风力发电机叶片表面损伤图像识别方法研究
发布时间：2021-09-07 03:40
风力发电机叶片表面损伤识别方法研究对提升风机故障诊断效率,降低风机运行风险隐患有着重要的意义。目前依赖人工巡检方式的目视法对风机叶片表面进行检测容易引发视觉疲劳,其主观因素也影响检测结果及效率,因此风电场迫切需求能对实际现场环境中的损伤图像进行自动识别的技术来改善人工检测的局限性。但对风机叶片而言,远距离观测及动态环境都使得损伤图像识别困难,从而让识别风机叶片表面损伤图像的任务变得更为艰巨。本文以装机投入使用的风机叶片表面损伤为识别检测对象,针对目前人工巡检为主的叶片表面损伤检测的局限性,以先进的机器学习视觉检测方法为研究内容,研究目的是实现对装机投入使用的风机叶片表面损伤进行视觉识别检测任务。本论文主要研究工作如下:1.提出了三种可配合人工巡检的风机叶片表面的图像获取方案,对三种方案进行论证,拟定了可行性较高的地面巡检机器人作为叶片图像获取方案,并确定了适用于图像获取及损伤分类的技术规范。2.建立了适用于已装机使用的风机叶片表面损伤图像识别任务的图像数据集,其中包含风机叶片表面无损伤图像、裂纹损伤图像及其它损伤图像。3.基于TensorFlow学习框架在Python3.5上搭建了叶片...
【文章来源】：昆明理工大学云南省
【文章页数】：106 页
【学位级别】：硕士
【部分图文】：
类型累计装机容量及同比变化[1]
昆明理工大学硕士学位论文2图1.22010-2017年中国风力发电量产量及增速[1]Fig.1.2China"swindpowerproductionandgrowthratein2010-2017[1]对大力发展风力发电而言，除了充分利用我国庞大的风能资源，增装风电机组以外，可通过改进风能设备来降低风能获取的成本。风力发电机的叶片主要用于吸收风能，并在吸收风能的过程中将其转化为机械能。作为风力发电机组能量转换的重要组成部分，叶片在保障风电机组整体运行的过程中发挥着重要作用[3]。图1.3英国凯斯内斯风电场论坛统计信息-事故数据统计[4]Fig.1.3UKCasesWindsForumStatistics-AccidentStatistics[4]随着装容量逐渐变大，风电机组的体积也在逐渐增加，因此叶片的长度也在不断变长，所以风电机组存在的安全隐患也随之增加，产生故障的机率随之增大。通过对CWIF（CaithnessWindfarmInformationForum，英国凯斯内斯风电场信息论坛）的数据统计信息得出[4]，如图1.3所示，叶片故障而导致的事故发生率。因此对风机叶片的表面损伤实行检测显然成为影响整个风电行业更好发展的重要因素，也获得了行业内更多的科研人员的重视。风机叶片由于受多种因素的影响，拥有不同的运作效率。如当地的风速、风的持久程度以及叶片本身的形状、位置、材料特质等，这些因素在风机的运作效
昆明理工大学硕士学位论文2图1.22010-2017年中国风力发电量产量及增速[1]Fig.1.2China"swindpowerproductionandgrowthratein2010-2017[1]对大力发展风力发电而言，除了充分利用我国庞大的风能资源，增装风电机组以外，可通过改进风能设备来降低风能获取的成本。风力发电机的叶片主要用于吸收风能，并在吸收风能的过程中将其转化为机械能。作为风力发电机组能量转换的重要组成部分，叶片在保障风电机组整体运行的过程中发挥着重要作用[3]。图1.3英国凯斯内斯风电场论坛统计信息-事故数据统计[4]Fig.1.3UKCasesWindsForumStatistics-AccidentStatistics[4]随着装容量逐渐变大，风电机组的体积也在逐渐增加，因此叶片的长度也在不断变长，所以风电机组存在的安全隐患也随之增加，产生故障的机率随之增大。通过对CWIF（CaithnessWindfarmInformationForum，英国凯斯内斯风电场信息论坛）的数据统计信息得出[4]，如图1.3所示，叶片故障而导致的事故发生率。因此对风机叶片的表面损伤实行检测显然成为影响整个风电行业更好发展的重要因素，也获得了行业内更多的科研人员的重视。风机叶片由于受多种因素的影响，拥有不同的运作效率。如当地的风速、风的持久程度以及叶片本身的形状、位置、材料特质等，这些因素在风机的运作效
