基于红外-电磁耦合的风机叶片雷击损伤检测方法及系统与流程

本发明属于风电叶片检测，涉及一种基于红外-电磁耦合的风机叶片雷击损伤检测方法及系统。

背景技术：

1、风机叶片作为风电机组捕获风能的关键部件，长期处于高空露天环境，极易遭受雷击。雷击产生的瞬时高温和强大电磁力，往往同时造成叶片表面防护层及树脂基体的烧蚀、碳纤维层的熔断，以及内部基体开裂、层间剥离等复合损伤。若此类损伤未能被及时、准确地检出，将严重削弱叶片结构强度，甚至引发叶片断裂、倒塔等重大安全事故。

2、当前，针对风机叶片雷击损伤的现场检测技术存在以下突出难题：

3、（1）现有的红外热成像检测主要适用于识别表面烧蚀区域，但对叶片涂层下的内部裂纹不敏感；而交流电磁场检测（acfm）虽能探测表面及近表面裂纹，却难以量化评估热损伤。两种方法通常独立操作，流程繁琐，且对于烧蚀与开裂并存的复合缺陷，极易发生漏检。

4、（2）风机叶片表面覆盖有绝缘防护涂层，传统涡流或超声检测方法难以穿透，而强制打磨涂层则会破坏叶片防护结构，加速其老化腐蚀，在工程实践中几乎不具备可操作性。

5、（3）叶片的曲面结构、现场环境温度波动以及风机运行时的机械振动，均会严重畸变检测信号。现有技术缺乏有效的信号解耦与抗干扰手段，难以从强干扰背景中剥离出纯净的缺陷特征，导致定量检测误差偏大。

6、（4）损伤等级评估严重依赖现场人员的经验，缺乏客观、统一的量化标准，导致检测结果主观性强，无法形成标准化的运维决策依据。

技术实现思路

1、为解决现有技术中的问题，本发明提供了一种基于红外-电磁耦合的风机叶片雷击损伤检测方法及系统，实现了对风机叶片雷击表面烧蚀与内部开裂复合缺陷的准确检测与定量评估。

2、为达到上述目的，本发明采用以下技术方案予以实现：

3、第一方面，本发明提供了一种基于红外-电磁耦合的风机叶片雷击损伤检测方法，包括以下步骤：

4、采集待测风机叶片检测区域的红外热图像序列与acfm电磁检测信号；

5、对所述红外热图像序列进行处理，提取表面烧蚀特征参数，并对所述acfm电磁检测信号进行提离效应补偿处理，提取内部裂纹特征参数；

6、将所述表面烧蚀特征参数与内部裂纹特征参数融合，构建多维融合特征向量；

7、将所述多维融合特征向量输入预先训练好的深度学习双分支识别模型，得到所述待测风机叶片的烧蚀损伤定量结果、开裂损伤定量结果以及综合损伤等级。

8、优选的，所述采集待测风机叶片检测区域的红外热图像序列与acfm电磁检测信号之前，还包括：

9、构建叶片雷击损伤分区检测体系，将叶片沿轴向划分为叶根、叶中、叶尖三个区域，并将每个所述区域沿周向进行等分，以确定检测单元路径。

10、优选的，所述acfm电磁检测信号通过柔性acfm检测探头获取，所述红外热图像序列通过红外热成像模块获取；所述柔性acfm检测探头与红外热成像模块经时间同步校准后，在同一个检测单元上联合采集信号；

