一种风电机组螺栓故障监测方法与流程

本发明属于风电机组螺栓故障监测领域，尤其涉及一种风电机组螺栓故障监测方法。

背景技术：

1、叶片是风电机组中承受交变载荷最为频繁也是受力最复杂的结构，叶片受到的交变载荷会沿着叶片传导至叶根处，作用在叶根与法兰盘连接的螺栓上。长期处于恶劣工作环境下的连接螺栓，由于交变载荷作用容易发生松动和断裂，影响风机正常工作和运行安全。因此，对风机螺栓进行缺失和松动监测具有重要的工程意义。由于风场中各风机距离较远和人员配置的问题，并且叶片螺栓用于连接叶根和变桨法兰盘，处在叶轮处，对每个螺栓实现及时检测并不现实。因此，实现对风电机组螺栓的在线检测尤为重要。

2、常用的螺栓松动检测方式为标记式和磁附式，但都依赖于检修人员在巡检时检查相关设备的状态来判断，主观性过强，难以实现螺栓状态的精确诊断。近年来，诸多学者利用不同方法对螺栓松动故障进行了诊断，常见的诊断方法包括有基于物理模型、基于数据驱动和基于卷积神经网络的诊断。然而，基于振动信号的卷积方法，均需对振动信号进行采集和处理，并且需要大量的采集数据与分析系统，不利于在受噪声干扰严重的工程实际中应用。

3、随着计算机技术和成像设备的发展，基于图像视觉的监测方法在诸多工业场合中得到了应用。温学军等人利用及其视觉技术，通过灰度函数图及其一阶导数图实现了轴承滚动体数目的自动检测；周靖和刘超华分别使用rbf聚类算法和rammer算法实现了高空飞机和钢桥的螺栓松动检测。王宝丽则利用faster-rcnn和deeplabv3模型实现了螺栓的定位和螺杆螺纹数目统计，并以此作为螺栓松动检测的依据。但上述方法或仅适用于较为稳定的环境，或无法实现螺栓早期松动的检测，因此在风机螺栓的检测中均存在一定的缺陷。

技术实现思路

1、本发明所要解决的技术问题是针对背景技术的不足提供了一种风电机组螺栓故障监测方法。该方法通过cnn模型实现了螺栓的轮廓识别，并以此作为螺栓缺失的判断依据，随后，定位螺栓角点位置，通过与角点初始位置的比对，实现了螺栓松动检测。

2、本发明为解决上述技术问题采用以下技术方案：

3、一种风电机组螺栓故障监测方法，包括如下步骤：

4、步骤1，获取叶片法兰盘端面螺栓图像，对图像进行roi划分，确定含有螺栓的区域，通过cnn网络进行特征识别，确定含有螺栓的部分；

5、步骤2，采用螺栓松动识别算法进行螺栓识别，螺栓识别采用基于cnn的yolo v5模型，当法兰盘上的螺栓突发断裂时，发出螺栓缺失报警；

6、步骤3，如果法兰盘上的所有螺栓都被监测到，则进行松动检测；松动检测采用边缘互相关算法，通过检测螺栓各个角点，重建螺栓形貌，以初始安装时螺栓所在的位置为初始角度，以不同时刻的螺栓角度进行互相关对比计算，从而判断每个螺栓是否发生松动；

7、步骤4，将发生松动和缺失的螺栓在采集到的图像上加以显示并且发出警报，从而更快定位故障出现位置；

8、步骤5，当法兰盘端面上的螺栓全部被识别到时，且判定螺栓不存在松动时，继续对螺栓监测。

9、进一步的，螺栓松动识别算法具体过程为：以yolo算法检测到的螺栓为对象，首先对这些螺栓进行编号，其次将整个法兰盘图像分割为单个螺栓图像，对图像进行灰度处理，通过canny边缘监测方法提取图像中的典型边缘，最后以霍夫变化来检测直线；其中，阈值化采用的是自适应高斯算法，该算法将图像划分为若干子集，每个子集寻找最优化的阈值化函数，计算公式为：

10、

11、式中，σ为滤波处理过程中的高斯函数方差，ε为残差项，σ达到最小值时为最优值。

12、进一步的，canny边缘互相关算法为多步骤算法，其具体过程如下：

13、(1)以高斯滤波函数对图像进行处理，去除图像噪声，增加图像平滑程度；

14、(2)以sobel算子获得图像像素点的梯度和方向；

15、(3)非极大值抑制算法消除边缘检测过程中带来的误检；

16、(4)双阈值算法识别真实边缘；

17、(5)抑制弱边缘，提高边缘检测准确率。sobel算法为一阶边缘检测算法，计算公式为：

18、

19、

20、式中，g为每个像素的边缘梯度和梯度方向；霍夫直线检测算法是以点与线的对偶性为原理，将图像空间中的直线与参数空间中的点相互对应；螺栓松动角度计算公式如下：

21、θc＝θm-θi

22、式中θc为当前松动的角度，θm为测量得到的角度，θi为初始测量的角度。

23、本发明采用以上技术方案与现有技术相比，具有以下技术效果：

24、1、本发明通过cnn模型实现了螺栓的轮廓识别，并以此作为螺栓缺失的判断依据，随后，定位螺栓角点位置，通过与角点初始位置的比对，实现了螺栓松动检测；

25、2、本发明提供实验室实验结果显示，螺栓识别置信度为90％，最大角度测量误差为3.05°，由于镜头畸变原因，最大误差发生在相机边缘位置；试验结果证明了本文提出的监测方法的有效性及在工业现场中的适用性，为风机故障检测提供了数据支撑。

技术特征：

1.一种风电机组螺栓故障监测方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的一种风电机组螺栓故障监测方法，其特征在于：螺栓松动识别算法具体过程为：以yolo算法检测到的螺栓为对象，首先对这些螺栓进行编号，其次将整个法兰盘图像分割为单个螺栓图像，对图像进行灰度处理，通过canny边缘监测方法提取图像中的典型边缘，最后以霍夫变化来检测直线；其中，阈值化采用的是自适应高斯算法，该算法将图像划分为若干子集，每个子集寻找最优化的阈值化函数，计算公式为：

3.根据权利要求1所述的一种风电机组螺栓故障监测方法，其特征在于：canny边缘互相关算法为多步骤算法，其具体过程如下：

技术总结
本发明公开一种风电机组螺栓故障监测方法，包括如下步骤：步骤1，获取叶片法兰盘端面螺栓图像，对图像进行ROI划分，确定含有螺栓的部分；步骤2，采用螺栓松动识别算法进行螺栓识别，螺栓识别采用基于CNN的YOLO V5模型；步骤3，进行松动检测，松动检测采用边缘互相关算法，判断每个螺栓是否发生松动；步骤4，将发生松动和缺失的螺栓在采集到的图像上加以显示并且发出警报，定位故障出现位置；步骤5，当法兰盘端面上的螺栓全部被识别且判定螺栓不存在松动时，继续对螺栓监测。本发明通过CNN模型实现了螺栓的轮廓识别，并以此作为螺栓缺失的判断依据，随后，定位螺栓角点位置，通过与角点初始位置的比对，实现了螺栓松动检测。

技术研发人员：李秋鹏,王元强,梁俊坚
受保护的技术使用者：广东省风力发电有限公司
技术研发日：
技术公布日：2024/3/27