【参考文献】：
期刊论文
[1]Effects of Offset Blade on Aerodynamic Characteristics of Small-Scale Vertical Axis Wind Turbine[J]. LI Yan,ZHAO Shouyang,QU Chunming,FENG Fang,KOTARO Tagawa. Journal of Thermal Science. 2019(02)
[2]海上风力发电机叶片裂纹图像分割方法研究[J]. 张越,张印辉,何自芬. 中国水运. 2019(03)
[3]基于深度卷积神经网络的图像语义分割[J]. 刘希. 信息技术. 2019(02)
[4]海上风力发电机塔架攀爬机器人机体结构的有限元分析[J]. 张越,张印辉,何自芬. 中国水运. 2019(01)
[5]基于人工神经网络的肝部CT图像识别方法[J]. 肖海慧,廖定安. 信息技术与信息化. 2018(11)
[6]基于深度学习的场景文字检测与识别[J]. 白翔,杨明锟,石葆光,廖明辉. 中国科学:信息科学. 2018(05)
[7]基于神经网络的目标图像识别方法分析[J]. 龚岩. 电子世界. 2017(12)
[8]风力机叶片裂纹在线监测系统[J]. 陆元明,张乃正. 电工技术. 2017(04)
[9]基于快速SIFT算法和模糊控制的人脸识别[J]. 聂海涛,龙科慧,马军,张雷,马喜强. 吉林大学学报(工学版). 2016(02)
[10]基于神经网络集成的遥感图像分类与建模研究[J]. 吕京国. 测绘通报. 2014(03)
硕士论文
[1]基于卷积神经网络的图像分类算法研究[D]. 温煌璐.新疆大学 2018
[2]基于卷积神经网络的场景分类算法研究[D]. 苏亚伟.南昌航空大学 2018
[3]基于机器视觉的风力发电机叶片表面缺陷检测研究[D]. 张建斐.兰州理工大学 2018
[4]复杂工业场景目标视觉检测方法研究[D]. 田敏.昆明理工大学 2018
[5]基于FCN的并联机器人工件分拣的研究[D]. 冷彦奕.天津工业大学 2018
[6]基于FCN的鸡蛋胚胎图像分割方法研究[D]. 邱玲.天津工业大学 2018
[7]随机分布控制理论在电厂节能优化控制中的应用研究[D]. 吴迪.华北电力大学 2014
[8]风力机叶片机械损伤动态监测方法与技术研究[D]. 李芒芒.长沙理工大学 2012
[9]基于声发射和小波分析的大型风力机叶片材料损伤识别研究[D]. 赵新光.沈阳工业大学 2009
[10]基于ANN-CVaR模型的住宅开发投资风险评价研究[D]. 马亮.哈尔滨工业大学 2009
本文编号：3388770
【文章来源】：昆明理工大学云南省
【文章页数】：106 页
【学位级别】：硕士
【部分图文】：
类型累计装机容量及同比变化[1]
昆明理工大学硕士学位论文2图1.22010-2017年中国风力发电量产量及增速[1]Fig.1.2China"swindpowerproductionandgrowthratein2010-2017[1]对大力发展风力发电而言，除了充分利用我国庞大的风能资源，增装风电机组以外，可通过改进风能设备来降低风能获取的成本。风力发电机的叶片主要用于吸收风能，并在吸收风能的过程中将其转化为机械能。作为风力发电机组能量转换的重要组成部分，叶片在保障风电机组整体运行的过程中发挥着重要作用[3]。图1.3英国凯斯内斯风电场论坛统计信息-事故数据统计[4]Fig.1.3UKCasesWindsForumStatistics-AccidentStatistics[4]随着装容量逐渐变大，风电机组的体积也在逐渐增加，因此叶片的长度也在不断变长，所以风电机组存在的安全隐患也随之增加，产生故障的机率随之增大。通过对CWIF（CaithnessWindfarmInformationForum，英国凯斯内斯风电场信息论坛）的数据统计信息得出[4]，如图1.3所示，叶片故障而导致的事故发生率。因此对风机叶片的表面损伤实行检测显然成为影响整个风电行业更好发展的重要因素，也获得了行业内更多的科研人员的重视。风机叶片由于受多种因素的影响，拥有不同的运作效率。如当地的风速、风的持久程度以及叶片本身的形状、位置、材料特质等，这些因素在风机的运作效
