基于飞行器的风机叶片表面缺陷检测系统研究论文

SCI论文（www.lunwensci.com）

　　摘要： 现行风机叶片的缺陷检查手段主要有地面敲击辨音、用望远镜检查、运送熟练的检测师至叶片表 面近距离目测，这种方法耗时费力，且危险系数较高，无法提高准确性。相比之下，基于飞行器的风机 叶片表面缺陷监测技术系统能对风机叶片表面进行图像收集，对采集回的图像进行处理，生成缺陷检测 报告。该系统精度高、处理速度快，能够批量处理并生成报告，大大降低了工作的危险性。

　　关键词： 飞行器,风机叶片,缺陷检测
　　风能机组的叶片通常十分巨大，叶片工作时， 风力能否被有效捕捉通常取决于其是否具有优秀的 气流动力学形式及相关势能。从生产成本来看，在 整个风电设备近二百项零件的总装机生产成本中， 叶片占 23.3%，将近总成本的四分之一 [1] 。由于操 作条件的限制，叶片必须由具有高强度、高硬度、 低密性和较长使用寿命的材质制成。虽然人们已经 在叶片材质上下了不少功夫，由先前的木制叶片逐 渐改进成了钢梁玻璃纤维复合材料蒙皮叶片、复合 叶片或更先进的新型金属复合叶片，但是仍旧无法 确保机组叶片没有表面缺陷。再加上风力发电机组 运行的位置一般比较偏僻复杂，如地震风险大的岛 屿、滩涂甚至山涧，因此叶片受到破坏的可能性会 大大提高，这也突出了对风力发电机叶片进行表面 缺陷检查的重要性与意义。

　　为尽早了解叶片的缺陷情况，工作人员可以利 用无人机搭载 1200 万像素 4K 高清云台相机对风机 叶片进行图像采集，然后对采集回的图像进行处理， 生成叶片表面缺陷检测报告。这种方法降低了工作 的危险性，精度在 mm 级，处理速度快，可批量处 理生成报告。


　　一、扇叶表面缺陷检测的无人机系统总体设计

　　基于飞行器的风机叶片表面缺陷检测系统的硬件部分包括无人机、飞行控制器、GPS 模块、数字 图像采集系统及图像信息融合模块。能够对风电场 的飞扇叶片表面缺陷进行检查的无人机控制系统的 总体设计结构如图 1 所示，它可以分为无人机的日 常巡检管理传输、本地上位机故障诊断、远端运维 管理平台这三个主体部分。无人驾驶航空器根据预 定线路进行日常巡检管理，并将抓拍到的图片信息、 定位信息、距离信息、飞机状况信息等经由无线网 络传送至本地上位机。而本地上位机可对传送来的 影像文件进行故障诊断，并将检测结果 ( 包括故障 位置、故障类别、失效信息、失效尺寸 ) 经由光纤 通信传送到更远端的运维业务平台。运维服务管理 者可查看并分析故障信息，进而下达飞机修理任务。


　　二、智能巡检工作原理

　　无人机飞行控制系统根据地面站 ( 当地上位机 ) 预定对无人机飞行进行巡检航路，该航路信 息可长期存储在飞机控制器中。巡查员在本地上 位机一键开启巡查功能，并利用数传模块接受任 务启动命令，利用 GPS 按照预先选择好的线路完 成巡查工作。

　　在确保安全航行的情况下，工作人员可操作无 人机飞至合适高度，使用高清云台相机变焦放大扇 叶画面，以搜寻相关的故障痕迹，同时将画面放大 至最大倍率后连续拍照，然后将画面信息通过图传 传回上位机。待图传将位置信号传回上位机，再分 别重复以上步骤。另外，飞行控制器能够实时监测 电池能量，若能量不足，则由 GPS 记下当前情况并 向上位机发送能量不足的警示信息，这时，无人机 会自行飞返原出发地点，并在换上动力电池后飞向 原 GPS 定位处继续执行巡检工作。无人驾驶飞机可 以将航行信息 ( 飞机时速、飞机高程、经纬线、距 扇叶表面时间、电池容量等信息 ) 经过数传以无线 传输形式传回上位机，便于人员实时监测飞行状况 和标记缺陷位置 [2]。

　　风机扇叶问题的自动检测则利用图像处理上位 机对图像文件进行处理， 采用 frangivesselness 检 测器信息技术使风机叶图像上的问题更加明确。采 用双边过滤工艺降低图片拍摄过程中噪音对图片产 生的失真影响。系统先使用 meanshift 方法对故障 数据进行实施跟踪，再使用 svm 分类器方法在大数 据分析的技术基础上对故障信号进行识别分析，最 终结果包括故障类型和叶片缺陷的测试报告。上位 机的故障报警和对应故障图像可通过互联网传送到 远端运维指挥平台，这时，工作人员能根据巡检情 况来落实检测工作，对故障进行有效修复，最大限 度地降低电能风险。同时，数据分析模块可对无人 机收集的大量信息进行数据挖掘分析，对易发生问 题的过程和缺陷周期等进行合理计算和预报任务。

　　三、扇叶表面缺陷检测的无人机系统设计方案

　　红外式智能巡检无人机系统是利用无人机平台 上的高清云台相机、超声波测距仪、GPS 模块等装 备来实现对各种数据的数据传输与飞行管理，其中 包括视觉定位系统、文字数据传输模块、视频数据 传输模块、三轴增稳高清云台相机、GPS 模块、无 人机机架、超声波测距系统及气压计定高系统。

