一种风电机组缺陷评估方法及相关设备技术

本申请公开了一种风电机组缺陷评估方法及相关设备。该方法包括：对目标风电机组的检测图片进行识别以获取上述目标风电机组中目标缺陷的缺陷参数，其中，上述缺陷参数包括缺陷类型、缺陷绝对位置和缺陷尺寸特征参数；获取上述缺陷类型、上述缺陷绝对位置和上述缺陷尺寸特征参数对应的加权系数；基于上述缺陷类型、上述缺陷绝对位置、上述缺陷尺寸特征参数和其对应的加权系数计算缺陷风险概率。本申请实施例提供的方法综合考虑缺陷类型、缺陷位置、缺陷尺寸对多个部件的缺陷进行多指标描述。提出一种基于层次分析法的风电机组缺陷风险评估方法，可以用于科学地制定风电机组的维护计划。护计划。护计划。

【技术实现步骤摘要】
一种风电机组缺陷评估方法及相关设备


[0001]本说明书涉及风电机组领域，更具体地说，本专利技术涉及一种风电机组缺陷评估方法及相关设备。

技术介绍

[0002]在风力发电厂的设备管理中，风电机组的安全运行是首要考虑的问题。而风力发电厂一般占地较广，地势偏远，地形复杂，设备运维日常工作量大，设备的运行状态难以监测，容易产生纰漏。
[0003]传统技术中通常借助望远镜、地面高倍相机、吊篮等设备进行风电机组巡检，存在巡检不精细以及安全隐患的问题。此外，现有的风电机组缺陷识别大多只是对风电机组某个部件的缺陷进行单独识别和判断，没有考虑缺陷类型、位置、尺寸对缺陷严重程度的影响，而缺乏统一的缺陷风险评估标准，无法科学地制定风电机组各部件的维护时间节点和周期。

