風電機組音視頻智能巡檢系統(tǒng)設計

摘" 要：隨著新能源風力發(fā)電規(guī)模的不斷擴大，越來越多風電場建設在沙戈荒、深遠海等偏遠地區(qū)，無人值守場站建設已成為大勢所趨。這種情況下，智能巡檢技術作為無人值守場站建設中必不可少的一環(huán)，對其準確性、可靠性方面的要求越來越高。該文設計一種風電機組音視頻智能巡檢系統(tǒng)，結合聲紋分析、機器視覺技術，從多模態(tài)、多維度對風電機組關鍵部件進行狀態(tài)識別分析，助力提升風電機組巡檢智能化水平和各類型故障識別精度。

關鍵詞：風電機組;智能巡檢;聲紋分析;機器視覺;音視頻巡檢

中圖分類號：TM315" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2025）11-0037-05

Abstract： With the continuous expansion of the scale of new energy wind power generation， more and more wind farms are being built in remote areas such as the Shage Desert and the Deep Sea， and the construction of unmanned stations has become the general trend. In this case， intelligent inspection technology is an indispensable part of the construction of unmanned stations， and its accuracy and reliability requirements are becoming increasingly high. This paper designs an audio-video intelligent inspection system for wind turbines， which combines voiceprint analysis and machine vision technology to identify and analyze the status of key components of wind turbines from multi-modal and multi-dimensional， helping to improve the intelligent level of wind turbine inspection and various types of fault identification accuracy.

Keywords： wind turbine; intelligent inspection; voiceprint analysis; machine vision; audio and video inspection

隨著碳達峰、碳中和目標的提出，國內(nèi)新能源發(fā)電產(chǎn)業(yè)也進入快速發(fā)展的黃金期。在這一時代背景下，越來越多風電場建設在沙戈荒、深遠海等偏遠地區(qū)。鑒于這些地區(qū)的特殊地理位置和艱苦環(huán)境，無人值守場站建設迫在眉睫。而無人值守場站的設備運維工作主要依托數(shù)智化系統(tǒng)自動、遠程執(zhí)行，運維人員只定期開展現(xiàn)場巡檢和維護。

傳統(tǒng)電力設備巡檢主要依賴人工現(xiàn)場操作、觀察，其主觀性較大、人員成本高、效率不高、安全風險較大，已經(jīng)難以滿足無人值守場站對于高效率和高精度監(jiān)控的需求，同時也不利于后續(xù)的智能化數(shù)據(jù)分析和故障預測工作[1]。而智能巡檢技術[2]主要利用攝像機、無人機、傳感器等智能設備對設備工況、運行狀態(tài)、指標參數(shù)和異常狀態(tài)進行數(shù)據(jù)采集，并利用智能分析、數(shù)據(jù)處理等手段快速發(fā)現(xiàn)設備異常及安全隱患等，實現(xiàn)巡檢過程的可視化、自動化。

綜上，本文針對風電機組智能巡檢，根據(jù)不同部件特性，采用不同巡檢手段，構建音視頻多模態(tài)巡檢系統(tǒng)，有以下益處。

首先，針對不同設備部件應用不同的巡檢手段，并根據(jù)不同部件的特點進行精準檢測，提高巡檢的準確性和可靠性;其次，音視頻多模態(tài)巡檢提供更加豐富的信息，便于運維人員對設備狀態(tài)進行更深入的分析和判斷;最后，音視頻多模態(tài)巡檢通過對大量的音視頻數(shù)據(jù)進行分析，可以建立更加準確的故障預測模型，提前發(fā)現(xiàn)潛在的問題，為風電機組的穩(wěn)定運行提供有力的支持。

1" 相關技術

1.1" 聲紋分析巡檢

如圖1所示，在電力設備巡檢領域，聲紋分析技術發(fā)揮著至關重要的作用，其過程涵蓋聲音信號的采集、預處理、特征提取和模式識別等關鍵步驟[3]。

音頻采集：聲音信號的采集是聲紋分析的首要環(huán)節(jié)。例如，對于大型變壓器的監(jiān)測，應在其周圍多個方位和距離上部署麥克風，以便全方位捕捉聲音信號，這樣的布局策略能夠有效彌補由聲音傳播方向和距離差異所導致的數(shù)據(jù)遺漏。