昆明理工大学硕士学位论文2图1.22010-2017年中国风力发电量产量及增速[1]Fig.1.2China"swindpowerproductionandgrowthratein2010-2017[1]对大力发展风力发电而言，除了充分利用我国庞大的风能资源，增装风电机组以外，可通过改进风能设备来降低风能获取的成本。风力发电机的叶片主要用于吸收风能，并在吸收风能的过程中将其转化为机械能。作为风力发电机组能量转换的重要组成部分，叶片在保障风电机组整体运行的过程中发挥着重要作用[3]。图1.3英国凯斯内斯风电场论坛统计信息-事故数据统计[4]Fig.1.3UKCasesWindsForumStatistics-AccidentStatistics[4]随着装容量逐渐变大，风电机组的体积也在逐渐增加，因此叶片的长度也在不断变长，所以风电机组存在的安全隐患也随之增加，产生故障的机率随之增大。通过对CWIF（CaithnessWindfarmInformationForum，英国凯斯内斯风电场信息论坛）的数据统计信息得出[4]，如图1.3所示，叶片故障而导致的事故发生率。因此对风机叶片的表面损伤实行检测显然成为影响整个风电行业更好发展的重要因素，也获得了行业内更多的科研人员的重视。风机叶片由于受多种因素的影响，拥有不同的运作效率。如当地的风速、风的持久程度以及叶片本身的形状、位置、材料特质等，这些因素在风机的运作效
【参考文献】：
期刊论文
[1]Effects of Offset Blade on Aerodynamic Characteristics of Small-Scale Vertical Axis Wind Turbine[J]. LI Yan,ZHAO Shouyang,QU Chunming,FENG Fang,KOTARO Tagawa. Journal of Thermal Science. 2019(02)
[2]海上风力发电机叶片裂纹图像分割方法研究[J]. 张越,张印辉,何自芬. 中国水运. 2019(03)
[3]基于深度卷积神经网络的图像语义分割[J]. 刘希. 信息技术. 2019(02)
[4]海上风力发电机塔架攀爬机器人机体结构的有限元分析[J]. 张越,张印辉,何自芬. 中国水运. 2019(01)
[5]基于人工神经网络的肝部CT图像识别方法[J]. 肖海慧,廖定安. 信息技术与信息化. 2018(11)
[6]基于深度学习的场景文字检测与识别[J]. 白翔,杨明锟,石葆光,廖明辉. 中国科学:信息科学. 2018(05)
[7]基于神经网络的目标图像识别方法分析[J]. 龚岩. 电子世界. 2017(12)
[8]风力机叶片裂纹在线监测系统[J]. 陆元明,张乃正. 电工技术. 2017(04)
[9]基于快速SIFT算法和模糊控制的人脸识别[J]. 聂海涛,龙科慧,马军,张雷,马喜强. 吉林大学学报(工学版). 2016(02)
[10]基于神经网络集成的遥感图像分类与建模研究[J]. 吕京国. 测绘通报. 2014(03)
硕士论文
[1]基于卷积神经网络的图像分类算法研究[D]. 温煌璐.新疆大学 2018
[2]基于卷积神经网络的场景分类算法研究[D]. 苏亚伟.南昌航空大学 2018
[3]基于机器视觉的风力发电机叶片表面缺陷检测研究[D]. 张建斐.兰州理工大学 2018
[4]复杂工业场景目标视觉检测方法研究[D]. 田敏.昆明理工大学 2018
[5]基于FCN的并联机器人工件分拣的研究[D]. 冷彦奕.天津工业大学 2018
[6]基于FCN的鸡蛋胚胎图像分割方法研究[D]. 邱玲.天津工业大学 2018
[7]随机分布控制理论在电厂节能优化控制中的应用研究[D]. 吴迪.华北电力大学 2014
[8]风力机叶片机械损伤动态监测方法与技术研究[D]. 李芒芒.长沙理工大学 2012
[9]基于声发射和小波分析的大型风力机叶片材料损伤识别研究[D]. 赵新光.沈阳工业大学 2009
[10]基于ANN-CVaR模型的住宅开发投资风险评价研究[D]. 马亮.哈尔滨工业大学 2009
本文编号：3388770
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3388770.html
最近更新
教材专著
