基于聲發射信號特征的海上風電場導管架裂紋檢測系統

銀磊?張新宇?趙金輝?張瑞光

摘要：導管架連接上部風機塔筒和下部主體，是海上風機的最重要結構之一。傳統裂紋檢測過程費時費力，在此背景下，本文闡述了一種基于聲發射信號的導管架水下裂紋檢測系統及其方法，其采用基于深度學習的人工智能檢測算法，以聲發射傳感器作用于待測導管架的聲發射回波信號作為輸入數據，并對其進行笛卡爾坐標系下的時間序列遷移到極坐標系上表示的場域轉化后，來提取所述聲發射回波信號中關于所述導管架聚焦于空間位置上以及通道內容上的特征分布信息，并以這兩者的特征信息的融合來進行導管架是否存在水下裂紋的檢測判斷，能夠實時智能地對于海上風電場導管架是否存在水下裂紋進行準確地檢測，以保障海上風電導管架的安全性，降低企業后期維修成本。

關鍵詞：海上風電場；裂紋檢測；聲發射信號特征；深度學習

深圳市科技計劃項目“重2022022面向海上風電場導管架的數字化監測系統關鍵技術研發”（項目編號：JSGG2021080215354033）。

銀磊（1982.06-），男，重慶，碩士，研究方向：高級能源互聯網；

張新宇（1987.09-），女，河南，碩士，研究方向：中級能源管理控制；

趙金輝（1983.12-），男，湖北武漢，本科，研究方向：中級智慧能源領域軟件平臺建設；

張瑞光（1987.09-），男，湖北宜城，本科，研究方向：智慧能源領域軟件平臺建設。

一、引言

在國家大力推進“碳達峰”和“碳中和”的大背景下，風電、光伏、抽水蓄能行業快速發展，海上風電作為風電產業最重要的組成部分，其發展速度不容小覷，隨著海上風電的高速發展，海上風機的大型化發展趨勢已是必然。導管架基礎作為海上風機基礎上最穩重可靠的基礎形式之一，在海上風電的發展中占據著不可或缺的地位，而作為連接上部風機塔筒和下部主體的過渡段結構，亦是起著承上啟下的關鍵作用。目前，由于導管架平臺所處地區大多為高溫高鹽、環境載荷復雜的海域，需要定期對其進行維護及探傷裂紋檢測，以確保導管架平臺的安全性。傳統的檢測技術包括磁粉檢測（MT）、超聲檢測技術（UT）、渦流檢測（ET）等技術。

二、研究現狀

目前，對于瑕疵識別的研究較為廣泛，瑕疵識別方法可歸納為人工識別方法、單一機理識別方法和機器視覺識別方法等三大類：

1.人工識別

人工識別在工業瑕疵檢測中是最常見的方法，這種方法通過人眼將具有瑕疵的產品篩選出來。雖然該方法的應用不需要投入任何設備，但因其在工作效率低，勞動強度大，產品成本高，易受到監測人員的素質、肉眼分辨率、檢測經驗、眼部疲勞程度、質檢人員的主觀經驗及感受等諸多因素影響。

2.單一機理識別

單一機理識別是一種利用物質的聲、光、磁和電等特性，通過各種高靈敏的器件，實現材料瑕疵識別的方法。此類方法根據其實現原理，可分為紅外識別、磁粉識別、渦流識別、漏磁識別，但這些方法都有各自的局限性。

3.機器視覺識別

機器視覺是無損的瑕疵識別技術，其提出初期主要被應用于計算機視覺領域，后來由于其具有安全可靠、工作效率高等優點，被引入到了各個領域。機器視覺技術是一項綜合技術，包括圖像的獲取技術、圖像的處理技術以及目標的測量和識別技術。此類方法主要是由圖像采集和瑕疵識別兩個過程組成。

三、關鍵技術與研究內容

（一）關鍵技術

傳統檢測技術的檢測過程對于人員的操作技能要求較高、產生的效費比低、智能化水平低，在作業時必須要在被測導管架表面去除防腐層，成本較高，且只能用于檢測宏觀缺陷，并且傳統的檢測方案大多數需要依靠人工進行操作，人工監測的過程效率低、實時性差。因此，期望一種優化的導管架水下裂紋檢測系統，其能夠實時智能地對于海上風電場導管架是否存在水下裂紋進行準確的檢測，以保障海上風電導管架的安全性，降低企業后期維修成本。