　　四、图像处理方法

　　图像处理系统主要分为照片采集模块、移动控 制模块和数据处理模块。系统可利用照片采集模块 收集风力发电机上的扇叶照片、风力发电机的方位 及其拍摄距离等信息，并将其传送至图像接收单位， 形成含缺陷信息照片、风力发电机方位等图像内容的综合文件。移动控制模块可以对无人机单元和云 台摄像机单元进行管理，并形成图片综合文件。数 据处理模块负责对图像进行数据处理，并生成扇叶 缺陷检报告。

　　(一)Mean Shift目标跟踪

　　Mean Shift 目标跟踪技术可以准确识别风机 叶片的缺陷位置，并保证所采集图片的质量和效果。 系统通过无线电遥控控制飞行器，可使云台相机在 距叶片一定距离的合适位置进行图片信息采集。采 用frangi vesselness双边滤波技术和svm筛选器， 引入多个特征因子对图像进行特征识别，能够省去 大量人工识别的时间，提高准确度。

　　(二)frangivesselness筛选器

　　借鉴Frangi用Hessian 矩阵增强滤波的方法， Frangi 将这种方法应用于医学上加强不同尺度的 血管并且很好地抑制背景 [3] 。团队在其原理基础 上对其进行改造，用于处理风机叶片图像中的裂纹， 以此判断图像中某一点 I(p) 在 p=(x,y) 处是否属 于缺陷，并将其与 I 点的局部特性结合起来，使得 任意一点p0处的图像可以近似为二阶泰勒展开式。

　　其中， ∇I(P0)和H(I(P0)分别表示了 p 上的梯度弥散向量的 Hessian 矩阵。关于二维图形，其 Hessian 矩阵表达式如下。

　　其 中，Ixx(p)、Ixy(p)、Iyx(p)、Iyy(p) 为 图像在 p 点处指定区域尺度内的四个二阶偏导数， Ixy(p)= Iyx(p)。设 λk 和 ζk 分别表示第 k 个特 征值和与第 k 个特征值相对应的单位特征向量， 根据特征值特征向量的定义，可以得到如下公式。

　　图像在 p 处的二阶导数的多少和方位，可依次 用 Hessian 矩阵的特征值和特征向量来表述。两条 相互正交的特征矢量的走向构成了水平缺陷走向和 垂直缺陷走向，绝对值最大和最小特征值对应的特 征矢量的走向也依次对应于该点最大和最小曲率值 的不同走向。显然，不同几何形式对应的 Hessian 矩阵有不同的特征值。设计一种筛选器，由这个筛 选器直接提取并增强缺陷区域的 DMVs 主干，其定 义如下。

　　(三)双边滤波

　　信息收集、传递和贮存的过程常常会受到各种 噪声的影响，图像的质量会因此发生退化并失真， 同时，噪声可能被识别为缺陷，因此需要完成滤波 去噪。双边滤波器 (Bilateral filter) 是一个能 够实现保边去噪功能的设备过滤器 [4] 。滤波器由 两个函数组成，第一个函数是根据几何的长度确定 滤波器系数，还有一种方法是用像素差来确定滤波 器系数，同样可以考察空间域和值领的差异，如 Gaussian Filter 和 α 均值滤波就分别考察了空 间域和值领差异。基于设计需要，本研究最终采用 双边滤波器。


　　五、结论

　　风电场扇叶表面缺陷探测系统的主要装置是利 用无人机对风机扇叶表面的缺陷进行探测，具备机 动性极强的特性，能使高空飞机不受地形障碍物等 的影响而任意活动。同时，根据风电场地域广阔、 地势起伏、环境条件恶劣等特征，系统能准确探测出叶面上细微的缺陷损坏现象 ( 如擦痕、斑纹等 )， 并进行专门修补， 从而有效减少重大损坏(如裂纹、 砂眼等 ) 造成机组事故或停机的可能性，避免风电 资源损失，增加发电量。

　　风电场扇叶片的缺陷监测装置可通过设定航线 预定模块的风电量监测功能让电子巡检系统实时控 制飞机飞行，高效完成巡检任务。系统设置电量监 测模块实时监测电池电量，当电量不足时，定位模 块就会记录下当前的情况并向上位机传送电量不足 的提示信息。之后，无人机会自行飞返起飞地点， 待重新换上电池后继续巡检任务，这充分展现了高 效检测的优势。另外，上位机单元中设有大数据分 析模块，能够根据检测单元得到的缺陷测量报告和 缺陷图像结合大数据技术确定缺陷范围和缺陷周 期，从而有效监测缺陷情况，提高工作效率，节约 成本。

　　【参考文献】

　　[1]宋威,艾邦成.多体空气动力学研究进展[J].力学学 报,2022(06).

　　[2]柴博容.基于数字图像处理的风力发电机叶片表 面缺陷检测研究[D].哈尔滨：哈尔滨理工大学,2021.

　　[3]袁盼,陈以.基于多尺度Frangi滤波器的视网膜血 管分割[J].现代信息科技,2020(22).

　　[4]林谢卓.一种基于自适应双边滤波的图像降噪算 法[J].电子技术与软件工程,2022(11).

关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/51819.html