中国科学院工程热物理研究所/中科国风科技有限公司研究员/总经理杨科:《风电叶片的自动巡检和智能化缺陷识别》

2019-08-26 东方风力发电网 点击:249
字号:T|T

2019年8月21日上午,由东方风力发电网主办的2019中国风电叶片运维技术专题研讨会(CWPM2019)在无锡市锦江大酒店隆重开幕。会议期间,中国科学院工程热物理研究所/中科国风科技有限公司研究员/总经理杨科发表了题为《风电叶片的自动巡检和智能化缺陷识别》的精彩演讲。

 

以下为演讲实录:

我们在做无人机巡检这一块走了不同的技术路线,已有的基本上在做可见光的巡检,现在我们做的是基于红外和可见光联合双光谱拍照的巡检。这一块工作我们也是刚刚开始,所以我这一块也是技术路径的探究,是刚开始,这周一才拿出测试的结果,所以后面给大家展示现在的结果。

第一篇是叶片的巡检的市场有多大和必要性,今天我从产品的可靠性角度阐述一下。大家知道叶片的可靠性的曲线,我们称之为“浴盆曲线”或者是“微笑曲线”,微笑曲线在整个的叶片生命周期内,一开始的时候会有很大的产品失效,失效的概率多大?在这个地方我们经常要做一些检修或者是巡检或者是技改以及其他的突破。那在底下的这条红线的时候叶片的质量已经比较稳定的,当然和不同的叶片,不同的风场或者是不同的工艺,横线长短会有所区别。到了后期会出现大量的失效情况,已经在后期的检查频率会非常高。整个过程中,我们就需要把失效影响的可能性还有失效的模式,以及不同模式的比例、运行的时间参数在整个周期上需要考虑这么多的参数。

从整个生命周期下如果考虑叶片可靠性的问题,我们现在在做一些检测,主要是运行、维护,叶片的结构破坏会导致力学的性能破坏,甚至有可能是气动性或者是经济性能的下降,它会对安全性产生影响。前面几位专家也在讲缺陷产生的可能,我在这里分成两类:一类就是基因性质,作为生命来讲它是基因,从设计角度或者是工厂里的生产角度就已经带来这种缺陷,这种缺陷属于基因性质的,基因性质应该是有一个专门的评判报告,无损测试等方面来评估。后面还有外部条件驱动我们称之为后天的,像雷击或者是运输或者是主机冲击载荷等影响,这些会产生额外的损伤。其实我们在这两个阶段,一个是基因性的缺陷,考虑厂里的缺陷和外部的缺陷,他们评估的角度我觉得事实上在役运行的阶段缺少评估的理论,我们是以极限载荷来评估的满足一个极限载荷的一些工艺。运行指标我认为要用叶片的剩余寿命来考虑这个事,它的缺陷,它的检查,围绕它的叶片运行5年,10年或者是20年它还剩多少寿命的时候,我们用这一套理论以及方法来考虑,才是我们在座各位想要开展的业务的核心的理论。以后有机会再和大家分享,因为现在还在做。在运行的阶段,我们需要巡检、检查以及在线检测等一系列的手段。

这里面有多种的手段传统的巡检模式用望远镜、长焦相机,出质保必须上吊兰和叶片表面和内腔的检查,这些看起来是专家级的经验,外部检查实际上是没法检测到内部缺陷,但是如果从人装到内腔里头其实也有局限性,人钻不到的地方,叶尖主梁的一些缺陷。到了叶片运行的后期,譬如出现缺陷的时候检查频率会越来越高,我们无论用什么手段必然频次会增高,这种情况系使用无人机以及智能化的缺陷识别会带来频次以及可靠性等等的提高。新的巡检方式应该以仪器设备来检查,自动化巡检来代替人工巡检,这应该是一个趋势。无人机巡检主要是基于可见光,红外巡检主要是用吊兰,主动加热,能够做一个比较精细的检测,但是时间、设备、人力成本还是比较高,更主要的像在地面上的巡检成本、时间就更高了,现在比较可行的未来趋势性的应该是基于无人机的自动化巡检,做成可视化的图片,然后再做一些智能化的缺陷识别,这也是做巡检的未来趋势。

