[發(fā)明專利]基于機(jī)器視覺圖像對電力系統(tǒng)風(fēng)力發(fā)電機(jī)葉片表面點(diǎn)蝕故障進(jìn)行診斷的方法

有效

• 申請?zhí)枺?/td>: 201410172548.4
• 申請日: 2014-04-25
• 公開（公告）號(hào): CN103984956B
• 公開（公告）日: 2017-07-18
• 發(fā)明（設(shè)計(jì)）人: 馮永新;楊濤;鄧小文;劉石;張磊;郭盛;高慶水;張楚
• 申請（專利權(quán)）人: 廣東電網(wǎng)公司電力科學(xué)研究院;華中科技大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06T7/11;G01N21/88
• 代理公司: 廣州知友專利商標(biāo)代理有限公司44104
• 代理人: 周克佑

1.基于機(jī)器視覺圖像對電力系統(tǒng)風(fēng)力發(fā)電機(jī)葉片表面點(diǎn)蝕故障進(jìn)行診斷的方法，包括如下步驟：

步驟一、劃分風(fēng)力發(fā)電機(jī)葉片，獲得葉片基元；

步驟一的具體過程如下：首先，采用在風(fēng)力發(fā)電機(jī)葉片表面涂上色帶的方法對整個(gè)葉片進(jìn)行區(qū)域劃分，劃分成N個(gè)子區(qū)域，其中N≥1，任意一個(gè)子區(qū)域均稱為葉片基元；

步驟二、在風(fēng)力機(jī)上安裝工業(yè)攝像設(shè)備，定時(shí)對風(fēng)力發(fā)電機(jī)葉片基元進(jìn)行拍照，并對背景進(jìn)行剔除，對葉片基元背景剔除后的結(jié)果圖像進(jìn)行二次劃分成圖像基元；

步驟二的具體過程如下：首先在風(fēng)力機(jī)上安裝工業(yè)攝像設(shè)備，定時(shí)對風(fēng)力發(fā)電機(jī)葉片基元進(jìn)行拍攝，獲得葉片基元的原始圖像；然后，將原始圖像經(jīng)過灰度處理，由彩色圖變?yōu)榛叶葓D，得到葉片基元的灰度圖像；再通過采用Roberts輪廓提取方法對灰度圖像進(jìn)行葉片基元輪廓提取，得到葉片基元的二值圖像，該二值圖像中葉片基元為白色前景，其余部分為黑色背景；進(jìn)一步，對二值圖像進(jìn)行形態(tài)學(xué)處理，達(dá)到初步去噪的效果，獲得初步去噪圖像；進(jìn)而，在初步去噪圖像中，采用二值圖像連通區(qū)域標(biāo)記法，對初步去噪圖像執(zhí)行兩次掃描，第一次掃描通過逐行掃描像素，判斷像素之間的相鄰關(guān)系，對屬于同一連通區(qū)域的像素賦予相同的連通標(biāo)號(hào)；第二次掃描消除重復(fù)的標(biāo)記，合并屬于同一連通區(qū)域但是具有不同標(biāo)記號(hào)的子區(qū)域，通過兩步掃描找到區(qū)域面積最大的白色8連通區(qū)域，該最大的白色8連通區(qū)域就是所要獲得的風(fēng)力發(fā)電機(jī)葉片基元圖像區(qū)域；進(jìn)一步地，從原始圖像中摳除去風(fēng)力發(fā)電機(jī)葉片基元圖像區(qū)域之外的區(qū)域，達(dá)到剔除背景的目的，同時(shí)能夠得到風(fēng)力發(fā)電機(jī)的葉片基元結(jié)果圖像；最后，通過在葉片中做標(biāo)記點(diǎn)對葉片基元背景剔除后的結(jié)果圖像進(jìn)行二次劃分成圖像基元；

