【技术实现步骤摘要】
本专利技术属于风电场故障诊断，具体涉及一种基于无人机的风电场故障诊断方法及系统。
技术介绍
1、无人机风电场故障诊断是一种利用无人机搭载不同的监测传感器，对风电机组叶片进行拍摄和扫描，从而实现对叶片表面故障的识别和定位的技术。该技术可以提高风电场的运行效率和安全性，降低维修成本和风险。
2、无人机风电场故障诊断的现状是，目前仍然处于“人巡为主，机巡为辅”的阶段。无人机只能实现对叶片表面的可见光图像和红外热图像的采集和传输，而对图像数据的预处理、特征提取、故障识别和定位等操作还需要依靠人工或者云平台进行。此外，无人机的飞行任务管理、巡检数据管理、系统管理、集成融合等方面也存在不足，需要进一步完善。
3、现有技术的技术问题是，由于无人机只能提供原始的图像数据，而不能进行自动化和智能化的故障诊断，导致巡检效率低下，故障信息不准确，维修方案不合理，维修时间不及时。因此，需要提供一种基于无人机的风电场故障诊断方法。
技术实现思路
1、本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于无人机的风电场故障诊断方法及系统，用于解决现有由于无人机只提供原始的图像数据，无法进行自动化和智能化的故障诊断导致巡检效率低下，故障信息不准确，维修方案不合理，维修时间不及时的技术问题。
2、本专利技术采用以下技术方案：
3、一种基于无人机的风电场故障诊断方法，包括以下步骤：
4、s1、获取包含可见光图像和红外热图像的风电机组叶片表面
5、s2、利用图像处理和深度学习技术对步骤s1得到的风电机组叶片表面图像数据进行预处理、特征提取、故障识别和定位操作，得到叶片表面的故障类型、数量、大小、位置信息；
6、s3、根据步骤s2得到的叶片表面的故障类型、数量、大小、位置信息，对叶片表面的故障进行评估和建议，并利用强化学习或遗传算法对叶片的维修和保养进行优化和调度，给出最优的维修方案和时间安排。
7、具体的，步骤s1具体为：
8、利用无人机搭载高清摄像头和红外热像仪，对风电机组叶片进行拍摄和扫描，得到叶片表面的可见光图像和红外热图像，作为风电机组叶片表面图像数据。
9、具体的，步骤s2具体为：
10、s201、对风电机组叶片表面图像数据进行去噪、增强、校正、配准操作；
11、s202、利用卷积神经网络或残差网络从步骤s201得到的风电机组叶片表面图像数据中提取有效的特征数据；
12、s203、利用支持向量机或随机森林，根据步骤s202得到的特征数据对叶片表面的故障进行分类，并给出相应的置信度；
13、s204、利用线性回归或岭回归，根据根据步骤s202得到的特征数据，对叶片表面的故障进行定位，给出故障的位置坐标和范围。
14、进一步的，步骤s201具体为：
15、去噪：利用自编码器或去噪自编码器中任意一种深度学习模型，对图像数据进行去噪，消除风电场环境中的噪声干扰；
16、增强：利用超分辨率或超分辨率生成对抗网络中任意一种深度学习模型，对图像数据进行增强，提高图像的分辨率和清晰度；
17、校正：利用透视变换或仿射变换中任意一种几何变换方法，对图像数据进行校正，消除无人机拍摄角度和距离造成的畸变；
18、配准：利用特征匹配或特征匹配生成对抗网络中任意一种深度学习模型，对可见光图像和红外热图像进行配准，实现两种图像的对齐和融合。
19、进一步的，步骤s202具体为：
20、纹理特征：利用灰度共生矩阵或局部二值模式中任意一种纹理分析方法，从图像数据中提取纹理特征；
21、形状特征：利用轮廓检测或边缘检测中任意一种形状分析方法，从图像数据中提取形状特征；
22、颜色特征：利用颜色直方图或颜色空间转换中任意一种颜色分析方法，从可见光图像中提取颜色特征；
23、温度特征：利用温度直方图或温度空间转换中任意一种温度分析方法，从红外热图像中提取温度特征。
24、进一步的，步骤s203具体为：
25、裂纹识别：利用支持向量机或随机森林中任意一种分类器，根据纹理和形状特征，对叶片表面的裂纹进行识别，给出裂纹的类型和对应的置信度；
26、腐蚀识别：利用支持向量机或随机森林中任意一种分类器，根据颜色和形状特征，对叶片表面的腐蚀进行识别，给出腐蚀的类型和对应的置信度；
27、污染识别：利用支持向量机或随机森林中任意一种分类器，根据颜色和温度特征，对叶片表面的污染进行识别，给出污染的类型和对应的置信度。