（二）主要研究內容

在整個導管架水下裂紋檢測系統的設計之中，主要功能模塊有聲發射回波信號采集模塊、域映射模塊、第一特征提取模塊等，各個模塊介紹如下：

①聲發射回波信號采集模塊，用于獲取聲發射傳感器，作用于待測導管架的聲發射回波信號；

②域映射模塊，用于對所述聲發射回波信號進行格拉姆角和場變換以得到格拉姆角和場圖像；

③第一特征提取模塊，用于將所述格拉姆角和場圖像，通過使用空間注意力的第一卷積神經網絡模型以得到第一聲發射檢測特征圖；

④第二特征提取模塊，用于將所述格拉姆角和場圖像，通過使用通道注意力的第二卷積神經網絡模型以得到第二聲發射檢測特征圖；

⑤特征融合模塊，用于融合所述第一聲發射檢測特征圖和所述第二聲發射檢測特征圖以得到分類特征圖；

⑥特征流形校正模塊，用于對所述分類特征圖進行高維特征流形校正，以得到校正后分類特征圖；以及檢測結果生成模塊，用于將所述校正后分類特征圖通過分類器以得到分類結果，所述分類結果用于表示導管架是否存在水下裂紋。

導管架水下裂紋檢測系統中第一特征提取模塊，進一步用于：使用所述使用空間注意力的第一卷積神經網絡模型的卷積編碼部分，對所述格拉姆角和場圖像進行深度卷積編碼，以得到第一格拉姆角和場卷積特征圖；將所述第一格拉姆角和場卷積特征圖，輸入所述使用空間注意力的第一卷積神經網絡模型的空間注意力部分，以得到空間注意力圖；將所述空間注意力圖通過Softmax激活函數，以得到空間注意力特征圖；以及計算所述空間注意力特征圖和所述第一格拉姆角和場卷積特征圖的按位置點乘，以得到所述第一聲發射檢測特征圖。

導管架水下裂紋檢測系統中第二特征提取模塊進一步用于：將所述格拉姆角和場圖像，輸入所述使用通道注意力的第二卷積神經網絡模型的多層卷積層，以得到第二格拉姆角和場卷積特征圖；計算所述第二格拉姆角和場卷積特征圖的沿通道維度的各個特征矩陣的全局均值，以得到通道特征向量；將所述通道特征向量輸入所述Sigmoid激活函數，以得到通道注意力權重向量；以及以所述通道注意力權重向量中各個位置的特征值作為權重，對所述第二格拉姆角和場卷積特征圖的沿通道維度的各個特征矩陣進行加權，以得到所述第二聲發射檢測特征圖。導管架水下裂紋檢測系統中特征融合模塊，以如下公式融合所述第一聲發射檢測特征圖和所述第二聲發射檢測特征圖，以得到分類特征圖。

導管架水下裂紋檢測系統中特征流形校正模塊，以如下公式對所述分類特征圖進行高維特征流形校正，以得到所述校正后分類特征圖；其中，所述公式為：

其中，fi和fj表示所述分類特征圖的各個位置的特征值，且表示所述分類特征圖的所有特征值的均值，且N表示所述分類特征圖的尺度，exp（·）表示數值的指數運算，所述數值的指數運算表示以數值為冪的自然指數函數值，fi'表示所述校正后分類特征圖的各個位置的特征值。

四、系統分析與設計

（一）應用場景分析

在導管架水下裂紋檢測系統應用場景中，首先獲取聲發射傳感器作用于待測導管架的聲發射回波信號；然后將獲取的所述聲發射回波信號，輸入至部署有基于聲發射信號的導管架水下裂紋檢測算法的服務器中，其中，所述服務器能夠使用基于聲發射信號的導管架水下裂紋檢測算法，對所述聲發射回波信號進行處理，以生成用于表示導管架是否存在水下裂紋。詳細應用場景如圖1所示。

