一种真空严密性试验漏点排查方法及装置制造方法及图纸

本申请涉及热控自动化技术领域，尤其涉及一种真空严密性试验漏点排查方法及装置，其方法包括对燃机整体进行全景扫描，确定温差异常区域；采用机器视觉算法自动检测所述温差异常区域，初步确定位于所述温差异常区域内的目标范围；通过气体检测设备，获取燃机内位于所述温差异常区域内的目标范围的目标气体的浓度变化，并根据所述目标气体的浓度梯度，再次检验位于所述温差异常区域内的目标范围是否满足泄漏判断条件；若位于所述温差异常区域内的目标范围满足泄漏判断条件，则将所述温差异常区域内的目标范围映射在燃机实物上以进行目视检查,得到燃机的泄漏点。本申请具有精准检出燃机上的微小或隐蔽泄漏点的效果。出燃机上的微小或隐蔽泄漏点的效果。出燃机上的微小或隐蔽泄漏点的效果。

【技术实现步骤摘要】
一种真空严密性试验漏点排查方法及装置


[0001]本申请涉及热控自动化
，尤其是涉及一种真空严密性试验漏点排查方法及装置。

技术介绍

[0002]目前，燃气轮机真空严密性试验通常采用目视检查法或灌水法等传统手段进行泄漏检查。其中，目视检查法通过将检测装置倾斜地布置在一个填充有液体的容器内，检测装置可由截止阀隔断的补偿容器以及一个设计成气体毛细管的立式管(Steigrohr)通入该容器内，该毛细管的液位由一光源照亮并且该液位的确定通过线性的行扫描摄像机(Zeilenkamera)测得。在记录好毛细管的初始液位后，对喷射阀加载检验压力，根据测量时间，通过行扫描摄像机观测毛细管中液位的移动，基于测量时间、毛细管中的横截面面积及移动路程可计算出喷射阀的泄漏率。但这种检验装置在结构方面复杂，测量结果的精度难以保证。
[0003]灌水法则通过将喷射阀安装至检测装置内以确定泄漏率，先对喷射阀加载处于一定压力下的检验液体，检验液体借助于空间空气(Raumluft)流动至检测装置内，再采用分析器测量并分析空间空气中的检验液体的浓度获得泄漏率。但这种检测装置存在泄漏液体的情况，以及对于具有低蒸汽压力的液体来说，因存在转化成气态的可能性而在检测装置的非指定部位凝结，导致燃机泄漏率的测量精度较低。
[0004]针对上述中的相关技术，专利技术人发现现有的燃机真空严密性试验漏点排查方式存在有因检测装置结构复杂性产生的操作误差或检测装置对泄漏量的检测误差而造成泄漏检测结果精度较低的问题。

