基于边缘计算融合智能图像识别的风电场无人值守巡检系统设计

宋祥斌,刘春雷,李 冰,房文轩

河北大唐国际新能源有限公司,河北 承德 067000

0 引言

随着科技的不断发展,无人机和无人船/艇等无人系统已经成为许多领域的重要工具[1],风电场无人值守巡检系统对于提高风电设备的运行效率、降低运维成本、提升电力生产的经济效益具有重要意义[2]。目前,国内外许多企业都在积极探索和研发风电场无人值守巡检系统。欧洲一些国家也开始采用无人机巡检技术对海上风电场进行巡检[3]。风电场无人值守巡检系统是一种利用无人机、无人船等设备的无人巡检系统,可以对海上风电设备进行远程、高效、智能的巡检[4],该系统主要借助高精度GPS、北斗等卫星定位系统实现远程调度和控制,搭载不同的任务载荷,如高清相机、激光雷达、温度传感器等[5],以完成对风电机组叶片、水下风电桩基等关键部位的巡检任务。

风电场无人值守巡检系统的应用场景较丰富,其一,可以通过图像处理技术对叶片表面的损伤进行检测和评估,及时发现并修复叶片表面的裂纹、侵蚀等损伤,避免因叶片故障而引起的风电场停机损失[6];其二,可以利用无人机搭载的声纳等任务载荷对风电场桩基进行检测和评估,及时修复桩基表面的损伤,确保风电场的运行安全性[7];其三,可以利用无人机搭载的温度传感器、风速计等任务载荷进行气象观测,提供准确的气象数据支持,帮助风电场提前做好发电计划,预防自然灾害;其四,利用灵活的无人机等设备采集风电场运行参数,进行安全分析[8],保证风电场的运行效率。

相关研究人员针对上述风电场无人值守巡检系统应用场景设计了几种常规的无人值守巡检系统,但大多数巡检系统的巡检效果较差,易受巡检指令初始化作用影响,导致巡检任务执行异常,不符合巡检要求。因此,本文基于边缘计算融合智能图像识别设计了一种全新的风电场无人值守巡检系统,以有效提升巡检系统的巡检效果。

1 硬件设计

根据风电场无人值守巡检要求,本文设计了风电场无人值守巡检架构,如图1所示。

图1 风电场无人值守巡检架构

由图1可知,该风电场无人值守架构主要由集控层、基站层、终端层组成,利用管理服务器处理巡检指令,整体性能良好。

1.1 TABLE旋翼无人机

在风电场无人值守巡检过程中,需要采集全角度关键巡检信息,拍摄高清的巡检图像,提高巡检识别精度,该过程需要高性能无人机作支持。因此,本文选取TABLE旋翼无人机作为系统的核心巡检图像采集硬件。该旋翼无人机的灵活性较强,可以快速完成起降任务,实现长距离续航,不仅如此,其在巡检过程中无需专门的弹射设备,随时可以起飞[9],整体的巡检成本较低。在巡检任务执行前,该旋翼无人机可以快速规划巡检路径,调整巡检姿态,提供完整的巡检素材。TABLE旋翼无人机的发动机可靠性较强,存在开放性端口,降低了软硬件调试难度,该无人机的参数如表1所示。

表1 TABLE旋翼无人机参数

由表1可知,该旋翼无人机的重量较轻,利用空气动力学原理保证了低空自由落体的安全性,除此之外,其使用碳纤维材质,抗风能力较强,可以搭载高清的巡检相机,满足巡检系统的巡检可靠性。

1.2 SNOY荷载云台光学相机

在风电场无人机叶片巡检的过程中,受无人机前进、后退等操作影响,可能会出现倾斜问题,造成拍摄画面模糊,降低巡检效率,为了保证巡检拍摄的可靠性,本文选取SNOY作为荷载云台光学相机。SNOY荷载云台光学相机属于30倍光学变焦相机[10],支持4K记录,同时采用高精度FOC编码器控制稳定性,该荷载云台相机的组成示意图如图2所示。

图2 荷载云台光学相机组成示意图

由图2可知,SNOY荷载云台光学相机具有增稳性能,可以测量物体多轴姿态,保证相机处于水平位置,在巡检过程中,该云台光学相机可以预设姿态位置,利用主控制器计算偏离角度,避免出现航拍失稳问题。

2 软件设计

2.1 生成风电场无人值守智能巡检流程

在风电场无人值守巡检前需要预先规划有效的巡检流程,无需将风电机组停运即可生成有效的巡检路线,基于此,本文设计了风电场无人值守智能巡检流程,如图3所示。

图3 风电场无人值守智能巡检流程

由图3可知,根据上述的风电场无人值守智能巡检流程,选取NVIDIA TX2作为巡检信息核心处理程序,通过Mavros发送巡检指令,此时可以计算巡检动力学矢量Fsum,如下所示。

(1)

式中：m代表升力参数,dv代表巡检无人机力矩,dt代表刚体运动受力。根据上述的巡检动力学矢量可以判断巡检干扰合力,生成的动态巡检函数Msum如下所示。

(2)

式中：J代表角运动力矩,此时可以进行归一化处理,得到的巡检动力学合势场U(X),如下所示。

U(X)=Uatt(X)+Urep(X)