我们和另外一个公司联合开发这个产品,这个产品的主题词就是无人机的自动巡检,多数据源的融合以及人工的智能识别,还有云服务,把数据传到云端之后进行缺陷的识别和排查,最后形成一个研究报告。这里覆盖了整个风机叶片全寿命周期的管理,多维度的钻营。叶片的出厂检测,叶片装机之后的一个检测,运维过程中的检测。检测方式除了无人机、大型机器人以及人工,传感器主要是使用超声、红外、可见光等等,尤其在红外、超声可能需要采用主动以及被动加热的措施。外边裂纹以及内部褶皱等等这些都要进行判断。现在开始的阶段是在最下面的叶片缺陷检测方法实验研究的阶段,这个阶段要对温度特性、地域特性、季节、时段对于检测条件进行研究,还有在缺陷特定这方面进行可见光和红外光的检测的精度的识别以及相机的分辨率、检测距离做一些测试方案。最后形成无人机的一键巡检的方案以及智能巡检识别的方案。最后系统应该是基于企业云服务,由巡检单位使用左边这种无人机巡检机器人等措施,一起手持终端来检测,最终上传云端。

这里面的关键技术有几项:一个是无人机进行自动巡检路线的规划,这个规划也是很难的一件事,因为和环境(风速、逆光)等等,无人机巡检路线规划是很麻烦的一件事,需要靠自动识别。它绕叶片巡检之后产生三维图,这些三维图的缺陷已经识别出来的,要进行三维图片的融合技术,既然想要做智能化的巡检,那要求我们做这种图片要求标准化,这是非常关键的,就是图像是要标准的,我们如何做标准化图像之后有标准化识别。然后缺陷数据库以及图像缺陷的深度学习,我们还要对这些缺陷进行评级,我们看到这些评级方法,还有叶片在出厂过程中我们把所有的数据积累起来之后会有一个大数据技术的寿命周期的评估方法,这样积累的十年、二十年的数据之后,我们才真正能做到这个叶片出现了什么缺陷,它的寿命有多长,我们才能够有一个准确的评估数据支持。

叶片缺陷数据分类可以分为致命的缺陷:生命周期在半年范围内;严重缺陷生命周期一般在1-5年;一般缺陷是不用修理,缺陷生存周期为5-10年,在不同的位置应该有缺陷的分级的数据库的支持。这是做的页面,选中机组之后巡检的次数、维修状态、缺陷状态应该给一个图式化的界面,这里有一个缺陷,我们除了选叶片之外,它的可见光图片以及红外图片以及融合图片都应该有一个显示,这个差不多要有一年的时间才能做完,现在是刚刚开始。

后面给了几个图片,就像题目里说的,双光谱的巡检措施产生的一些结果,这些结果拿到其实到很困难,我们做了将近2个月的时间才真正找到合适的角度,找到合适的排查的经验,一开始都识别不了。左边是蒙皮褶皱。我们在风场也发现了其他的缺陷,这里列出的有代表性的例子,这个例子就是在地面上,我们很轻松地看到那个鼓包,实际上在无人机巡检的时候就没有发现,因为无人机的角度原因有些区域是没有拍摄到。这个是叶片修补,在红外这一块有颜色比较深的对应上的叶片修补实际上就是颜色不一样的。这个是尾缘开裂的照片,这个照片是在地面上,我们整套方案都是有经验的人员先把整个风场进行检查,然后每个叶片都有什么样的缺陷都知道,但是这张照片实际上是人检的时候就没有查到,主要是角度问题,人没有检查到,但是无人机查到了,看红外的那张图也很好地表达出这个缺陷尾缘开裂的情况。还有一个缺陷可见光没有任何问题,在主梁上有两个大的阴影,那肯定是有缺胶的现象,不用红外的话是看不出来的。还有一个是G58机组,这个机组那边是主梁,在外面看不到任何缺陷,当时涂胶的时候不是满涂的,在红外可以很好地展示出来。

说一下结论,我们也是刚刚接触这种叶片检测的领域,在外场的检查发现从人工到无人机可见光、红外包括人上叶片去巡检有很多互补性。基于红外可见光双光拍照技术,能够更详细地作出外场叶片缺陷识别,很多都是数据处理出来的。未来的趋势还是自动大巡检,智能化的缺陷识别以及周期数据积累和可靠性评估,这是未来的趋势。刚才也说其实我们在外场的测试过程中才刚刚开始起步,需要有更多的识别缺陷的人来参与,我们欢迎在座的各位专家、各位业主以及第三方运维公司和我们一起合作,把这个事情研究做下去,把这个产品开发好。谢谢各位。

(内容来自现场速记,未经本人审核,如有不妥请联系修改)


TAG: