基于图像的风电叶片前缘雨蚀退化指标构建

许秀锋, 赖政钊*, 周爱国, 谢红杰, 吕路勇

(1．同济大学 机械与能源工程学院,上海 201804; 2.株洲时代新材料科技股份有限公司,湖南 株洲 412007;3.江苏鉴衡检测认证有限公司,江苏 盐城 224100)

由于叶片前缘的线速度较大,长期运行的风电叶片极易发生前缘侵蚀(Leading Edge Erosion,LEE),雨滴是引起侵蚀损伤的主要驱动因素[1]。为了测试前缘材料对雨蚀的抵抗力,可在雨水侵蚀测试机(Rain Erosion Tester,RET)中对因雨滴撞击而引起的前缘侵蚀进行加速测试[2]。然而,由于缺乏合适的衡量指标,已有的研究尚未建立加速测试时间和实际叶片工作时间的相关性[3]。目前,雨蚀退化常以试样的质量损失为衡量指标[4],但对于已投入运营的叶片,质量损失的测量是不可行的。因此,使得RET实验更具实用价值的关键在于提出一种可应用于实际叶片前缘的雨蚀检测方法。随着雨蚀的进行,叶片前缘材料的表面发生光泽、粗糙度、点蚀以及裂纹等形貌变化[3],机器视觉检测技术能够表征雨蚀退化的程度,并适用于已投入运营的风电叶片。

目前,风电叶片的测试主要集中在其力学性能方面[5-6],雨蚀检测作为一个较新的领域,尚处于早期研究阶段。Zhang等[7]将不同侵蚀时长的水射流式RET试样质量损失作为图像标记,使用卷积神经网络对其进行训练和预测,为汽轮机叶片维修提供参考。相似的形貌检测问题,如金属腐蚀[8]、表面粗糙度[9-10]等,将形貌分为不同等级,忽略了侵蚀形貌特征随时间连续变化的特点。

针对形貌变化图像本身的信号特点,学者研究了灰度共生矩阵(Gray Level Co-Occurrence Matrix,GLCM)、Tamura纹理特征分析等由数学方法准确描述的特征提取方法,它们不依赖于大量样本和数据标签[11]。其中GLCM的应用最为广泛,大量文献分析了GLCM所提取特征的变化趋势与图像形貌纹理的关系[12-13],但是都未能直接形成矩阵特征与图像形貌之间便于直观理解的联系。

基于以上分析,提出一种利用GLCM检测雨蚀和构建DI的方法。该方法计算输入图像的GLCM,从中提取多种特征检测雨蚀程度,结合欧氏距离进一步构建前缘材料雨蚀DI,直观表达雨蚀的退化程度,并通过加速雨蚀试验数据验证了该方法可以描述前缘雨蚀的退化规律。

1 数据集处理

1.1 实验设备

实验装置和实验数据由Polytech A/S提供[14],如图1所示,基于旋转臂式RET进行加速雨水侵蚀的原理是将待测的试样固定安装在圆盘外侧,试样上 方安装均匀的雨滴发生器,使高速旋转的试样与自由下落的雨滴持续撞击,模拟叶片前缘与雨滴的真实撞击。

图1 旋转臂式RET

1.2 图像预处理

RET每运行0.5 h停止一次,取下试样并采集图像,零时刻的试样图像如图2所示,左侧为叶尖,旋转半径较大,速度较高;右侧为叶根,旋转半径较小,速度较低。选取试样与雨滴垂直碰撞的中央部分图像,并沿旋转半径方向分割为多幅图像,根据雨蚀时间t和所处位置r将图像标记为(ti,rj)。

图2 数据集处理

针对原始图像中光照不均匀、对比度较低等缺陷,依次进行了灰度化(式(1))、背景减除(式(2))和直方图均衡化(式(3))处理。

f(x,y)=0.299R(x,y)+0.587G(x,y)+0.114B(x,y)

(1)

(2)

(3)

