基于WPT-SVD-KELM的大型风力机叶片表面裂纹识别方法研究

为准确识别风力机叶片表面裂纹位置和长度，提出基于小波包-奇异值分解-核极限学习机（WPT-SVD-KELM）的裂纹识别方法。搭建风力机某典型叶片裂纹识别平台，开展正常叶片和含裂纹叶片的模态实验和变桨实验，获取不同工况下正常叶片和含裂纹叶片的振动信号。利用频响函数研究裂纹位置对振动信号幅频响应的影响，从而准确识别叶片表面裂纹位置，利用WPT-SVD提取风力机叶片表面裂纹振动信号的时频特征，定义参数kr表征裂纹长度的变化，并将特征参数导入优化后的KELM，从而识别风力机叶片表面裂纹长度。     

基于数字图像处理的风电机组叶片裂纹损伤识别方法研究

为实现风电机组叶片损伤检测的高效化、智能化、便捷化,研究一种基于数字图像处理技术的风电机组叶片裂纹损伤识别以及裂纹类型判断和特征参数提取的方法。以无人机采集的风电机组叶片图像为研究对象,通过对比灰度化、滤波、阈值分割等图像处理步骤的多种算法,对形态学处理方法进行改进,首先选用平均值法对叶片图像进行灰度处理,其次使用中值滤波对图像进行去噪处理,再次使用Otsu阈值分割以实现裂纹区域的分割,然后基于改进的形态学方法提取出完善的叶片裂纹损伤区域,最后基于连通域原理完成裂纹区域的框取。基于上述算法设计风电机组叶片裂纹损伤识别系统以实现叶片裂纹图像检测的可视化处理、裂纹类型判断及裂纹特征参数提取等功能。结果表明,该系统对于风电机组叶片裂纹损伤检测具有可靠的识别精度,识别准确率为85%,实现了风电机组叶片裂纹损伤的自动识别与特征参数提取,提高了叶片裂纹损伤的检测效率。     

基于机器视觉的风力机叶片故障检测技术研究

针对运行中的风力机叶片，提出一种基于机器视觉特征分类的故障诊断方法。通过对叶片叶尖进行圆形标记，利用工业相机周期性获取叶片尖端的图像，并在Halcon软件上对图像进行预处理，对大雾天气下采集的图像利用暗通道除雾算法进行清晰化处理。利用叶尖标记检测算法提取标记、计算区域圆度和区域中心等区域特征。对相邻叶片上标记计算位移差，并与系统预警阈值比较，判断叶片在扭转或偏摆方向的变形程度和故障趋势，从而实现风力机叶片变工况运行状态在线检测和自适应预警。     

基于热红外图像的风力机叶片损伤识别方法研究

针对风力发电机叶片损伤人工检测效率低,受作业人员业务水平制约等因素影响大的问题,提出一种基于热红外图像的风力机叶片损伤识别以及损伤位置判定和损伤大小计算的方法,通过数字图像处理技术在Matlab 2019b平台开发实现.对附有人工损伤的风力机叶片热红外图像采用对比度拉伸、Gabor滤波、二值化阈值分割等方法提取损伤特征...     

基于优化经验小波变换与改进支持向量机的齿轮箱故障检测策略

针对强噪声背景下风力机齿轮箱振动信号易被掩盖、难以提取的难题,基于频域谱负熵（Frequency-domain Spectral Negentropy,FSN）改进经验小波变换（Empirical Wavelet Transform,EWT）提出优化经验小波变换方法（Improved Empirical Wavelet Transform,IEWT）,并采用改进灰狼算法（Improved Grey Wolf Optimization,IGWO）优化支持向量机（Support Vector Machine,SVM）惩罚系数α及核参数σ。基于NREL GRC风力机齿轮箱数据验证所提方法的有效性。结果表明：IEWT-IGWO-SVM可有效提取故障信息并进行故障识别,分类准确率高达99.66%。     

基于机器视觉的风电叶片风沙侵蚀程度检测方法研究

提出一种基于机器视觉的风电叶片表面无损检测方法,可快速检测出叶片表面有无缺陷。该方法结合机器视觉理论和图像处理技术,通过对采集到的叶片图像进行灰度化、空间滤波、图像增强、图像分割、图像去噪、形态学重建等算法,实现对叶片缺陷损伤区域的识别与特征参数的提取,可降低噪声和人工判读对叶片表面缺陷精度的影响,可为今后叶片无损检测的自动化和数字化提供参考。     

基于改进Mask-RCNN模型的电力设备锈蚀识别

针对变电站电力设备锈蚀检测问题,文章提出了一种基于改进Mask-RCNN模型的锈蚀检测方法。使用残差网络Resnet101作为模型的基础网络,使用改进后的非极大值抑制(Non-Maximum Suppression,NMS)算法,提升语义分割的检测准确率。针对设备锈蚀数据集,使用dropout算法对Mask-RCNN提取的特征图进行处理,防止网络出现过拟合的现象,提升了召回率。实验结果表明,改进后模型的准确率和召回率均优于原始的Mask-RCNN网络。     

