-
公开(公告)号：CN103984956A
公开(公告)日：2014-08-13
申请号：CN201410172548.4
申请日：2014-04-25
Applicant: 广东电网公司电力科学研究院 , 华中科技大学
Abstract: 本发明公开了基于机器视觉图像对电力系统风力发电机叶片表面点蚀故障进行诊断的方法，包括：步骤一、划分风力发电机叶片，获得叶片基元；步骤二、对风力发电机叶片基元进行拍照，并对背景进行剔除；步骤三、对图像基元进行特征提取；步骤四、提出一种神经网络聚类—LLE流行学习算法对提取的多维图像特征进行降维；步骤五、通过实验获取风力机叶片正常状态图像基元以及表面点蚀故障图像基元；步骤六、使用训练数据库对故障诊断所用的支持向量机进行训练；步骤七、使用步骤六中训练好的支持向量机对风力发电机叶片基元的表面是否存在点蚀故障进行诊断；步骤八、对所有的叶片基元均进行步骤二、三、四、七的操作，直至完成整片叶片的点蚀诊断。
-
公开(公告)号：CN106226074A
公开(公告)日：2016-12-14
申请号：CN201610841544.X
申请日：2016-09-22
Applicant: 华中科技大学
CPC classification number: G01M13/028 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于卷积神经网络和小波灰度图的旋转机械故障诊断方法，其包括以下步骤：(1)将振动位移传感器及振动速度传感器设置在旋转机械上，利用所述振动位移传感器及所述振动速度传感器采集所述旋转机械的振动信号；(2)对采集到的所述振动信号进行多尺度小波分解，以得到小波灰度图；(3)按照预先训练过的卷积神经网络的输入形式，对所述小波灰度图进行预处理；(4)将预处理后的所述小波灰度图输入到所述卷积神经网络，所述卷积神经网络对接收到的所述小波灰度图进行分析诊断，以得到所述旋转机械的故障诊断结果。
-
公开(公告)号：CN111723658B
公开(公告)日：2022-06-10
申请号：CN202010401002.7
申请日：2020-05-13
Applicant: 江苏方天电力技术有限公司 , 国网江苏省电力有限公司 , 华中科技大学
Abstract: 本发明公开了一种基于卷积神经网络的旋转机械故障征兆识别方法，包括以下步骤：（1）采集旋转机械的轴心对的振动信号；（2）对采集到的轴心对的振动信号进行傅里叶变换，获得振动信号的频域信息矩阵；对采集到的轴心对的两个振动信号进行组合，获得振动信号的时域信息矩阵；（3）按照预先训练过的卷积神经网络模型的输入形式，对频域信息矩阵和时域信息矩阵进行预处理，得到振动综合信息矩阵；（4）将振动综合信息矩阵输入到所述卷积神经网络模型，所述卷积神经网络模型对接收到的振动综合信息矩阵进行诊断分析，得到旋转机械的故障征兆结果。采用本发明的方法，可以得到旋转机械的故障征兆，辅助实现旋转机械故障的实时智能诊断。
-
公开(公告)号：CN106778723A
公开(公告)日：2017-05-31
申请号：CN201611065764.4
申请日：2016-11-28
Applicant: 华中科技大学
CPC classification number: G06K9/2054 , G06T7/0004 , G06T2207/30164
Abstract: 本发明公开了一种复杂背景环境中的风力机叶片表面图像提取方法，其包括如下步骤：(1)在风力机每个叶片的迎风面处分别设置方形黑白格标记图，粘贴的位置为平面且与叶片迎风面平行，进而利用标记图的姿态代替叶片姿态；(2)利用摄像头对风力机运行图像进行采集，并将采集到的图像实时传输至工控机中；(3)对摄像头采集到的图像信息进行图像处理以获得叶片表面图像，并根据叶片上的标记图获得风力机叶片信息。本发明可实现对野外环境中运行风力机叶片图像的提取，简化了分析处理过程、加快了分析速度。
-
公开(公告)号：CN105736252A
公开(公告)日：2016-07-06
申请号：CN201610073742.6
申请日：2016-02-02
Applicant: 华中科技大学
IPC: F03D17/00
Abstract: 本发明公开了一种用于风电机组运行巡检技术领域的风电机组便携式点检记录仪。本发明主要由CPU控制模块、电源模块、存储模块、通信模块、输入输出模块、模数A/D转换模块、数据采集模块和点检信息管理模块组成。本发明除了温度、振动等传统数据采集分析功能外，增加了图像采集、音频采集等功能，可实现点检信息的全部数字化，同时具有有线与无线通信功能；该设备还具有维修指导功能，可存储风电机组的包括电路图、技术参数和服务手册等技术资料，并可实时接受风电场控制中心的指导，方便点检人员解决某些紧急问题，实现点检与维修的智能化和一体化。