步驟三、對圖像基元進(jìn)行特征提取；

步驟三的具體過程如下：對圖像基元庫采用基于雙樹復(fù)小波分析的圖片特征算法提取對圖像基元進(jìn)行特征提取，得到圖像基元的數(shù)據(jù)特征；

步驟四、采用神經(jīng)網(wǎng)絡(luò)聚類—LLE流行學(xué)習(xí)算法對提取的多維圖像特征進(jìn)行降維；

步驟四的具體過程如下：首先，通過模糊聚類將特征提取結(jié)果數(shù)據(jù)分為n類，進(jìn)而得到各個(gè)類聚類中心和個(gè)體模糊隸屬度；然后，根據(jù)模糊聚類的結(jié)果選擇最靠近每類中心的樣本作為廣義神經(jīng)網(wǎng)絡(luò)聚類的訓(xùn)練樣本；使用訓(xùn)練數(shù)據(jù)訓(xùn)練廣義神經(jīng)網(wǎng)絡(luò)；廣義神經(jīng)網(wǎng)絡(luò)預(yù)測模塊用訓(xùn)練好的網(wǎng)絡(luò)預(yù)測所有輸入樣本數(shù)據(jù)的輸出序列；進(jìn)一步的，按照網(wǎng)絡(luò)預(yù)測輸出序列Y把樣本數(shù)據(jù)X分為n類，然后求出每類內(nèi)所有樣本平均值、所有樣本X到中心支的距離，從距離矩陣選擇距離最小的M個(gè)樣本作為一組，設(shè)定其對應(yīng)的網(wǎng)絡(luò)輸入為i；這樣再次得到了n×m組網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，其輸入數(shù)據(jù)為原始數(shù)據(jù)，輸出數(shù)據(jù)為類別特征數(shù)據(jù)；得到樣本類別個(gè)數(shù)，樣本中心和每類樣本的個(gè)數(shù)；最后，由得到的樣本類別個(gè)數(shù)、樣本中心、每類樣本的個(gè)數(shù)及特征數(shù)據(jù)，用LLE算法對數(shù)據(jù)進(jìn)行降維處理，得到數(shù)據(jù)降維結(jié)果；

步驟五、通過實(shí)驗(yàn)獲取風(fēng)力機(jī)葉片正常狀態(tài)圖像基元以及表面點(diǎn)蝕故障圖像基元，并對這些圖像基元進(jìn)行步驟三和步驟四的操作，得到降維結(jié)果數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)庫；

步驟六、使用訓(xùn)練數(shù)據(jù)庫對故障診斷所用的支持向量機(jī)進(jìn)行訓(xùn)練；

步驟六的具體過程如下：首先，把訓(xùn)練數(shù)據(jù)庫中的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)；然后，采用訓(xùn)練數(shù)據(jù)對支持向量機(jī)進(jìn)行訓(xùn)練，獲得訓(xùn)練好的支持向量機(jī)；該步驟六中支持向量機(jī)的訓(xùn)練采用標(biāo)準(zhǔn)支持向量機(jī)算法，具體訓(xùn)練步驟如下：

(1)設(shè)訓(xùn)練集T＝{(x₁,y₁),(x₂,y₂),…(x_l,y_l)}∈(X,Y)^l

其中x_i∈X∈R^P，y_i∈Y＝{-1,1}，i＝1,…l；

x_i為圖像基元的數(shù)據(jù)降維結(jié)果構(gòu)成的向量；如果x_i對應(yīng)的圖像基元上存在葉片點(diǎn)蝕，則y_i為1，否則y_i為-1；

(2)求解最優(yōu)化問題(1.1)，得最優(yōu)解：

$\begin{array}{cc}\underset{\mathrm{\α}}{\min }& \frac{1}{2}\underset{i=1}{\overset{l}{\Σ}}\underset{j=1}{\overset{l}{\Σ}}{y}_i{y}_j{\mathrm{\α}}_i{\mathrm{\α}}_j(x_i\·x_j)-\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\α}}_i\\ s.t.& \underset{i=1}{\overset{l}{\Σ}}{y}_i{\mathrm{\α}}_i=0,\\ & {\mathrm{\α}}_i\≥0,i=1,\mathrm{...},l.\end{array}---\left(1.1\right)$

其中α_i為引入的中間變量，為與每個(gè)訓(xùn)練數(shù)據(jù)對應(yīng)的乘子；

(3)選擇α^*的正分量，計(jì)算

$b^{*}=y_j-\underset{i=1}{\overset{l}{\Σ}}{y}_i{\mathrm{\α}}_i^{*}(x_i\·x_j)$

其中b^*為引入的中間變量，是分類閾值；

(4)構(gòu)造線性最優(yōu)分類超平面，得出決策函數(shù)：

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{l}{\Σ}}{a}_i^{*}{y}_i\left(x\·x_i\right)+b^{*});$

步驟七、使用步驟六中訓(xùn)練好的支持向量機(jī)對風(fēng)力發(fā)電機(jī)葉片基元的表面是否存在點(diǎn)蝕故障進(jìn)行診斷；

步驟七的具體過程如下：把風(fēng)力發(fā)電機(jī)葉片基元經(jīng)步驟二、三、四獲得的圖像基元數(shù)據(jù)降維結(jié)果作依次為變量x代入步驟四獲得的決策函數(shù)，由決策函數(shù)的值來判斷該發(fā)電機(jī)葉片基元是否存在表面點(diǎn)蝕故障，若決策函數(shù)的值為1則表示存在葉片點(diǎn)蝕，若決策函數(shù)的值為-1則表示不存在葉片點(diǎn)蝕；

步驟八、對所有的葉片基元均進(jìn)行步驟二、三、四、七的操作，直至完成整片葉片的表面點(diǎn)蝕故障診斷。