【技术实现步骤摘要】
本专利技术涉及风力发电安全保护，特别是涉及一种基于毫米波雷达的风机叶片结冰检测方法与系统。
技术介绍
1、风力发电是一种可持续且环保的清洁能源形式。然而，在寒冷和湿度较大的环境中，风力发电机容易受到结冰的影响，从而对其性能和安全造成严重危害。因此，对于风力发电机这种庞大机械的及时和准确的叶片覆冰检测具有重要意义，降低电能损耗，保障机械和人员安全，这将有助于提高风能利用效率，推动可再生能源的发展。
2、目前，对于风机叶片的覆冰检测手段主要采用视觉与红外检测，然而若采用视觉检测时不能判断风机叶片的覆冰厚度；若采用红外检测，在低温环境下会受到大气湿度和温度差异等因素的影响，成像精度还有待提高。
技术实现思路
1、为解决上述问题，本专利技术的目的是提供一种基于毫米波雷达的风机叶片结冰检测方法与系统。
2、为实现上述目的，本专利技术提供了如下方案：
3、请参阅图1，一种基于毫米波雷达的风机叶片结冰检测方法，包括：
4、步骤1：使用fmcw毫米波雷达向不同覆冰类型的风机叶片发射雷达信号；
5、步骤2：接收由风机叶片反射回来的回波信号，并对所述回波信号进行特征提取得到不同覆冰类型下的雷达特征图数据集；
6、步骤3：将不同覆冰类型下的雷达特征图数据集作为训练样本输入到深度学习网络模型中进行训练得到风机叶片结冰检测模型；
7、步骤4：使用所述风机叶片结冰检测模型对目标风机叶片进行检测得到相应风机叶片的覆冰类型；>
8、步骤5：当确定所述目标风机叶片结冰时，计算出目标风机叶片的覆冰面积。
9、优选的，所述步骤2：接收由风机叶片反射回来的回波信号，并对所述回波信号进行特征提取得到不同覆冰类型下的雷达特征图数据集，包括：
10、步骤2.1：对接收的回波信号进行混频得到混频后的回波信号；
11、步骤2.2：基于海明窗函数对所述混频后的回波信号进行fft变换得到距离fft谱、多普勒fft谱和角度fft谱；
12、步骤2.3：利用所述距离fft谱、所述多普勒fft谱和所述角度fft谱绘制不同覆冰类型下的雷达特征图，形成雷达特征图数据集；所述雷达特征图包括：雷达时域特征图和距离-fft幅度特征图。
13、优选的，所述雷达时域特征图是通过选择fmcw毫米波雷达上任意一根天线的chirp信号，然后将chirp信号的实部与时间进行绘制得到的，用以展示信号在时域上的变化；距离-fft幅度特征图是通过将距离fft谱的幅度与距离进行绘制得到的，用以展示信号在距离域上的变化。
14、优选的，步骤3：将不同覆冰类型下的雷达特征图数据集作为训练样本输入到深度学习网络模型中进行训练得到风机叶片结冰检测模型，包括：
15、将不同覆冰类型下的雷达特征图数据集输入到vgg16深度学习网络模型中进行训练得到风机叶片结冰检测模型；其中，在训练过程中，采用交叉熵作为损失函数，使用反向传播算法对模型参数进行更新。
16、优选的，所述步骤5：当确定所述目标风机叶片结冰时，计算出目标风机叶片的覆冰面积，包括：
17、步骤5.1：使用无人机采集目标风机叶片图像；
18、步骤5.2：使用cv2.cvtcolor函数将目标风机叶片图像转换为灰度图像；
19、步骤5.3：使用cv2.threshold函数对所述灰度图像进行二值化处理得到二值图像；
20、步骤5.4：使用opencv的轮廓提取函数来检测二值图像上的轮廓；
21、步骤5.5：使用contourarea函数计算每个轮廓的面积并求和得到目标风机叶片的覆冰面积。
22、本专利技术还提供了一种基于毫米波雷达的风机叶片结冰检测系统，包括：
23、雷达信号发射模块，用于使用fmcw毫米波雷达向不同覆冰类型的风机叶片发射雷达信号；
24、特征提取模块，用于接收由风机叶片反射回来的回波信号，并对所述回波信号进行特征提取得到不同覆冰类型下的雷达特征图数据集；
25、训练模块，用于将不同覆冰类型下的雷达特征图数据集作为训练样本输入到深度学习网络模型中进行训练得到风机叶片结冰检测模型；
