基于多尺度特征融合的風機葉片裂縫自動檢測技術研究

齊勇軍，湯海林，黃鎮(zhèn)邦

(廣東白云學院大數(shù)據(jù)與計算機學院，510450，廣州)

0 引言

風力發(fā)電技術的發(fā)展和應用，使得風機葉片裂縫檢測技術得到了很大程度上地改善。同時隨著計算機、傳感器等相關設備性能不斷提高以及測量方法日益復雜化、準確度也在逐漸提升。葉片裂縫是大規(guī)模陣風或地震災害發(fā)生時引起嚴重振動而破壞的。需要對風機進行實時監(jiān)測，才能保證系統(tǒng)的平穩(wěn)運行及安全。

基于智能技術下多尺度特征融合的風機葉片裂縫自動檢測技術的研究有很多。例如，Yan Jingzhong為解決傳統(tǒng)風電機葉片裂紋檢測方法無法實現(xiàn)風電機葉片非接觸式實時監(jiān)測的問題，通過對風電機葉片裂紋氣動噪聲信號特性的分析，提出一種智能型風電機葉片裂紋檢測方法[1]。有學者認為，風力發(fā)電機葉片斷裂問題將嚴重影響風力發(fā)電機的正常安全運行，所以提出了一種基于深度學習的神經(jīng)網(wǎng)絡檢測風機葉片裂紋的方法[2-3]。還有人認為，風能作為可再生能源在世界范圍內被廣泛使用。由于風力發(fā)電機的惡劣環(huán)境和大量使用，風力發(fā)電機的葉片表面可能存在裂紋、油斑、砂孔等損壞[4-5]。為此，本文提出對風機葉片裂縫自動檢測技術，意圖利用多特征提取方式發(fā)現(xiàn)風機葉片的缺陷，改進其設施安全。

本文首先研究的是多特征融合的圖像檢索方法，對其進行深入研究。其次對多尺度數(shù)學形態(tài)學在裂縫檢測中的應用進行了分析與描述。然后對光纖光柵傳感器用于風機葉片材料的靜態(tài)檢測進行了相關研究。最后對系統(tǒng)的總體設計進行闡述，并展開了實驗，得出結果。

1 基于智能技術下多尺度特征融合的風機葉片裂縫自動檢測技術

1.1 多特征融合的圖像檢索

眾所周知，基于內容的圖像搜索結合了大量的先進技術，主要是從圖像數(shù)據(jù)集中收集信息以及創(chuàng)建和管理數(shù)據(jù)庫、實體數(shù)據(jù)。通過提取圖像的顏色和紋理特征，可以提取出圖像顏色成分信息和目標灰度分布規(guī)律信息；通過計算圖像的聚合局部表征特征，可以提取圖像關鍵局部區(qū)域的重要屬性，通過獲取圖像的CNN特征，在一定意義上可以得到圖像。一般情況下，可以將圖像的同一類別和級別的特征向量直接拼接在一起，創(chuàng)建一個完整的特征表示向量[6-7]。這種直接拼接融合方法的表達式如式(1)所示：

am=[am1;am2]

(1)

綜合特征的相似性度量可以轉化為公式(2)：

F(am,bm)=‖am-bm‖=‖am1-bm1‖+‖am2-bm2‖

(2)

上述拼接融合的方法雖然計算簡單快捷，但對于各種特征向量，直接完成特征向量的拼接，進行相似度度量對比，產(chǎn)生補償效果[8]。

多尺度特征提取與融合方式如下：SSD 網(wǎng)絡通過實體疊加在多個尺度上對目標進行分層預測。在本文中，僅將SSD網(wǎng)絡中的每個目標預測層視為研究對象，并使用從相鄰低級特征層學習的小尺度細節(jié)特征作為位置敏感特征和高級語義特征作為上下文信息和目標預測層的相應屬性。有效組合可以有效提高SSD陣列對多尺度目標的定位精度。為保證合并特征的大小相同，對相鄰的低層位置敏感特征分別進行二次采樣，對相鄰高層語義特征提供的上下文信息進行的采樣特征維度，不同的3層scales 目標特征信息有效合并。由于多尺度功能的融合，M-SSD網(wǎng)絡的每個目標預測層都可以利用多尺度目標屬性來預測目標對象，可以有效提高SSD網(wǎng)絡對不同尺度目標對象的定位精度。同時，采用不同的特征提取和合并方法對不同尺度的目標特征信息進行提取和融合，對SSD網(wǎng)絡的定位精度有不同的影響。因此，為了找到提取和合并特征的最佳方式，應該充分探索和利用SSD網(wǎng)絡的多尺度信息[9-10]。

