基于机器视觉图像对电力系统风力发电机叶片表面点蚀故障进行诊断的方法
【专利摘要】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点蚀故障进行诊断的方法，包括：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、对图像基元进行特征提取；步骤四、提出一种神经网络聚类—LLE流行学习算法对提取的多维图像特征进行降维；步骤五、通过实验获取风力机叶片正常状态图像基元以及表面点蚀故障图像基元；步骤六、使用训练数据库对故障诊断所用的支持向量机进行训练；步骤七、使用步骤六中训练好的支持向量机对风力发电机叶片基元的表面是否存在点蚀故障进行诊断；步骤八、对所有的叶片基元均进行步骤二、三、四、七的操作，直至完成整片叶片的点蚀诊断。
【专利说明】基于机器视觉图像对电力系统风力发电机叶片表面点蚀故障进行诊断的方法
【技术领域】
[0001]本发明涉及风力机故障诊断领域，具体是指基于机器视觉图像对电力系统风力发电机叶片表面点蚀故障进行诊断的方法。
【背景技术】
[0002]叶片作为风力机故障率最高的部件之一，由于其体积庞大、传感器安装困难、监控设备昂贵等原因始终没有一种可以现场应用的故障诊断和故障监督手段。现行风力机叶片的故障诊断主要是通过对风力机传动链的故障信号监督间接诊断风力机叶片故障。对风力机叶片的故障诊 断的研究已经引起科研人员的重视并进行了多种尝试性研究。包括对风力机叶片表面安装振动、应力、声发射等传感器的接触式诊断方法和对叶片进行热成像、X光扫描、数字图像相关性分析的非接触故障诊断方法。
[0003]对于接触式故障诊断方法，由于是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，而且由于所需传感器数量较多会带来成本过高和布置困难等缺点。非接触式故障诊断方法以准确的对故障进行定位但是由于其设备价格昂贵且体积庞大很难在现场安装同样没有进行应用。
【发明内容】
[0004]本发明的目的是提供一种基于机器视觉图像对电力系统风力发电机叶片表面点蚀故障进行诊断的方法。
[0005]本发明的上述目的通过如下技术方案来实现的:基于机器视觉图像对电力系统风力发电机叶片表面点蚀故障进行诊断的方法，该方法包括如下步骤:
[0006]步骤一、划分风力发电机叶片，获得叶片基元；
[0007]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；
[0008]步骤二、在风力机上安装工业摄像设备，定时对风力发电机叶片基元进行拍照，并对背景进行剔除，对叶片基元背景剔除后的结果图像进行二次划分成图像基元；
[0009]步骤二的具体过程如下:首先在风力机上安装工业摄像设备，定时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；进一步地，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；最后，通过在叶片中做标记点对叶片基元背景剔除后的结果图像进行二次划分成图像基元；
[0010]步骤三、对图像基元进行特征提取；
[0011]步骤三的具体过程如下: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。
[0012]步骤四、采用神经网络聚类一LLE流行学习算法对提取的多维图像特征进行降维。
[0013]步骤四的具体过程如下:首先，通过模糊聚类将特征提取结果数据分为η类，进而得到各个类聚类中心和个体模糊隶属度。然后，根据模糊聚类的结果选择最靠近每类中心的样本作为广义神经网络聚类的训练样本。使用训练数据训练广义神经网络。广义神经网络预测模块用训练好的网络预测所有输入样本数据的输出序列。进一步的，按照网络预测输出序列Y把样本数据X分为η类，然后求出每类内所有样本平均值、所有样本X到中心支的距离，从距离矩阵选择距离最小的M个样本作为一组，设定其对应的网络输入为i。这样再次得到了 nXm组网络训练数据，其输入数据为原始数据，输出数据为类别特征数据。得到样本类别个数，样本中心和每类样本的个数。最后，由得到的样本类别个数、样本中心、每类样本的个数及特征数据，用LLE算法对数据进行降维处理，得到数据降维结果。
[0014]步骤五、通过实验获取风力机叶片正常状态、表面裂纹、表面污染和表面点蚀等故障图像基元，并对这些图像基元进行步骤三和步骤四的操作，得到降维结果数据作为训练数据库；
[0015]步骤六、使用训练数据库对故障诊断所用的支持向量机进行训练；
[0016]步骤六的具体过程如下:首先，把训练数据库中的数据作为训练数据；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；该步骤六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:
[0017](I)设训练集 T= Kx1J1), (x2, y2),...(x1； Y1)! e (X, Y)1
[0018]其中Xi e χ e Rp, Yi e Y = {-1, 1}，i = 1，…1 ;
[0019]Xi为图像基元的数据降维结果构成的向量；如果Xi对应的图像基元上存在叶片点蚀，则为1，否则yi为-1。
[0020](2)求解最优化问题(1.1),得最优解:
【权利要求】
1.基于机器视觉图像对电力系统风力发电机叶片表面点蚀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、在风力机上安装工业摄像设备，定时对风力发电机叶片基元进行拍照，并对背景进行剔除，对叶片基元背景剔除后的结果图像进行二次划分成图像基元； 步骤二的具体过程如下:首先在风力机上安装工业摄像设备，定时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；进一步地，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；最后，通过在叶片中做标记点对叶片基元背景剔除后的结果图像进行二次划分成图像基元； 步骤三、对图像基元进行特征提取； 步骤三的具体过程如下: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、采用神经网络聚类一LLE流行学习算法对提取的多维图像特征进行降维； 步骤四的具体过程如下:首先，通过模糊聚类将特征提取结果数据分为η类，进而得到各个类聚类中心和个体模糊隶属度；然后，根据模糊聚类的结果选择最靠近每类中心的样本作为广义神经网络聚类的训练样本；使用训练数据训练广义神经网络；广义神经网络预测模块用训练好的网络预测所有输入样本数据的输出序列；进一步的，按照网络预测输出序列Y把样本数据X分为η类，然后求出每类内所有样本平均值、所有样本X到中心支的距离，从距离矩阵选择距离最小的M个样本作为一组，设定其对应的网络输入为i ;这样再次得到了 nXm组网络训练数据，其输入数据为原始数据，输出数据为类别特征数据；得到样本类别个数，样本中心和每类样本的个数；最后，由得到的样本类别个数、样本中心、每类样本的个数及特征数据，用LLE算法对数据进行降维处理，得到数据降维结果； 步骤五、通过实验获取风力机叶片正常状态图像基元以及表面点蚀故障图像基元，并对这些图像基元进行步骤三和步骤四的操作，得到降维结果数据作为训练数据库； 步骤六、使用训练数据库对故障诊断所用的支持向量机进行训练； 步骤六的具体过程如下:首先，把训练数据库中的数据作为训练数据；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；该步骤六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= Kx1J1), (x2, J2), — (x1； Y1)! e (X, Y)1
其中 Xi e X e Rp，yi e Y = {-1, I}, i = I, -1 ； Xi为图像基元的数据降维结果构成的向量；如果Xi对应的图像基元上存在叶片点蚀，则为1，否则yi为-1 ; (2)求解最优化问题(1.1)，得最优解,a ={α^α^.,.,α,)τ
【文档编号】G06K9/62GK103984956SQ201410172548
【公开日】2014年8月13日 申请日期:2014年4月25日 优先权日:2014年4月25日
【发明者】冯永新, 杨涛, 邓小文, 刘石, 张磊, 郭盛, 高庆水, 张楚 申请人:广东电网公司电力科学研究院, 华中科技大学