28、进一步的，步骤s204具体为：
29、裂纹定位：利用线性回归或岭回归中任意一种回归器，根据纹理和形状特征，对叶片表面的裂纹进行定位，给出裂纹的起点和终点坐标，并计算裂纹的长度和宽度；
30、腐蚀定位：利用线性回归或岭回归中任意一种回归器，根据颜色和形状特征，对叶片表面的腐蚀进行定位，给出腐蚀的中心点坐标，并计算腐蚀的面积和深度；
31、污染定位：利用线性回归或岭回归中任意一种回归器，根据颜色和温度特征，对叶片表面的污染进行定位，给出污染的中心点坐标，并计算污染的面积和厚度。
32、具体的，步骤s3具体为：
33、s301、根据故障的类型、数量、大小、位置信息，对叶片的健康状况进行评估，给出相应的评分和等级；
34、s301、利用规则库或专家系统中任意一种知识表示和推理方法，根据叶片故障类型、数量、大小、位置信息，对叶片的维修和保养提出相应的建议。
35、进一步的，步骤s302中，利用强化学习或遗传算法中任意一种优化算法，根据风电场的运行状况、维修资源、维修成本、维修风险因素，对叶片的维修和保养进行优化和调度，给出最优的维修方案和时间安排。
36、第二方面，本专利技术实施例提供了一种基于无人机的风电场故障诊断系统，包括：
37、数据模块，获取包含可见光图像和红外热图像的风电机组叶片表面图像数据；
38、处理模块，利用图像处理和深度学习技术对数据模块得到的风电机组叶片表面图像数据进行预处理、特征提取、故障识别和定位操作，得到叶片表面的故障类型、数量、大小、位置信息；
39、输出模块，根据处理模块得到的叶片表面的故障类型、数量、大小、位置信息，对叶片表面的故障进行评估和建议，并利用强化学习或遗传算法对叶片的维修和保养进行优化和调度，给出最优的维修方案和时间安排。
40、与现有技术相比，本专利技术至少具有以下有益效果：
41、一种基于无人机的风电场故障诊断方法，可以实现对风电机组叶片的智能化、自动化、高效化和安全化的巡检和维修，提高风电场的运行效率和安全性。
42、利用无人机作为移动平台，可以在风电场复杂的环境中灵活地飞行和调整位置，以便对叶片进行全方位和多角度的本文档来自技高网...
【技术保护点】
1.一种基于无人机的风电场故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于无人机的风电场故障诊断方法，其特征在于，步骤S1具体为：
3.根据权利要求1所述的基于无人机的风电场故障诊断方法，其特征在于，步骤S2具体为：
4.根据权利要求3所述的基于无人机的风电场故障诊断方法，其特征在于，步骤S201具体为：
5.根据权利要求3所述的基于无人机的风电场故障诊断方法，其特征在于，步骤S202具体为：
6.根据权利要求3所述的基于无人机的风电场故障诊断方法，其特征在于，步骤S203具体为：
7.根据权利要求3所述的基于无人机的风电场故障诊断方法，其特征在于，步骤S204具体为：
8.根据权利要求1所述的基于无人机的风电场故障诊断方法，其特征在于，步骤S3具体为：
9.根据权利要求8所述的基于无人机的风电场故障诊断方法，其特征在于，步骤S302中，利用强化学习或遗传算法中任意一种优化算法，根据风电场的运行状况、维修资源、维修成本、维修风险因素，对叶片的维修和保养进行优化和调
10.一种基于无人机的风电场故障诊断系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于无人机的风电场故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于无人机的风电场故障诊断方法，其特征在于，步骤s1具体为：
3.根据权利要求1所述的基于无人机的风电场故障诊断方法，其特征在于，步骤s2具体为：
4.根据权利要求3所述的基于无人机的风电场故障诊断方法，其特征在于，步骤s201具体为：
5.根据权利要求3所述的基于无人机的风电场故障诊断方法，其特征在于，步骤s202具体为：
6.根据权利要求3所述的基于无人机的风电场故障诊断方法，其特征在于，步骤...
【专利技术属性】
技术研发人员：于涵，李琨，王敏，黄泷，朱哲蕾，
申请(专利权)人：西安热工研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。