技术实现思路

[0004]在
技术实现思路
部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明。本专利技术的
技术实现思路
部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。
[0005]为了科学地对风电机组的缺陷进行评判，第一方面，本专利技术提出一种风电机组缺陷评估方法，上述方法包括：
[0006]对目标风电机组的检测图片进行识别以获取上述目标风电机组中目标缺陷的缺陷参数，其中，上述缺陷参数包括缺陷类型、缺陷绝对位置和缺陷尺寸特征参数；
[0007]获取上述缺陷类型、上述缺陷绝对位置和上述缺陷尺寸特征参数对应的加权系数；
[0008]基于上述缺陷类型、上述缺陷绝对位置、上述缺陷尺寸特征参数和其对应的加权系数计算缺陷风险概率。
[0009]可选的，上述方法还包括：
[0010]获取目标无人机的无人机坐标信息、拍摄参数信息和风电机组尺寸信息，其中，上述拍摄参数信息包括上述目标无人机与其携带的目标摄像机对应的角度信息和相机焦距信息，上述目标摄像机是用于拍摄上述检测图片的摄像机；
[0011]基于上述无人机坐标信息、上述拍摄参数信息和上述风电机组尺寸信息进行坐标转换操作以获取上述缺陷绝对位置，其中，缺陷绝对位置包括缺陷长度方向位置和缺陷宽度方向位置。
[0012]可选的，上述方法还包括：
[0013]获取上述目标缺陷的缺陷像素面积；
[0014]获取上述目标缺陷对应部件的部件长度；
[0015]根据上述部件长度和上述缺陷面积计算上述缺陷尺寸特征参数。
[0016]可选的，上述方法还包括：
[0017]基于目标全卷积神经网络模型识别上述检测图片以获取上述缺陷类型，其中，上述目标全卷积神经网络模型是利用labelme标注的带有缺陷类型的训练图片训练得到的，上述缺陷类型至少包括脏污、磨损、开裂、分层、裂纹和雷击中至少一种。
[0018]可选的，上述获取上述缺陷类型、上述缺陷绝对位置和上述缺陷尺寸特征参数对应的加权系数，包括：
[0019]将上述获取上述缺陷类型、上述缺陷绝对位置和上述缺陷尺寸特征参数作为评比参数进行专家打分操作以获取相对重要性信息，其中，上述相对重要性信息为每两个缺陷参数间的相对重要程度信息；
[0020]基于上述相对重要性信息构建评估矩阵；
[0021]获取上述评估矩阵对应的最大特征根和平均随机一致性指标，其中，上述平均随机一致性指标是根据上述评估矩阵的阶次确定的；
[0022]根据上述最大特征根和上述平均随机一致性指标计算随机一致性指标；
[0023]在上述随机一致性指标小于预设一致性指标的情况下，基于上述评估矩阵计算上述缺陷类型、上述缺陷绝对位置和上述缺陷尺寸特征参数对应的加权系数。
[0024]可选的，上述基于上述评估矩阵计算上述缺陷类型、上述缺陷绝对位置和上述缺陷尺寸特征参数对应的加权系数，包括：
[0025]根据下式计算上述缺陷类型、上述缺陷绝对位置和上述缺陷尺寸特征参数对应的加权系数：
[0026][0027]式中，为上述加权系数，W
i
为上述评估矩阵中各行元素乘积的次方，n为上述评估矩阵对应的阶次，∑W
i
为所有∑W
i
的和。
[0028]可选的，上述方法还包括：
[0029]根据上述缺陷风险概率和预设维修策略表确定缺陷风险等级和其对应的预设维护措施。
[0030]第二方面，本申请还提出一种风电机组缺陷评估装置，包括：
[0031]识别单元，用于对目标风电机组的检测图片进行识别以获取所述目标风电机组中目标缺陷的缺陷参数，其中，所述缺陷参数包括缺陷类型、缺陷绝对位置和缺陷尺寸特征参数；
[0032]获取单元，用于获取所述缺陷类型、所述缺陷绝对位置和所述缺陷尺寸特征参数对应的加权系数；
[0033]计算单元，用于基于所述缺陷类型、所述缺陷绝对位置、所述缺陷尺寸特征参数和其对应的加权系数计算缺陷风险概率。
[0034]第三方面，一种电子设备，包括：存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器用于执行存储器中存储的计算机程序时实现如上述的第一方面任一项的风电机组缺陷评估方法的步骤。
[0035]第四方面，本专利技术还提出一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现第一方面上述任一项的风电机组缺陷评估方法。
[0036]综上，本申请实施例提出的一种风电机组缺陷评估方法包括：对目标风电机组的检测图片进行识别以获取上述目标风电机组中目标缺陷的缺陷参数，其中，上述缺陷参数包括缺陷类型、缺陷绝对位置和缺陷尺寸特征参数；获取上述缺陷类型、上述缺陷绝对位置和上述缺陷尺寸特征参数对应的加权系数；基于上述缺陷类型、上述缺陷绝对位置、上述缺陷尺寸特征参数和其对应的加权系数计算缺陷风险概率。本申请实施例提供的方法综合考虑缺陷类型、缺陷位置、缺陷尺寸对多个部件的缺陷进行多指标描述，从而使对风电机组缺陷的描述更加全面、客观。提出一种基于层次分析法的风电机组缺陷风险评估方法，综合考虑缺陷类型、缺陷位置、缺陷尺寸来确定缺陷风险等级，可以用于科学地制定风电机组的维护计划。
[0037]本专利技术的风电机组缺陷评估方法，本专利技术的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本专利技术的研究和实践而为本领域的技术人员所理解。
附图说明
[0038]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本说明书的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0039]图1为本申请实施例提供的一种风电机组缺陷评估方法流程示意图；
[0040]图2为本申请实施例提供的一种风电机组结构示意图；
[0041]图3为本申请实施例提供的一种坐标转换原理示意图；
[0042]图4为本申请实施例提供的另一种坐标转换原理示意图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电机组缺陷评估方法，其特征在于，包括：对目标风电机组的检测图片进行识别以获取所述目标风电机组中目标缺陷的缺陷参数，其中，所述缺陷参数包括缺陷类型、缺陷绝对位置和缺陷尺寸特征参数；获取所述缺陷类型、所述缺陷绝对位置和所述缺陷尺寸特征参数对应的加权系数；基于所述缺陷类型、所述缺陷绝对位置、所述缺陷尺寸特征参数和其对应的加权系数计算缺陷风险概率。2.如权利要求1所述的方法，其特征在于，所述方法还包括：获取目标无人机的无人机坐标信息、拍摄参数信息和风电机组尺寸信息，其中，所述拍摄参数信息包括所述目标无人机与其携带的目标摄像机对应的角度信息和相机焦距信息，所述目标摄像机是用于拍摄所述检测图片的摄像机；基于所述无人机坐标信息、所述拍摄参数信息和所述风电机组尺寸信息进行坐标转换操作以获取所述缺陷绝对位置，其中，缺陷绝对位置包括缺陷长度方向位置和缺陷宽度方向位置。3.如权利要求1所述的方法，其特征在于，所述方法还包括：获取所述目标缺陷的缺陷像素面积；获取所述目标缺陷对应部件的部件长度；根据所述部件长度和所述缺陷面积计算所述缺陷尺寸特征参数。4.如权利要求1所述的方法，其特征在于，所述方法还包括：基于目标全卷积神经网络模型识别所述检测图片以获取所述缺陷类型，其中，所述目标全卷积神经网络模型是利用labelme标注的带有缺陷类型的训练图片训练得到的，所述缺陷类型至少包括脏污、磨损、开裂、分层、裂纹和雷击中至少一种。5.如权利要求1所述的方法，其特征在于，所述获取所述缺陷类型、所述缺陷绝对位置和所述缺陷尺寸特征参数对应的加权系数，包括：将所述获取所述缺陷类型、所述缺陷绝对位置和所述缺陷尺寸特征参数作为评比参数进行专家打分操作以获取相对重要性信息，其中，所述相对重要性信息为每两个缺陷参数间的相对重要程度信息；基于所述相对重要性信息构建评估矩阵；获取所述评估矩阵对应的最大特征根和平均随机一致性指标，其中，所述平均随机...

【专利技术属性】
技术研发人员：杨海胜，张尤君，李秋鹏，梁俊坚，王元强，
申请(专利权)人：广东省风力发电有限公司，
类型：发明
国别省市：