一种风机叶片损伤监测装置及其监测方法与流程

1.本发明涉及一种风机叶片监测装置，具体涉及一种风机叶片损伤监测装置及其监测方法。


背景技术：

2.风力发电机组所处环境都相对恶劣、人迹罕至，造成现场服务人员运营维护难度大，运营维护周期长、可达性差。风力发电机长期处于无人值守状态，叶片作为风机机组大部件容易发生各种损伤，如果现场人员无法及时发现，则有可能造成叶片断裂、掉落等严重安全事故，不仅会造成严重的经济损失同时也会带来不良的负面影响。
3.目前针对于叶片的主要监测方式主要为：人工巡检目测，无人机巡航监测以及超声及声学监测技术；人工巡检目测主要是无法及时监测叶片状态，易造成叶片故障严重化；其他监测技术需要在叶片布置传感器，一方面叶片面积较大，不可能全部覆盖，另一方面传感器应用在恶劣环境下，容易发生故障，安装维护成本高。
4.鉴于上述问题，行业亟需一种针对于叶片的健康监测方案，实现对于叶片失效的预警从而避免后续严重的安全事故，并可进行预防性运维，提升机组可靠性。


技术实现要素：

5.本发明提供了一种风机叶片损伤监测装置及其监测方法，用于解决现有的叶片健康监测装置以及方法无法全部覆盖叶片且传感器易发生故障的问题。
6.本发明的发明思路为：针对风机叶片的监测现状，叶片音视频监测系统以物联网思维进行方案设计，通过“云边端”协同实现叶片的安装健康监测，在机舱测风支架安装风机叶片预警高清摄像机，用于采集机组叶片图像；同时在塔底塔筒外侧安装工业拾音器进一步采集机组叶片音频，两部分数据信号汇集至高性能边缘计算终端中，将视频预处理成图片后与音频数据打包通过机组交换机发送至位于中控室的服务器，形成一套低成本、高精度、高可靠性的叶片安全在线监测及诊断方法。
7.本发明的技术方案如下：
8.一种风机叶片损伤监测装置，其特殊之处在于：包括依次连接的风机端、升压站以及集控中心；
9.所述风机端中包括安装在风机上的叶片音视频监测装置；
10.叶片音视频监测装置包括叶片监测相机、与叶片监测相机输出端连接的机舱视频光纤交换机，以及音频采集设备、与音频采集设备输出端连接的叶片监测边缘计算单元，以及塔底三区光纤交换机；
11.所述塔底三区光纤交换机的两个输入端分别与叶片监测边缘计算单元输出端和机舱视频光纤交换机的输出端连接，所述塔底三区光纤交换机的输出端与升压站的输入端和叶片监测边缘计算单元输入端连接；
12.所述升压站包括通过通讯网络与塔底三区光纤交换机连接的风场网络三区核心
交换机，以及现场显示终端、叶片音视频监测系统工作站和正向隔离设备；
13.所述风场网络三区核心交换机的输出端与叶片音视频监测系统工作站的一个输入端连接，所述现场显示终端的输入端和正向隔离设备的输入端分别与叶片音视频监测系统工作站的两个输出端连接，所述正向隔离设备的输出端与集控中心的输入端连接；
14.所述集控中心包括依次连接的云服务器、数据及算法升级中心和远程监控平台；
15.所述云服务器的输入端与正向隔离设备的输出端连接，所述云服务器还连接有集控远程监控平台。
16.进一步地，所述叶片监测相机为云台相机，所述音频采集设备为拾音器。
17.一种风机叶片损伤监测装置的监测方法，其特殊之处在于：
18.步骤1，通过风机端的叶片监测相机和音频采集设备进行数据采集；
19.步骤1.1，通过风机端的叶片监测相机采集风机叶片图像数据；
20.步骤1.2，通过风机端的音频采集设备采集风机叶片音频数据；
21.步骤2，将采集到的叶片视频图像数据和叶片音频数据分别通过叶片视频图像识别技术和叶片音频识别技术进行数据预处理，然后将预处理后的数据回传至升压站的叶片音视频监测系统工作站中；
22.步骤3，若数据正常，则转至步骤4；
23.若数据异常，则叶片音视频监测系统工作站发出报警信息，由现场人员负责对回传数据进行复核后，进行二次审核，审核结束后转至步骤5；
24.步骤4，由工作人员负责定期将叶片音视频监测系统工作站内的叶片音频数据和叶片视频图像数据打包上传至云服务器中，由云服务器根据上传的叶片音频数据和叶片视频图像数据对叶片运行状态进行评估，并形成相应巡检报告；
25.步骤5，依据巡检报告以及预警信息对整个设备进行维护。
26.进一步地，步骤2中所述叶片视频图像识别技术具体如下：
27.a1，截取图像
28.通过将步骤1.1中拍摄的视频逐帧读取为图像，对每一张读取到的图像进行灰度化处理，再识别图像中的所有边缘信息，通过边缘信息得到对应的边缘程度，当图片中边缘程度大于设定的阈值时将图片保存；
29.a2，边缘监测
30.对步骤a1中保存的图像中叶片边缘信息进行提取，获得风机叶片图像；
31.a3，图像分割
32.在步骤a2获得的风机叶片图像中生成一个固定大小的识别框，一次遍历步骤a2识别的风机叶片图像的每一个像素点，读取识别框内边缘信息大于阈值的部分数据进行保留，将其余部分像素值全部调整为(0，0，0)；
33.a4，风机叶片异常识别
34.对步骤a3识别出的数据，利用图像识别算法模型自动识别风机叶片的数据是否异常。
35.进一步地，步骤2中所述叶片音频识别技术如下：
36.b1，从步骤1.2中采集到的叶片音频数据中挑选叶片声音清晰的音频片段；
37.b2，将音频片段中的低频、高频噪声去除；
38.b3，使用快速傅里叶变换将音频从频谱图转换为能量图；
39.b4，使用神经网络自然语言处理算法对音频片段进行识别。
40.进一步地，所述叶片音频识别技术具体如下：
41.b1，音频筛选
42.叶片边缘计算单元(14)通过使用机器学习方式，将步骤1.2所采集的音频数据进行筛选，如果识别到该段音频风噪过大而无法满足后续音频识别要求，则删除该段音频，如果识别到该段音频清晰听到叶片运行声音，则保留该段音频片段；
43.b2，通过带通滤波器去除部分频率分量
44.使用500hz-4000hz的带通滤波器将b1中保留的音频片段的低频分量和高频分量去除，获得纯净音频信号；
45.b3，通过stft提取叶片音频的特征频率
46.使用时间窗口函数与源信号函数相乘得到一个新函数，然后对新函数进行傅立叶变换得到第二新函数，第二新函数再与源信号函数相乘得到了一个第三新函数，将纯净的音频信号带入到第三新函数中，实现了对于叶片音频特征频率提取；
47.b4，音频数据诊断
48.对步骤b3的叶片音频的特征频率进行判断该音频片段为叶片正常状态下的音频以或叶片异常状态下的音频。
49.进一步地，所述步骤1.1具体为：使用叶片监测相机(11)在固定角度拍摄叶片图像，每30分钟拍摄30秒的视频用于叶片安全监测。
50.进一步地，所述步骤1.2具体为：通过安装于塔底的音频采集设备(13)采集叶片音频数据用于风机叶片安全监测，音频采集设备(13)将叶片运行的音频录制下来，60秒内录制10秒至20秒的音频。
51.本发明的有益效果具体如下：
52.1)本发明风机叶片损伤监测装置，使用位于风机端的叶片监测相机和音频采集设备采集叶片的音频数据和叶片的图像数据，并通过叶片监测边缘计算单元和位于升压站中的叶片音视频监测系统工作站处理叶片的音频数据和叶片的图像数据，并根据不同的处理结果将叶片音频数据和叶片图像数据打包上传至云服务器，最终依据叶片音频数据和叶片图像数据的处理结果对整个设备进行维护，降低了风电运维成本，可以提早发现问题，提早解决问题，消除安全隐患，减少风机的无为损耗，提高发电效率，降低事故发生率。
53.2)本发明的监测方法采用的叶片视频图像识别技术和叶片音频识别技术对采集的叶片图像数据和叶片音频数据进行数据预处理，通过建立图像识别算法模型和音频识别分析模型，并采用深度学习的方法训练模型，从而获得成熟稳定的模型，提高了叶片视频图像识别和叶片音频识别的精确度。
54.3)本发明的监测方法从风机叶片的数据采集、算法处理、模型识别、结果展示到设备管理形成产品闭环，为目标客户提供完整的解决方案。
附图说明
55.图1为本发明的一种风机叶片损伤监测装置的网络拓扑示意图；
56.图2为本发明的一种风机叶片损伤监测装置监测方法过程示意图；
57.图3为本发明实施例的一种风机叶片损伤监测装置监测方法的叶片视频图像识别技术流程示意图；
