風(fēng)電機(jī)組音視頻智能巡檢系統(tǒng)設(shè)計

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

關(guān)鍵詞：風(fēng)電機(jī)組;智能巡檢;聲紋分析;機(jī)器視覺;音視頻巡檢

中圖分類號：TM315" " " 文獻(xiàn)標(biāo)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(dá)峰、碳中和目標(biāo)的提出，國內(nèi)新能源發(fā)電產(chǎn)業(yè)也進(jìn)入快速發(fā)展的黃金期。在這一時代背景下，越來越多風(fēng)電場建設(shè)在沙戈荒、深遠(yuǎn)海等偏遠(yuǎn)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(shè)迫在眉睫。而無人值守場站的設(shè)備運(yùn)維工作主要依托數(shù)智化系統(tǒng)自動、遠(yuǎn)程執(zhí)行，運(yùn)維人員只定期開展現(xiàn)場巡檢和維護(hù)。

傳統(tǒng)電力設(shè)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(fēng)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(yù)測工作[1]。而智能巡檢技術(shù)[2]主要利用攝像機(jī)、無人機(jī)、傳感器等智能設(shè)備對設(shè)備工況、運(yùn)行狀態(tài)、指標(biāo)參數(shù)和異常狀態(tài)進(jìn)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(shè)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(fēng)電機(jī)組智能巡檢，根據(jù)不同部件特性，采用不同巡檢手段，構(gòu)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(shè)備部件應(yīng)用不同的巡檢手段，并根據(jù)不同部件的特點(diǎn)進(jìn)行精準(zhǔn)檢測，提高巡檢的準(zhǔn)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(yùn)維人員對設(shè)備狀態(tài)進(jìn)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(jìn)行分析，可以建立更加準(zhǔn)確的故障預(yù)測模型，提前發(fā)現(xiàn)潛在的問題，為風(fēng)電機(jī)組的穩(wěn)定運(yùn)行提供有力的支持。

1" 相關(guān)技術(shù)

1.1" 聲紋分析巡檢

如圖1所示，在電力設(shè)備巡檢領(lǐng)域，聲紋分析技術(shù)發(fā)揮著至關(guān)重要的作用，其過程涵蓋聲音信號的采集、預(yù)處理、特征提取和模式識別等關(guān)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(yīng)在其周圍多個方位和距離上部署麥克風(fēng)，以便全方位捕捉聲音信號，這樣的布局策略能夠有效彌補(bǔ)由聲音傳播方向和距離差異所導(dǎo)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(fēng)聲、雨聲、工業(yè)生產(chǎn)中的其他機(jī)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(jìn)行篩選，去除設(shè)備運(yùn)行產(chǎn)生的特定聲音頻率范圍之外的噪聲，保留與設(shè)備運(yùn)行狀態(tài)相關(guān)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(yù)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(xué)習(xí)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(shè)備的運(yùn)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(qiáng)度，在檢測設(shè)備異常振動和摩擦等故障時具有較高的敏感性。在深度學(xué)習(xí)技術(shù)領(lǐng)域，還可以通過卷積神經(jīng)網(wǎng)絡(luò)或者循環(huán)神經(jīng)網(wǎng)絡(luò)，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(yīng)用聲紋分析技術(shù)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(jìn)行預(yù)處理和特征提取之后，通過應(yīng)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(shù)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(jī)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(jìn)行分析，對聲音數(shù)據(jù)進(jìn)行清洗和轉(zhuǎn)換，并通過特征提取和分析，準(zhǔn)確判斷軸承的損壞程度[7]。另外，電機(jī)存在負(fù)載不平衡的情況，其音頻頻率和強(qiáng)度也會發(fā)生相應(yīng)的變化，利用聲紋分析技術(shù)，使模型學(xué)習(xí)這些聲音特性變化，可準(zhǔn)確識別出負(fù)載不平衡。

斷路器機(jī)械磨損[8]會導(dǎo)致操作機(jī)構(gòu)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(jìn)行判斷，通過聲紋分析系統(tǒng)工具對斷路器的聲音進(jìn)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(jī)器視覺巡檢

如圖2所示，在電力設(shè)備巡檢領(lǐng)域，機(jī)器視覺技術(shù)發(fā)揮著至關(guān)重要的作用，涵蓋視頻信號的采集、預(yù)處理和視覺算法識別等關(guān)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(jìn)行拍攝，還要根據(jù)設(shè)備尺寸規(guī)格和場景特點(diǎn)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(dǎo)致信息損失，需通過采用去噪、正畸、低光增強(qiáng)等手段，提高圖像質(zhì)量。

視覺算法：目標(biāo)檢測[10]、物體識別和行為分析等視覺算法在電力設(shè)備、人員安全管控中應(yīng)用廣泛。目標(biāo)檢測算法能夠精確地定位電力設(shè)備關(guān)鍵組件，并對設(shè)備的狀態(tài)進(jìn)行判斷，例如變壓器油枕、斷路器觸點(diǎn)、絕緣子外觀等，不僅能識別設(shè)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(fēng)險，確保作業(yè)人員的安全。

電力巡檢中應(yīng)用機(jī)器視覺技術(shù)的典型場景如下。

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

機(jī)器人：智能巡檢機(jī)器人[12]可以自動導(dǎo)航，在升壓站內(nèi)按照預(yù)設(shè)的路線對關(guān)鍵設(shè)備狀態(tài)進(jìn)行監(jiān)測、識別，能夠準(zhǔn)確識別設(shè)備的運(yùn)行狀態(tài)，如儀表讀數(shù)、開關(guān)位置等，還能檢測設(shè)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(zhǔn)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(shù)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(fēng)電機(jī)組智能巡檢系統(tǒng)設(shè)計

