發(fā)布時間：2021-09-07 03:40

　　風力發(fā)電機葉片表面損傷識別方法研究對提升風機故障診斷效率,降低風機運行風險隱患有著重要的意義。目前依賴人工巡檢方式的目視法對風機葉片表面進行檢測容易引發(fā)視覺疲勞,其主觀因素也影響檢測結果及效率,因此風電場迫切需求能對實際現(xiàn)場環(huán)境中的損傷圖像進行自動識別的技術來改善人工檢測的局限性。但對風機葉片而言,遠距離觀測及動態(tài)環(huán)境都使得損傷圖像識別困難,從而讓識別風機葉片表面損傷圖像的任務變得更為艱巨。本文以裝機投入使用的風機葉片表面損傷為識別檢測對象,針對目前人工巡檢為主的葉片表面損傷檢測的局限性,以先進的機器學習視覺檢測方法為研究內(nèi)容,研究目的是實現(xiàn)對裝機投入使用的風機葉片表面損傷進行視覺識別檢測任務。本論文主要研究工作如下:1.提出了三種可配合人工巡檢的風機葉片表面的圖像獲取方案,對三種方案進行論證,擬定了可行性較高的地面巡檢機器人作為葉片圖像獲取方案,并確定了適用于圖像獲取及損傷分類的技術規(guī)范。2.建立了適用于已裝機使用的風機葉片表面損傷圖像識別任務的圖像數(shù)據(jù)集,其中包含風機葉片表面無損傷圖像、裂紋損傷圖像及其它損傷圖像。3.基于TensorFlow學習框架在Python3.5上搭建了葉片... 

【文章來源】：昆明理工大學云南省

【文章頁數(shù)】：106 頁

【學位級別】：碩士

【部分圖文】：

類型累計裝機容量及同比變化[1]

昆明理工大學碩士學位論文2圖1.22010-2017年中國風力發(fā)電量產(chǎn)量及增速[1]Fig.1.2China"swindpowerproductionandgrowthratein2010-2017[1]對大力發(fā)展風力發(fā)電而言，除了充分利用我國龐大的風能資源，增裝風電機組以外，可通過改進風能設備來降低風能獲取的成本。風力發(fā)電機的葉片主要用于吸收風能，并在吸收風能的過程中將其轉化為機械能。作為風力發(fā)電機組能量轉換的重要組成部分，葉片在保障風電機組整體運行的過程中發(fā)揮著重要作用[3]。圖1.3英國凱斯內(nèi)斯風電場論壇統(tǒng)計信息-事故數(shù)據(jù)統(tǒng)計[4]Fig.1.3UKCasesWindsForumStatistics-AccidentStatistics[4]隨著裝容量逐漸變大，風電機組的體積也在逐漸增加，因此葉片的長度也在不斷變長，所以風電機組存在的安全隱患也隨之增加，產(chǎn)生故障的機率隨之增大。通過對CWIF（CaithnessWindfarmInformationForum，英國凱斯內(nèi)斯風電場信息論壇）的數(shù)據(jù)統(tǒng)計信息得出[4]，如圖1.3所示，葉片故障而導致的事故發(fā)生率。因此對風機葉片的表面損傷實行檢測顯然成為影響整個風電行業(yè)更好發(fā)展的重要因素，也獲得了行業(yè)內(nèi)更多的科研人員的重視。風機葉片由于受多種因素的影響，擁有不同的運作效率。如當?shù)氐娘L速、風的持久程度以及葉片本身的形狀、位置、材料特質(zhì)等，這些因素在風機的運作效

