一种风机叶片结冰监测方法、装置、设备以及介质与流程

本发明涉及风机叶片监测领域，尤其涉及一种风机叶片结冰监测方法、装置、设备以及介质。

背景技术：

1、随着化石燃料的大量消耗，环境污染严重，清洁、环保的可再生能源发电渗透率持续提升，寒冷和潮湿地区风电场建设的规模不断扩大，将导致风力发电机的叶片结冰，严重的情况下甚至会导致叶片断裂，因此有必要对风机叶片的结冰情况识别进行深入研究。

2、国内外对于风机叶片结冰的故障预测的研究尚处于起步阶段，由于风机叶片本身结构复杂，因此，目前大都采用人工进行识别。但仅依靠人工进行识别不仅效率低下，而且准确性低，因此，亟需一种风机叶片结冰监测方法。

技术实现思路

1、本申请实施例通过提供一种风机叶片结冰监测方法、装置、设备以及介质，解决了现有技术中风机叶片结冰识别效率低的技术问题，实现了提高风机叶片结冰识别的效率的技术效果。

2、第一方面，本申请提供了一种风机叶片结冰监测方法，方法包括：

3、获取若干风机叶片图片，并将若干风机叶片图片分组，得到若干图片组，每组图片中至少包括两张风机叶片图片，其中，风机叶片图片包括叶片结冰图片和叶片未结冰图片；

4、构建待训练结冰监测神经网络模型，并进行初始化，待训练结冰监测神经网络模型的输入为风机叶片图片，输出为结冰识别结果，其中，结冰识别结果包括结冰或未结冰；

5、将图片组输入待训练结冰监测神经网络模型中，获取该图片组对应的若干结冰识别结果，并根据若干结冰识别结果对待训练结冰监测神经网络模型的神经网络参数进行调整；

6、当达到预设迭代次数时，保存最新的神经网络参数，并得到目标结冰监测神经网络模型。

7、进一步讲，根据若干结冰识别结果对待训练结冰监测神经网络模型的神经网络参数进行调整，包括：

8、根据若干结冰识别结果，确定该图片组对应的准确率参数、正比率参数以及召回率参数；

9、根据每个图片组对应的准确率参数、正比率参数以及召回率参数对待训练结冰监测神经网络模型的神经网络参数进行调整。

10、进一步讲，关于准确率参数的公式，包括：

11、

12、其中，a为准确率参数，pc为正确的结冰识别结果的数量，pt为总结冰识别结果的数量。

13、进一步讲，关于正比率参数的公式，包括：

14、

15、其中，b为正比率参数，pz为结冰识别结果为结冰的数量，pf为结冰识别结果为未结冰的数量。

16、进一步讲，关于召回率参数的公式，包括：

17、

18、其中，c为召回率参数，a为准确率参数，b为正比率参数。

19、进一步讲，获取若干风机叶片图片之后，方法还包括：

20、将若干风机叶片图片进行剪裁，使得每张风机叶片图片的大小保持一致；

21、将每张风机叶片图片进行标注，标注内容包括实时天气、结冰程度、结冰面积、结冰类型以及风机类型；

22、根据每张风机叶片图片的标注以及对应的结冰识别结果，确定该张风机叶片图片的标注与结冰识别结果的关联关系；

23、根据若干关联关系，对待训练结冰监测神经网络模型的神经网络参数进行调整。

24、进一步讲，神经网络参数至少包括：

25、权重、偏置、学习率、批大小、优化器以及动量。

26、第二方面，本申请提供了一种风机叶片结冰监测装置，装置包括：

27、获取模块，用于获取若干风机叶片图片，并将若干风机叶片图片分组，得到若干图片组，每组图片中至少包括两张风机叶片图片，其中，风机叶片图片包括叶片结冰图片和叶片未结冰图片；

28、构建模块，用于构建待训练结冰监测神经网络模型，并进行初始化，待训练结冰监测神经网络模型的输入为风机叶片图片，输出为结冰识别结果，其中，结冰识别结果包括结冰或未结冰；

