大型风力机叶片内部微小缺陷的红外热像检测方法与流程

1.本发明属于红外检测技术领域，尤其涉及一种大型风力机叶片内部微小缺陷的红外热像检测方法。


背景技术：

2.风力发电是我国新能源的重要组成，作为风力发电的核心装备，风力机的长期、稳定运行对能源安全生产至关重要。叶片是风力机的主要承载设备，其采购和运维成本昂贵，且一旦损坏将导致巨大的停机损失和严重的安全事故。伴随着风力机的大型化，由叶片质量问题引发的高运维成本和安全风险问题变得日趋严重。因此，针对风力机叶片的无损检测已经成为目前风力机运维的重点内容。
3.叶片材料在生产制作过程中会不可避免的出现分层、孔隙、褶皱等工艺缺陷。这些缺陷会在复杂载荷的长期作用下诱发损伤萌生与扩展，最终导致叶片断裂甚至早期失效。一般地，缺陷尺寸越小，检测难度越大，特别是在强干扰条件下很容易导致漏检、误检。利用无损检测方法定量识别叶片微小缺陷对于评估叶片状态、实现早期维修以及预测叶片寿命都至关重要。红外热成像技术因具有非接触、安全无损、易操作、具象化以及全场检测等优点而被广泛应用于叶片缺陷检测。但是，现有的红外热像技术在检测叶片内部微小缺陷时仍存在一定的局限性，具体体现在：
4.一、抗干扰能力差：在现场检测过程中，由于非理想热源、叶片材料各向异性、复杂外形以及环境热噪声等热干扰的作用，再加上缺陷周围的热量流动，很容易使叶片内部微小缺陷被误检、漏检。特别是在进行大面积检测时，缺陷像素占比小，识别难度更大。现有方法一般通过逐帧改善红外热图质量来提高缺陷清晰度，但这些静态处理方法在面对具有明显变化率的强干扰时应用效果不佳，且会严重丢失缺陷有效信息。因此，有必要研究一种在强干扰条件下有效识别叶片内部微小缺陷的算法。
5.二、精度不理想：现有检测方法大多基于一维导热模型建立，既不考虑叶片材料的各向异性，也不考虑热流的三维效应，因此只能对大尺寸缺陷进行准确检测。缺陷尺寸越小，由模型局限性带来的检测偏差越明显。因此，有必要基于各向异性材料的三维导热模型对微小缺陷进行精确检测。
6.三、效率低：为了确保全部叶片内部缺陷能够被热量覆盖，现有检测方法一般需要长时间加热或冷却叶片，且加热时间固定。此外，现有检测方法的数据分析过程需在叶片加热或冷却结束之后才开始。这些做法存在严重的时间浪费，特别是在进行大面积检测时，因微小缺陷像素占比小而使问题更为凸出。因此，有必要优化检测工艺，提高检测效率。
7.另外，现有检测方法还存在：
8.1.非理想热源、叶片材料各向异性、环境热干扰以及缺陷周围的三维热流等因素共同作用导致红外热像图特别是缺陷区域存在严重虚影，使微小缺陷可识别性变差。有必要开发一种热图处理算法，能够在强干扰条件下有效提取缺陷特征并使其清晰展现，使微小缺陷的可识别性及几何信息检测精度被提高。
9.2.现有红外热像技术大多基于一维导热模型，由于无法考虑材料的各向异性以及热流的三维效应，因此很难对叶片内部的微小缺陷深度进行准确评估。有必要开发一种基于三维热传导模型的缺陷深度评估算法，实现对微小缺陷深度的精确检测。
10.3.目前的红外热像方法大多采用先加热后分析的检测方式。为了获得足够的深层缺陷检测能力而需要长时间加热，这种方法造成时间浪费，检测效率低，并且有一些方法需要依赖人工识别缺陷轮廓。缺陷尺寸越小，检测时间越长，检测效率越低。有必要设计一种新的检测策略，实现边加热边检测，并能够用最短的时间完成缺陷的定量、自动识别。


技术实现要素：

