表面结冰故障诊断。该方法诊断精度高。
申请公布号 CN103982378B 申请公布日期 2017.01.11
申请号 CN201410171787.8 申请日期 2014.04.25
申请人 广东电网公司电力科学研究院;华中科技大学 发明人 冯永新;杨涛;邓小文;刘石;张磊;郭盛;高庆水;张楚
分类号 F03D80/40(2016.01)I 主分类号 F03D80/40(2016.01)I
代理机构 广州知友专利商标代理有限公司 44104 代理人 周克佑
主权项 基于机器视觉图像对电力系统风力发电机叶片表面结冰故障进行诊断的方法,该方法包括如下步骤:步骤一、划分风力发电机叶片,获得叶片基元;步骤一的具体过程如下:首先,采用在风力发电机叶片表面涂上色带的方法对整个叶片进行区域划分,划分成N个子区域,其中N≥1,任意一个子区域均称为叶片基元;步骤二、对风力发电机叶片基元进行拍照,并对背景进行剔除;步骤二的具体过程如下:首先对风力发电机叶片基元进行拍摄,获得叶片基元的原始图像;然后,将原始图像经过灰度处理,由彩色图变为灰度图,得到叶片基元的灰度图像;再通过采用Roberts轮廓提取方法对灰度图像进行叶片基元轮廓提取,得到叶片基元的二值图像,该二值图像中叶片基元为白色前景,其余部分为黑色背景;进一步,对二值图像进行形态学处理,达到初步去噪的效果,获得初步去噪图像;进而,在初步去噪图像中,采用二值图像连通区域标记法,对初步去噪图像执行两次扫描,第一次扫描通过逐行扫描像素,判断像素之间的相邻关系,对属于同一连通区域的像素赋予相同的连通标号;第二次扫描消除重复的标记,合并属于同一连通区域但是具有不同标记号的子区域,通过两步扫描找到区域面积最大的白色8连通区域,该最大的白色8连通区域就是所要获得的风力发电机叶片基元图像区域;最后,从原始图像中抠除去风力发电机叶片基元图像区域之外的区域,达到剔除背景的目的,同时能够得到风力发电机的叶片基元结果图像;步骤三、对步骤二获得的叶片基元结果图像进行二次划分成图像基元,并对基元结果图像进行特征提取;步骤三的具体过程如下:首先,将步骤二获得的叶片基元结果图像分割成多个平行四边形网格,进而根据网格把风力机叶片基元结果图像拆分成图像基元;然后采用数据特征提取算法对图像基元进行处理,得到图像基元的数据特征;步骤四、对故障诊断所用的支持向量机进行训练;步骤四的具体过程如下:把步骤三中获得的图像基元数据特征作为训练数据;然后,采用训练数据对支持向量机进行训练,获得训练好的支持向量机;该步骤四中支持向量机的训练采用标准支持向量机算法,具体训练步骤如下:(1)设训练集T={(x<sub>1</sub>,y<sub>1</sub>),(x<sub>2</sub>,y<sub>2</sub>),…(x<sub>l</sub>,y<sub>l</sub>)}∈(X,Y)<sup>l</sup>其中x<sub>i</sub>∈X∈R<sup>P</sup>,y<sub>i</sub>∈Y={‑1,1},i=1,…l;x<sub>i</sub>为图像基元的数据特征构成的向量;如果x<sub>i</sub>对应的图像基元上存在叶片结冰,则y<sub>i</sub>为1,否则y<sub>i</sub>为‑1(2)求解最优化问题(1.1),得最优解:<img file="FDA0001069487630000021.GIF" wi="475" he="71" /><maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><mtable><mtr><mtd><munder><mi>min</mi><mi>&alpha;</mi></munder></mtd><mtd><mrow><mfrac><mn>1</mn><mn>2</mn></mfrac><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>l</mi></munderover><munderover><mi>&Sigma;</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>l</mi></munderover><msub><mi>y</mi><mi>i</mi></msub><msub><mi>y</mi><mi>j</mi></msub><msub><mi>&alpha;</mi><mi>i</mi></msub><msub><mi>&alpha;</mi><mi>j</mi></msub><mrow><mo>(</mo><msub><mi>x</mi><mi>i</mi></msub><mo>&CenterDot;</mo><msub><mi>x</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>-</mo><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>l</mi></munderover><msub><mi>&alpha;</mi><mi>i</mi></msub></mrow></mtd></mtr><mtr><mtd><mrow><mi>s</mi><mo>.</mo><mi>t</mi><mo>.</mo></mrow></mtd><mtd><mrow><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>l</mi></munderover><msub><mi>y</mi><mi>i</mi></msub><msub><mi>&alpha;</mi><mi>i</mi></msub><mo>=</mo><mn>0</mn><mo>,</mo></mrow></mtd></mtr><mtr><mtd><mrow></mrow></mtd><mtd><mrow><msub><mi>&alpha;</mi><mi>i</mi></msub><mo>&GreaterEqual;</mo><mn>0</mn><mo>,</mo><mi>i</mi><mo>=</mo><mn>1</mn><mo>,</mo><mo>...</mo><mo>,</mo><mi>l</mi><mo>.</mo></mrow></mtd></mtr></mtable><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1.1</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001069487630000022.GIF" wi="1002" he="407" /></maths>其中α<sub>i</sub>为引入的中间变量,为与每个训练数据对应的乘子;(3)选择α<sup>*</sup>的正分量,计算<maths num="0002" id="cmaths0002"><math><![CDATA[<mrow><msup><mi>b</mi><mo>*</mo></msup><mo>=</mo><msub><mi>y</mi><mi>j</mi></msub><mo>-</mo><munderover><mo>&Sigma;</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>l</mi></munderover><msub><mi>y</mi><mi>i</mi></msub><msubsup><mi>&alpha;</mi><mi>i</mi><mo>*</mo></msubsup><mrow><mo>(</mo><msub><mi>x</mi><mi>i</mi></msub><mo>&CenterDot;</mo><msub><mi>x</mi><mi>j</mi></msub><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001069487630000023.GIF" wi="525" he="158" /></maths>其中b<sup>*</sup>为引入的中间变量,是分类阈值;(4)构造线性最优分类超平面,得出决策函数:<maths num="0003" id="cmaths0003"><math><![CDATA[<mrow><mi>f</mi><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>=</mo><mi>sgn</mi><mrow><mo>(</mo><munderover><mo>&Sigma;</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>l</mi></munderover><msubsup><mi>a</mi><mi>i</mi><mo>*</mo></msubsup><msub><mi>y</mi><mi>i</mi></msub><mrow><mo>(</mo><mrow><mi>x</mi><mo>&CenterDot;</mo><msub><mi>x</mi><mi>i</mi></msub></mrow><mo>)</mo></mrow><mo>+</mo><msup><mi>b</mi><mo>*</mo></msup><mo>)</mo></mrow><mo>;</mo></mrow>]]></math><img file="FDA0001069487630000024.GIF" wi="942" he="183" /></maths>步骤五、使用训练好的支持向量机对风力发电机叶片基元的表面故障种类进行诊断;步骤五的具体过程如下:把风力发电机叶片基元经步骤三获得的图像基元数据特征作依次为变量x代入步骤四获得的决策函数,由决策函数的值来判断该发电机叶片基元是否存在表面结冰故障,若决策函数的值为1则表示存在叶片结冰,若决策函数的值为‑1则表示不存在叶片结冰;步骤六、对所有的叶片基元均进行步骤二、三、五的操作,直至完成整片叶片的表面结冰故障诊断。
地址 510080 广东省广州市东风东路水均岗8号