信號處理：降噪處理能夠去除環(huán)境中的背景噪聲，如風聲、雨聲、工業(yè)生產(chǎn)中的其他機械噪聲等。濾波處理則根據(jù)不同需求，選擇合適的濾波器對信號進行篩選，去除設備運行產(chǎn)生的特定聲音頻率范圍之外的噪聲，保留與設備運行狀態(tài)相關的頻率成分[4]。

聲紋分析：聲紋分析的核心環(huán)節(jié)之一就是從預處理后的聲音信號中提取有助于故障診斷的各類特征信息，包括梅爾頻率倒譜系數(shù)（MFCC）、頻譜質(zhì)心、頻譜能量和深度學習特征等。梅爾頻率倒譜系數(shù)能夠反映聲音信號的頻譜特征，對于識別不同類型的故障具有重要意義[5]。頻譜質(zhì)心可以反映聲音信號的頻率分布中心，對于判斷設備的運行狀態(tài)和潛在故障也有很大幫助。頻譜能量則可以反映聲音信號的強度，在檢測設備異常振動和摩擦等故障時具有較高的敏感性。在深度學習技術領域，還可以通過卷積神經(jīng)網(wǎng)絡或者循環(huán)神經(jīng)網(wǎng)絡，提取特征的深層信息，提高故障檢測的精確度。

電力巡檢中應用聲紋分析技術的典型場景如下。

變壓器內(nèi)部出現(xiàn)異常放電現(xiàn)象時，會產(chǎn)生特定頻率和幅度的聲音信號[6]。聲紋分析系統(tǒng)將這些聲音信號進行預處理和特征提取之后，通過應用高效的模式識別算法，能夠精確地識別出變壓器內(nèi)部異常放電等故障。例如，在檢測繞組故障時，聲紋分析技術能夠捕捉到由繞組松動或繞組短路等問題所引發(fā)的聲音變化。

電機軸承損壞時，會產(chǎn)生摩擦聲和振動聲。聲紋分析系統(tǒng)通過對采集的聲音進行分析，對聲音數(shù)據(jù)進行清洗和轉換，并通過特征提取和分析，準確判斷軸承的損壞程度[7]。另外，電機存在負載不平衡的情況，其音頻頻率和強度也會發(fā)生相應的變化，利用聲紋分析技術，使模型學習這些聲音特性變化，可準確識別出負載不平衡。

斷路器機械磨損[8]會導致操作機構的聲音特征出現(xiàn)變化。人工巡檢很難通過聲音的變化對斷路器磨損程度進行判斷，通過聲紋分析系統(tǒng)工具對斷路器的聲音進行實時監(jiān)控，可以快速靈敏地判斷出斷路器的聲音變化特征。

1.2" 機器視覺巡檢

如圖2所示，在電力設備巡檢領域，機器視覺技術發(fā)揮著至關重要的作用，涵蓋視頻信號的采集、預處理和視覺算法識別等關鍵步驟。

視頻采集：為了確保圖像畫質(zhì)和覆蓋范圍，不僅要從多角度和不同的距離進行拍攝，還要根據(jù)設備尺寸規(guī)格和場景特點靈活調(diào)整攝像頭的位置和焦距。

圖像處理：圖像畫面畸變、振動模糊、光線昏暗和霧氣模糊等[9]會導致信息損失，需通過采用去噪、正畸、低光增強等手段，提高圖像質(zhì)量。

視覺算法：目標檢測[10]、物體識別和行為分析等視覺算法在電力設備、人員安全管控中應用廣泛。目標檢測算法能夠精確地定位電力設備關鍵組件，并對設備的狀態(tài)進行判斷，例如變壓器油枕、斷路器觸點、絕緣子外觀等，不僅能識別設備的狀態(tài)，還能識別異常情況，如異物懸掛、漏油等。行為分析則可通過對連續(xù)圖像幀的深入分析，追蹤人員的行動路徑，分析行為模式，識別出可能的違規(guī)行為，減少安全風險，確保作業(yè)人員的安全。

電力巡檢中應用機器視覺技術的典型場景如下。

無人機：在無人機巡檢輸電線路方面，無人機搭載高分辨率攝像頭，能夠在高空對輸電線路進行全方位的拍攝[11]。通過基于深度學習的圖像識別算法，使得系統(tǒng)自動識別損壞的導線、絕緣子等部件，以及異物懸掛等安全隱患。