29、输入模块，用于将图片组输入待训练结冰监测神经网络模型中，获取该图片组对应的若干结冰识别结果，并根据若干结冰识别结果对待训练结冰监测神经网络模型的神经网络参数进行调整；

30、输出模块，用于当达到预设迭代次数时，保存最新的神经网络参数，并得到目标结冰监测神经网络模型。

31、第三方面，本申请提供了一种电子设备，包括：

32、处理器；

33、用于存储处理器可执行指令的存储器；

34、其中，处理器被配置为执行以实现如第一方面提供的一种风机叶片结冰监测方法。

35、第四方面，本申请提供了一种非临时性计算机可读存储介质，当存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行实现如第一方面提供的一种风机叶片结冰监测方法。

36、本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

37、本申请通过获取若干风机叶片图片，并将若干风机叶片图片分组，得到若干图片组，每组图片中至少包括两张风机叶片图片，其中，风机叶片图片包括叶片结冰图片和叶片未结冰图片；构建待训练结冰监测神经网络模型，并进行初始化，待训练结冰监测神经网络模型的输入为风机叶片图片，输出为结冰识别结果，其中，结冰识别结果包括结冰或未结冰；将图片组输入待训练结冰监测神经网络模型中，获取该图片组对应的若干结冰识别结果，并根据若干结冰识别结果对待训练结冰监测神经网络模型的神经网络参数进行调整；当达到预设迭代次数时，保存最新的神经网络参数，并得到目标结冰监测神经网络模型。本申请通过对神经网络进行训练，可以得到目标结冰监测神经网络模型，通过目标结冰监测神经网络模型可以准确批量的识别风机叶片图片地结冰情况，提高了风机叶片图片结冰识别的识别效率和自动化程度。

技术特征：

1.一种风机叶片结冰监测方法，其特征在于，所述方法包括：

2.如权利要求1所述的一种风机叶片结冰监测方法、其特征在于，根据若干结冰识别结果对所述待训练结冰监测神经网络模型的神经网络参数进行调整，包括：

3.如权利要求2所述的一种风机叶片结冰监测方法、其特征在于，关于准确率参数的公式，包括：

4.如权利要求2所述的一种风机叶片结冰监测方法、其特征在于，关于正比率参数的公式，包括：

5.如权利要求2所述的一种风机叶片结冰监测方法、其特征在于，关于召回率参数的公式，包括：

6.如权利要求1所述的一种风机叶片结冰监测方法、其特征在于，获取若干风机叶片图片之后，方法还包括：

7.如权利要求1所述的一种风机叶片结冰监测方法、其特征在于，所述神经网络参数至少包括：

8.一种风机叶片结冰监测装置，其特征在于，所述装置包括：

9.一种电子设备，其特征在于，包括：

10.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行实现如权利要求1至7中任一项所述的一种风机叶片结冰监测方法。

技术总结
本发明公开了一种风机叶片结冰监测方法、装置、设备以及介质，包括：获取若干风机叶片图片，并将若干风机叶片图片分组，得到若干图片组；构建待训练结冰监测神经网络模型，并进行初始化，待训练结冰监测神经网络模型的输入为风机叶片图片，输出为结冰识别结果，其中，结冰识别结果包括结冰或未结冰；将图片组输入待训练结冰监测神经网络模型中，获取该图片组对应的若干结冰识别结果，并根据若干结冰识别结果对待训练结冰监测神经网络模型的神经网络参数进行调整；当达到预设迭代次数时，保存最新的神经网络参数，并得到目标结冰监测神经网络模型。本发明属于风机叶片监测领域。本发明可以提高叶片结冰识别的准确性和效率。

技术研发人员：徐东海,董钊,喻遥,李琴,薛建
受保护的技术使用者：博望（张北）新能源有限公司
技术研发日：
技术公布日：2024/11/14