基于注意力机制的U-Net叶片缺陷图像分割

为解决风力发电机叶片表面缺陷检测存在分类困难和微小缺陷分割模糊的难题,构建一种基于扩张卷积和卷积注意力模块的改进U-Net语义分割网络。该网络基于网络模型的编码-解码结构,使用可迁移的VGG16的特征提取层代替U-Net网络的编码部分,在编码-解码之间的跳跃模块加入卷积注意力模块。通过对微小缺陷信息选取加强全局权重,使用扩张卷积增强网络特征,采用VGG16预训练模型实现迁移学习。开展Focal与Dice结合的混合损失函数验证,对比分析DeeplabV3+、PSPnet、HRNet、U-Net这4种模型。结果表明:对于叶片缺陷数据集,改进的U-Net网络模型对叶片缺陷的分类和分割任务具有更高的精度,均交并比、均像素精度和召回率等指标值分别为83.60%、92.84%和88.50%。改进U-Net网络的均交并比值比DeeplabV3+模型高13.98%,比标准U-Net模型高9.38%,能够提高叶片缺陷检测的灵敏度,有效降低检测结果的误报警率,有助于准确检测风机叶片缺陷。

基于特征嵌入的小样本涡轮叶片缺陷识别研究

航空发动机涡轮叶片的缺陷,影响发动机可靠性与使用寿命,基于计算机视觉与深度学习技术进行叶片缺陷的自动化检测具有重要现实意义。但是,涡轮叶片图像采集环境的高度非结构化、缺陷形式高差异性,为准确的缺陷识别带来困难。针对上述问题,提出了深度特征嵌入先验网络,其核心通过引入缺陷形状先验的特征嵌入层,准确刻画缺陷的形状特征,提高模型在小样本情况下的分类准确率。实验结果表明,所提方法在小样本叶片缺陷识别问题上取得了优越性能。

基于深度学习的风机叶片缺陷自动识别技术及应用研究

目前,传统的风机叶片缺陷检测方法主要依赖人工视觉,存在效率低下和准确性不高的问题。为了解决这些问题,本研究提出了一种基于深度学习的风机叶片缺陷自动识别技术。该技术利用深度神经网络模型,通过对大量标注好的风机叶片图像进行训练,实现了对风机叶片缺陷的自动识别。本研究结果表明,基于风机叶片缺陷自动识别技术具有较高的准确性和效率,在风机维护和管理中具有广阔的应用前景。

基于深度学习的风机叶片缺陷识别

本研究提出了一种基于深度学习的风机叶片缺陷识别方法,旨在提高风机维护效率和可靠性。方法包括数据采集与预处理、多特征融合残差网络设计、损失函数定义、迁移学习,以及实验验证等步骤。实现了对风机叶片缺陷的高效识别,通过对模型的时间性能和F1分数的比较。实验结果表明,多特征融合残差网络在计算效率和识别性能方面都具有显著优势。该方法为风机叶片巡检提供了有力的技术支撑。

缺陷叶片对跨音速压气机转子气动性能影响

基于Hicks-Henne三维高阶延拓函数,提出了一种表征服役条件下由于积垢、腐蚀或磨损等因素造成压气机叶片表面几何缺陷的三维通用几何参数化建模方法,并以Rotor37为例,重点研究了叶片表面局部凸起缺陷对跨音速压气机转子气动性能和内部流动的影响。结果表明:叶片表面不同位置凸起缺陷的存在,使得Rotor37多变效率下降1.0%~1.3%;当表面凸起缺陷位于吸力面50%叶高、50%弦长附近时,激波诱导边界层分离现象明显加重,致使气动性能衰减更为剧烈。该研究对于深入认识服役条件下的压气机气动性能变化具有一定的理论价值。