11、其中，所述柔性acfm检测探头中的acfm激励模块输出交变磁场，横向磁场满足如下公式：

12、

13、式中，为横向磁场；为横向磁场幅值；为虚数单位；为激励角频率；为时间；

14、法向磁场满足如下公式：

15、

16、式中，为法向磁场；为法向磁场幅值；

17、所述红外热成像模块以多点采样取稳态值的方式采集所述红外热图像序列，其中任一像素点的稳态温度按如下公式计算：

18、

19、式中，为像素点的稳态温度；为第次采样的原始温度值；为采样次数；

20、所述时间同步校准的同步误差的计算公式为：

21、

22、式中，为双场信号同步误差；为红外信号采集时间；为acfm电磁信号采集时间。

23、优选的，所述对所述红外热图像序列进行处理，提取表面烧蚀特征参数，包括：

24、根据所述红外热图像序列，计算烧蚀区域的热扩散系数、温度梯度、烧蚀面积和最大温差；

25、所述热扩散系数的计算公式为：

26、

27、式中，为热扩散系数；为叶片导热系数；为叶片材料密度；为定压比热容；

28、所述温度梯度的计算公式为：

29、

30、式中，为温度梯度；为烧蚀区温度；为正常区温度；为测点间距；

31、所述烧蚀面积的计算公式为：

32、

33、式中，为烧蚀面积；为烧蚀区域像素数；为单像素标定面积；

34、所述最大温差的计算公式为：

35、

36、式中，为最大温差；为烧蚀区域最高温度；为正常区域平均温度。

37、优选的，所述对所述acfm电磁检测信号进行提离效应补偿处理，提取内部裂纹特征参数，包括：

38、根据所述acfm电磁检测信号中的横向磁场分量和法向磁场分量，结合涂层厚度进行提离效应补偿，得到补偿后的横向磁场分量和法向磁场分量；

39、所述提离效应补偿的计算公式为：

40、

41、

42、式中，为补偿后的横向磁场分量；为提离补偿系数；为涂层厚度；为补偿后的法向磁场分量；

43、根据所述补偿后的法向磁场分量的畸变峰值，计算裂纹长度和裂纹深度；

44、所述裂纹长度的计算公式为：

45、

46、式中，为裂纹长度；为裂纹长度标定系数；为法向磁场畸变峰值；

47、所述裂纹深度的计算公式为：

48、

49、式中，为裂纹深度；为裂纹深度标定系数。

50、优选的，所述将所述表面烧蚀特征参数与内部裂纹特征参数融合，构建多维融合特征向量，包括：

51、构建多维融合特征向量，所述多维融合特征向量的表达式为：

52、

53、对所述多维融合特征向量进行预处理，所述预处理包括异常值剔除、归一化去噪和降维处理；

54、所述异常值剔除采用格拉布斯准则，其判定公式为：

55、

56、式中，为待判定特征值；为样本均值；为格拉布斯临界值；为标准差；

57、所述归一化处理采用z-score归一化，其计算公式为：

58、

59、式中，为归一化后的特征值；为归一化前的原始特征值；

60、所述去噪处理采用自适应小波去噪，其阈值计算公式为：

61、

62、

63、式中，为去噪阈值；为噪声标准差；为小波分解系数；为信号长度；为小波系数绝对值的中位数；

64、所述降维处理采用主成分分析，其协方差矩阵及特征分解公式为：

65、

66、

67、式中，为协方差矩阵；为样本矩阵；为样本数量；为特征向量矩阵；为特征值对角阵。

68、优选的，所述深度学习双分支识别模型包括信号解耦子模型、烧蚀识别分支和开裂识别分支；

69、所述信号解耦子模型基于注意力机制对输入的多维融合特征向量进行权重分配，以抑制干扰特征并强化有效损伤特征，输出纯净损伤特征向量；

70、所述注意力机制的权重计算公式为：

71、

72、式中，为第个特征的注意力权重；为第个特征分量；为缺陷属性向量

73、其中，相似度得分的计算公式为：

74、

75、式中，为权重映射矩阵；

76、所述纯净损伤特征向量的计算公式为：

77、

78、式中，为纯净损伤特征向量；

79、所述烧蚀识别分支用于根据所述纯净损伤特征向量回归计算烧蚀面积；所述开裂识别分支用于根据所述纯净损伤特征向量同步回归计算裂纹长度和裂纹深度。

80、优选的，所述深度学习双分支识别模型的训练方法，包括：

81、构建多源特征样本库，所述样本库包含实验室模拟缺陷样本和现场实测缺陷样本，每个样本均包含所述多维融合特征向量及对应的烧蚀面积标注、裂纹长度标注、裂纹深度标注和损伤等级标注；

