风电场风机叶片无人机自主巡检系统分析设计与研究

引言

目前,风电机组外观巡检主要以高倍望远镜观察或“蜘蛛人”高空绕行下降的方式目测检查。但以上人工巡检方式耗费人力严重,效率低下,且工作质量受人体疲劳、参差不齐的人员素质等因素影响较大,“蜘蛛人”的方式还存在人身安全风险高的问题,同时这种人工作业的模式缺乏对巡检数据的规范化管理。尤其是海上风电,受风浪环境、离岸距离、交通工具等因素影响,人员出海进行日常巡检存在难度大、风险高、效率低下等一系列问题。同时,相较于陆上风电,海上风电机组运行环境恶劣,风机缺陷风险更高。为此,相较于陆地风电场,海上风电场的日常维护及巡检难度更大。

为了解决高空巡检作业的问题,近年来多旋翼无人机逐渐被引入风电机组外观巡检工作中。但是由于风机巡检内容的复杂性, 目前多旋翼无人机风机巡检的模式主要为人员在风机机位下手动操控无人机巡检,少数厂家可以通过预先设置固定风机停机位的方式实现半自动飞行巡检。但是以上模式依旧需要人员到达每台风机的机位下方,存在效率低下、自动化程度较低的问题,尤其是海上风电开船出海到达每台机位的效率非常低下;并且手动飞行还存在人员操作不稳定、不规范等问题,对后续数据集约化处理不利。

因此,面向风电场尤其是海上风电场提高风机外观巡检自动化水平、减少人工巡检作业频次、提高巡检作业效率的需求,为适应风电场运维工作智能化的发展趋势^[1—7],本文研究设计以大疆多旋翼无人机为核心检测设备的风机叶片 自主巡检系统,以实现无人机对风电机组叶片外观巡检的自动化功能。

1主要功能

无人机自主巡检的全过程实施方案可以划分为以下几个主要步骤:①目标风机停机→②一键启动巡检任务,无人机起飞→③无人机抵近,获取风机停机状态关键参数→④计算巡检关键点, 自动规划巡检飞行路径→⑤沿叶片定距飞行→⑥高分辨率摄像头进行连续拍照→⑦巡检任务结束,开始返航→⑧高精度降落到启航点。

对应以上实施步骤,无人机自主巡检系统需要实现的主要功能划分如下。

1.1 巡检前准备和巡检任务启动

将风电场的风机进行编号,和该风机的叶片长度、轮毂高度、轮毂半径、塔筒基座GPS坐标等已知固定参数关联,形成风机数据表。巡检任务启动时,操作人员可在人机交互界面上输入待检风机编号,操作无人机系统启动自主巡检任务。

1.2停机状态参数获取

风力发电机组主要停机状态数据是风机风轮的偏航角、叶片的倾角等随机停机参数,停机姿态的确定为后续自主路径规划提供了基础。

1.3 巡检路径点规划

根据风机停机状态参数,结合飞行安全距离等配置参数,风机叶片长度、轮毂高度、轮毂半径等已知固定参数,计算完成巡检任务的关键路径点,按照关键路径点依次飞行,形成飞行路径。

1.4 定距飞行功能

无人机在对风机进行外观巡检时保持恒定距离,以保证摄像有效性。

1.5 云台追踪调整及自动连拍

巡检叶片过程中,云台实时调整摄像头位置,将风机叶片始终保持在视野中心位置,并连续拍摄照片。

1.6高精度降落

无人机能够安全返航,高精度降落至指定降落回收位置。

2自主巡检系统软硬件

2.1 系统硬件构成

图1所示是无人机叶片 自主巡检系统的硬件设备组成示意图,包含无人机平台、地面设备、遥控器、嵌入式计算平台和传感器等。

无人机平台(图2):无人机应具有可靠的飞行控制技术,能够广泛兼容第三方开发平台。搭载开发者所使用的负载设备和计算平台,并向开发者开放应用接口,保证使用者能够根据实际应用需求自行开发所需的应用程序。本文选用大疆M300 RTK型号作为无人机平台,该无人机最长续航时间可达55 min,可抗7级风力,同时具有六向定位避障与15 km远距离图传功能,保障了叶片自主飞行巡检的要求。

地面设备:地面设备用于运行开发者的上位机程序。上位机程序采用交互式模式,以便巡检人员输入待检风机编号, 自定义的风机安全飞行距离参数、飞行速度等数据,并含任务执行启动和重要传感器数据实时显示。为了便于巡检人员携带,可选用Android 或IoS平板电脑,上位机程序由Java等程序设计语言编写。

遥控器:无人机与地面设备之间的数据链路包括控制链路、数传链路和图传链路等,地面设备首先通过有线(USB)或无线(wi—Fi)连接传递到大疆无人机的遥控器上,并最终通过Wi—Fi、LightBridge、OcuSynC等链路传递到无人机上,因此需要以遥控器作为媒介来进行通信和数据传输。

