[發明專利]一種風電機組缺陷評估方法及相關設備

在審

• 申請號: 202210587198.2
• 申請日: 2022-05-27
• 公開（公告）號: CN114881997A
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 楊海勝;張尤君;李秋鵬;梁俊堅;王元強
• 申請（專利權）人: 廣東省風力發電有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/62;G06Q10/06;G06N3/08;G06N3/04;F03D17/00
• 代理公司: 北京眾達德權知識產權代理有限公司 11570
• 代理人: 王春艷

本申請公開了一種風電機組缺陷評估方法及相關設備。該方法包括：對目標風電機組的檢測圖片進行識別以獲取上述目標風電機組中目標缺陷的缺陷參數，其中，上述缺陷參數包括缺陷類型、缺陷絕對位置和缺陷尺寸特征參數；獲取上述缺陷類型、上述缺陷絕對位置和上述缺陷尺寸特征參數對應的加權系數；基于上述缺陷類型、上述缺陷絕對位置、上述缺陷尺寸特征參數和其對應的加權系數計算缺陷風險概率。本申請實施例提供的方法綜合考慮缺陷類型、缺陷位置、缺陷尺寸對多個部件的缺陷進行多指標描述。提出一種基于層次分析法的風電機組缺陷風險評估方法，可以用于科學地制定風電機組的維護計劃。

技術領域

本說明書涉及風電機組領域，更具體地說，本發明涉及一種風電機組缺陷評估方法及相關設備。

背景技術

在風力發電廠的設備管理中，風電機組的安全運行是首要考慮的問題。而風力發電廠一般占地較廣，地勢偏遠，地形復雜，設備運維日常工作量大，設備的運行狀態難以監測，容易產生紕漏。

傳統技術中通常借助望遠鏡、地面高倍相機、吊籃等設備進行風電機組巡檢，存在巡檢不精細以及安全隱患的問題。此外，現有的風電機組缺陷識別大多只是對風電機組某個部件的缺陷進行單獨識別和判斷，沒有考慮缺陷類型、位置、尺寸對缺陷嚴重程度的影響，而缺乏統一的缺陷風險評估標準，無法科學地制定風電機組各部件的維護時間節點和周期。

發明內容

在發明內容部分中引入了一系列簡化形式的概念，這將在具體實施方式部分中進一步詳細說明。本發明的發明內容部分并不意味著要試圖限定出所要求保護的技術方案的關鍵特征和必要技術特征，更不意味著試圖確定所要求保護的技術方案的保護范圍。

為了科學地對風電機組的缺陷進行評判，第一方面，本發明提出一種風電機組缺陷評估方法，上述方法包括：

對目標風電機組的檢測圖片進行識別以獲取上述目標風電機組中目標缺陷的缺陷參數，其中，上述缺陷參數包括缺陷類型、缺陷絕對位置和缺陷尺寸特征參數；

獲取上述缺陷類型、上述缺陷絕對位置和上述缺陷尺寸特征參數對應的加權系數；

基于上述缺陷類型、上述缺陷絕對位置、上述缺陷尺寸特征參數和其對應的加權系數計算缺陷風險概率。

可選的，上述方法還包括：

獲取目標無人機的無人機坐標信息、拍攝參數信息和風電機組尺寸信息，其中，上述拍攝參數信息包括上述目標無人機與其攜帶的目標攝像機對應的角度信息和相機焦距信息，上述目標攝像機是用于拍攝上述檢測圖片的攝像機；

基于上述無人機坐標信息、上述拍攝參數信息和上述風電機組尺寸信息進行坐標轉換操作以獲取上述缺陷絕對位置，其中，缺陷絕對位置包括缺陷長度方向位置和缺陷寬度方向位置。

可選的，上述方法還包括：

獲取上述目標缺陷的缺陷像素面積；

獲取上述目標缺陷對應部件的部件長度；

根據上述部件長度和上述缺陷面積計算上述缺陷尺寸特征參數。

可選的，上述方法還包括：

基于目標全卷積神經網絡模型識別上述檢測圖片以獲取上述缺陷類型，其中，上述目標全卷積神經網絡模型是利用labelme標注的帶有缺陷類型的訓練圖片訓練得到的，上述缺陷類型至少包括臟污、磨損、開裂、分層、裂紋和雷擊中至少一種。

可選的，上述獲取上述缺陷類型、上述缺陷絕對位置和上述缺陷尺寸特征參數對應的加權系數，包括：

將上述獲取上述缺陷類型、上述缺陷絕對位置和上述缺陷尺寸特征參數作為評比參數進行專家打分操作以獲取相對重要性信息，其中，上述相對重要性信息為每兩個缺陷參數間的相對重要程度信息；

基于上述相對重要性信息構建評估矩陣；