技术实现思路

[0005]为了精准检出微小或隐蔽泄漏点，本申请提供了一种真空严密性试验漏点排查方法及装置。
[0006]第一方面，本申请提供一种真空严密性试验漏点排查方法。
[0007]本申请是通过以下技术方案得以实现的：
[0008]一种真空严密性试验漏点排查方法，包括以下步骤，
[0009]对燃机整体进行全景扫描，确定温差异常区域；
[0010]采用机器视觉算法自动检测所述温差异常区域，初步确定位于所述温差异常区域内的目标范围；
[0011]通过气体检测设备，获取燃机内位于所述温差异常区域内的目标范围的目标气体的浓度变化，并根据所述目标气体的浓度梯度，再次检验位于所述温差异常区域内的目标范围是否满足泄漏判断条件；
[0012]若位于所述温差异常区域内的目标范围满足泄漏判断条件，则将所述温差异常区域内的目标范围映射在燃机实物上以进行目视检查,得到燃机的泄漏点。
[0013]本申请在一较佳示例中可以进一步配置为：所述采用机器视觉算法自动检测所述温差异常区域，初步确定位于所述温差异常区域内的目标范围的步骤包括，
[0014]先采用边缘检测算法分析所述温差异常区域对应的图像,检出边缘形状为缺损或异常变化的区域,得到位于所述温差异常区域内的边界范围；
[0015]基于模板匹配算法,将所述边界范围与预设构件的模板进行匹配,检出匹配度达到预设条件的区域,得到所述温差异常区域内的损坏或泄漏位置；
[0016]将所述温差异常区域内的损坏或泄漏位置对应的图像输入经机器学习算法训练好的分类器中,输出图像的像素点的正常类别或异常类别的分类结果；
[0017]集合与异常类别的分类结果对应的图像的像素点作为位于所述温差异常区域内的目标范围。
[0018]本申请在一较佳示例中可以进一步配置为：所述采用机器视觉算法自动检测所述温差异常区域，初步确定位于所述温差异常区域内的目标范围的步骤包括，
[0019]采用边缘检测算法检测所述温差异常区域对应的图像,判断图像中是否存在边缘形状为缺损或异常变化的区域；
[0020]采用模板匹配算法检测所述温差异常区域对应的图像，判断图像中是否存在匹配度达到预设条件的区域；
[0021]采用经机器学习算法训练好的分类器检测所述温差异常区域对应的图像，判断图像中是否存在异常类别区域；
[0022]当存在边缘形状为缺损或异常变化的区域、匹配度达到预设条件的区域和异常类别区域时，则将边缘形状为缺损或异常变化的区域与匹配度达到预设条件的区域，或异常类别区域进行比对；
[0023]若边缘形状为缺损或异常变化的区域与匹配度达到预设条件的区域，以及异常类别区域的比对结果一致，则将边缘形状为缺损或异常变化的区域、匹配度达到预设条件的区域和异常类别区域的重合区域作为位于所述温差异常区域内的目标范围。
[0024]本申请在一较佳示例中可以进一步配置为：采用边缘检测算法分析所述温差异常区域对应的图像，判断图像中是否存在边缘形状为缺损或异常变化的区域的步骤包括，
[0025]预设边缘检测算法中用于区分温差异常区域对应的图像中的边缘点与非边缘点的边缘阈值和用于平滑图像的滤波器内核尺寸规格；
[0026]基于所述边缘检测算法检测所述温差异常区域对应的图像；
[0027]当图像的边界出现不连续或断裂的线段，或者，不同于预设边界形状的明显偏转或折曲,或者，双层边界或边界重叠,或者，某一局部边界线段消失或变粗，或者，新增边界线段或封闭区域,则判定所述温差异常区域的边缘形状为缺损或异常变化。
[0028]本申请在一较佳示例中可以进一步配置为：采用模板匹配算法,检出匹配度达到预设条件的区域的步骤包括，
[0029]预设模板匹配算法中用于衡量模板图与目标图的相互依赖度的相互信息阈值、用于衡量模板图与目标图在各位置的相关性的相关系数阈值、用于衡量模板图与目标图在各位置的绝对差值之和的平均绝对差阈值或用于衡量模板图与目标图的均方差的均方差阈值中的任意一个，作为目标匹配阈值；
[0030]基于所述模板匹配算法检测目标图，得到实际匹配值；
[0031]将所述实际匹配值与预设的所述目标匹配阈值进行比较；
[0032]当所述实际匹配值小于所述目标匹配阈值时，则判定目标图的匹配度达到预设条件，并将目标图所在区域作为匹配度达到预设条件的区域。
[0033]本申请在一较佳示例中可以进一步配置为：采用经机器学习算法训练分类器的步骤包括，
[0034]预先选取SVM分类器、KNN分类器、决策树分类器、随机森林分类器或神经网络分类器中的任一种分类器，并基于选取的所述分类器，初始化其超参数；
[0035]将获取的图像特征训练数据输入所述分类器中进行初步训练,得到初始分类器；
[0036]采用所述初始分类器对新采集的图像数据进行分类判断,得到判断结果，比较所述判断结果与预设的分类器精度阈值的大小；