機器人：智能巡檢機器人[12]可以自動導航，在升壓站內(nèi)按照預設的路線對關鍵設備狀態(tài)進行監(jiān)測、識別，能夠準確識別設備的運行狀態(tài)，如儀表讀數(shù)、開關位置等，還能檢測設備的外觀是否存在異常，如銹蝕、破損、變形和跑冒滴漏等。

熱成像：熱成像圖像能夠清晰準確定位出高溫區(qū)域，及時發(fā)現(xiàn)早期故障[13]。例如，在變壓器的巡檢中，熱成像技術可以幫助檢測到繞組過熱或鐵芯局部過熱的情況。

2" 音視頻多模態(tài)融合的風電機組智能巡檢系統(tǒng)設計

2.1" 系統(tǒng)架構

如圖3所示，音視頻多模態(tài)融合的風電機組智能巡檢系統(tǒng)主要由音頻采集裝置、攝像機、AP網(wǎng)關、邊緣計算終端、算法服務器和無人機組成。各部分的安裝位置及作用如下。

1）單個葉片內(nèi)于2個腔體的腹板近大梁處分別安裝2個音頻采集裝置，共4個。

2）輪轂內(nèi)合適位置安裝音頻采集裝置。

3）機艙中部或后部安裝槍型攝像機，關注發(fā)電機狀態(tài)、加脂機油位。

4）機艙齒輪箱旁安裝槍型攝像機，關注齒輪箱滲漏情況、散熱系統(tǒng)狀態(tài)。

5）機艙前部上方安裝槍型攝像機，關注整體全景環(huán)境。

6）塔基內(nèi)安裝槍型攝像機，關注控制柜、人員行為、環(huán)境隱患。

7）機艙剎車盤及聯(lián)軸器附近安裝雙光譜槍型攝像機，關注剎車盤維度、聯(lián)軸器保護罩。

8）塔筒馬鞍橋處安裝雙光譜槍型攝像機，關注馬鞍橋線纜下墜情況、線纜溫度。

9）輪轂內(nèi)安裝1個無線AP裝置，由配電柜取電，供葉片內(nèi)音頻采集裝置通信。

10）風電場配置無人機，用于風電機組葉片外觀巡檢。

11）機艙內(nèi)安裝邊緣計算終端，用于音視頻數(shù)據(jù)就地實時分析計算。

12）升壓站安裝算法服務器，用于向風電機組內(nèi)邊緣計算終端下達巡檢指令、模型更新指令、接收巡檢結果等，同時也負責對無人機采集來的圖像數(shù)據(jù)進行離線分析。

各類感知設備按照應滿足新能源無人風電場站基本安全生產(chǎn)要求配置，詳細的設備配置方案見表1。

2.2" 巡檢項目

風電機組智能巡檢項目情況見表2。需要特別注意的是，表2中并未涵蓋風電機組的全部關鍵設備部件。這是由于本著經(jīng)濟性原則，已在集控[14]、診斷[15]等其他風電機組監(jiān)測系統(tǒng)中覆蓋的項目，不再重復設置感知設備，不在智能巡檢中進行重復監(jiān)測。

2.3" 巡檢算法流程

如圖4所示，音視頻多模態(tài)融合智能巡檢算法由多個關鍵模塊協(xié)同工作，各模塊具體功能如下：①數(shù)據(jù)采集模塊，麥克風陣列分布在不同位置，精準捕捉電力設備運行時的各種聲音，采用高靈敏度麥克風陣列，結合先進的信號處理算法，確保聲紋數(shù)據(jù)質(zhì)量。高分辨率攝像頭從多個角度和不同距離對設備進行拍攝，使用高分辨率攝像頭和圖像處理技術，獲取高質(zhì)量視覺數(shù)據(jù)。②數(shù)據(jù)處理模塊，對所采集到的設備聲紋數(shù)據(jù)，采用降噪、去噪和濾波等技術消除設備以外的雜音，提高聲音信號質(zhì)量。對于所采集到的視覺圖像數(shù)據(jù)，則進行去噪、增強和矯正等操作，為后續(xù)模型能夠高效地進行特征提取提供保證。③特征提取模塊，特征提取模塊是分析設備狀況保證系統(tǒng)運行的基石。通過分析聲音數(shù)據(jù)，獲取如梅爾頻率倒譜系數(shù)（MFCC）、頻譜質(zhì)心和頻譜能量等參數(shù)。在視覺監(jiān)測方面，可以識別設備圖像中的邊緣、紋理、顏色和形狀等特征。④數(shù)據(jù)融合模塊，聲音和視覺數(shù)據(jù)分別通過不同的處理流程，然后通過特定的算法有機融合[16]。該模塊可以是簡單的特征拼接，也可以是更復雜的加權方法，如注意力機制[17]等，利用深度學習融合算法實現(xiàn)聲紋和視覺數(shù)據(jù)的高效融合、優(yōu)勢互補。⑤智能分析模塊，應用機器學習、深度學習等人工智能算法，對融合后的多模態(tài)數(shù)據(jù)進行深入分析。通過對大量已標注數(shù)據(jù)的分析學習，系統(tǒng)能夠建立起特征與設備狀態(tài)之間的對應關系，從而精確地識別出設備的運行狀況和可能發(fā)生的故障類型?；谏疃葘W習的智能分析模型，實現(xiàn)設備故障智能檢出，滿足一定準確性和實時性要求。