1.2 多尺度數(shù)學形態(tài)學在裂縫檢測中的應用

數(shù)學形態(tài)學一系列操作可以由各種算法組成，例如圖像分割、特征提取、邊緣檢測等。數(shù)學形態(tài)學是對圖像不同部分之間的關系，進行測量和提取，達到圖像分析識別的目的。它的本質是一種鄰域操作。作為探頭的結構元素，它可以直接攜帶一定的內容，如形狀、大小甚至灰度和色值信息，以識別和檢查探頭的結構特性。數(shù)學形態(tài)學具有許多其他圖像分析和處理方法無法實現(xiàn)的優(yōu)點[11-12]。

1.2.1 裂紋圖案的邊緣檢測 輪廓是圖像最基本的特征。邊緣點是信號“急劇變化”的地方。它是灰度值不連續(xù)的表現(xiàn)。邊是一組，是連接像素的集合。傳統(tǒng)的邊緣檢測算子是基于原始圖像，在特定環(huán)境下檢查每個像素是否有灰度跳躍。邊緣像素由導出的修正定律確定，指向一階或二階。確定相鄰邊緣并識別邊緣。

圖像中每個點的斜率對應于一階導數(shù)。對于連續(xù)圖像函數(shù)g(a,b) 其在位置 (a, b) 處的斜率以向量的形式表示：

(3)

邊緣檢測實際上是使用各種算子模型對圖像進行卷積計算，模型運算是鄰域處理的一部分。數(shù)學形態(tài)學在多個尺度上的運算與數(shù)學形態(tài)學在單個尺度上的運算有關。與單尺度形態(tài)學運算相比，多尺度形態(tài)學運算是基于形態(tài)學的開閉運算或開閉、閉開運算，在元素結構上添加額外的尺度元素，并使用多個相同結構元素的集合，形狀大小不同的參與計算。多尺度數(shù)學形態(tài)學克服了單尺度形態(tài)學操作的弊端，能夠更準確地保留圖像在不同尺度下的層次特征。多尺度形態(tài)增強算法不僅平滑去除了扇葉圖像背景中的噪聲點，還改善了裂紋區(qū)域，更好地融合了圖像在不同尺度下的分層特性。

1.2.2 風機葉片損傷監(jiān)測系統(tǒng)的硬件設計 風機葉片損傷監(jiān)測系統(tǒng)主要由2個部分組成：一是硬件部分，負責采集和傳輸風電場氣動音頻信號；二是接收音頻信號、分析它并評估損壞的軟件部分。硬件部分構成了整個損傷監(jiān)測系統(tǒng)的基礎，對氣動音頻信號進行高質量的記錄并將其傳輸?shù)街醒肟刂剖业纳霞売嬎銠C是進行后續(xù)軟件分析和損傷評估的前提。硬件組成的設計首先要明確系統(tǒng)的功能需求，然后在控制成本的同時選擇合適的硬件來實現(xiàn)上述功能。

1.2.3 系統(tǒng)功能需求 定期采集風電機組風機葉片旋轉過程中產(chǎn)生的氣動音頻信號，保證采集音頻信號的質量，為后續(xù)軟件損壞評估提供數(shù)據(jù)支持。采集到的氣動音頻信號發(fā)送到中控室的主控機，由主控機接收并存儲音頻信號，并使用軟件算法對損壞情況進行相應的處理和評估。根據(jù)中控室主控機的需要，控制采集和傳輸兩個功能的執(zhí)行，調節(jié)整個硬件部分的工作流程。

為了滿足系統(tǒng)的功能需求，設計了葉片損傷監(jiān)測系統(tǒng)的硬件部分，包括檢測模塊、升壓電路、控制模塊、通信模塊和電源模塊。采集模塊用于音頻信號的采集；信號升壓電路保證檢測到的音頻信號的電壓值為正；控制模塊是所有硬件的核心，控制采集模塊的數(shù)據(jù)采集以及通信模塊與上位機的通信等。保證硬件部分功能的發(fā)揮，供電模塊為控制模塊、檢測模塊、升壓電路和通信模塊的正常工作提供合適的電源。通訊模塊作為控制模塊和上位機之間的橋梁，主要負責兩者之間的信息交互。整個系統(tǒng)的硬件結構如圖1所示。

系統(tǒng)采集模塊由傳感器和穩(wěn)壓直流線性電源單元組成。風力發(fā)電機組通常位于室外，環(huán)境惡劣，因此傳感器應保證在室外長時間使用，并具有

