風電機組葉片音視頻監測系統應用研究

王瀟晨 唐 亮 張 磊

（山東電力工程咨詢院有限公司）

0 引言

葉片作為風電機組的核心部件，用于能量轉換，將風能轉換成機械能，是發電的動力源泉。在交變載荷作用下，葉片表面會產生剝落或者裂紋等影響性能和安全的現象，如果不能夠有效地及時發現，會直接造成經濟損失。因此，實時監測葉片損傷的方法研究十分必要。

由于目前葉片的損傷均通過定期維護檢修由運維廠家和葉片廠家處理，但這種依賴人工運維的檢修方式并不能及時發現葉片異常，普通缺陷可能會演變成嚴重缺陷，帶來高額的材料和維修費用，以及運輸和更換過程中的停機損失。

葉片音視頻監測系統依托圖像與聲音的智能識別，實現機組葉片的故障判斷，有效預警葉片故障缺陷，降低大部件重大時效風險，減少運維成本及被動停機時間，幫助客戶進行精細化管理，減少用戶的損失。本文方法具有高效、便捷的特征，能夠為存量和未來市場提供葉片損傷識別的技術支撐。

1 葉片損傷對機組的影響

葉片作為風電機組將風能轉化為電能的主要連接部件，其健康狀態直接關系到機組的安全穩定運行與發電效能。基于傳感器的故障預警是葉片健康狀態檢測的一個重要方面。傳統的葉片故障監測是通過人工定期巡檢，依靠肉眼觀察，這種方法基于人工經驗，存在損傷判定不準的問題，另外定時巡檢對人的依賴程度較大，實時性差、運維成本高［1］。

近年來，國內外葉片故障監測技術不斷成熟，在理論上有了一定的技術積累，在實際應用中也研發了較有針對性的故障監測設備。目前葉片出廠前的檢測方法一般有目視法、敲擊法、疲勞測試、雷擊測試、靜力學測試等常規的物理檢測方法［2］。

風電葉片大多采用玻璃鋼或碳纖維材質，采用真空灌注工藝制成，受制造工藝以及隨機因素的影響，葉片內部難免會出現氣泡、夾雜、裂紋、分層、脫粘等結構缺陷，這些缺陷在葉片運行中反復遭受動／靜載荷、疲勞的影響，將會導致缺陷的積累及擴展，最終使葉片失穩破壞［3-4］。

針對風電機組SCADA監測數據的非線性、高冗余等特點，提出一種基于受限玻爾茲曼機和支持向量機的風電機組葉片開裂故障預測方法［5］。基于音頻數據的風電機組異常狀態監測系統的主要功能是采集風電機組運行過程中發出的聲音，對聲音數據進行特征分析、模式識別，判斷機組（部件）是否存在異常或損傷情況，結合業務規則發出報警，為機組運行維護提供決策支持［6-7］。分析機組本身是否存在控制方面的重大安全隱患，結合機組的運行記錄數據和控制系統的資料，分析了實際案例的根本事故原因［8］。丹麥PCH公司的PCH1026低頻結構振動監測儀是采集風力發電機組葉片邊緣振動信號和塔筒振動信號的專用儀器。振動傳感器需埋入葉片表面或者粘貼在材料表面來實時監測振動，此種方法目前主要應用于測試試驗。實際生產中，無法滿足葉片運動的工作狀態和復雜的外形結構，可操作性差。此外，該方法準確度較低，主要對機械結構的損傷檢測效果較好，不適用于葉片的損傷檢測［9-10］。

盡管現階段各大主機廠、研究所及高校都對葉片故障預警進行了一定的研究，但是真正在工程中普及應用的并不多。有些應用也只是有監測作用，不具備相應的預警功能。如何在不影響機組運行的情況下，對葉片進行健康檢測實現有效的故障預警，還需要開展進一步研究［11］。

2 葉片監測方法研究

風電機組葉片通常由復合材料制成，如玻璃纖維增強塑料或碳纖維增強塑料。這些材料具有高強度、輕量化和耐腐蝕等特性，適合用于葉片制造。葉片的形狀通常是空氣動力學優化的，以最大程度地捕獲風能。葉片一般呈彎曲狀，前緣較厚，背緣較薄，具有空氣動力學剖面，以減小風阻，提高效率。葉片的外表面通常涂覆有特殊的涂層，以提高耐候性和減少褪色，這些涂層還可以降低摩擦，使風能更容易流過葉片表面。葉片結構如圖1所示。

圖1 葉片結構圖

葉片音視頻監測系統通過兩方面技術進行葉片狀態分析：一是通過圖像處理，分析葉片表象故障，常見的葉片損壞類型有普通損壞、前緣腐蝕、前緣開裂、后緣開裂、后緣損壞、葉根斷裂、葉根開裂折斷、表面裂紋及雷擊損壞等；二是通過音頻分析葉片狀態，例如葉片出水孔堵塞，葉片老化引起的其他內外部問題等。若葉片發生損傷，在風輪旋轉過程中，收集到聲音在頻率上的響應與健康葉片會有比較大的差異，基于這種差異可以判斷葉片是否存在異常或損傷，從而進行預警，避免葉片發生更嚴重的損傷或者斷裂情況。葉片監測拓撲結構如圖2所示。