[0037]若所述判断结果小于所述精度阈值时，优化调整所述分类器的超参数再将所述图像特征训练数据输入分类器中进行迭代训练，或获取新的图像特征训练数据输入所述分类器中进行迭代训练，直至分类器的判断结果大于或等于所述分类器精度阈值。
[0038]本申请在一较佳示例中可以进一步配置为：所述对燃机整体进行全景扫描，确定温差异常区域的步骤包括，
[0039]获取扫描区域的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种真空严密性试验漏点排查方法，其特征在于，包括以下步骤，对燃机整体进行全景扫描，确定温差异常区域；采用机器视觉算法自动检测所述温差异常区域，初步确定位于所述温差异常区域内的目标范围；通过气体检测设备，获取燃机内位于所述温差异常区域内的目标范围的目标气体的浓度变化，并根据所述目标气体的浓度梯度，再次检验位于所述温差异常区域内的目标范围是否满足泄漏判断条件；若位于所述温差异常区域内的目标范围满足泄漏判断条件，则将所述温差异常区域内的目标范围映射在燃机实物上以进行目视检查,得到燃机的泄漏点。2.根据权利要求1所述的真空严密性试验漏点排查方法，其特征在于，所述采用机器视觉算法自动检测所述温差异常区域，初步确定位于所述温差异常区域内的目标范围的步骤包括，先采用边缘检测算法分析所述温差异常区域对应的图像,检出边缘形状为缺损或异常变化的区域,得到位于所述温差异常区域内的边界范围；基于模板匹配算法,将所述边界范围与预设构件的模板进行匹配,检出匹配度达到预设条件的区域,得到所述温差异常区域内的损坏或泄漏位置；将所述温差异常区域内的损坏或泄漏位置对应的图像输入经机器学习算法训练好的分类器中,输出图像的像素点的正常类别或异常类别的分类结果；集合与异常类别的分类结果对应的图像的像素点作为位于所述温差异常区域内的目标范围。3.根据权利要求1所述的真空严密性试验漏点排查方法，其特征在于，所述采用机器视觉算法自动检测所述温差异常区域，初步确定位于所述温差异常区域内的目标范围的步骤包括，采用边缘检测算法检测所述温差异常区域对应的图像,判断图像中是否存在边缘形状为缺损或异常变化的区域；采用模板匹配算法检测所述温差异常区域对应的图像，判断图像中是否存在匹配度达到预设条件的区域；采用经机器学习算法训练好的分类器检测所述温差异常区域对应的图像，判断图像中是否存在异常类别区域；当存在边缘形状为缺损或异常变化的区域、匹配度达到预设条件的区域和异常类别区域时，则将边缘形状为缺损或异常变化的区域与匹配度达到预设条件的区域，或异常类别区域进行比对；若边缘形状为缺损或异常变化的区域与匹配度达到预设条件的区域，以及异常类别区域的比对结果一致，则将边缘形状为缺损或异常变化的区域、匹配度达到预设条件的区域和异常类别区域的重合区域作为位于所述温差异常区域内的目标范围。4.根据权利要求2
‑
3任意一项所述的真空严密性试验漏点排查方法，其特征在于，采用边缘检测算法分析所述温差异常区域对应的图像，判断图像中是否存在边缘形状为缺损或异常变化的区域的步骤包括，预设边缘检测算法中用于区分温差异常区域对应的图像中的边缘点与非边缘点的边
缘阈值和用于平滑图像的滤波器内核尺寸规格；基于所述边缘检测算法检测所述温差异常区域对应的图像；当图像的边界出现不连续或断裂的线段，或者，不同于预设边界形状的明显偏转或折曲,或者，双层边界或边界重叠,或者，某一局部边界线段消失或变粗，或者，新增边界线段或封闭区域,则判定所述温差异常区域的边缘形状为缺损或异常变化。5.根据权利要求2
‑
3任意一项所述的真空严密性试验漏点排查方法，其特征在于，采用模板匹配算法,检出匹配度达到预设条件的区域的步骤包括，预设模板匹配算法中用于衡量模板图与目标图的相互依赖度的相互信息阈值、用于衡量模板图与目标图在各位置的相关性的相关系数阈值、用于衡量模板图与目标图在各位置的绝对差值之和的平均绝对差阈值或用于衡量模板图与目标图的均方差的均方差阈值中的任意一个，作为目标匹配阈值；基于所述模板匹配算法检测目标图，得到实际匹配值；将所述实际匹配值与预设的所述目标匹配阈值进行比较；当所述实际匹配值小于所述目标匹配阈值时，则判定目标图的匹配度达到预设条件，并将目标图所在区域作为匹配度达到预设条件的区域。6.根据权利要求2
‑
3任意一项所述的真空严密性试验漏点排查方法，其特征在于，采用经机器学习算法训练分类器的步骤包括，预先选取SVM分类器、KNN分类器、决策树分类器、随机森林分类器或神经网络分类器中的任一种分类器，并基于选取的所述分类器，初始化其超参数；将获取的图像特征训练数据输入所述分类器中进行初步训练,得到初始分类器；采用所述初始分类器对新采集的图像数据进行分类...

【专利技术属性】
技术研发人员：卢振宇，田威威，冯景浩，李健波，
申请(专利权)人：广州珠江天然气发电有限公司，
类型：发明
国别省市：