11.本发明就是针对现有技术存在的缺陷，提供一种大型风力机叶片内部微小缺陷的红外热像检测方法。其用含变间距对比度增强策略的主成分分析法完成对缺陷的特征提取与对比度增强，解决了因强热干扰、像素比例小以及热图虚影等原因而造成的微小缺陷可识别性低的问题，提高了对叶片微小缺陷的辨识能力。利用热图处理算法对热干扰和缺陷周围的虚影进行了抑制，并且利用各向异性材料三维热传导模型解决了微小缺陷深度难检测的问题，实现了对微小缺陷位置、形状、尺寸及深度等主要信息的精确定量检测。本方法适合大面积检测，并且边加热边分析的检测形式能有效避免不必要的加热和冷却时间，且缺陷信息能够在叶片加热过程中被自动识别。
12.为实现上述目的，本发明采用如下技术方案，包括以下步骤：
13.s1、(在实验室条件下，)获取热像仪距离样件表面的直线距离d
s
，测量热像仪在不同距离下拍摄区域相应的长度l和宽度w，并用最小二乘法分别建立d
s
与l、d
s
与w之间的关系函数，记为(h,w)＝f
a
(d
s
)；
14.s2、用热源持续照射风力机叶片前表面；
15.s3、(用红外热像仪以1hz的采样频率)连续采集红外热像图，总采样帧数为f
r
；
16.s4、将每桢热像图表示为矩阵n代表总列数，m代表总行数，a
μ,ν
代表每个拍摄像素点的实际温度，μ代表a的行数，ν分别代表a的列数，μ＝1,2,...m,ν＝1,2,...n；
17.s5
‑
s12、通过空间降维提取缺陷动态特征，并利用变间距对比度增强算法使缺陷特征在保持信息完整性的同时被二次具象化并增强；
18.s13、(用激光测距仪)获得热像仪距离叶片的实际距离d
s
，并且代入s1中的计算公式得到长度l和宽度w，再根据公式l＝l
×
n
l
/320得到缺陷长度l，以及根据公式w＝w
×
n
l
/240得到缺陷宽度w；
19.s14、计算a
i
中在区域e外元素值的平均值t
l,i
，再选择区域e内温度上升最快的元素，提取其温度序列t
b,i
，计算二者的差值t
e,i
＝t
b,i
‑
t
l,i
，记录当t
e,i
/t
l,i
＝0.05时帧数i对应的加热时间t
c
；
20.s15、得到缺陷深度的检测结果。
21.进一步地，s5中：定义变间距对比度增强矩阵i，设i(μ,ν)＝k
a
(μ)
×
a
μ,ν2
k
b
(μ)
×
a
μ,ν
k
c
(μ)，k
a
、k
b
、k
c
是与行数μ有关的系数；
22.s6中：a
i
中每行任选三点作为迭代点代入i(μ,ν)可得到拟合值i
t
；设该行中除选中三点外有λ个剩余元素大于i
t
，有β个剩余元素小于该值，且多项式λ
3/2
‑
1.5λβ
1/2
0.75λ
1/2
β
‑
0.125β3的值比选择其他元素作为迭代点时都小，则该迭代点对应的k
a
,k
b
,k
c
就是该行的拟合系数，进而逐行计算并得到各行的拟合系数k
a
(μ),k
b
(μ),k
c
(μ)；
23.s7中：将a
i
中各元素依次代入i
i
(μ,ν)，并相减，得到新矩阵b
i
，即b
i
＝a
i
‑
i
i
；
24.s8中：将b
i
改写为单列向量t
i
＝(b
11
…
b
m1
…
b
1n
…
b
mn
)
t
，再将共f
r
桢的t
i
合并为一个矩阵t＝(t1,t2,
…
,t
fr
)；
25.s9中：计算矩阵t的协方差矩阵t
x
，为
26.s10中：设矩阵t’＝t
x
×
t
xt
，计算奇异值最大时t’的特征向量v，并按照m行n列重新排列向量v中的元素，得到矩阵c，即
27.s11中：提取矩阵c的最大值c
max
和最小值c
min
，定义新矩阵d，并使d