3" 結論

綜上，本文針對當前無人值守風電場中對風電機組智能巡檢的迫切需求，設計了一套音視頻智能巡檢系統(tǒng)。該系統(tǒng)通過集成先進的聲紋分析和機器視覺技術，融合聽覺、視覺多模態(tài)信息，能夠實現(xiàn)對風電機組關鍵部件的自動化和智能化監(jiān)測，大大提高巡檢的效率和準確性，為風電場的無人值守提供了強有力的技術支持。

參考文獻：

[1] 中國人工智能產(chǎn)業(yè)發(fā)展聯(lián)盟.AI賦能[M].北京：人民郵電出版社：2019：253.

[2] 辛東杰.變電站隔離開關智能圖像巡檢系統(tǒng)研究[D].阜新：遼寧工程技術大學，2023.

[3] 沈國堂，郭振宇，黃道均，等.基于特征提取和神經(jīng)網(wǎng)絡的電力變壓器聲紋診斷方法建立與應用[J].變壓器，2024，61（6）：39-43.

[4] 仇睿，張晨旭，姚瑤，等.基于頻譜感知音頻去噪的無監(jiān)督機器異常聲音檢測[J].復旦學報：自然科學版，2022，61（5）：513-519.

[5] 胡尕紅.基于人工智能的電力設備異常聲音檢測方法研究[J].電聲技術，2024，48（8）：150-152.

[6] 陸云才，廖才波，李群，等.基于聲紋特征和集成學習的變壓器缺陷診斷方法[J].電力工程技術，2023，42（5）：46-55.

[7] 韓慧君.基于生成類深度學習模型的軸承故障診斷方法研究[D].西安：西安理工大學，2024.

[8] 段新宇，盧鈴，胡勝，等.合閘過程監(jiān)測下的10kV斷路器機械故障聲紋識別技術[J].電氣技術與經(jīng)濟，2024（1）：100-102.

[9] 王靜，呂科，何寧，等.基于分裂Bregman方法的全變差圖像去模糊[J].電子學報，2012，40（8）：1503-1508.

[10] REDMON J， DIVVALA S， GIRSHICK R，et al.You Only Look Once： Unified， Real-Time Object Detection[C]//Computer Vision amp; Pattern Recognition.IEEE，2016.

[11] 楊寧軍，咸永財，朱相印.“互聯(lián)網(wǎng)+”時代無人機電力巡檢關鍵技術研究與發(fā)展[J].互聯(lián)網(wǎng)周刊，2024（9）：42-44.

[12] 毛琛琳，張功望，劉毅.智能機器人巡檢系統(tǒng)在變電站中的應用[J].電網(wǎng)與清潔能源，2009（9）：30-32，36

[13] 王燕.基于深度學習的水電站電氣設備紅外圖像分析方法研究[D].長春：長春工程學院，2023.

[14] 陳國旗.風電場集控中心綜合管理平臺遠程監(jiān)控系統(tǒng)的設計與實現(xiàn)[D].長春：吉林大學，2024.

[15] 龍泉，劉永前，楊勇平.狀態(tài)監(jiān)測與故障診斷在風電機組上的應用[J].現(xiàn)代電力，2008，25（6）：55-59.

[16] 曹潔，魏建勇，劉宗禮，等.基于簡化的ISPF算法與視聽信息融合的目標跟蹤[J].儀器儀表學報，2011，32（1）：5.

[17] VASWANI A. Attention is all you need[J]. Advances in Neural Information Processing Systems， 2017.