System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及风力机运行维护,更具体的说是涉及一种面向制造缺陷的风机叶片健康检测方法及检测机器人。
技术介绍
1、叶片是风力发电机组的核心大部件,其健康状态是决定机组能够长期、稳定运行的重要因素。但是,近年来叶片断裂事故频发,早期失效事件层出不穷,不仅严重危害安全生产,还使得风电运维成本居高不下,严重限制了风电行业的发展。由于叶片早期损伤很难被发现,一旦发现异常,问题就已经十分严重,如果带伤叶片持续运行将造成巨大的安全隐患。造成叶片损伤甚至提前失效的一个重要原因是制造缺陷。面向制造缺陷开展叶片健康检测,有助于尽早发现故障隐患、及时开展修复工作,不仅对延长叶片寿命有重要意义,同时也是降低风电运维成本、避免恶性事故发生的有效途径。
2、红外热成像是一种常见的风力机叶片缺陷检测方法。但是,现有方法只能实现缺陷定量检测,却不对叶片损伤状态进行评估。事实上,缺陷不仅会导致叶片力学性能退化,还会引发局部应力集中,在复杂载荷的作用下容易诱发损伤萌生和进一步扩展。开展含制造缺陷叶片的损伤状态评估不仅能够帮助明晰真实叶片的断裂机理,还可以为制定叶片运维方案提供必要依据,因此对含制造缺陷叶片的损伤状态进行评估是风力机叶片早期健康检测的必要内容。由于缺失这一功能,现有红外热成像方法不足以实现风力机叶片早期健康检测。
3、因此,有必要研究一种新的红外热成像方法,在实现叶片缺陷定量检测的基础上,进一步完成含缺陷叶片的损伤状态评估,从而实现风力机叶片早期健康检测。
技术实现思路
1、有
2、为了实现上述目的,本专利技术采用如下技术方案:
3、本专利技术一方面公开了一种面向制造缺陷的风机叶片健康检测方法,包括:
4、s1、获取待检风机叶片表面的连续红外图像;
5、s2、将待检风机叶片表面的连续红外图像转换为灰度图像,根据灰度图像中像素点的灰度值确定待检风机叶片表面的缺陷信息;
6、s3、构建并训练bp神经网络,将所述待检风机叶片表面的缺陷信息输入训练好的bp神经网络,获取对应的待检风机叶片的物理形变状态数据;
7、s4、根据待检风机叶片的物理形变状态数据对待检风机叶片的健康状态进行评估。
8、优选的,步骤s1获取待检风机叶片表面的红外图像,具体包括:
9、s11、根据待检风机叶片真实结构建立叶片结构统计模型,并基于叶片结构统计模型确定待检风机叶片的检测部位;
10、s12、根据所述检测部位确定加热时间,对所述检测部位的待检风机叶片表面进行加热,并获取所述检测部位的待检风机叶片表面的连续红外图像。
11、优选的,步骤s2中所述待检风机叶片表面的缺陷信息,具体包括,缺陷所在的检测部位编号,和缺陷区域的缺陷面积比、缺陷位置比及缺陷深度,所述缺陷面积比为缺陷区域的缺陷面积与待检风机叶片表面的整体面积的比值,所述缺陷位置比为缺陷区域到待检风机叶片根部的最小水平距离于待检风机叶片整体长度的比值。
12、优选的,步骤s2,具体包括以下步骤:
13、将待检风机叶片表面的连续红外图像转换为灰度图像的序列图像;
14、记录序列图像中每一时刻的灰度图像中各像素点的灰度值及各像素点每秒灰度变化量,计算每一时刻的灰度图像中各像素点的灰度值的平均值;
15、若灰度图像中像素点的灰度值与所述平均值的差值大于缺陷灰度阈值,或该像素点的每秒灰度变化量大于缺陷灰度变化阈值,则判断该像素点为缺陷区域所在的像素点,确定待检风机叶片的缺陷区域;
16、根据缺陷区域中像素点的个数确定缺陷区域的缺陷面积,并计算缺陷面积比;
17、测量缺陷区域到待检风机叶片根部的最小水平距离,并根据所述最小水平距离计算缺陷位置比;
18、构造待检风机叶片的三维热传导模型,并根据三维热传导模型计算缺陷深度。
19、优选的,步骤s3具体包括:
20、构建bp神经网络,所述bp神经网络包括四个输入层神经元及6个输出层神经元;
21、制作与待检风机叶片结构特征相同但尺寸等比例缩小的叶片样件,所述叶片样件包括多个缺陷样件和一个无缺陷样件;
22、获取每个缺陷样件的缺陷信息,所述每个缺陷样件的缺陷信息包括每个缺陷样件中的缺陷检测部位、缺陷面积占比、缺陷位置比及缺陷深度,将所述每个缺陷样件的缺陷信息作为所述bp神经网络的输入样本集;
23、对每个缺陷样件分别进行静态拉伸测试和静态拉伸破坏测试,获取每个缺陷样件的物理形变状态的真实值,所述物理形变状态包括每个缺陷样件与无缺陷样件对应的拉伸刚度衰减百分比、压缩刚度衰减百分比、弯曲刚度衰减百分比、拉伸临界载荷衰减百分比、压缩临界载荷衰减百分比和弯曲临界载荷衰减百分比;
