一种面向风力机随机停机姿态下叶片的无人机自动识别与自适应巡检方法及系统

摘要: 本发明涉及风电机组智能运维与无人机自主巡检,尤其涉及一种面向风力机随机停机姿态下叶片的无人机自动识别与自适应巡检方法及系统。背景技术:1、风力发电机叶片作为风电...
一种面向风力机随机停机姿态下叶片的无人机自动识别与自适应巡检方法及系统

本发明涉及风电机组智能运维与无人机自主巡检,尤其涉及一种面向风力机随机停机姿态下叶片的无人机自动识别与自适应巡检方法及系统。

背景技术:

1、风力发电机叶片作为风电机组中直接承受复杂风载荷和环境侵蚀的关键部件,在长期运行过程中极易出现裂纹、脱粘、前缘侵蚀、表面污染及雷击损伤等多种缺陷。为保障风电机组的安全稳定运行,需对叶片开展高频、高效、高质量的巡检作业。现有的叶片巡检方式主要包括人工登塔、地面望远镜观测、吊篮检测以及基于无人机的视觉巡检。其中,基于无人机的智能巡检方式因具备机动性强、接近性好、检测效率高及停机损失小等优势,已成为风电叶片智能运维的重要发展方向。

2、然而,现有的无人机叶片巡检方案在实际工程应用中仍存在明显的局限性。目前的主流方案大多依赖飞手手动操控无人机至风轮正前方特定位置,且预设风轮的停机姿态固定为倒“y”字型,随后按照既定路线进行图像采集。这种传统模式存在两大痛点:一方面,实际工况中风力机停机时的偏航角度与风轮朝向往往具有随机性,风轮平面相对无人机的初始位置关系不固定,对飞手的操控水平要求极高;另一方面,停机状态下三片叶片的角位置具有不确定性,可能处于任意转角组合状态。若仍采用固定的叶片位姿假设和预设的固定巡检路线,极易引发叶片空间识别错误、巡检覆盖盲区、叶尖过渡航线规划失效以及安全距离难以保障等问题,严重制约了巡检任务的自适应能力与工程适用性。

技术实现思路

1、本发明旨在克服现有技术中无人机巡检风力机叶片依赖固定停机姿态先验、环境适应能力差的问题,提供一种面向风力机随机停机姿态的无人机叶片自动识别与自适应巡检方法及系统,能够实现对风力机轮毂位置、风轮平面朝向、叶片角位置和叶片空间方向的自动识别,并根据识别结果在线生成无人机巡检轨迹,以完成对三片叶片的自适应巡检。

2、为了实现上述目的,本发明具体采用的技术方案如下:

3、本发明提出一种面向风力机随机停机姿态的无人机叶片自动巡检方法,该方法首先通过无人机搭载的传感器获取风力机的多源感知数据,然后基于感知数据自动识别轮毂和叶片,估计风轮平面的空间朝向以及各叶片的方向向量,构建风力机的结构化状态模型;在此基础上,针对目标叶片自适应生成巡检轨迹,并控制无人机沿轨迹飞行同时对叶片进行图像采集。

4、整个方法不依赖于风机预先停机的特定姿态,能够适应叶片任意朝向,实现全自动的识别、建模、规划与执行。

5、本发明的方法包括以下核心处理阶段:

6、(1)感知数据获取阶段

7、无人机起飞后,利用机载传感器(例如双目相机或激光雷达)搜索目标风力机,并飞至能够观测风轮整体轮廓的初始观察位置。在飞行过程中,通过图像采集模块、深度获取模块和位姿感知模块,实时采集风力机轮毂区域与叶片区域的图像信息、深度信息、点云信息以及无人机自身的位姿信息。为了保证后续融合处理的准确性,对上述多源数据进行时间同步和坐标转换,使其统一到同一时空参考系下。

8、(2)轮毂与叶片识别阶段

9、基于采集到的感知数据,采用计算机视觉与模式识别方法识别风力机的轮毂目标和各叶片目标。具体而言,可以使用卷积神经网络进行目标检测,或使用实例分割网络提取轮毂与叶片的像素区域,也可以通过关键点检测网络直接定位轮毂中心、叶片根部和尖端,还可以结合图像细化与骨架提取算法拟合叶片主轴,或者将二维检测结果与三维点云投影约束进行几何一致性验证,以提高识别鲁棒性。通过上述识别过程,获得轮毂中心在图像中的位置、叶片区域分布以及各叶片的根部、尖端或主轴方向特征。

10、(3)空间朝向与叶片位置估计阶段

11、将轮毂和叶片的二维识别结果与深度信息、点云信息或多视角几何信息进行融合,计算轮毂中心的三维坐标、风轮平面的法向方向以及各叶片在空间中的方向向量。其中,风轮平面法向方向可以通过将轮毂中心点及叶片空间点集投影到统一坐标系下,再采用平面拟合算法得到风轮平面参数,进而计算法向量。在此基础上,以轮毂中心为参考原点,构建风力机的局部空间坐标系。