58.图4为本发明实施例的一种风机叶片损伤监测装置监测方法的叶片音频识别技术流程示意图。
59.其中附图标记具体如下：
60.1-风机端，11-叶片监测相机，12-机舱视频光纤交换机，13-音频采集设备，14-叶片检测边缘计算单元，15-塔底三区光纤交换机，2-升压站，21-现场显示端，22-风场网络三区核心交换机，23-叶片音视频监测系统工作站，24-正向隔离设备，3-集控中心，31-集控远程监控平台，32-云服务器，33-数据及算法升级中心，34-远程监控平台。
具体实施方式
61.下面结合附图和实施例对本发明作进一步地说明。
62.如图1所示，提供了一种风机叶片损伤监测装置，包括依次连接的位于风机端1且安装在风机上的叶片音视频监测装置、升压站2以及集控中心3。
63.叶片音视频监测装置包括叶片监测相机11、与叶片监测相机11输出端连接的机舱视频光纤交换机12，以及音频采集设备13、与音频采集设备13输出端连接的叶片监测边缘计算单元14，以及塔底三区光纤交换机15。叶片监测边缘计算单元14输出端和机舱视频光纤交换机12输出端均与塔底三区光纤交换机15输入端连接，塔底三区光纤交换机15输出端与升压站2输入端和叶片监测边缘计算单元14输入端连接。
64.叶片监测相机11具体为云台相机，且安装于风机叶片上机舱的测风支架上。
65.音频采集设备13具体为拾音器，且安装于风机叶片所在高塔的塔底。
66.升压站2包括通过通讯网络与塔底三区光纤交换机15连接的风场网络三区核心交换机22、现场显示终端21、叶片音视频监测系统工作站23和正向隔离设备24。
67.风场网络三区核心交换机22输出端与叶片音视频监测系统工作站23一个输入端连接，现场显示终端21输入端和正向隔离设备24输入端均与叶片音视频监测系统工作站23的两个输出端连接，正向隔离设备24的输出端与集控中心3输入端连接。
68.叶片音视频监测系统工作站23中内置有风机安全健康监测平台。
69.集控中心3包括依次连接的云服务器32、数据及算法升级中心33和远程监控平台34。云服务器32输入端与正向隔离设备24输出端连接，云服务器32还连接有集控远程监控平台31。
70.一种应用于上述风机叶片损伤监测装置的监测方法，具体如下：
71.步骤1，如图2所示，通过风机端1的叶片监测相机11和音频采集设备13进行数据采集；
72.步骤1.1，通过风机端1的叶片监测相机11采集风机叶片图像数据；
73.其具体为：使用云台相机在固定角度拍摄叶片图像。每30分钟拍摄30秒的视频用于叶片安全监测。
74.步骤1.2，通过风机端1的音频采集设备13采集风机叶片音频数据；
75.其具体为：通过安装于塔底的高清拾音器采集叶片音频数据用于风机叶片安全监测，高清拾音器将叶片运行的音频录制下来，采样周期可根据实际需求进行灵活配置，为保
证音频录制的连续性，通常采用60秒录制10秒至20秒的音频。
76.步骤2，对步骤1.1采集到的叶片音频数据和步骤1.2采集到的叶片图像数据，先通过叶片视频图像识别技术和叶片音频识别技术进行数据预处理，后回传至升压站的叶片音视频监测系统工作站中；
77.步骤3，若升压站2内叶片音视频监测系统工作站23内置的风机安全健康监测平台没有出现报警信息，则转至步骤4；本处理方案形成了一套从采集、算法处理、模型识别、结果展示、设备管理形成产品闭环。
78.若发现升压站2内叶片音视频监测系统工作站23内置的风机安全健康监测平台出现了报警信息，则由现场人员负责对回传数据进行复核后，进行二次审核，审核结束后转至步骤5。
79.步骤4，由工作人员负责定期将叶片音视频监测系统工作站23内的叶片音频数据和叶片图像数据打包上传至云服务器32中，由云服务器32根据上传的叶片音频数据和叶片图像数据对叶片运行状态进行评估并形成相应巡检报告；
80.步骤5，依据巡检报告以及预警信息对整个设备进行维护。
81.如图3所示，步骤2中叶片视频图像识别技术如下：