μ,ν
＝(c
x,y
‑
c
min
)
×
255/(c
max
‑
c
min
)；
28.s12中：在矩阵d中划定封闭区域e，使区域e内元素均满足值大与32，记录e内各元素的坐标，并计算区域e内任意元素间最大行数差和列数差，分别记为n
l
和n
w
。
29.进一步地、s15中，假设ρ为叶片材料密度，c为热容量，k
p
为叶片材料的x
‑
y面内导热系数，k
z
为叶片材料z方向(厚度方向)的导热系数，设为叶片材料z方向(厚度方向)的导热系数，设h＝h
r
/k
z
，
30.α＝k/(ρ
·
c)，α
z
＝k
z
/(ρ
·
c)，
[0031][0032][0033]
叶片长度为h1，宽度为h2，系数k
x1
＝2h1l1‑
x
‑
ll1‑
2nh1l1 2nll1，k
x2
＝x
‑
ll1 2nh1l1 2mll1，k
y1
＝2h2l1‑
y
‑
wl1‑
2mh2l1 2mwl1，k
y2
＝y
‑
bl1 2mh2l1 2mwl1，k
z1
＝z dl2 2pdl2，k
z2
＝
‑
z dl2 2pdl2；
[0034]
定义x方向对比度以及y方向的对比度
还有厚度方向的对比度式中m,n,r,p为求和参数，分别取d＝0.0,0.1,0.2,...,20.0代入多项式c
x
×
c
y
×
c
z
，其中令多项式值最接近0.05的d值就是缺陷深度值。
[0035]
具体地，s1中：调整热像仪距离样件表面的直线距离分别为d
s
＝0.1m,0.2m，
…
，2m，再用刻度尺分别检测热像仪在不同距离下拍摄区域相应的长度l和宽度w，并用最小二乘法分别建立d
s
与l、d
s
与w之间的关系函数，本发明涉及的关系函数具体为l＝0.46
×
d
s
与w＝0.24
×
d
s
。
[0036]
与现有技术相比本发明有益效果。
[0037]
本发明抗干扰：利用热干扰源与缺陷温度场的步调差异，通过空间降维提取缺陷动态特征，并利用变间距对比度增强算法使缺陷特征在保持信息完整性的同时被二次具象化，从而提高缺陷可识别性，最终实现在强热干扰条件下对大型风力机叶片内部毫米级微小缺陷的有效识别。
附图说明
[0038]
下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。
[0039]
图1是叶片微小缺陷检测流程图。
[0040]
图2是含缺陷叶片样件示意图。
[0041]
图3是强干扰条件下的红外热像图。
[0042]
图4是经热图处理算法处理过的红外热像图。
[0043]
图5是缺陷及sound区采样设置示意图。
[0044]
图6是(a)a
×
b＝10.0mm
×
10.0mm,曲线。
[0045]
图7是(b)a
×
b＝20.0mm
×
20.0mm,曲线。
[0046]
图8是(c)a
×
b＝30.0mm
×
30.0mm，曲线。
具体实施方式
[0047]
检测的整体流程，如附图1所示。
[0048]
步骤s1：在实验室条件下，获取热像仪距离样件表面的直线距离d
s
与被拍摄区域长度h和宽度w的关系函数f
a
，得到h＝0.46d
s
,w＝0.32d
s
；
[0049]
制作叶片复合材料样件，并在样件背部加工12个尺寸、深度各异的平底方孔缺陷，编号分别为d1,d2,...,d
12
，样件外貌如附图2所示。缺陷条件如表1所示:
[0050]
表1缺陷信息表
[0051][0052]
步骤s2
‑