式中:f(x,y)为图像中(x,y)位置像素的灰度级;g(k)为灰度级k变换后的灰度级;P(sk)为灰度级k的频率;L为图像最大灰度级。

2 理论基础

2.1 灰度共生矩阵理论

灰度共生矩阵理论由Haralick等[15]提出,它通过灰度像素对的概率分布情况,体现不同像素之间相对位置的空间信息。具体定义如下:

(4)

式中:S为图像中符合特定空间关系的所有像素对的集合,这个空间关系可以自定义。式(4)的含义为符合空间关系且灰度值为(i,j)的像素对频率。

常用的特征有角二阶矩(Angular Second Moment,ASM)、相关性(Correlation)、同质性(Homogeneity)、对比度(Contrast)、相异度(Dissimilarity)。ASM也称为能量(Energy),计算值记作fASM,描述图像的均匀性,图像越均匀能量值越大。

(5)

相关性描述图像纹理的方向性,计算值记作fcorr。如果图像纹理具有方向性,则相关性数值显著高于纹理均匀的图像。

(6)

同质性描述的是图像中像素对的相似程度,即GLCM的对角程度,计算值记作fhomo。

(7)

对比度描述图像像素对间灰度等级的变化程度,即纹理的清晰程度,计算值记作fcont。

(8)

相异度与对比度相似,对比度是二阶灰度变化,而相异度是一阶,计算值记作fdiss。

(9)

2.2 基于欧氏距离的退化指标构建方法

不同特征直接测量数值的数量级及变化趋势不同,不利于理解和感受直观变化,因此,从特征量中构建DI是关键。常用的方法有马氏距离、欧氏距离等。DI构建采用了标准化欧氏距离(Euclidean Distance,ED),其计算结果记作δ,如式(10)所示,取值为[0,1],越接近1代表退化越严重。

(10)

(11)

式中:ωi为i特征的权重;fi(t,r)为GLCM的i特征t时刻r区域的归一化值。

2.3 退化指标的适用性度量

为了衡量构建的δ对寿命预测的适用性,通常使用不同的度量指标进行评估[16],常见的有相关性(式(13))和单调性(式(14))。对于一个信号时间序列X=X(tk),首先对信号进行指数加权平滑处理[17]:

XT(tk)=αX(tk)+(1-α)X(tk-1)

(12)

(13)

(14)

(15)

式中:α取0.9;N为信号序列的样本点个数。

2.4 雨蚀退化指标构建流程

前缘雨蚀检测及退化指标构建流程如图3所示。

图3 雨蚀退化指标构建流程

3 实验验证

3.1 实验设置

实验所用数据集包含了7个时刻、20个不同半径区域的140幅图像。每幅图像计算得到GLCM的5个特征的归一化数值。对任意t时刻r半径区域的图像信号,由1～5个特征数量及不同特征组合计算得到不同的δ,如表1所示,共有31种构建退化指标的特征组合。为了进一步评估和比较31组δ的适用性,分别计算每一组δ的4个度量指标:时域相关性、时域单调性、半径域相关性和半径域单调性,采用度量指标客观评估δ的适用性。每组δ都包含多个时刻和半径区域的信号序列,取域内平均值作为度量指标最终测量值。

表1 不同特征数量的组合数

3.2 退化指标表征能力验证

对特征数量为1的5组特征进行单一特征退化指标构建。在同一时刻,5组δ随半径区域的变化如图4所示,在同一半径区域,5组δ随侵蚀时长的变化如图5所示,不同特征构建的退化指标在局部区域呈现不同特点。

图4 半径域单一特征δ变换

图5 时域单一特征δ

图4中,在半径较小的叶根区域,相异度、对比度呈现出与其他特征相反的单调性;δ在不同半径区域均出现了一定波动;图5中角二阶矩在90 min后进入了局部不敏感的平台期。5组δ适用性度量如表2所示,没有一组具备绝对的优势。观察结果揭示了雨蚀过程并非线性变化,不同的特征具备其独特的表征能力。

表2 单一特征的适用性度量

从整体上可以观察到,δ表现出了较强的半径域相关性和时域相关性。随着旋转半径增加,δ整体上呈现先上升后下降的趋势,结合RET实验条件分析,雨滴与试样撞击速度随旋转半径增大而增大,加速了侵蚀退化;而叶尖区域处受气流扰动影响了雨滴撞击速度,减缓了侵蚀退化。这符合实际观察的试样形貌,表明由GLCM特征构建的退化指标具备形貌区分能力。

3.3 退化指标适用性度量分析

对所有δ的度量指标测量值求和作为其适用性得分,2种特征融合与单一特征的适用性得分对比如表3所示,第1行和第1列分别为待融合的2种特征。2种特征融合δ的10种组合中,6种组合的得分同时高于2个特征对应δ的得分,10种均满足得分至少高于一个特征对应δ的得分。相较于无组合的单一特征δ,不同的特征组合能提高适用性得分,表明了不同特征具备不同的雨蚀形貌表征能力,标准化欧氏距离方法能融合各特征的优势,增强其表征能力。

同一特征、不同半径2组δ的时域变化示例如图6所示。2个融合组均有效地消除了对比度-1在侵时时长为30～60 min时和对比度-2在侵时时长为90～150 min时的异常情况,表现出更优越的退化指标表征能力。在半径域中,如图7所示,特征融合后的曲线趋势性更为明显,消除了异常波动,并且成功融合了对比度特征和相关性特征的优点。

图6 特征融合效果时域局部对比

图7 特征融合效果半径域局部对比

不同数量特征融合的δ的适用性度量得分如表4所示。

表4 不同数量的最高适用性度量得分

结果表明,在2个特征融合时,效果最好,相较单一特征,得分提高了5.5%,其半径域曲线如图8所示;在融合3个特征时,效果接近;融合更多特征时,度量得分明显下降。结合特征间的皮尔逊相关系数定性分析,在特征与标签强相关的条件下,随着特征数量增加,特征间产生的冗余导致了其适用性度量得分下降。因此,多特征融合没有简洁的规律,在数据量较大的情况下,利用度量指标来计算适用性得分可以客观地筛选出数学意义上的最优组合,从而摆脱了人工经验筛选的依赖,提高了退化指标构建效率。

3.4 退化指标准确性验证

根据叶片表面形貌特点可以将雨蚀退化过程分为3个阶段:第1阶段,仅出现光泽和粗糙度的变化;第2阶段,叶片表面出现点蚀,侵蚀面积逐渐扩大;第3阶段,侵蚀面积停止扩大,点蚀深度逐渐加大。

利用人工经验对数据集进行标签分类,在图8的散点图基础上,绘制了气泡映射图,将已有数据点映射到人工分类的标签,如图9所示。

结果表明,标签类别在纵轴方向有明显的聚集性,通过融合Contrast和Correlation构建的δ,可以很好地区分退化阶段。统计不同标签类别的所有图像所对应的δ测量值范围和数量,如表5所示。以类别重合区间的中点作为δ阶段划分的临界值,雨蚀阶段量化准确率如表6所示,根据人工经验的标签分类,确定了δ数值区分雨蚀阶段的平均准确率,约为95%,可以得到图9中的δ临界1和δ临界2,分别为0.187和0.745。这表明,δ不仅为雨蚀程度提供了具体的数值参考,而且具有优越的雨蚀阶段区分能力。

表5 各类标签与δ测量值关系

表6 雨蚀阶段量化准确率

4 结束语

为了解决雨蚀加速实验与真实叶片情况无法关联的问题,提出了基于图像灰度共生矩阵的检测和退化指标构建方法,相较于现有的质量损失测量方法,具有检测便捷、可拓展性强等优点。实验结果表明,退化指标有效区分了试样侵蚀的严重程度,时域相关性和半径域相关性分别为0.955和0.953;多特征融合方法展现了更好的雨蚀表征能力,解决了单一特征局部检测不敏感的问题,相较于单一特征,其适用性度量得分提高了5.5%;经过度量指标筛选后的退化指标直观地描述了侵蚀程度和发展趋势,对雨蚀退化阶段的区分准确率约为95%。该方法无须大量数据训练,起止状态图像即可完成模型的构建,适合在工业场景中快速应用。