82.首先基于叶片监测相机11拍摄的叶片视频，选择其中叶片较为完成，细节较为清晰的图片截取下来进行下一步的处理。将截取的图片首先进行边缘监测以去除背景信息之后通过使用图像分割技术将背景变成黑色。最后对于该图片进行叶片安全在线监测及诊断。
83.其具体过程如下：
84.步骤a1，截取图片
85.通过将步骤1.1中叶片监测相机11拍摄的视频传输至叶片监测边缘计算单元14，并使用叶片监测边缘计算单元14将拍摄的视频逐帧读取为图片，对每一张读取到的图片进行灰度化处理，再识别图片中的所有边缘信息，通过边缘信息得到对应的边缘程度，当图片中边缘程度大于设定的阈值时将图片保存。该步骤中一共保存30张图片以供下一步处理，30张图片能够确保对应叶片识别准确，且不增加工作量；
86.步骤a2，边缘监测
87.通过对步骤a1完成对于图片中叶片边缘信息的提取，将风机叶片单独识别出，获得风机叶片的图像，通过将叶片从整体背景中提取出来，这样就可以删去干扰的同时又不损失叶片图像的信息量，而且风机叶片上的结冰情况也被相应识别；将叶片提取识别与多层卷积神经网络进行融合使用，能够进一步提高识别的精度及速度。但由于在风机所处环境多变，如云，太阳，光线所造成的光斑均属于干扰，然后这些干扰又和叶片结冰的特征存在一定的相似性，故在深度学习算法识别时会将叶片从整体背景中提取出来，这样就可以删去干扰的同时又不损失叶片图像的信息量。
88.步骤a3，图片分割
89.在步骤a2获得的风机叶片图像中生成一个固定大小的识别框，一次遍历识别风机叶片图像识别框中的每一个像素点，读取识别框内边缘信息大于阈值的部分图像数据并将其保留，把保留的图像中边缘信息以外的部分像素值全部调整为(0，0，0)；这一步目的是通过读取识别框内边缘信息大于阈值的部分，在30张图片中，选取其中叶片成像最清晰的图
片进行结冰识别；
90.步骤a4，结冰识别处理
91.通过步骤a3识别出的图片，再使用图像识别算法模型进行识别叶片是否结冰。该图像识别算法模型通过对至少400张结冰图片以及至少1000张非结冰图片进行不断的优化、训练，从而使该识别算法模型可以自动识别叶片是否结冰。
92.如图4所示，步骤2中叶片音频识别技术如下：
93.首先通过安装于塔底的高清拾音器采集音频，之后使用数据挖掘svm算法将其中叶片声音清晰的音频片段选取出来，之后对于所挑选出来的音频通过使用滤波、带通滤波器将音频中的低频、高频噪声去除，之后使用快速傅里叶变换将音频从频谱图转换为能量图。对于所采集到的大量音频数据用以上方法处理完成之后，使用神经网络自然语言处理算法，实现对于正常、异常的叶片音频识别。
94.叶片音频识别技术具体如下：
95.步骤b1，音频筛选
96.边缘计算单元14通过使用机器学习方式，将所采集的音频数据进行分类，如果识别到该段音频风噪过大而无法满足后续音频识别要求，则删除该段音频，如果识别到该段音频清晰听到叶片运行声音，则保留该音频片段；
97.步骤b2，通过带通滤波器去除部分频率分量
98.由于叶片运行的声音频率大致在500hz至4000hz之间，通过使用500hz-4000hz的带通滤波器将低频分量和高频分量去除，获得纯净的音频信号；
99.步骤b3，通过stft提取叶片音频的特征频率
100.使用时间窗口函数与源信号函数相乘得到一个新函数，然后对新函数进行傅立叶变换得到第二新函数，第二新函数再与源信号函数相乘得到了一个第三新函数，使得在线性空间有一个可测的、平方可积的第三新函数，将步骤b2获得的纯净的音频信号带入到第三新函数中，实现了对于叶片音频特征频率提取；
101.步骤b4，音频数据诊断
102.对步骤b3的叶片音频的特征频率进行判断该音频片段为叶片正常状态下的音频以或叶片异常状态下的音频。
103.通过诊断后的音频数据能够替换原有叶片失效音频数据库中时间较长的数据，更新相应的叶片失效音频数据库。以数据库为基础，建立叶片音频识别模型，使用机器学习算法、数据分析、编程语言等方式来训练叶片音频识别模型，经过多次迭代学习之后，获得成熟稳定的叶片失效音频分析模型，从而实现通过叶片音频对叶片失效进行诊断分类。