0 ;所取的量值与相机的成像和安装位置，叶片大小以及叶片表面曲率都有关系。
[0035]然后采取网格区域划分的方法，把风力机叶片2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。
[0036]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。
[0037](2)视频监控: 首先利用固定在风力机塔架5上的摄像设备4，定时对风力机叶片基元3进行取样拍照，获得叶片基元3原始图片。
[0038]然后，把原始图像转换成灰度图。
[0039]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3的原始图像。
[0040]然后，通过轮廓提取方法对灰度图像进行叶片基元3轮廓提取，得到叶片基元3的二值图像，该二值图像中叶片基元3为白色背景，其余部分为黑色背景。
[0041]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。
[0042]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2的图像。
[0043](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3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。
[0044]进一步对子区域至少两次划分，提取叶片基元3，通过对叶片基元3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。
[0045]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4对叶片图像进行采集。
[0046]对于摄像设备4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4共同完成对叶片的整体监督。
[0047]在风力机运行过程中，摄像设备4对叶片图像进行采集和分析，摄像设备采集到的是三个叶片依次经过被摄像设备4捕捉到的图像和摄像设备4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2故障的误判。
[0048]对故障常见种类设计了叶片故障种类数据库，通过基于双树复小波、流形学习和改进流形学习三种方法对叶片图像进行图像特征提取。
[0049]本实施例利用图像定位点对风力机叶片进行基元划分，能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，大大简化在风力机故障辨识中的计算工作量及计算精度。
[0050]本领域技术人员不脱离本发明的实质和精神，有多种方案实现本发明，以上所述仅为本发明较佳可行的实施例而已，并非因此局限本发明的权利范围，凡运用本发明说明书及附图内容所作的等效结构变化，均包含于本发明的权利范围之内。
【主权项】
1.风力机叶片故障诊断方法，包括如下步骤: (1)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元; 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； 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； (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； 然后，把原始图像转换成灰度图； 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； 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； 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； 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； (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。
2.根据权利要求1所述的风力机叶片故障诊断方法，其特征在于: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。
3.根据权利要求1所述的风力机叶片故障诊断方法，其特征在于: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。
4.根据权利要求1或3所述的风力机叶片故障诊断方法，其特征在于: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。
5.根据权利要求4所述的风力机叶片故障诊断方法，其特征在于: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。
6.根据权利要求1所述的风力机叶片故障诊断方法，其特征在于:对故障判别采用基于双树复小波图像特征提取法。
7.根据权利要求1所述的风力机叶片故障诊断方法，其特征在于:对故障判别采用基于流形学习的图片数据降维法。
8.根据权利要求1所述的风力机叶片故障诊断方法，其特征在于: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。
【专利摘要】本发明涉及风力机故障诊断技术领域，特别是一种风力机叶片故障诊断方法。通过地位点多次对风力机叶片表面进行分割，采用微分原理，把呈弧型结构的风力机叶片划分成认为是平面的图像基元，并且定位点能对故障进行定位。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并进行处理。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，从而做出判断。解决了现有诊断方法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。本发明的诊断方法简单易行，灵敏性高，能提高风力发电机叶片安全性。
【IPC分类】G01M13-00, G01N21-95
【公开号】CN104865269
【申请号】CN201510170405
【发明人】张磊, 郭洋, 孙鑫, 葛晓芳, 马云玲
【申请人】华北理工大学
【公开日】2015年8月26日
【申请日】2015年4月13日