82、利用所述多源特征样本库对所述双分支识别模型进行联合训练，所述联合训练的联合损失函数为烧蚀识别回归损失、开裂识别回归损失与分类损失的加权和；

83、所述烧蚀识别回归损失的计算公式为：

84、

85、式中，为烧蚀识别回归损失；为烧蚀面积预测值；为烧蚀面积标注值；

86、所述开裂识别回归损失的计算公式为：

87、

88、式中，为开裂识别回归损失；为裂纹长度预测值；为裂纹深度预测值；

89、所述分类损失的计算公式为：

90、

91、式中，为分类损失；为第类损伤等级的真实标签；为第类损伤等级的预测概率；

92、所述联合损失函数的计算公式为：

93、

94、

95、式中，为联合损失；、、为权重系数。

96、优选的，所述综合损伤等级通过以下方式确定：

97、根据所述烧蚀面积确定烧蚀损伤评分，根据所述裂纹长度确定开裂损伤评分；

98、根据所述烧蚀损伤评分与开裂损伤评分计算综合损伤评分，其计算公式为：

99、

100、式中，为综合损伤评分；为烧蚀损伤评分；为开裂损伤评分；为烧蚀损伤权重；为开裂损伤权重；

101、根据所述综合损伤评分、烧蚀面积和裂纹长度，按照以下规则判定损伤等级：

102、当<30，<1cm2且<2mm时，判定为i级轻微损伤；

103、当30≤<70，1cm2≤<5cm2且2mm≤<5mm时，判定为ii级中度损伤；

104、当＞70且≥5cm2或≥5mm时，判定为iii级重度损伤。

105、第二方面，本发明提供了一种基于红外-电磁耦合的风机叶片雷击损伤检测系统，包括：

106、数据采集模块：用于采集待测风机叶片检测区域的红外热图像序列与acfm电磁检测信号；

107、特征提取模块：用于对所述红外热图像序列进行处理，提取表面烧蚀特征参数，并对所述acfm电磁检测信号进行提离效应补偿处理，提取内部裂纹特征参数；

108、特征融合模块：用于将所述表面烧蚀特征参数与内部裂纹特征参数融合，构建多维融合特征向量；

109、结果输出模块：用于将所述多维融合特征向量输入预先训练好的深度学习双分支识别模型，得到所述待测风机叶片的烧蚀损伤定量结果、开裂损伤定量结果以及综合损伤等级。

110、与现有技术相比，本发明具有以下有益效果：

111、通过在同一检测单元上同步采集红外热图像序列与acfm电磁检测信号，有效克服了单一检测手段覆盖不全、复合缺陷易漏检的固有局限；针对红外热图像序列提取多维热特征参数以全面刻画烧蚀损伤的热响应特性，针对acfm电磁检测信号通过提离效应补偿处理有效消除了涂层厚度差异带来的系统性测量偏差；同时基于补偿后法向磁场畸变峰值与横向磁场幅值的归一化比值分别定量反演裂纹长度与裂纹深度，使得定量结果对激励条件波动的敏感度显著降低，在不同检测工况下均具有良好的重复性与一致性；将上述红外特征与电磁特征融合构建为包含热-电磁多物理场信息的多维融合特征向量，避免了单一物理场特征在复杂工况下信息不足或易受干扰的缺陷；最终将该融合特征向量输入预先训练好的深度学习双分支识别模型，由烧蚀识别分支与开裂识别分支分别独立完成对烧蚀面积、裂纹长度及裂纹深度的精确回归预测，并结合综合损伤等级判定机制输出标准化的评估结论。