(3)

式中：Uatt(X)代表初始巡检执行位置,Urep(X)代表最终巡检执行位置。使用上述的智能巡检指令可以快速判断巡检方位信息,执行巡检条件算法,提高巡检效率。

2.2 基于边缘计算融合智能图像设计异常监控算法

当风电场风机出现异常故障时,其声信号会发生一定的改变。因此,本文基于边缘计算融合图像识别设计了风机异常监控算法,首先需要划分风机频率频带fBPFI,关系式如下所示。

(4)

式中：fn代表风机转子转动频率,d代表风机滚动体直径,D代表风机轴承直径,cosφ代表风机接触角,z代表风机滚动体数量。不同自频带的关系频率不同,可以将其转化为声压级,此时的异常风机频谱Q如下所示。

Q=S×sinΦ

(5)

公中：S代表风机初始状态下的运行频率,Φ代表风机异常运行夹角。为了降低外界干扰对异常监测造成的影响,本文预先进行了信号滤波处理,处理式s(k)如下所示。

s(k)=f(k)+εe(k),k=0,1,…,n-1

(6)

式中：f(k)代表原始风机信号,ε代表风机异常识别噪声强度,e(k)代表白噪声。图形识别是无人值守巡检系统的核心功能,该功能可以对视频监控采集的图像进行智能分析,判断设备的跑冒滴漏、异物遮挡、锈蚀、温升过高、自动除雾等异常现象,本文设计的算法根据边缘计算重组原则设计了风机异常识别约束条件ABS,如下所示。

ABS=CL

(7)

式中：C代表异常转动系数,L代表均一化重组参考值。在无人值守巡检系统运行的过程中,需要对现有算法模型进行再训练不断学习,提高准确率,因此,本文设计的异常监控算法根据图形识别及AI自定义功能,进行了优化,优化后的异常监控算法W如下所示。

(8)

式中：x代表风机随机异常扰动,xi代表监测阈值。利用该算法,运维人员可自定义进行模型训练以提升现有软件系统与实际匹配度。除此之外,该算法还能为巡检任务查询、巡检报告、任务统计、告警信息查询、告警分级、告警图像查询等提供支持,实时推送告警信息,扩展后续的支持功能。在实际巡检过程中,可以根据上述算法进行计算,获取数据差异性,修正发现的巡检问题,实现巡检数据的循环利用。使用上述设计的图形识别及AI优化边缘算法可以大幅度降低巡检环境干扰,提高风电场无人巡检结果的可靠性。

3 系统测试

为了验证设计的基于边缘计算融合智能图像识别的风电场无人值守巡检系统的实际巡检性能,本文选取了可靠的测试平台,进行了系统测试。

3.1 测试准备

根据风电场无人值守巡检系统测试要求,本文选取TETR/BOT平台作为测试平台,该平台使用B/S架构,可以根据测试环境变化接入不同的服务器端,降低巡检测试难度。不仅如此,该测试平台使用MyEclipse 10进行了测试开发,使用Java设计了MVC测试模式,生成Struts测试框架,处理Action业务逻辑。待试验环境配置完毕后,可以根据不同设备的常见缺陷制定巡检任务书,预设系统测试用例,此时测试平台的连接示意图如图4所示。

图4 测试平台连接示意图

由图4可知,巡检测试平台主要与测试动力识别中心、无线通信中心等相连,在测试时需要根据预设的巡检测试流程输入正确的测试用例,有效判断设计系统的实际巡检状态。

本文选取雁飞岭风电场作为测试研究区域,并在该研究区域搭建了集控中心智能化、数字化平台,调试并接入整合原有场站侧开关柜温度监测系统GIS、SF6微水及局放监测系统、主变油色谱监测系统、消防系统、门禁系统、箱变在线监测系统、风机振动监测系统、无人机智能巡检、两票系统和站内已有摄像头等相关信息,并与安全生产管控平台其他系统进行联动,实现智能巡检功能,同时通过手机app端输出巡检报告,获取最终的系统测试结果。

3.2 测试结果与讨论

经过测试准备,可以进行风电场无人值守巡检系统性能测试,即调整初始的测试环境,在选取的风电场研究区域运行本文设计的基于边缘计算融合智能图像识别的风电场无人值守巡检系统,对该研究区域的不同巡检内容进行巡检,得到的系统测试结果如表2所示。

表2 系统测试结果

由表2可知,本文设计的基于边缘计算融合智能图像识别的风电场无人值守巡检系统可以顺利执行不同的巡检任务,整体执行流畅性较高,不存在执行卡顿。上述测试结果证明：本文设计的风电场无人值守巡检系统的性能良好,具有可靠性,有一定的应用价值。

4 结束语

风电是一种清洁、可再生能源,在各个领域应用广泛。近年来,我国风电场的规模逐渐扩大。风电场内部设备组成的复杂度越来越高,极容易出现严重的安全事故,造成经济损失。因此,进行风电场巡检非常重要。人工巡检的局限性较高,错漏明显,针对该问题,本文基于边缘计算融合智能图像识别设计了一种全新的风电场无人值守巡检系统。系统测试结果表明：设计的无人值守巡检系统的巡检效果较好,具有可靠性,有一定的推广应用价值。