圖1 系統(tǒng)的硬件結構

防水、防雷的特性。氣動音頻信號采集點位于江蘇省如東風電場。風電場全年盛行風向為東南偏北。因此，地面上安裝了2個傳感器，以接收來自2個下沉氣流的空氣動力學音頻信號。由于控制模塊的主控芯片無法采集負電平信號，因此在主控芯片與傳感器之間增加了同相輸入求和電路，以提高電壓?？刂颇K主要由主控芯片和芯片外圍電路組成。其功能包括：捕捉信號采集、音頻信號A/D轉換、數(shù)據(jù)存儲與傳輸、控制GPRS模塊與上位機進行無線通信等。通訊模塊采用ATK-SIM900A-開發(fā)板，是一款功能強大的工業(yè)級GPRS模塊，接口種類齊全，功能齊全，工作溫度范圍廣，體積小。電源模塊是所有硬件部分的基礎，保證相應的設備能夠正常工作。整個硬件系統(tǒng)需要供電的器件包括：STM32F103ZET6微處理器、ATK-SIM900A開發(fā)板、傳感器、升壓電路中的OP07CP芯片。

1.3 光纖光柵傳感器用于風機葉片材料的靜態(tài)檢測

纖維增強復合材料比金屬材料具有前所未有的優(yōu)勢，并表現(xiàn)出優(yōu)異的抗疲勞、結構穩(wěn)定性、耐腐蝕性和耐久性等性能。而大型風電材料的耐高溫性，首選材料用于發(fā)電的葉片轉子、玻璃纖維抗疲勞性高、缺口敏感性低、內部阻尼大、振幅阻尼和抗振性能好以及具有良好的耐腐蝕性和耐候性、耐酸(耐堿、耐鹽霧腐蝕)。

對于傳感器性能的研究，其特征參數(shù)的研究是一個非常重要的環(huán)節(jié)。根據(jù)傳感器測量的物理量的形式不同，分為靜態(tài)信號和動態(tài)信號。傳感器應具有良好的靜態(tài)和動態(tài)特性，以便在不失真的情況下完成信號轉換。線性度、滯后性、精度、重復性和靈敏度是測量傳感器靜態(tài)特性的最重要指標。傳感器的精度代表了測量的可靠性。精度越高，結果的可靠性就越高。傳感器的精度也是為了達到一定精度而重復一定度數(shù)的能力。傳感器誤差越小，其精度越高。傳感器靈敏度是指零件穩(wěn)定時功率的百分比變化和功率的變化。

1.4 風機葉片裂縫檢測

葉片裂紋檢測有2個方面：一是通過目測葉片各點的平均反射率和主應力來確定環(huán)境風扇壓力的變化；二是根據(jù)得到的多個參考值進行融合處理后得到新的數(shù)據(jù)。傳統(tǒng)方法中最基本、應用最廣泛的是基于人工神經(jīng)網(wǎng)絡分類算法，對振動信息的特性進行提取、分析和計算，得到葉片撕裂的圖像。但是，這種方法有很多缺點：首先，它需要大量的實驗樣本、訓練集和測試時間。其次，到處都使用相同的材料。由于葉片的不同參數(shù)隨葉片不同而不同，在保持葉片裂紋特性的最新情況下，必須進行必要的預處理以提高測試結果的準確性和可靠性。首先，通過合適的算法收集和計算傳感器所需的信息，得到每個小參考閾值對應的每個數(shù)據(jù)點的合適位置函數(shù)。然后通過特殊的過程得到一系列的初始化數(shù)據(jù)點，分為葉尖邊緣區(qū)域、葉尖附近區(qū)域和葉尖特征、分支區(qū)域中的葉片裂紋兩部分。

葉片裂紋是風扇葉柵上的一個非線性區(qū)域。在現(xiàn)有技術中，由于葉片材料的性能和制造工藝的影響，會不同程度地造成超前現(xiàn)象。在實際運行中，風力發(fā)電機一般不考慮空氣摩擦和機械振動等外部因素。當風速超過一定值時，會產(chǎn)生更多的離心力。如果忽視這種現(xiàn)象，螺旋槳末端聲音的有效傳遞就會降低，影響槳葉的正常運行。一般情況下，造成這種現(xiàn)象的原因分為兩類：一方面是由于氣孔和熱點的影響而產(chǎn)生的裂紋，另一方面是由于不斷裂或斷裂變形造成的損壞。風力發(fā)電機在運行時，風速過高，其內部結構損壞，風力發(fā)電機頂部與外界環(huán)境的相互作用力矩發(fā)生變化，影響風力發(fā)電機的效率。葉片裂紋是風扇葉片開裂引起的一種狀況，其主要特征是形狀不規(guī)則，在不同的位置產(chǎn)生不同的影響。