12、(4)叶片动态编号与结构化状态建模阶段

13、在获得风轮平面和各叶片方向向量后,对三片叶片进行动态编号。典型的方式是以塔筒右侧第一片叶片为起始叶片,计算塔筒与该叶片方向向量之间的夹角,逆时针对剩余两片叶片进行排序编号。三片叶片方向向量重合点即为轮毂中心位置。通过此动态编号,无需预设叶片id,即可适应任意停机姿态。

14、随后,建立风力机的结构化状态模型,该模型至少包含以下信息:轮毂中心三维坐标、风轮平面法向方向、各叶片的根部点坐标、尖端点坐标、叶片方向向量以及当前的巡检状态(如未巡检、巡检中、已完成等)。该结构化模型为后续轨迹规划提供了完整的空间几何描述。

15、(5)自适应巡检轨迹生成阶段

16、对于当前需要巡检的目标叶片,根据其空间方向向量、叶片长度估计值、设定的叶片观察法向方向以及预设的安全偏置距离,自适应生成完整的巡检轨迹。该轨迹包括:从当前位置接近叶片根部的接近轨迹、沿叶片根部至尖端方向的去程巡检轨迹、在叶尖处实现转向的绕叶尖转向轨迹、沿叶片尖端回至根部的回程巡检轨迹,以及切换到下一叶片所需的过渡轨迹。其中,绕叶尖转向轨迹可以采用圆弧曲线、样条曲线、多段折线或平滑过渡轨迹来实现,保证无人机运动连续平滑。

17、在生成轨迹点时,会在基础路径上叠加与叶片表面法向相关的安全偏置量,使无人机与叶片表面之间始终保持安全观察距离,既避免碰撞,又保证图像采集质量。

18、(6)轨迹跟踪与局部视觉修正阶段

19、无人机按照生成的巡检轨迹进行飞行。在飞行过程中,利用滑动平均滤波器对实时视觉检测结果(例如叶片在图像中的横向偏移、纵向偏移、尺度变化或目标边界变化)进行平滑处理,动态修正前向速度、侧向速度、竖向速度和偏航角速度,使无人机能够稳定地跟踪叶片表面,减少检测抖动,保持最佳观测姿态。

20、(7)图像采集与任务切换阶段

21、在无人机沿叶片巡检飞行过程中,按照预设的距离间隔(如每飞行一定距离触发一次)、时间间隔或关键部位触发规则(例如叶片根部、中部、尖部)自动采集叶片图像。采用距离间隔触发方式尤其有利于使采集的图像在叶片表面空间分布上保持连续且均匀,降低漏检风险,并减少重复采集。当前叶片巡检完成后,系统自动切换到下一目标叶片(根据动态编号的顺序),重复执行轨迹生成、飞行跟踪与图像采集步骤,直至三片叶片全部巡检完毕。

22、(8)异常处理与安全保护阶段

23、在整个巡检过程中,持续监测各类异常状态,包括但不限于视觉目标丢失、无人机位姿数据异常、与叶片或轮毂的距离超限、飞控系统状态异常、外界环境干扰(如风速突变)超过安全阈值等。一旦检测到上述异常,立即控制无人机进入悬停状态,并根据情况执行退避动作(例如沿风轮平面法向方向后退一定距离)以及重新定位,待异常解除后恢复巡检,从而保障整个巡检任务的安全性。

24、基于同一发明构思,本发明还提供一种面向风力机随机停机姿态下叶片的无人机自动识别与自适应巡检系统,该系统包括:

25、感知数据获取模块,用于获取风力机的感知数据,所述感知数据至少包括图像信息和深度信息;

26、状态建模模块,用于基于所述感知数据识别风力机的轮毂及叶片,估计风轮平面的法向方向以及各叶片在空间中的方向向量,构建风力机结构化状态模型;

27、轨迹生成模块,用于根据所述风力机结构化状态模型,生成针对目标叶片的自适应巡检轨迹;

28、飞行控制与采集模块,用于控制无人机沿所述自适应巡检轨迹飞行,并对叶片进行图像采集。

29、此外,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一技术方案所述的方法。本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一技术方案所述的方法。

30、本发明具有以下的特点和有益效果:

31、1)摆脱姿态依赖,显著提升巡检自主性与环境适应性。本发明无需预设风力机固定停机姿态,能够适应风轮朝向随机、叶片角位置随机的实际停机工况。通过融合视觉、深度、点云和无人机位姿等多源信息,实现风力机整体姿态及叶片空间位置的自动识别,并以此为基础在线生成接近、去程、绕叶尖和回程等自适应巡检轨迹,从而摆脱了对固定叶片编号和固定高度参数的依赖。

32、2)覆盖完整且鲁棒性强,兼顾检测质量与飞行安全。基于叶片空间方向和安全偏置生成的巡检路径,能够增强对叶片表面的覆盖完整性,有效降低漏检风险。同时,结合局部视觉修正、目标丢失保护、距离约束和异常处理机制,在复杂环境下能有效应对突发状况,显著提升了无人机巡检过程中的飞行安全性、稳定性和鲁棒性。

33、3)架构开放兼容,便于工程部署与系统扩展。本发明具有良好的软硬件兼容性,可适配ros架构、mavros飞控接口及多种机载传感器平台,便于在仿真环境和实际风电场场景中进行快速部署与功能扩展,具有较高的工程应用价值。