基于VMD能量熵和BP神经网络风电叶片缺陷研究

针对叶片在服役过程中缺陷特征提取困难,提出一种基于变分模态能量熵结合BP神经网络的叶片缺陷诊断方法。首先对声发射信号进行变分模态分解,通过方差贡献率筛选不同缺陷的主要模态分量,之后求取不同缺陷主要模态分量的能量熵构造不同缺陷的特征向量。为验证特征向量选取的准确性,将不同缺陷能量熵向量输入BP神经网络进行缺陷模式识别。结果表明:缺陷识别正确率高达90%,表明变分模态能量熵结合BP神经网络的叶片缺陷诊断方法能够实现叶片早期缺陷识别,具有一定的应用价值。

航空发动机扇形段叶片表面缺陷测量系统

针对航空发动机叶片缺陷检测过程中,扇形段叶片间隙狭小且表面缺陷尺度小、形态差异大,位置隐蔽,常规测量方法无法实现检测的问题,基于改进的结构光测量原理,通过压缩光路空间体积,设计了微型线结构光视觉传感器。搭建了航空发动机扇形段叶片表面缺陷测量系统,设计了六轴联动控制结构,通过运动分解简化了机械控制结构,避免了由于插补控制引入的非线性运动误差。实验证明系统具有较高精度,实现了航空发动机扇形段叶片表面缺陷高精度测量。

主动红外热像技术在航空发动机叶片缺陷检测中的研究和应用进展

叶片长期工作在高温、高压、高速的恶劣工况下,极易出现损伤,及时发现并监控服役过程中叶片损伤对保证飞行安全至关重要。主动红外热成像技术是一种新型无损检测方法,具有无接触、高效率、无污染等优点,对材料近表面裂纹和涂层缺陷具有良好的效果。本文统计归纳航空发动机叶片典型缺陷类型和成因,对比主动红外热像技术的代表性激励方式;针对主动红外热像技术在叶片疲劳裂纹和表面涂层缺陷检测中的应用进行了分析,介绍机器学习和图像识别等智能算法在缺陷识别和定量评估方面的应用;总结归纳了主动红外热像技术面临的难题和未来的发展方向。总体而言,该技术在航空发动机叶片缺陷检测领域具有良好的应用前景。

基于CEEMDAN能量熵和SVM的风电叶片缺陷检测

针对目前风电叶片缺陷特征提取的问题,提出了一种基于完全噪声辅助集总经验模态分解(CEEMDAN)和支持向量机(SVM)相结合的叶片缺陷诊断识别方法。通过对采集的声发射信号进行CEEMDAN,借助互相关系数筛选叶片缺陷的主要模态分量,然后构造主要模态分量的能量熵向量。为验证能量熵向量构造的可靠性,对叶片不同缺陷进行能量熵向量的支持向量机模式识别。结果表明,SVM模式识别准确率高达96.7%,说明基于CEEMDAN结合SVM的叶片缺陷识别方法能够实现叶片模拟缺陷的识别,为在役叶片缺陷的识别提供了一定的参考。

叶片缺陷对水力性能的影响研究

为了研究叶片制造缺陷对水力模型性能的影响规律,文章采用三维湍流数值计算方法对含缺陷的叶片的水力性能进行了仿真分析,并与无缺陷的叶片进行了对比,得到了叶片在有无缺陷两种条件下的内部压力场和速度场。对比结果表明:叶片外缘进口头部的初始缺陷会造成叶轮扬程的下降,缺陷局部流场分布良好,不会影响叶轮的稳定性。

基于全局上下文注意力的风机叶片缺陷检测

针对YOLOv3目标检测算法在风机叶片表面缺陷检测任务中存在易产生冗余框和漏检等问题,提出了一种基于全局上下文(Global Context,GC)注意力机制的风机叶片表面缺陷检测方法,简称GC-YOLOv3。该方法通过对YOLOv3的特征提取网络Darknet53中的残差块嵌入全局上下文注意力模块,使得模型能够重点关注缺陷所在位置区域,达到有效减少冗余框和降低漏检风险的目的。实验结果表明,GC-YOLOv3相比于YOLOv3准确率提升了3.38%。同时,与基于Squeezeand-Excitation和Non-local的注意力机制相比,使用全局上下文注意力机制的模型检测精度更高。