嵌入式计算平台:嵌入式计算平台用于运行下位机程序,包含核心应用算法功能模块,应与无人机适配并兼具较高的性能,具备图像处理程序的良好运行效果。本文选用ManiFold 2C/2G机载计算机。

感知设备:无人机平台上需挂载高清相机或激光 雷达等感知设备,用以满足复杂多样的图像处理和分析任务,而云台能够实现搭载相机俯仰角和偏航角的实时变化和调整,通过拍摄角度的调整从而达到所拍摄图片具有良好效果的功能。本文选用的H20T摄像头包含2000万像素变焦相机、1200万像素广角相机、1 200 m激光测距仪与热成像相机,具备强大的功能,如图3所示。

2.2 系统软件组成

系统软件包含应用算法和控制程序,是风机叶片自主巡检系统的基础部分,可分为人机交互层、数据传输层、下位机层和功能支撑层,其中人机交互层和下位机层分别运行着上位机系统程序和下位机系统程序,是软件系统的核心。

上位机程序运行在地面设备上并与遥控器连接,本质上为一个人机交互式程序。该上位机系统保留参数输入位置,在巡检前可输入待巡检风机的编号和巡检时离风机的安全距离、巡检飞行速度等自定义参数,上位机程序可以实现一键点击启动,可以在无人机巡检飞行时进行状态监控,包含相机实时拍摄画面展示、坐标位置与飞行速度展示、剩余电量和百分号表示的巡检完成程度显示等功能。本文的上位机系统基于大疆MSDK开发套件进行开发,是实现在移动端手持设备上操控无人机的重要组成部分。

下位机程序运行在嵌入式计算平台上,包含为实现无人机自主巡检任务而设计的各种核心应用算法与控制程序。在计算平台上,巡检任务开启后,这些应用算法与控制程序可以实现:粗定位到待巡检风机塔柱上方附近位置处停留;控制摄像机与云台,实现视频流的拍摄与高分辨率图像的获取;检测风机叶片和轮毂等目标,实现无人机风机偏航角、轮毂位置与风机叶片倾角等重要参数的求解; 自动生成巡检路径的关键点,由航点任务规划最终实现无人机自主飞行功能。本文的下位机系统基于大疆OSDK开发套件进行开发,可通过调用指定的接口来获取无人机上的各类数据,执行相应的计算和处理,生成对应的控制指令控制无人机执行相应的动作。

系统软件功能模块示意图如图4所示。

3自主巡检关键技术

对于无人机风机叶片全自主巡检而言,核心技术包含对于风机以任意姿态停机后相关参数的测算,结合已知和测算参数的巡检路径的自动规划和摄像头将风机叶片尽量保持在视野中央位置的云台自动追踪。

3.1风机停机姿态参数测算

当风机以任意状态停机时,风轮偏航角α和风机叶片倾角θ参数是随机的,需要无人机上搭载的感知设备进行姿态参数的测算。

从感知设备处理图像的维度,可以分为2D图像数据与3D点云数据。

3.1.1 2D图像数据设备

风机是由三扇两两互成120°角的叶片组成,具有特殊的外观结构,三扇叶片基本在同一平面上。对于2D平面图像,可选取风机叶片作为目标特征,并采用深度学习图像识别算法识别出叶片(与导流罩),绘制叶片矩形识别框,计算其位置和大小。在与轮毂等高的位置上，环绕风机飞行一周'摄像头实时采集风机外观视频流并检测风机叶片,计算叶片矩形识别框的横纵比(即矩形边界框的宽度与高度比),将检测出的矩形框横纵比中的最小值作为此位置的矩形框度量值,在环绕飞行的过程中,找到矩形框度量值最小的两个位置P₁和P₂,如图5所示。

再结合塔柱GPS坐标和P₁、P₂位置的坐标,即可计算风轮平面所在位置,再根据环绕飞行过程中识别出导流罩的无人机相对位置,计算出风轮平面的朝向。最终,无人机结合轮毂高度和测算的风轮偏航角α, 自行飞行至风轮平面正前方'根据逆时针方向下距离竖直塔柱最近的叶片矩形识别框的对角线与竖直方向的夹角,估算出风机叶片倾角θ,如图6所示。

3.1.2 3D点云数据设备

对于3D点云数据,当使用激光雷达、毫米波雷达等硬件设备或SFM与MVS等三维成像算法获取风机外观3D点云数据后,首先采用点云滤波去除风机点云的噪点和无关点云数据,再使用点云模型分割等方法得到风电机组各部分模型,最后利用叶片点云的点云投影、空间拟合和骨架提取等算法计算获取风轮偏航角α和风机叶片倾角θ。

3.2自主巡检路径规划

自主巡检路径规划技术需要计算巡检路径上关键点在GPS模块下的经纬高坐标(LLA)数据,使无人机依次飞行到这些关键点的位置上,从而形成对风机三扇叶片前缘、后缘和迎风面、背风面的表面巡检。