葉片裂紋是風力機轉子葉片上的一種非線性缺陷，其主要特征是不同模態(tài)的變化。如果某個高階模式?jīng)]有同時出現(xiàn)，它對應于某個相關的第二或更低頻率，就會出現(xiàn)，相應的主頻率遵循正弦相位。在工程實踐中，通常采用兩相交流法、多普勒分析儀等方法來處理檢測到的主頻隨時間推移引起的失真。

一種基于技術的智能風扇葉片裂紋融合檢測方法，通過對風扇上多個傳感器獲取的葉片對應位置信息進行處理和分析，得到目標區(qū)域內的參考值和相應參數(shù)。具體過程如下：首先在待測點上加載2個數(shù)據(jù)，然后根據(jù)定義的閾值計算參考值之間關系的適應度，進而得到裂紋深度在2個節(jié)點處，相鄰節(jié)點路徑下2個軸的邊長并保存結果。根據(jù)從風機葉片裂紋處采集到的數(shù)據(jù)，結合主成分分析方法，可以準確判斷出影響風機高度的最重要因素。在風機葉片裂紋檢測全過程中，由于采集到的數(shù)據(jù)與實際情況存在差異，為了獲得更準確的實驗結果，采用多尺度融合方法。

2 多特征融合的風機葉片裂縫檢測實驗

2.1 系統(tǒng)總體方案

在開發(fā)風電葉片裂縫檢測系統(tǒng)時，必須充分考慮系統(tǒng)的準確性、可靠性和實時性。因此，要求探測器和傳感器設計合理，信號處理電路設計緊湊，上述計算機軟件設計簡單。本章主要介紹了風機葉片裂紋檢測系統(tǒng)的總體設計。

2.2 光纖傳感器設計

由于探測器安裝在曲面上，因此還需要保留曲面?zhèn)鞲衅鞯那岸?，以便在探測過程中盡可能保持探測器的空氣動力學形狀。該傳感器包含5個光纖束，每個光纖束由許多小光纖電纜組成。 風機葉片裂紋跟蹤信息處理平臺主要完成風機葉片裂紋數(shù)據(jù)的采集、顯示和存儲三大功能。由于上位機軟件的穩(wěn)定可靠運行直接關系到風機的安全運行，因此在設計過程中，在盡可能滿足實際要求之前，對程序進行了嚴格的控制，以達到更好的可行性、時間和可靠性要求。

2.3 裂縫類型識別結果

該系統(tǒng)對20幅橫向高程圖像、16幅縱向高程圖像、19幅塊高程圖像和15幅扇葉網(wǎng)格高程圖像采用多重特征提取處理，并使用分類器、神經(jīng)網(wǎng)絡對圖像進行分類。本文利用MATLAB對每個裂紋的二值圖像進行BP神經(jīng)網(wǎng)絡的裂紋識別仿真實驗。 為保證樣本包含足夠的信息，選擇有明顯裂縫的圖像作為訓練樣本。當網(wǎng)絡學習完成時，達到收斂并保留BP網(wǎng)絡學習誤差圖。

3 實驗結果分析

根據(jù)本文基于多特征提取對裂縫圖像的分類檢測實驗數(shù)據(jù)結果可知，由于裂紋等現(xiàn)象的存在，無法識別微弱的裂紋信號。同時，塊狀和交聯(lián)裂紋的檢出率不是很高。具體如表1所示。

如圖2所示可以看到，實驗中對橫向裂縫的檢測準確度最高，對塊狀裂縫檢測準確度最低。

表1 基于多特征提取的裂紋圖像分類與檢測結果

圖2 基于多特征提取的裂紋圖像分類與檢測結果

大塊裂縫本身也是晶格裂縫，但破壞程度較低，雖然兩者的特征向量之間存在邊界區(qū)域，但在這個區(qū)域內它們的向量值相對接近。

4 結論

風機葉片作為一種典型的低階、非線性缺陷體，其本身自愈性問題一直是制約風力發(fā)電技術進步和發(fā)展的重要原因之一。風機葉片是風力場的關鍵部位，其裂縫特征對風速和可靠性有著重要影響。風機葉片作為一種重要的風力機械設備，在工程建設中占有很高地位。對其裂縫的檢測技術研究有利于提高工程的安全性。實驗結果表明，多特征提取方法在不同裂縫中的檢測結果不相同。其中，對橫向裂縫的檢測準確度最高，多特征提取方法有一定的作用，但還需要進一步改進。