[发明专利]一种涡轮叶片基于六点定位的特征测量方法

权利要求书

1.一种涡轮叶片基于六点定位的特征测量方法，步骤包括：

（S1）用户观察风力涡轮发电机周边环境，根据涡轮叶片的底部、上风高压侧和下风高压侧设置六个热成像摄像机；

（S2）热成像摄像机通过热成像技术对涡轮叶片进行室外采集，六个热成像摄像机采集六种原始涡轮叶片热像图；

（S3）输入采集原始涡轮叶片热像图并采用改进型深度学习算法进行数据预处理，得到一次处理涡轮叶片热像图；

（S4）计算机处理中心接收一次处理涡轮叶片热像图，采用阈值判断的区域指导算法建立特征判定条件函数对一次处理涡轮叶片热像图进行特征判定，得到涡轮叶片的特征参数；

其中采用改进型深度学习算法进行数据预处理，根据涡轮叶片热像图数据得到准约束函数，如公式（1）所示：

（1）

式（1）中，G表示改进型深度学习算法的准约束函数，b_i表示改进型深度学习算法的数码，i表示涡轮叶片热像图数据序号，n表示涡轮叶片热像图数据总数；

在数据预处理中，改进型深度学习算法的约束函数能够有效筛选涡轮叶片热像图数据的可用性，但对于离散型区别较大的涡轮叶片热像图数据需要通过正切函数tanh(x)进行计算，如公式（2）所示：

（2）

式（2）中，x’表示离散化涡轮叶片热像图数据，通过数据指数变换，得到离散涡轮叶片热像图数据的正切关系，通过变换对离散数据与1进行比较，从而完成涡轮叶片热像图数据的初步筛选；

对筛选之后的样本数据进行临界计算，得到涡轮叶片热像图数据的临界函数如公式（3）所示：

（3）

式（3）中，s(x’)表示涡轮叶片热像图数据临界值函数，η表示临界函数曲线增长的速率；临界函数与离散数据的正切函数相似，两者都是对自变量的指数运算，都是通过与数字1进行比较得出一次处理涡轮叶片热像图；

所述阈值判断的区域指导算法步骤包括：

（S41）阈值判断的区域指导算法对一次处理涡轮叶片热像图进行函数转化，如公式（4）所示：

（4）

式（4）中，H表示一次处理涡轮叶片热像图录入算法标准，表示收录的一次处理涡轮叶片热像图数据函数，表示录入一次处理涡轮叶片热像图偏差；

（S42）通过对录入的一次处理涡轮叶片热像图数据进行规律化调整，使一次处理涡轮叶片热像图数据满足阈值判断的区域指导算法运算标准，进而完成阈值判定，如公式（5）所示：

（5）

式（5）中，表示一次处理涡轮叶片热像图数据调整方式，r表示阈值判断的区域指导算法编程图像变量，R表示实数集，表示横向调整量，表示纵向调整量；调整之后的一次处理涡轮叶片热像图能够被阈值判断的区域指导算法程序识别，通过阈值判断的区域指导算法编程方式判定涡轮叶片的特征参数，判定条件如公式（6）所示：

（6）

式（6）中，W表示阈值判断的区域指导算法判定条件函数，f表示一次处理涡轮叶片热像图判定条件系数，θ表示阈值判断的区域指导算法识别标准一次处理涡轮叶片热像图形式；

（S43）在阈值判断的区域指导算法的近邻计算中，对于一次处理涡轮叶片热像图相近的涡轮叶片的特征参数判定记为近邻化判定，如公式（7）所示：

（7）

式（7）中，表示待测次处理涡轮叶片热像图数据调整方式，表示近邻化涡轮叶片的特征参数函数形式，θ(x,y)表示近邻算法识别标准函数，表示标准近邻函数的偏导自变量，表示近邻函数的偏导因变量；

（S44）对于监测涡轮叶片的特征参数的最终判定是由众数法决定的，通过其样本选择和近邻对比，将判定结果表述如公式（8）所示：

（8）

式（8）中，表示阈值判断的区域指导算法收录的众数涡轮叶片的特征参数，表示在阈值判断的区域指导算法中涡轮叶片的特征参数的判定结果，j表示阈值判断的区域指导算法识别范围，表示判定相角条件。