2.1" 系統(tǒng)架構(gòu)

如圖3所示，音視頻多模態(tài)融合的風(fēng)電機(jī)組智能巡檢系統(tǒng)主要由音頻采集裝置、攝像機(jī)、AP網(wǎng)關(guān)、邊緣計算終端、算法服務(wù)器和無人機(jī)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(jī)艙中部或后部安裝槍型攝像機(jī)，關(guān)注發(fā)電機(jī)狀態(tài)、加脂機(jī)油位。

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

5）機(jī)艙前部上方安裝槍型攝像機(jī)，關(guān)注整體全景環(huán)境。

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

7）機(jī)艙剎車盤及聯(lián)軸器附近安裝雙光譜槍型攝像機(jī)，關(guān)注剎車盤維度、聯(lián)軸器保護(hù)罩。

8）塔筒馬鞍橋處安裝雙光譜槍型攝像機(jī)，關(guān)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(fēng)電場配置無人機(jī)，用于風(fēng)電機(jī)組葉片外觀巡檢。

11）機(jī)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(wù)器，用于向風(fēng)電機(jī)組內(nèi)邊緣計算終端下達(dá)巡檢指令、模型更新指令、接收巡檢結(jié)果等，同時也負(fù)責(zé)對無人機(jī)采集來的圖像數(shù)據(jù)進(jìn)行離線分析。

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

2.2" 巡檢項目

風(fēng)電機(jī)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(fēng)電機(jī)組的全部關(guān)鍵設(shè)備部件。這是由于本著經(jīng)濟(jì)性原則，已在集控[14]、診斷[15]等其他風(fēng)電機(jī)組監(jiān)測系統(tǒng)中覆蓋的項目，不再重復(fù)設(shè)置感知設(shè)備，不在智能巡檢中進(jìn)行重復(fù)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(guān)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(fēng)陣列分布在不同位置，精準(zhǔn)捕捉電力設(shè)備運(yùn)行時的各種聲音，采用高靈敏度麥克風(fēng)陣列，結(jié)合先進(jìn)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(shè)備進(jìn)行拍攝，使用高分辨率攝像頭和圖像處理技術(shù)，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(shè)備聲紋數(shù)據(jù)，采用降噪、去噪和濾波等技術(shù)消除設(shè)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(jìn)行去噪、增強(qiáng)和矯正等操作，為后續(xù)模型能夠高效地進(jìn)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(shè)備狀況保證系統(tǒng)運(yùn)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(shè)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(jī)融合[16]。該模塊可以是簡單的特征拼接，也可以是更復(fù)雜的加權(quán)方法，如注意力機(jī)制[17]等，利用深度學(xué)習(xí)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(bǔ)。⑤智能分析模塊，應(yīng)用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能算法，對融合后的多模態(tài)數(shù)據(jù)進(jìn)行深入分析。通過對大量已標(biāo)注數(shù)據(jù)的分析學(xué)習(xí)，系統(tǒng)能夠建立起特征與設(shè)備狀態(tài)之間的對應(yīng)關(guān)系，從而精確地識別出設(shè)備的運(yùn)行狀況和可能發(fā)生的故障類型?；谏疃葘W(xué)習(xí)的智能分析模型，實現(xiàn)設(shè)備故障智能檢出，滿足一定準(zhǔn)確性和實時性要求。

3" 結(jié)論

綜上，本文針對當(dāng)前無人值守風(fēng)電場中對風(fēng)電機(jī)組智能巡檢的迫切需求，設(shè)計了一套音視頻智能巡檢系統(tǒng)。該系統(tǒng)通過集成先進(jìn)的聲紋分析和機(jī)器視覺技術(shù)，融合聽覺、視覺多模態(tài)信息，能夠?qū)崿F(xiàn)對風(fēng)電機(jī)組關(guān)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(zhǔn)確性，為風(fēng)電場的無人值守提供了強(qiáng)有力的技術(shù)支持。

參考文獻(xiàn)：

[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(guān)智能圖像巡檢系統(tǒng)研究[D].阜新：遼寧工程技術(shù)大學(xué)，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(luò)的電力變壓器聲紋診斷方法建立與應(yīng)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(jī)器異常聲音檢測[J].復(fù)旦學(xué)報：自然科學(xué)版，2022，61（5）：513-519.

[5] 胡尕紅.基于人工智能的電力設(shè)備異常聲音檢測方法研究[J].電聲技術(shù)，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(xué)習(xí)的變壓器缺陷診斷方法[J].電力工程技術(shù)，2023，42（5）：46-55.

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

[8] 段新宇，盧鈴，胡勝，等.合閘過程監(jiān)測下的10kV斷路器機(jī)械故障聲紋識別技術(shù)[J].電氣技術(shù)與經(jīng)濟(jì)，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(xué)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(jī)電力巡檢關(guān)鍵技術(shù)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(jī)器人巡檢系統(tǒng)在變電站中的應(yīng)用[J].電網(wǎng)與清潔能源，2009（9）：30-32，36

[13] 王燕.基于深度學(xué)習(xí)的水電站電氣設(shè)備紅外圖像分析方法研究[D].長春：長春工程學(xué)院，2023.

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

[15] 龍泉，劉永前，楊勇平.狀態(tài)監(jiān)測與故障診斷在風(fēng)電機(jī)組上的應(yīng)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(biāo)跟蹤[J].儀器儀表學(xué)報，2011，32（1）：5.

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