-
Patent Agency Ranking
公开(公告)号：CN103984952B
公开(公告)日：2017-09-22
申请号：CN201410157662.X
申请日：2014-04-18
Applicant: 广东电网公司电力科学研究院 , 华中科技大学
Abstract: 本发明公开了基于机器视觉图像对电力系统风力发电机叶片表面裂纹故障进行诊断的方法，该方法包括步骤一、划分风力发电机叶片，获得叶片基元；步骤二、对风力发电机叶片基元进行拍照，并对背景进行剔除；步骤三、对步骤二获得的叶片基元结果图像进行二次划分成图像基元，并对基元结果图像进行特征提取；步骤四、对故障诊断所用的支持向量机进行训练；步骤五、使用训练好的支持向量机对风力发电机叶片基元的表面故障种类进行诊断；步骤六、对所有的叶片基元均进行步骤二、三、五的操作，直至完成整片叶片的表面故障诊断。该方法诊断精度高。
-
公开(公告)号：CN106226074B
公开(公告)日：2017-08-01
申请号：CN201610841544.X
申请日：2016-09-22
Applicant: 华中科技大学
IPC: G01M13/02
Abstract: 本发明公开了一种基于卷积神经网络和小波灰度图的旋转机械故障诊断方法，其包括以下步骤：(1)将振动位移传感器及振动速度传感器设置在旋转机械上，利用所述振动位移传感器及所述振动速度传感器采集所述旋转机械的振动信号；(2)对采集到的所述振动信号进行多尺度小波分解，以得到小波灰度图；(3)按照预先训练过的卷积神经网络的输入形式，对所述小波灰度图进行预处理；(4)将预处理后的所述小波灰度图输入到所述卷积神经网络，所述卷积神经网络对接收到的所述小波灰度图进行分析诊断，以得到所述旋转机械的故障诊断结果。
-
公开(公告)号：CN103984956B
公开(公告)日：2017-07-18
申请号：CN201410172548.4
申请日：2014-04-25
Applicant: 广东电网公司电力科学研究院 , 华中科技大学
Abstract: 本发明公开了基于机器视觉图像对电力系统风力发电机叶片表面点蚀故障进行诊断的方法，包括步骤一、划分风力发电机叶片，获得叶片基元；步骤二、对风力发电机叶片基元进行拍照，并对背景进行剔除；步骤三、对图像基元进行特征提取；步骤四、提出一种神经网络聚类—LLE流行学习算法对提取的多维图像特征进行降维；步骤五、通过实验获取风力机叶片正常状态图像基元以及表面点蚀故障图像基元；步骤六、使用训练数据库对故障诊断所用的支持向量机进行训练；步骤七、使用步骤六中训练好的支持向量机对风力发电机叶片基元的表面是否存在点蚀故障进行诊断；步骤八、对所有的叶片基元均进行步骤二、三、四、七的操作，直至完成整片叶片的点蚀诊断。
-
公开(公告)号：CN103984952A
公开(公告)日：2014-08-13
申请号：CN201410157662.X
申请日：2014-04-18
Applicant: 广东电网公司电力科学研究院 , 华中科技大学
Abstract: 本发明公开了基于机器视觉图像对电力系统风力发电机叶片表面裂纹故障进行诊断的方法，该方法包括步骤一、划分风力发电机叶片，获得叶片基元；步骤二、对风力发电机叶片基元进行拍照，并对背景进行剔除；步骤三、对步骤二获得的叶片基元结果图像进行二次划分成图像基元，并对基元结果图像进行特征提取；步骤四、对故障诊断所用的支持向量机进行训练；步骤五、使用训练好的支持向量机对风力发电机叶片基元的表面故障种类进行诊断；步骤六、对所有的叶片基元均进行步骤二、三、五的操作，直至完成整片叶片的表面故障诊断。该方法诊断精度高。
-
公开(公告)号：CN103982378A
公开(公告)日：2014-08-13
申请号：CN201410171787.8
申请日：2014-04-25
Applicant: 广东电网公司电力科学研究院 , 华中科技大学
IPC: F03D11/00
CPC classification number: Y02E10/722
Abstract: 本发明公开了基于机器视觉图像对电力系统风力发电机叶片表面结冰故障进行诊断的方法，包括如下步骤：步骤一、划分风力发电机叶片，获得叶片基元；步骤二、对风力发电机叶片基元进行拍照，并对背景进行剔除；步骤三、对步骤二获得的叶片基元结果图像进行二次划分成图像基元，并对基元结果图像进行特征提取；步骤四、对故障诊断所用的支持向量机进行训练；步骤五、使用训练好的支持向量机对风力发电机叶片基元的表面故障种类进行诊断；步骤六、对所有的叶片基元均进行步骤二、三、五的操作，直至完成整片叶片的表面结冰故障诊断。该方法诊断精度高。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.043 seconds)