圖2 葉片監測拓撲結構

系統采用大數據、人工智能技術分析完成葉片失效模式及缺陷檢測，先進行樣本收集，包含多尺度樣本、不均衡樣本、少樣本；再進行數據治理，包含圖像增強、數據篩選、數據評估；然后進行特征提取，包含時域頻域分析、特征提取網絡、特征關聯挖掘。缺陷知識庫包含涉筆狀態規則、缺陷檢測模型；模型推理包括缺陷分類、缺陷聚類、知識推理；知識反饋包括漏檢知識匯總、錯檢知識匯總、專家推理評估。技術路線如圖3所示。

圖3 算法分析步驟

3 葉片音視頻監測應用分析

3.1 葉片視頻監測分析

基于視頻抽幀的圖像（如圖4所示），人工篩選葉片成像效果較優且包含正常、邊緣開裂、表面裂紋、覆冰等的樣本數據。對圖像樣本進行葉片分割、缺陷關鍵點的標注，主要從背景圖片中完整分割出葉片整體而不丟失缺陷信息，將標注后的圖像樣本借助圖像增強類算法實現在圖片翻轉、剪切、旋轉平移變換及仿射變化時同步進行標注操作，通過圖像增強豐富樣本數據集。其次，針對樣本數據集進行類別統計以評估樣本不均衡、多尺度的概況，進而調整數據集使樣本具備類別均衡性。

圖4 實際拍攝圖片

將彩色圖進行灰度處理，將各分量的亮度求平均，計算得到灰度圖的值，具體表達式如下：

式中，R（i，j）、G（i，j）、B（i，j）為RGB模型三個三彩分量。

首先通過Canny算子計算平均值，對圖像濾波，根據設定閾值Tk求背景和目標的平均閾值T1、T2：

式中，Z（x，y）表示的是圖像上點（x，y）的灰度值；N（x，y）表示的是點（x，y）的權重系數，通常設N（x，y）的值為1。

3.2 葉片音頻監測分析

通過風機端拾音器采集的音頻數據傳送到智能處理單元，并將音頻進行聲壓轉換以及用帶通濾波進行音頻初步處理，通過風場環網傳輸至中控室服務器進行壓縮及存儲。收集包含正常、表面損傷、覆冰、哨音、蟬鳴、汽車等各類音頻數據，通過機器學習SVM等分類方法提取葉片中有效的音頻數據，使用巴特沃斯濾波去除低頻及高頻的噪聲數據，使用短時傅里葉變換進行頻域分析獲取頻譜圖，基于頻譜圖提取Hog特征進行存儲。針對待檢音頻，風輪與拾音器的相對位置及風輪轉速對能量圖譜影響較大，而葉片運行中的聲音頻率固定在特定的頻段，基于此借助巴特沃斯濾波過濾掉低頻及高頻分量，基于重采樣的短時傅里葉變換，將時域音頻轉換為音頻信號的二維頻譜作為能量圖譜。針對音頻時域信號，采用基于Hilbert提取時序信號的包絡線及極值點，對葉片進行切分，獲取每個獨立葉片的分割點進而獲取每個葉片的能量頻譜，針對單周期葉片頻譜計算信號信噪比，信噪比小于閾值的音頻信號說明風噪等影響較大，刪除并不予分析。因葉片發生損傷，在風輪旋轉過程中，收集到聲音在頻率上的響應與健康葉片會有比較大的差異，采用葉片間的頻譜能量互差來評估葉片的失效模式。主要計算如下損傷因子：葉片頻譜能量比值、能量頻譜KL散度、哨聲因子、雷聲因子、覆冰因子等。

對于濾波器設計，選擇巴特沃斯濾波器，振幅平方與頻率的關系如下：

其中，n為濾波器階數；ωc為截止頻率；ωp為通頻帶邊緣頻率；ω為信號角頻率。

n階巴特沃斯濾波器的振幅和頻率關系的公式表示如下：

式中，G為放大率；H為轉移函數；j為虛數單位。

經巴特沃斯帶通濾波器濾除3kHz以下的信號，濾波前后的信號對比如圖5和6所示。

圖5 濾波前信號

圖6 濾波后信號

使用希爾伯特變換方法提取時域信號進行平滑處理后提取極值點（如圖7所示），通過短時傅里葉變換，得到二維頻譜（如圖8所示）。

圖7 獲取極值點

圖8 葉片頻域能量頻譜

選取一段時間數據分析，該樣本音頻譜圖分為音頻時間波形與語譜圖兩個子圖，如圖9所示。其中上圖為音頻時間波形，下圖為語譜圖，音頻時間波形圖展示了音頻幅度隨時間的變化關系，音頻語譜圖展示了音頻頻率、時間、音頻能量強度的關系，圖中明顯的波峰表征每個葉片的獨立音頻頻譜，通過頻譜之間的差異診斷葉片損傷情況。

圖9 音頻譜圖

4 結束語

本文提出音視頻葉片監測方式，有效識別失效葉片的損傷，可實現對葉片表面損傷在線監測，通過圖像識別算法與自學習，能夠識別葉片損傷，達到預警的效果。由于本文樣本數量較少，后續仍需要大量的數據訓練，探索研究異常狀態的特征。因此后續需要大量收集相關數據，以提高識別能力，爭取可識別葉片結冰、斷裂、開裂、裂紋及雷擊等復雜狀態。本文通過音視頻方式實現在線監測識別葉片表面損傷具有一定的推廣應用價值。