26、覆冰类型检测模块，用于使用所述风机叶片结冰检测模型对目标风机叶片进行检测得到相应风机叶片的覆冰类型；
27、覆冰面积计算模块，用于当确定所述目标风机叶片结冰时，计算出目标风机叶片的覆冰面积。
28、本专利技术还提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现上述的一种基于毫米波雷达的风机叶片结冰检测方法中的步骤。
29、本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的一种基于毫米波雷达的风机叶片结冰检测方法中的步骤。
30、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
31、本专利技术提供了一种基于毫米波雷达的风机叶片结冰检测方法与系统，与现有技术相比，本专利技术基于深度学习技术，可以通过fmcw毫米波雷达获得的雷达特征图数据集进行覆冰类型的分类，相比于传统的图像检测和红外检测，使用毫米波雷达采集的特征数据进行深度学习处理，可以提供更全面、更准确的覆冰特征信息，有助于提高覆冰检测模型的准确率和鲁棒性。
本文档来自技高网...【技术保护点】
1.一种基于毫米波雷达的风机叶片结冰检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于毫米波雷达的风机叶片结冰检测方法，其特征在于，所述步骤2：接收由风机叶片反射回来的回波信号，并对所述回波信号进行特征提取得到不同覆冰类型下的雷达特征图数据集，包括：
3.根据权利要求2所述的一种基于毫米波雷达的风机叶片结冰检测方法，其特征在于，所述雷达时域特征图是通过选择FMCW毫米波雷达上任意一根天线的chirp信号，然后将chirp信号的实部与时间进行绘制得到的，用以展示信号在时域上的变化；距离-FFT幅度特征图是通过将距离FFT谱的幅度与距离进行绘制得到的，用以展示信号在距离域上的变化。
4.根据权利要求3所述的一种基于毫米波雷达的风机叶片结冰检测方法，其特征在于，步骤3：将不同覆冰类型下的雷达特征图数据集作为训练样本输入到深度学习网络模型中进行训练得到风机叶片结冰检测模型，包括：
5.根据权利要求4所述的一种基于毫米波雷达的风机叶片结冰检测方法，其特征在于，所述步骤5：当确定所述目标风机叶片结冰时，计算出目标风机叶片的覆冰面积，
6.一种基于毫米波雷达的风机叶片结冰检测系统，其特征在于，包括：
7.一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-5中任一项所述的一种基于毫米波雷达的风机叶片结冰检测方法中的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的一种基于毫米波雷达的风机叶片结冰检测方法中的步骤。
...【技术特征摘要】
1.一种基于毫米波雷达的风机叶片结冰检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于毫米波雷达的风机叶片结冰检测方法，其特征在于，所述步骤2：接收由风机叶片反射回来的回波信号，并对所述回波信号进行特征提取得到不同覆冰类型下的雷达特征图数据集，包括：
3.根据权利要求2所述的一种基于毫米波雷达的风机叶片结冰检测方法，其特征在于，所述雷达时域特征图是通过选择fmcw毫米波雷达上任意一根天线的chirp信号，然后将chirp信号的实部与时间进行绘制得到的，用以展示信号在时域上的变化；距离-fft幅度特征图是通过将距离fft谱的幅度与距离进行绘制得到的，用以展示信号在距离域上的变化。
4.根据权利要求3所述的一种基于毫米波雷达的风机叶片结冰检测方法，其特征在于，步骤3：将不同覆冰类型下的雷达特征图数据集作为训练样本输入到深度学习网络...
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。