风力机叶片故障诊断方法
【技术领域】
[0001]本发明涉及风力机故障诊断技术领域，具体是风力机叶片故障诊断方法。
【背景技术】
[0002]目前，风力机叶片损伤问题是风力机叶片设计、制造、运行中所关注的一项重要内容。风力机本身所处环境的气候条件恶劣且全天处于交变载荷下运行，导致风机部件比较容易损坏，而风电行业的快速发展对故障监督和诊断技术提出了更加严格的要求。
[0003]风力机叶片的故障有多种分类方式，从其表现形式方面分为:叶片表面有砂眼、叶片开裂、叶片结冰、叶片表面腐蚀。对于风力机叶片故障的监督方法分为损毁和非损毁两类，而风力机叶片故障的非损毁监督方法才具有实际意义。风力机叶片的诸多非损毁监测方法能根据信号接收装置与叶片的作用形式分为接触式和非接触式两种。由测量装置和叶片表面直接接触来测量叶片状态的方法称为接触式监测，方法有振动监测、声发射、应力监测、超声波等；而测量装置不和叶片产生接触的监测方法称为非接触式测量，方法有热成像、X射线成像、数字图像相关性分析等。
[0004]然而，在接触式测量方法中，由于其通过传感器所监测的点来反应其所代表的区域必定会造成一定的误差，且接触式传感器往往由于其本身的温度范围和安装难度也会造成实际工况下使用的困难；对于现行的非接触测量方法，比如X射线成像方法从其原理上来说现阶段的技术水平只能将其做的较笨重，所以其现阶段只能在实验室对风力机叶片故障进行诊断。
[0005]在计算机视觉领域中有学者对计算机视觉对表面缺陷研宄，但大多是对静止物体开展的。由于风力机叶片表面呈弧型结构，而且风力机在工作过程中存在变浆与偏航，导致故障呈现三维变化，直接导致摄像机采集到得上图像很难辨别两次图像是否为同一图像。这就导致对于风力机叶片故障生长、发展的视频监测工作十分复杂而且算法精度不高不能满足生产需求。
[0006]中国发明专利CN102175449A，公开了一种基于风力机应变能响应的叶片故障诊断方法，是通过机舱传感器设置点的应变能频域响应获取风力发电机组叶片故障状损伤状态特征值能够精确找出风力发电机组叶片的故障损伤位置、故障损伤程度，但是对于接触式故障诊断方法，由于通过对传感器所安装部位信号进行监控来达到对叶片整体进行监控的目的，所以故障定位准确率较低。
[0007]目前，本领域技术人员有必要开发一种能够精确判断叶片故障的诊断方法。
【发明内容】
[0008]本发明的目的就是为了克服现有风力机故障诊断的不足，提供了一种风力机叶片故障诊断方法，以解决对于风力机叶片故障生长、发展的视频监测工作十分复杂而且算法精度不高不能满足生产需求的问题。
[0009]为了解决上述技术问题，本发明通过下述技术方案得以解决: 一种风力机叶片故障诊断方法，包括如下步骤:
(I)风力机叶片基兀的提取:
首先，通过边缘提取算法对风力机叶片进行背景剔除；接着，把风力机叶片表面涂上色带，通过色带把风力机叶片整体划分成N个子区域，其中N多I，任意一个子区域称为叶片基
J L.ο
[0010]然后采取网格区域划分的方法，把风力机叶片每个子区域表面人为划分标记圆点，圆点依照叶片表面弧度进行划分，在平直的部分划分较稀疏，弧度大的子区域划分较密集。
[0011 ] 最后，通过霍夫圆变换找到标记圆点的圆心，通过圆心和区域的四个角点将子区域再次划分，把网格拆分成子区域，使得网格内部近似为在同一平面上；将该子区域进行二次划分成图像基元，作为故障诊断图像使用。
[0012](2)视频监控:
首先利用固定在风力机塔架上的摄像设备，定时对风力机叶片基元进行取样拍照，获得叶片基元原始图片。
[0013]然后，把原始图像转换成灰度图。
[0014]原始图像转换成灰度图方法如下:
首先，将原始图形经过灰度处理，由彩色图变为灰度图，得到叶片基元的原始图像。
[0015]然后，通过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背景，其余部分为黑色背景。
[0016]再次，对二值图像进行形态学处理后得到图像的二值去噪图像，找到图像中区域最大的部分即为叶片所在部分，取出其他部分即得到叶片的二值图像。
[0017]最后，找到原始图像中对应叶片二值图像中为白色的部分即提取出整个叶片的图像。
[0018](3)判别故障:
首先收集常见风力机故障叶片，然后对风力机故障叶片提取图像特征，接着对故障图片进行分类，最后设计叶片故障种类数据库，将叶片故障诊断的算法应用到风力机叶片故障诊断中，进行智能识别故障，若判别为严重故障，告知需要检修；若判断为细微故障，告知监督故障发展和类型变化，若叶片裂纹生长，则告知检修。
[0019]采用上述技术方案的本发明与现有技术相比:
利用图像定位点对风力机叶片进行基元划分，可以有效的对叶片表面故障进行定位，并且，由于把风力机叶片的曲面表面划分成近似平面区域，采用二维故障平面图像的特征代替三维曲面图像，可以大大简化在风力机故障辨识中的计算工作量及计算精度。
[0020]通过对工业摄像头采集的图像进行分析处理找到被监测叶片的故障以达到生产监控的目的，克服了风力机工作环境为室外且周围光线环境复杂、风力机叶片过长致使在一张照片中不可能拍摄到全部叶片、不可避免的引入背景信息、由于叶片的变浆导致拍摄角度不固定等单纯使用图像处理方法的不足。其特点是设备简单、体积小巧、价格低廉。
[0021]本发明的优选方案如下:
进一步对子区域至少两次划分，提取叶片基元，通过对叶片基元的故障诊断来确定故障发生部位或对故障的生长情况进行监督。
[0022]对摄像设备进行拍摄控制，利用叶片位置输出信号作为摄像的开关信号，当叶片达到预期位置时启动摄像设备对叶片图像进行采集。
[0023]对于摄像设备的开关条件要求满足叶片的监测区域占据图像的主要部分，并调整摄像设备的摄像范围，每次只使一个检测区域全部进入摄像范围，用至少两个摄像设备共同完成对叶片的整体监督。
[0024]在风力机运行过程中，摄像设备对叶片图像进行采集和分析，摄像设备采集到的是至少三个叶片依次经过被摄像设备捕捉到的图像和摄像设备取景范围内没有叶片时所拍摄到的环境图像，该摄像设备能从不同的图像中自动区分出风力机叶片的图像，避免对风力机叶片故障的误判。
[0025]对故障判别采用基于双树复小波图像特征提取法。
[0026]对故障判别采用基于流形学习的图片数据降维法。
[0027]对故障判别采用基于改进流形学习算法的图片数据降维法。
【附图说明】
[0028]图1为本发明的叶片故障诊断流程图。
[0029]图2为本发明的叶片故障诊断示意图。
[0030]图中:1 一风力机；2—风力机叶片；3—叶片基兀；4一摄像设备；5—风力机塔架。
[0031]名词解释:
双树复小波是指采用两个小波树进行分析处理使得算法具有近似平移不变性和分解系数对应性以及方向各异性。
[0032]流形学习是指从高维欧氏空间采样的数据中恢复出低维流形结构，同时求出相应的嵌入映射，以实现数据的约简、降维或可视化。
【具体实施方式】
[0033]下面结合图1至图2给出的实施例对本发明作进一步阐述，但实施例不对本发明构成任何限制。
[0034]一种风力机叶片故障诊断方法，包括如下步骤:
(I)风力机叶片基元3的提取:
首先，通过边缘提取算法对风力机叶片2进行背景剔除；接着，把风力机叶片2表面涂上色带，通过色带把风力机叶片整体划分成N个子区域，其中N多I，任意一个子区域称为叶片基元3。例如:N取10