（二）系統設計

在導管架水下裂紋檢測系統之中，采用聲發射信號檢測的流程圖具體如圖2所示。

在導管架水下裂紋檢測之中，具體包括：

①聲發射回波信號采集步驟S110：獲取聲發射傳感器作用于待測導管架的聲發射回波信號；

②域映射步驟S120：對所述聲發射回波信號進行格拉姆角和場變換，以得到格拉姆角和場圖像；

③第一特征提取步驟S130：將所述格拉姆角和場圖像通過使用空間注意力的第一卷積神經網絡模型，以得到第一聲發射檢測特征圖；

④第二特征提取步驟S140：將所述格拉姆角和場圖像通過使用通道注意力的第二卷積神經網絡模型，以得到第二聲發射檢測特征圖；

⑤特征融合步驟S150：融合所述第一聲發射檢測特征圖和所述第二聲發射檢測特征圖，以得到分類特征圖；

⑥特征流形校正步驟S160：對所述分類特征圖進行高維特征流形校正，以得到校正后分類特征圖；

⑦檢測結果生成步驟S170：將所述校正后分類特征圖通過分類器以得到分類結果，所述分類結果用于表示導管架是否存在水下裂紋。

基于聲發射信號的導管架水下裂紋檢測方法的系統架構的示意圖如圖3所示。

如圖3所示，在導管架水下裂紋檢測系統中，首先獲取聲發射傳感器作用于待測導管架的聲發射回波信號；然后，對所述聲發射回波信號進行格拉姆角和場變換，以得到格拉姆角和場圖像；接著，將所述格拉姆角和場圖像通過使用空間注意力的第一卷積神經網絡模型，以得到第一聲發射檢測特征圖；然后，將所述格拉姆角和場圖像通過使用通道注意力的第二卷積神經網絡模型，以得到第二聲發射檢測特征圖；接著，融合所述第一聲發射檢測特征圖和所述第二聲發射檢測特征圖，以得到分類特征圖；然后，對所述分類特征圖進行高維特征流形校正，以得到校正后分類特征圖；最后，將所述校正后分類特征圖通過分類器，以得到分類結果，所述分類結果用于表示導管架是否存在水下裂紋。

五、結束語

海上風電場導管架裂紋檢測系統主要采用深度學習的方法進行處理，將所述校正后分類特征圖按照行向量或列向量展開為分類特征向量，使用所述分類器的多個全連接層，對所述分類特征向量進行全連接編碼以得到編碼分類特征向量；將所述編碼分類特征向量，通過所述分類器的Softmax分類函數，以得到所述分類結果，以此對導管架的裂縫進行快速檢測，有異常狀態及時報警，從而提升整個海上風電場的安全性。

作者單位：銀磊 張新宇 趙金輝 張瑞光 深圳量云能源網絡科技有限公司

參? 考? 文? 獻

[1]尹漢軍，付殿福.300米級深水導管架在南海陸坡區應用的挑戰與關鍵技術研究[J].中國海上油氣，2022，34（01）：147-154.

[2]彭建盛，李濤濤，侯雅茹，等.基于機器學習的裂紋識別研究現狀及發展趨勢[J].廣西科學，2021，28（03）：215-228.

[3]冉蓉，徐興華，邱少華，等.基于深度卷積神經網絡的裂紋檢測方法綜述[J].計算機工程與應用，2021，57（09）：23-35.

[4]湯勃，孔建益，王興東，等.鋼板表面低對比度微小缺陷圖像增強和分割[J].中國圖象圖形學報，2020，25（01）：81-91.

[5]張紅霞，王燦，劉鑫，等.圖像邊緣檢測算法研究新進展[J].計算機工程與應用，2018，54（14）：11-18.

[6]黃彭奇子.基于圖像處理的表面缺陷檢測關鍵技術研究[D].國防科技大學，2019.

[7]彭建盛，李濤濤，侯雅茹，等.基于機器學習的裂紋識別研究現狀及發展趨勢[J].廣西科學，2021，28（3）：215-228.

[8]曹渝昆，桂麗嬡.基于深度可分離卷積的輕量級時間卷積網絡設計[J].計算機工程，2020，46（9）：95-100，109.