昆明理工大學碩士學位論文2圖1.22010-2017年中國風力發(fā)電量產(chǎn)量及增速[1]Fig.1.2China"swindpowerproductionandgrowthratein2010-2017[1]對大力發(fā)展風力發(fā)電而言，除了充分利用我國龐大的風能資源，增裝風電機組以外，可通過改進風能設備來降低風能獲取的成本。風力發(fā)電機的葉片主要用于吸收風能，并在吸收風能的過程中將其轉化為機械能。作為風力發(fā)電機組能量轉換的重要組成部分，葉片在保障風電機組整體運行的過程中發(fā)揮著重要作用[3]。圖1.3英國凱斯內(nèi)斯風電場論壇統(tǒng)計信息-事故數(shù)據(jù)統(tǒng)計[4]Fig.1.3UKCasesWindsForumStatistics-AccidentStatistics[4]隨著裝容量逐漸變大，風電機組的體積也在逐漸增加，因此葉片的長度也在不斷變長，所以風電機組存在的安全隱患也隨之增加，產(chǎn)生故障的機率隨之增大。通過對CWIF（CaithnessWindfarmInformationForum，英國凱斯內(nèi)斯風電場信息論壇）的數(shù)據(jù)統(tǒng)計信息得出[4]，如圖1.3所示，葉片故障而導致的事故發(fā)生率。因此對風機葉片的表面損傷實行檢測顯然成為影響整個風電行業(yè)更好發(fā)展的重要因素，也獲得了行業(yè)內(nèi)更多的科研人員的重視。風機葉片由于受多種因素的影響，擁有不同的運作效率。如當?shù)氐娘L速、風的持久程度以及葉片本身的形狀、位置、材料特質(zhì)等，這些因素在風機的運作效

【參考文獻】：
期刊論文
[1]Effects of Offset Blade on Aerodynamic Characteristics of Small-Scale Vertical Axis Wind Turbine[J]. LI Yan,ZHAO Shouyang,QU Chunming,FENG Fang,KOTARO Tagawa.  Journal of Thermal Science. 2019(02)
[2]海上風力發(fā)電機葉片裂紋圖像分割方法研究[J]. 張越,張印輝,何自芬.  中國水運. 2019(03)
[3]基于深度卷積神經(jīng)網(wǎng)絡的圖像語義分割[J]. 劉希.  信息技術. 2019(02)
[4]海上風力發(fā)電機塔架攀爬機器人機體結構的有限元分析[J]. 張越,張印輝,何自芬.  中國水運. 2019(01)
[5]基于人工神經(jīng)網(wǎng)絡的肝部CT圖像識別方法[J]. 肖海慧,廖定安.  信息技術與信息化. 2018(11)
[6]基于深度學習的場景文字檢測與識別[J]. 白翔,楊明錕,石葆光,廖明輝.  中國科學:信息科學. 2018(05)
[7]基于神經(jīng)網(wǎng)絡的目標圖像識別方法分析[J]. 龔巖.  電子世界. 2017(12)
[8]風力機葉片裂紋在線監(jiān)測系統(tǒng)[J]. 陸元明,張乃正.  電工技術. 2017(04)
[9]基于快速SIFT算法和模糊控制的人臉識別[J]. 聶海濤,龍科慧,馬軍,張雷,馬喜強.  吉林大學學報(工學版). 2016(02)
[10]基于神經(jīng)網(wǎng)絡集成的遙感圖像分類與建模研究[J]. 呂京國.  測繪通報. 2014(03)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡的圖像分類算法研究[D]. 溫煌璐.新疆大學 2018
[2]基于卷積神經(jīng)網(wǎng)絡的場景分類算法研究[D]. 蘇亞偉.南昌航空大學 2018
[3]基于機器視覺的風力發(fā)電機葉片表面缺陷檢測研究[D]. 張建斐.蘭州理工大學 2018
[4]復雜工業(yè)場景目標視覺檢測方法研究[D]. 田敏.昆明理工大學 2018
[5]基于FCN的并聯(lián)機器人工件分揀的研究[D]. 冷彥奕.天津工業(yè)大學 2018
[6]基于FCN的雞蛋胚胎圖像分割方法研究[D]. 邱玲.天津工業(yè)大學 2018
[7]隨機分布控制理論在電廠節(jié)能優(yōu)化控制中的應用研究[D]. 吳迪.華北電力大學 2014
[8]風力機葉片機械損傷動態(tài)監(jiān)測方法與技術研究[D]. 李芒芒.長沙理工大學 2012
[9]基于聲發(fā)射和小波分析的大型風力機葉片材料損傷識別研究[D]. 趙新光.沈陽工業(yè)大學 2009
[10]基于ANN-CVaR模型的住宅開發(fā)投資風險評價研究[D]. 馬亮.哈爾濱工業(yè)大學 2009



本文編號：3388770