基于光纤传感技术的风机叶片故障检测技术研究进展

叶片是风电机组的重要组成部分,承担着捕获风能的重要功能,一旦损伤必然导致风机停机,对其进行状态监测十分必要。对风机叶片的监测主要采用无损检测技术,传统方法大都基于电子测量原理,具有抗电磁干扰能力差、无法实现分布式测量等缺点。文中在对比传统无损检测技术灵敏度、效率、抗干扰能力等指标的基础上,重点分析和研究了光纤传感技术用于风机叶片监测的现状。从测量原理、传感器结构、应用实施方法、监测效果等方面,分析了FBG、BOTDA、OFDR以及干涉型光纤传感技术的研究进展,最后重点分析了光纤形状传感技术在风机叶片监测中的应用研究现状、存在的问题及未来发展趋势。

核电厂低压缸汽轮机转子叶片的渗透检测

针对国内某核电厂运行期间发生汽轮机叶片断裂事件,通过对叶片运行时的受力情况及易产生缺陷区域进行分析,明确了缺陷不能被完全检出的原因;通过比较试验法,改进并确定了最优的渗透检测工艺,并在核电厂大修中取得良好效果。

航空发动机叶片检测验收技术

航空发动机叶片是飞机发动机的核心部件之一,对其进行定期的缺陷检测验收是确保发动机安全可靠运行的重要环节。本文通过综合分析现有的航空发动机叶片检测验收技术标准、评价分析软件及技术,进而提出构建叶片检测验收技术标准体系、开发叶片参数评价分析软件以及自主研发新型叶片检测验收技术,实现对叶片的全面、快速、准确的检测和评估,提高发动机叶片的安全性和可靠性。

风电机组叶片表面缺陷检测技术及其在维护中的应用研究

随着风电行业的快速发展,风电机组的运行安全和可靠性成为了人们的关注焦点。叶片作为风电机组的核心部件其表面缺陷的检测对于维护和保养具有重要意义,本文综述了风电机组叶片表面缺陷检测技术的发展现状并分析了不同技术在维护中的应用情况。通过对相关技术的比较和分析可以为提升风电机组叶片维护效率和可靠性提供参考。

风电机组在线状态监测与数据分析系统设计

为了减少风电机组故障引发的安全问题,保障风电场正常进行发电工作,提出风电机组在线状态监测与数据分析系统。系统包括叶片缺陷检测、塔筒监测、无线自组网模块、数据分析平台模块,利用无人机采集风机叶片图像,倾角传感器和螺栓应力测量装置采集塔筒加速度和螺栓应力数据;通过YOLOv5算法、倾斜变形监测算法以及螺栓疲劳预测算法进行数据处理和分析;采用无线自组网模块将处理后的数据传输至中控室;最后在数据分析平台上展示风电机组的状态数据,实现风电机组的实时、在线监测,保障风电机组安全。

低温型风力发电机叶片缺陷自动检测方法研究

针对人工检测发电机叶片缺陷时存在的检测结果不精准,检测时间较长的问题,以低温型风力发电机为研究对象,设计了一种基于机器视觉的叶片缺陷自动检测方法。在分析叶片缺陷特征及参数的前提下生成叶片缺陷图像,利用数字图像处理技术对叶片缺陷图像进行灰度化与滤波处理,采用通域递归法提取叶片的缺陷特征并构建最优阈值,最后利用机器视觉技术,实现发电机叶片缺陷的自动检测。在MATLAB平台内模拟发电机叶片缺陷的检测过程,结果显示,基于机器视觉的检测方法能够准确检测出发电机叶片表面的擦痕、裂纹等缺陷,较人工检测精准度高26.7%,且检测耗时较短,说明机器检测具备有效性。