基于叶片应变感知的风力机动态风向跟踪算法

在风力机运行过程中,偏侧风状态会导致风能利用率降低,同时降低风机的疲劳寿命。在动态风向变化下,随着侧风角度的变化,风力机叶片上的应变信号存在着规律性变化趋势,但由于应变信号呈现出非平稳、非线性和多种频率成分叠加的复杂特性,使得通过应变信号来揭示侧风角度变化规律有一定难度。文章提出了一种基于应变感知和BP神经网络的风力机风向追踪算法（SPWDP）。首先,通过设计风力机叶片应变测试方案,采集侧风角度变化下的叶片表面的多点应变数据,对应变信号进行变分模态分解（VMD）,将叶片应变随侧风角度变化的规律提取出来,定义为风向-应变的特征;然后,使用BP神经网络作为建模算法,对风向-应变特征进行学习,并使用粒子群算法对BP神经网络的初始权值和阈值进行优化;最后,得到动态风向跟踪模型。经风洞实验数据验证,所提SPWPD算法在风力机侧风风向判断上具有可行性。     

风力机叶片气动设计及偏载计算

风力发电机组叶片的气动特性直接影响到机组效率,考虑了风力机叶片气动损失,运用Schmitz方法对1MW定桨风力发电机组的叶片进行了气动设计.叶片从叶根到叶尖采用了不同翼型,以满足叶片强度和气动性能的要求.不同翼型之间采用了3次样条插值后的过渡翼型,同时叶根和叶尖也进行了处理,以满足工艺和实际的要求.在所设计的风力机叶片的基础上,计算了风力机的偏载特性,由于风力机起动与空载时,Schmitz方法误差较大,该文采用了Schmitz理论的扩展算法来计算风力机的偏载特性.设计结果表明,基于Schmitz理论设计的多翼型风力机叶片考虑了叶片的损失,方法简单,计算出来的叶片弦长和扭角符合实际叶片的规律.采用了扩展算法后的偏载特性曲线,考虑了各种损失,与实际风力机表现的特性规律相符.     

含裂纹损伤叶片在切变来流下的应力耦合性分析

针对含裂纹损伤风力机在运行过程中产生的失效现象，将切变来流作为入口条件，基于流固耦合原理，分析含不同形式裂纹损伤的风力机叶片应力分布规律。通过无人机现场实验得知，裂纹主要集中于叶根（r/R=0.10截面）和叶中（r/R=0.50截面）后缘部位。单叶片在30°方位角时应力最大，额定风速下分布于叶根的裂纹受力最大，为33.34 MPa。强风风速下分布于叶中的裂纹受力最大，为44.31 MPa。重力载荷主要影响叶根部位的受力，气动载荷则主要作用于叶中，风速越大，叶中部位的裂纹越容易产生扩展。同时，沿弦向分布的裂纹，其扩展趋势最强。对于叶根处裂纹而言，若使叶片产生失效，裂纹长度需达到弦长的1/2、深度需达到叶片厚度的1/2；对于叶中处裂纹而言，若使叶片产生失效，裂纹长度需达到弦长的3/8、深度需达到叶片厚度的1/3。     

基于FAST和Simulink的海上风力机叶片扭角和弦长优化设计研究

基于粒子群算法编写风力机叶片优化程序,利用Matlab/Simulink接口嵌入到FAST主程序之中实现叶片优化程序与FAST之间的交互,以实现风力机最大发电功率为优化目标,完成风力机叶片气动外形的自动寻优。该方法可考虑实际海况及风力机搭载平台对叶片优化结果的影响,可同时考虑风向分布对优化结果的影响。NREL 5 MW风力机低风速下的优化结果表明,经过优化后的风力机功率提高1.5%。当考虑实际风力机布置海域风向分布情况时,加权优化结果表明风力机最大功率可提高3.8%。     

基于改进经验小波变换与分形特征集的风力机齿轮箱故障诊断

针对风力机齿轮箱振动响应信号具有强非线性及非平稳性的特点,考虑平均幅值对平均谱负熵时频域成分权重自适应调节,提出连续改进平均谱负熵方法（ICASN）以体现信号细节复杂度特征,并将ICASN引入经验小波变换（EWT）,替代傅里叶谱作为频带划分依据。采用ICASN-EWT分解振动信号,基于改进平均谱负熵筛选特征分量,剔除信号冗余与噪声影响。分析各敏感分量分形特征并构建高维特征集,采用流形学习进行维数约简,并结合分形高斯噪声改进灰狼算法优化支持向量机关键参数,将降维后的向量集输入优化支持向量机进行故障识别与诊断,准确率高达100%。     

