一种基于视频图像分析的风电机组故障自动识别方法
文献发布时间:2023-06-19 09:32:16
技术领域
本发明涉及一种基于视频图像分析的风电机组故障自动识别方法。
背景技术
风电场规模日益扩大,风电场需要更加高效的管理。风电场存在着占地面积大,风电机组离地高度高等现有状况,对风电机组的故障诊断以及检修提出了严峻的挑战。
传统的风电场管理水平落后,自动化水平较低,计算机辅助系统落后,主要依靠设备异常报警发现设备故障,缺少预警的能力。风电机组设备的巡检依靠工作人员现场检测,但由于工作人员技术水平的差异、技术装备的落后,导致检测工作时间较长、工作效率较低,容易出现误检、漏检、错检等问题。
当前风电机组监控图像利用效率低,主要用于事故发生后原因追查,未使用到故障识别诊断中。
发明内容
本发明所要解决的技术问题是提供一种基于视频图像分析的风电机组故障自动识别方法,可以自动识别、判定风电机组缺陷。
本发明所采用的技术方案是:
一种基于视频图像分析的风电机组故障自动识别方法,其特征在于其包括如下步骤:
在风电机组头部机舱安装固定点可见光摄像机和红外摄像机,采集风电机组内部正常运行状态的全量现场图像数据,通过传输设备传输到数据中心,建立图像数据特征数据库;
对故障截图进行标注;
建立基于视频图像的风电机组故障诊断模型;
采用数据增强方法,增强风电机组故障诊断模型的鲁棒性;
训练风电机组故障诊断模型,增加对小目标的识别能力;
深度学习模型封装接口,搭建B-S结构,利用浏览器中网页对系统进行操作,调用算法接口对视频或者图片进行目标检测,完成自动识别。
进一步的,在采集风电机组的全量现场图像数据时,收集风电机组设备锈蚀、风电机组漏水、漏油情况图像,利用图像数据分别建立特征数据库。
进一步的,利用数据增强方法增强模型鲁棒性时,采用马赛克图像增强方法,将4张采集到的的不同的图片镶嵌到一张图中,混合四张具有不同语义信息的图片。
进一步的,在训练深度学习模型时,将标注好的图片以416x416的大小投入到网络中,输出3层,每层 S × S个网格,得到三张不同尺度的特征图谱,让网络同时学习到深层和浅层的特征,通过叠加浅层特征图特征到相邻通道,把26x26x512的特征图叠加13x13x256的特征图,使模型有了细粒度特征,增加对小目标的识别能力。
进一步的,得到的三张不同尺度的特征图谱分别为:
小尺度为13×13的feature map,网络接收一张416×416的图,经过5个步长为2的卷积来进行降采样416 / 2ˆ5 = 13,输出13×13×512,再经过7个卷积得到第一个特征图谱,在第一个特征图谱上做第一次预测;
中尺度为26×26的feature map,从小尺度中从后向前获得倒数第3个卷积层的输出,进行一次卷积一次x2上采样,将上采样特征26×26×256与第43个卷积特征26×26×512连接,输出26×26×728,经过7个卷积得到第二个特征图谱26×26×255,在第二个特征图谱上做第二次预测;
大尺度为52×52的feature map,从大尺度中从后向前获得倒数第3个卷积层的输出,进行一次卷积一次x2上采样,将上采样特征与第26个卷积特征连接,经过7个卷积得到第三个特征图谱得到52×52×255数据,最后在第三个特征图谱上做第三次预测输出预测图片。
进一步的,标注的方法为:
选取风电机组故障截图,利用标注工具对图片进行标注,将故障或者缺陷部位用框标注,标注信息为xml格式文件保存,内容为标注框的类型和位置信息。
本发明的积极效果为:本发明通过在风电机组重点部分安装固定点摄像设备,采集图像数据,为风电场厂区建立正常、异常风电机组设备特征数据库,然后利用故障诊断模型实现风电机组缺陷自动陈端预警示范系统,达到自动识别、判定风电机组各类缺陷的目的。
附图说明
图1为本发明结构框架图。
具体实施方式
如附图1所示,本发明包括如下步骤:
(1)在风电机组头部机舱安装固定点可见光摄像机和红外摄像机,对风电机组内部正常运行状态下的全量现场图像数据进行采集,通过传输设备传输到数据中心。
(2)采用摄像机配合人工采集图像的方式,收集风电机组设备锈蚀,风电机组漏水,漏油等情况图像,利用图像数据分别建立特征数据库。
(3)风电机组故障存在类型单一的情况,采用数据增强方法—马赛克图像增强方法,通过将4张不同的图片镶嵌到一张图中,混合四张具有不同语义信息的图片,可以让检测器检测超出常规语境的目标,增强模型的鲁棒性。
(4)训练深度学习模型。将标注好的图片以416x416像素的大小投入到网络中,输出3层,每层 S × S个网格,得到如下三张不同尺度的特征图谱,让网络同时学习到深层和浅层的特征,通过叠加浅层特征图特征到相邻通道,把26x26x512像素的特征图叠加13x13x256像素的特征图,使模型有了细粒度特征,增,加对小目标的识别能力。
小尺度:(13×13像素的feature map)网络接收一张(416×416像素)的图,经过5个步长为2的卷积来进行降采样(416 / 2ˆ5 = 13),输出(13×13×512),再经过7个卷积得到第一个特征图谱,在这个特征图谱上做第一次预测。
中尺度: (26×26的feature map)从小尺度中从后向前获得倒数第3个卷积层的输出,进行一次卷积一次x2上采样,将上采样特征(26×26×256)与第43个卷积特征(26×26×512)连接,输出(26×26×728),经过7个卷积得到第二个特征图谱(26×26×255),在这个特征图谱上做第二次预测。
大尺度:(52×52的feature map)操作同中尺度,从后向前获得倒数第3个卷积层的输出,进行一次卷积一次x2上采样,将上采样特征与第26个卷积特征连接,经过7个卷积得到第三个特征图谱,在这个特征图谱上做第三次预测。输出(52×52×255)。
(5)深度学习模型封装接口,搭建B-S结构,利用浏览器中网页对系统进行操作,调用算法接口对视频或者图片进行目标检测。
本发明在风电机组重点部位安装固定点摄像设备,为风电场厂区建立正常、异常风电机组设备特征数据库,实现开发风电机组缺陷自动诊断预警示范系统,达到自动识别、判定风电机组各类缺陷的目的。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
- 一种基于视频图像分析的风电机组故障自动识别方法
- 基于故障数据的风电机组传动系统故障识别方法和系统