s4：采用2个对称放置且功率为1kw的卤素灯作为激励源对含缺陷样件的前表面进行加热，环境温度25.0℃，加热距离为0.5m，加热时间统一设置为600s。单次热加载结束后，将样件冷却至环境温度并确保样件表面初始温度场不存在奇异性后展开重复试验，共获得30组样本数据。用分辨率为320
×
240、热分辨率为30mk的nec r300热像仪捕捉样件表面的温度变化，量程固定为22.0℃
‑
60.0℃。热图数据传输至计算机并且由热图数据处理软件完成温度转换和温升曲线分析等工作。采样时间间隔1s，样本帧数为1000。
[0053]
步骤s5
‑
s12：通过空间降维提取缺陷动态特征，并利用变间距对比度增强算法使缺陷特征在保持信息完整性的同时被二次具象化并增强。处理后的效果如附图4所示。
[0054]
步骤s13:检测距离d
s
＝0.8m，因此得到各缺陷长度l和宽度w如表2所示：
[0055]
表2缺陷尺寸测量结果统计表
[0056][0057]
可见，进行热图处理前的虚影已经覆盖了缺陷特征，使缺陷无法被准确识别。而经过图像处理算法处理后，缺陷可识别性被显著提高，对缺陷尺寸的识别精度不超过12％，实现了对尺寸在15mm
×
15mm以内的微小缺陷的精确识别。
[0058]
表3列出了各缺陷的自动识别时间。可以看到，深度在10mm的各深层缺陷均能在160s内被有效识别，且识别内容包括对缺陷深度的评估。
[0059]
表3缺陷的自动识别时间统计表
[0060][0061]
步骤s14：如附图5，取缺陷区域内温度上升最快的像素点作为缺陷采样点，得到各
缺陷温度并与热像仪测得的环境温度求差，得到各缺陷过余温度t1,t2,
…
,t
12
。取实框外的样件区域(排除夹具区域)作为sound区，得到sound区过余温度t
s
(t)。
[0062]
例如，在加热第100s时对应的缺陷d1温度为30.0℃，sound区平均温度为28.0℃，则缺陷过余温度为t
e
│
t＝100s
＝30.0℃
‑
28.0℃＝2.0℃。利用公式c
r
＝t
e
/t
s
求得缺陷相对温升c
r
│
t＝100s
＝t
e
/t
s
＝0.07。附图6
‑
8给出了全部缺陷的c
r
(t)曲线。
[0063]
步骤s15：将各缺陷的尺寸与分离时间t
c
代入步骤s15的评估公式，得到缺陷深度的检测结果d
p_3d
，设缺陷真实深度为d
r
,，得到深度检测偏差η_
3d
＝100
×│
(d
p_3d
‑
d
r
)
│
/d
r
％。将试验结果整理到表4。
[0064]
表4缺陷深度检测结果
[0065][0066]
如表4所示，缺陷深度的检测偏差6.0％≤η
1_3d
≤10.0％，平均检测偏差实现了对叶片内部微小缺陷深度的精确检测。
[0067]
本发明还具有以下优势：
[0068]
精确检测：通过二次具象化缺陷动态特征并进行变间距对比度增强有效抑制微小缺陷周围虚影，提高对微小缺陷几何信息的检测精度，并基于三维各向异性材料导热模型对缺陷深度进行定量评估，实现对微小缺陷深度的精确检测；
[0069]
快速识别：以加热早期阶段的缺陷热对比度为指标实现加热时间的自动调节，且数据分析与加热过程同步进行，不仅有效节省了检测时间，还适合自动、大面积检测，并且热图处理算法能够进一步缩减微小缺陷识别时间。
[0070]
适用范围广：算法不受叶片材质、尺寸以及缺陷条件的限制，并且通过持续加热提供足够热量以覆盖任意深度、任意尺寸的缺陷。
[0071]
可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。