具有升阻复合启动结构垂直轴风力机气动特性数值模拟

提出利用升阻复合启动结构来改善直线翼垂直轴风力机气动特性,该启动结构由半椭圆形阻力叶片和升力小翼构成。基于RNG k-ε模型,对纯升力型、升阻复合型和新型复合风力机的气动特性进行二维数值研究,并进行对比分析。研究表明:增加小翼后,新型复合风力机的最大力矩系数较升阻复合型风力机提升25%,最大功率系数提升46%;静态启动力矩较升阻复合型提升11.2%,较纯升力型提升294%;小翼可削弱内置阻力叶片对升力叶片的不利影响。     

3 MW风力机叶片振动特性分析

为防止叶片发生共振、减少叶片挠度、提高风力机发电效率以及风能利用率,文章建立了3 MW风力机叶片模型,分析了风力机叶片的固有频率。当激励频率为1.26 Hz时,叶片发生共振。以年发电量和风能利用率为目标函数,采用多目标遗传算法对3 MW风力机叶片进行优化设计。优化后的叶片发电功率提高了12%左右,风能利用率提高了18%左右;叶片的固有频率明显提高,挠度减少,解决了风力机叶片共振的问题。     

基于惯性网络的兆瓦级风电叶片形变测量算法研究

针对目前风电叶片形变过程中挠曲度测量误差较大的问题,提出一种基于惯性网络的相对运动监测算法。首先根据应力分析对叶片建立主从式惯性网络,然后推导出主子节点间的相对运动解算方法并建立相对导航误差模型,设计相对导航误差估计滤波器,通过误差反馈保证子节点的位姿解算精度;其次构建联邦式的相对惯性导航误差估计滤波器进行主子节点的数据融合,提高风电叶片的形变估计精度及系统整体的容错性;最后对某型风电叶片进行静力加载试验,试验结果表明：该算法可准确测量出叶片上各节点在三维空间的位移曲线,3个子节点在挥舞方向的平均相对误差仅为0.92%、1.18%、1.07%。该算法可实时监测风电叶片的位姿状态,在叶片检测及风力机日常运行的安全监测上具有较好的理论研究意义与工程应用价值。     

基于振型曲率的风力机叶片覆冰检测技术

为深入研究基于振动理论的风力机叶片覆冰诊断技术,对不同覆冰状态下的风力机叶片进行动力特性模拟实验。通过研究各阶次下、各温度下振型曲率与覆冰的关系,定义覆冰位置特征值和覆冰程度特征指标。借助Matlab软件拟合得到覆冰位置诊断阈值函数以及厚度计算公式,从而建立风力机叶片覆冰状态定量检测指标体系。最后对所提出的覆冰状态诊断指标体系做实例验算,结果表明该方法对风力机叶片覆冰状态识别具有较高的准确度。     

叶片根部改型对风力机性能影响的研究

为研究叶片根部改型对风力机性能的影响,采用SST k-ε湍流模型对改型前后的风力机叶片进行三维流场数值模拟研究。通过分析叶根区域流场和压力分布可知:根部改型可改善叶根区域的流动形态,减小叶根的失速分离区,能有效控制分离涡的发生位置,提升叶根的气动效率;根部改型可改变叶根区域叶片表面的压力分布,加大叶根部位上下面压差,从而提高叶根转矩,使风力机出力增加;根部改型后,风力机的功率最大提升2.13%,增幅明显。     

风力机叶片模态的实验分析研究

分析了风力机叶片模态实验的约束条件、边界条件、传感器质量及测试点分布等因素对叶片频率识别和测量值及其误差的影响,改进了对风力机叶片模态实验方案,提高了实验精度,有效降低了误差,得到了比较理想的模态参数识别结果,为相关实验的合理设计提供指导,同时为研究附加质量对小型风力机叶片振动性能的影响提供一种思路.     

基于YOLO的输电线路鸟巢检测网络结构改进研究

为提高电力系统的安全运行水平,针对输电线路上的鸟巢识别问题,提出基于YOLO的输电线路鸟巢检测网络。首先通过构建GhostNet模块搭建骨干网络,并优化了特征层提取方式;随后通过改进特征金字塔连接层,并结合PANet结构构建了瓶颈网络的特征金字塔,最终搭建了YOLO-NEST网络。构建并扩充数据集进行训练,将提出的网络与其他目标检测算法进行对比,结果表明所提网络在进行输电线路的鸟巢检测时效率更高。     

基于逆向工程的风力机叶片实体建模研究

基于逆向工程技术对风力机叶片实体进行建模。应用三维数字化激光扫描测量技术．采集叶片实体表面点云,在对数据点云进行预处理后,采用NURBS曲面拟合方法,实现叶片实体模型的重构。进而为风力机风轮气动性能及风洞试验方面的研究提供所必要的叶片实体模型。