24、利用所述输入样本集和每个缺陷样件的物理形变状态的真实值对bp神经网络进行训练,直到达到预期的训练效果,完成bp神经网络的训练;
25、所述bp神经网络输出每个缺陷样件的物理形变状态的预测值;
26、将待检风机叶片表面的缺陷信息输入训练好的bp神经网络,获取对应的待检风机叶片的物理形变状态数据。
27、步骤s4具体包括:
28、获取待检风机叶片的物理形变状态数据,所述待检风机叶片的物理形变状态数据包括待检风机叶片的静态拉伸数据和静态拉伸破坏数据;
29、所述静态拉伸数据包括待检风机叶片的拉伸刚度衰减百分比、压缩刚度衰减百分比和弯曲刚度衰减百分比,获取静态拉伸数据中拉伸刚度衰减百分比、压缩刚度衰减百分比和弯曲刚度衰减百分比三个数据的最大值;
30、所述静态拉伸破坏数据包括待检风机叶片的拉伸临界载荷衰减百分比、压缩临界载荷衰减百分比和弯曲临界载荷衰减百分比,获取静态拉伸破坏数据中拉伸临界载荷衰减百分比、压缩临界载荷衰减百分比和弯曲临界载荷衰减百分比三个数据的最大值;
31、根据静态拉伸数据中的最大值和静态拉伸破坏数据中的最大值对待检风机叶片的健康状态进行评估。
32、本专利技术另一方面公开了一种面向制造缺陷的风机叶片健康检测机器人,包括:底座,与底座连接的驱动装置,设置在驱动装置上的数据采集装置,以及缺陷检测模块;
33、所述数据采集装置包括,卤素灯和红外热像仪;
34、所述缺陷检测模块用于接收所述数据采集装置采集的风机叶片数据,并根据所述风机叶片数据计算风机叶片表面的缺陷信息,利用bp神经网络输出风机叶片的健康状态评估结果。
35、优选的,所述底座的内部设置有电磁铁,电磁铁用于将风机叶片健康检测机器人固定在高空吊篮的金属底座上。
36、优选的,所述驱动装置包括,底座上安装的水平本文档来自技高网...
【技术保护点】
1.一种面向制造缺陷的风机叶片健康检测方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的面向制造缺陷的风机叶片健康检测方法,其特征在于,步骤S1获取待检风机叶片表面的红外图像,具体包括:
3.根据权利要求1所述的面向制造缺陷的风机叶片健康检测方法,其特征在于,步骤S2中所述待检风机叶片表面的缺陷信息,具体包括,缺陷所在的检测部位编号,和缺陷区域的缺陷面积比、缺陷位置比及缺陷深度,所述缺陷面积比为缺陷区域的缺陷面积与待检风机叶片表面的整体面积的比值,所述缺陷位置比为缺陷区域到待检风机叶片根部的最小水平距离于待检风机叶片整体长度的比值。
4.根据权利要求3所述的面向制造缺陷的风机叶片健康检测方法,其特征在于,步骤S2,具体包括以下步骤:
5.根据权利要求4所述的面向制造缺陷的风机叶片健康检测方法,其特征在于,步骤S3具体包括:
6.根据权利要求5所述的面向制造缺陷的风机叶片健康检测方法,其特征在于,步骤S4具体包括:
7.一种面向制造缺陷的风机叶片健康检测机器人,其特征在于,包括:底座,与底座连接
8.根据权利要求7所述的面向制造缺陷的风机叶片健康检测机器人,其特征在于,所述底座的内部设置有电磁铁。
9.根据权利要求7所述的面向制造缺陷的风机叶片健康检测机器人,其特征在于,所述驱动装置包括,底座上安装的水平方向的第一水平导轨,所述第一水平导轨上滑动连接有第一水平滑块;
10.根据权利要求9所述的面向制造缺陷的风机叶片健康检测机器人,其特征在于,所述壳体顶端设置的旋转装置能够进行360°水平旋转以及-60○~240○垂直旋转。
...【技术特征摘要】
1.一种面向制造缺陷的风机叶片健康检测方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的面向制造缺陷的风机叶片健康检测方法,其特征在于,步骤s1获取待检风机叶片表面的红外图像,具体包括:
3.根据权利要求1所述的面向制造缺陷的风机叶片健康检测方法,其特征在于,步骤s2中所述待检风机叶片表面的缺陷信息,具体包括,缺陷所在的检测部位编号,和缺陷区域的缺陷面积比、缺陷位置比及缺陷深度,所述缺陷面积比为缺陷区域的缺陷面积与待检风机叶片表面的整体面积的比值,所述缺陷位置比为缺陷区域到待检风机叶片根部的最小水平距离于待检风机叶片整体长度的比值。
4.根据权利要求3所述的面向制造缺陷的风机叶片健康检测方法,其特征在于,步骤s2,具体包括以下步骤:
5.根据权利要求4所述的面向制造缺陷的风机叶片健康检测方法...
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。