技术功能实现方面,首先是建立坐标系计算关键位置,分别以风机塔柱地面中心为原点建立起东北天坐标系(ENU)R₁,以三扇叶片中心线的交汇点(在轮毂内部)为原点,建立轮毂坐标系R₂。在轮毂坐标系R₂上,结合轮毂半径r、叶片长度L、距离叶片的安全飞行距离w和测算的叶片倾角参数θ,计算出轮毂坐标系R₂下各个关键点的空间坐标。之后结合轮毂高度h、风轮偏航角α和塔柱与叶片中心线交汇点之间的平移距离s参数,生成东北天坐标系R₁和轮毂坐标系R₂之间的旋转变换矩阵,将轮毂坐标系R₂下的关键点坐标换算到东北天坐标系R₁下。最后再将东北天坐标系R₁下的关键点空间数据根据坐标系换算公式计算生成经纬高坐标,输入给无人机的飞行模块,并根据飞行的位置调整变换无人机机头朝向和云台角度,保证相机始终正对叶片,拍摄出清晰的风机表面外观图像或视频数据。图7所示为当风机叶片呈倒Y字型停机时的巡检飞行仿真路径。

3.3视觉伺服云台追踪

在沿着风机预设路径点飞行时,可能会由若干因素的影响而导致相机在飞行到叶尖的过程中稍稍偏离叶片,所以在拍摄时,需要尽量保持风机叶片位于相机视野中央。本文采用先对视频流图像帧中的叶片进行分割,再对分割出的叶片区域进行边缘检测和直线拟合的方法,提取出最后的中轴线。根据中轴线的图像位置,云台控制相机,使拍摄的叶片图像尽量位于相机视野中央,方便后续的叶片图像拼接等工作。可采用基于HSV颜色模型的传统图像处理方法:HSV颜色模型是一种直观的颜色模型,符合人眼的视觉感知特性,另一方面亮度分量与图像的色彩信息无关,对于光照的抗干扰能力强。针对含有特定颜色信息的 目标图像分割,颜色特征是区分前景和背景的一个重要特征信息。

对于初始目标帧选取两个特征定位点,框选出一个矩形区域来提取颜色特征,求取该区域的HSV 通道阈值范围;颜色特征提取到的特征值构成了对目标区域分割的先验信息,通过该信息进行图像分割;形态学处理得到连通区域,并选取其中的最大连通域作为检测到的叶片区域来提取其边界;根据边缘信息计算左边缘直线和右边缘直线,并计算提取中轴线的位置;根据中轴线中点与图像中间点之间的偏移来调整云台姿态,效果如图8所示。

4检测内容与应用

基于本文所研究的无人机风机叶片自主巡检技术,无人机能够自动对风电场中风机叶片的前缘、后缘、迎风面和背风面等外观关键部位进行巡检,通过在关键路径点位置拍摄高清相片或视频,获取海量的外观巡检数据。搭建智能识别系统和采用基于深度学习的缺陷检测算法,对这些外观数据进行学习和训练,能够自主识别出风机叶片外观缺陷的种类和面积。通过后续巡检数据的收集和积累,缺陷检测模型也能够不断更新和完善。智能识别系统根据无人机传输的图像,利用AI云计算、图像处理技术,实时识别缺陷, 自动诊断设备故障。同时结合摄影测量技术,对故障部位进行定位,自动完成初步诊断工作,协助检修人员快速识别和分析问题,并提供实时预警。图9所示为无人机风机巡检叶片的几种典型缺陷。

5 结束语

本文对风机叶片无人机自主巡检系统的软硬件平台和关键技术核心算法实现等进行了研究设计和分析,通过使用无人机相关技术对风机叶片进行自主化智能巡检,不仅有效降低了人力成本,简化了巡检流程,极大地提高了风机叶片的巡检效率,而且还促进了风机运维巡检工作由传统方式向数字化、自动化、智能化转型,对于新能源风电场场站风机叶片的巡检工作开展具有较强的现实意义。

[参考文献]

[1]马敏敏,刘昊,高毓欣,等.基于无人机与人工智能的风机叶片全自主巡检[J].电气时代,2023(增刊2):44一48.

[2] 卜勇涛,焦岩,王凝哲,等.基于无人机的风电智能巡检系统分析[J].电子技术,2023,52(7):370一371.

[3]魏昂昂,姚中原,张宇,等.面向无人机自主巡检的风电机组姿态计算和航迹规划方法[J].风能,2023(1):68一77.

[4]赵文璇,李明,周筑博.海上风电无人系统自主巡检应用构想[J].海洋技术学报,2022,41(2):110一118.

[5]王馥华,顾沈骅,姚凯,等.基于无人机技术的风力发电机叶片自主巡检系统[J].机械制造,2022,60(3):63一65.

[6]汤翔,杨源.海上风电场智能无人巡检方案研究[J].电工技术,2021(20):12一14.

[7]张晗,李存义,曹淑刚,等.无人机在海上风电机组叶片巡检中的应用[J].能源科技,2020,18(5):67一70.

2024年第19期第2篇