海上風機無人機巡檢螺旋槳振力異常監測研究

劉艷貴，傅望安，王海明，曾崇濟

（1.華能（浙江）能源開發有限公司清潔能源分公司，杭州 310014；2.中國華能集團清潔能源技術研究院有限公司，北京 102209）

由于風能具有可再生特性，為履行低碳方針，其成為熱點能源被廣泛應用在各個領域。由于受海上環境影響，風機結構需要承受海風、潮汐、海生物附著、材料老化等多種影響因素，這些因素都會導致海上風機基礎結構的失效，因此需要對其定期巡檢[1]。利用無人機巡檢螺旋槳[2]實現對海上風機的巡檢能夠進一步確保風機的安全運行，螺旋槳是無人機的重要組成部分，其發生故障將嚴重影響海上風機的巡檢效果，因此在對海上風機巡檢時，監測無人機螺旋槳振力異常具有十分重要的意義。

在國內相關專家給出的一些研究方法的基礎上[3-5]，本文提出一種海上風機無人機巡檢螺旋槳振力異常監測方法。通過實驗分析證明，所提方法可以有效提升監測結果的準確性，減少監測耗時。

1 螺旋槳振力異常監測

1.1 異常特征提取

為了實現對異常信號的自動識別和判斷，在實現無人機螺旋槳振力異常監測前，需要提取異常特征，以此建立無人機巡檢數據的基礎，為異常信號的識別和判斷提供依據。EEMD 分解[6-7]被廣泛應用于不同的研究領域內，并且取得了比較顯著的研究成果，因此本研究通過EEMD 分解對巡檢海上風機的無人機螺旋槳振力展開分解處理[8-9]：

（1）為使無人機螺旋槳振力信號符合實際情況，在原始信號x（t）中添加高斯白噪聲si（t），進而組成全新的信號xi（t），其表達式為

（2）將加入噪聲后的信號組［x1（t），x2（t），…，xn（t）］中的各個信號xi（t）展開EEMD 分解處理，從而提取IMF 分量，并經過多次重復操作，獲取多組IMF 分量。

（3）計算全部IMFi組合的平均值，確定各組IMF分量Mj（t），對應的計算式為

式中：n 代表常數。

將經過EEMD 分解處理后的IMF 分量展開自相關分析，進而獲取自相關函數Si（τ），計算式為

式中：T 代表周期；τ 代表延遲時間。

通過EEMD 分解提取到多個IMF 分量，但是每個分量的頻譜特征不明顯，難以準確提取異常特征。而稀疏快速傅里葉變換可以將每個IMF 分量的頻譜特征更加明顯地展現出來，從而更容易提取異常特征。因此，將提取具有周期特征的IMF 分量展開稀疏快速傅里葉變換，詳細的操作步驟如下所示：

（1）將IMF 分量初始化處理，設定無人機螺旋槳振力信號的長度l、稀疏度p 和窗口函數f 的參數，經過定位計算獲取計算總次數Z：

（2）經過Z 次傅里葉系數定位計算，以此獲取相應運算結果Zr。

（3）獲得Zr并以此計算其通過Z 次計算后的次數。

（4）將總次數大于Z/2 的頻率成分保留下來，構建全新的集合

（6）基于以上計算，獲取頻率與幅值，并將其設置為傅里葉系數hop[10]，獲取異常特征提取結果為

式中：β 代表時域信號序列；y 代表執行子采樣。

1.2 監測方法

為實現無人機巡檢螺旋槳振力異常監測，通常需要利用傳感器，而單一傳感器采集的數據可能存在一定的誤差和不足，多傳感器信息決策融合可以有效提高異常檢測的準確性和可靠性，可以綜合利用各種信息識別和判定各種異常情況。因此，基于以上獲取的無人機巡檢螺旋槳振力異常特征，引入多傳感器信息決策融合網絡結構，對應的結構示意圖如圖1 所示。

圖1 多傳感器信息決策融合網絡結構圖Fig.1 Structure of multi-sensor information decision fusion network

分析圖1 可知，整個網絡的組成可劃分為3 個部分：

（1）數據輸入層：對采集到的無人機巡檢螺旋槳振力全部信號展開預處理，并且提取不同傳感器對應的多維特征，將其作為網絡的輸入。

（2）子決策層：以傳感器類型為依據，將提取到的無人機巡檢螺旋槳振力異常特征劃分多維特征向量，即為多個獨立的樣本，并通過多層感知機（MLP）對全部樣本特征展開融合處理，進而實現無人機巡檢螺旋槳振力異常回歸映射。

（3）綜合決策層：對各個傳感器特征監測獲取螺旋槳振力異常，再次通過MLP 展開融合處理，最終實現螺旋槳振力異常監測。

經過子決策層劃分處理后，為了避免樣本特征不統一等問題的出現，因此需要統一化處理向量，并將其作為多傳感器信息決策融合網絡的數據輸入，經過標準化處理的無人機巡檢螺旋槳振力異常特征H 表達式為

式中：ψ 為無人機巡檢螺旋槳振力異常特征的平均值；?1為特征數據方差值。

由于神經網絡具有強大的學習和適應能力，可以自動提取特征和分類判別。因此，在引入多傳感器信息決策融合網絡結構的基礎上，利用三層神經網絡對其展開融合和綜合決策。輸入層可以接收多傳感器信息，隱含層可以自動提取特征，輸出層可以異常檢測和判定，并輸出異常情況的識別結果。計算多層神經網絡各個層間的映射關系，即隱含層和輸出層的輸出向量ak與ej：

式中：uik為輸入層和隱含層之間的權重系數；bik為輸入層和輸出層之間的偏置；cik為輸入層和隱含層之間的偏置。

為了確保無人機巡檢螺旋槳振力異常監測結果的準確性，需要對網絡不同層的參數展開優化調整。引入折交叉驗證法判斷不同組合參數額度性能，選取最優參數。折交叉驗證示意圖如圖2 所示。

圖2 折交叉驗證示意圖Fig.2 Schematic diagram of folding cross verification

在完成上述操作后，為了優化神經網絡的性能，還需要對網絡展開進一步的學習訓練。通過更新網絡權重系數u 和偏置b，可以使網絡更好地適應訓練數據，提高其泛化能力，從而提高螺旋槳振力異常監測的準確性和可靠性。其計算式如下：

基于以上計算，將獲取的無人機巡檢螺旋槳振力特征，根據相同比例設置將其分為學習樣本與對照樣本，以此獲取損失函數P（mse），其數值越小，說明網絡訓練的魯棒性越好，其表達式如下：

式中：m 為樣本總數；xs和為無人機巡檢螺旋槳振力的實際值和預測值。

通過多次迭代訓練，需要不斷對偏置和權重系數展開更新處理，將損失函數的數值降至最低，實現網絡訓練。基于此，對無人機巡檢螺旋槳振力展開回歸預測，將得到的預測結果展開加權綜合決策處理，進而實現無人機巡檢螺旋槳振力異常監測，其異常監測結果?（x，y，z）表示為

2 實驗分析

為了驗證所提海上風機無人機巡檢螺旋槳振力異常監測方法的有效性，實驗選取長度為53 cm、螺距為7 mm、葉片扭曲角度為5°的無人機巡檢螺旋槳展開實驗，如圖3 所示。將獲取到的振力異常信號通過Rigol DS1054Z 型號的示波器顯示，示波器信號輸出現場圖如圖4 所示。

圖3 無人機巡檢螺旋槳Fig.3 UAV inspects propeller

圖4 示波器現場圖Fig.4 Field diagram of oscilloscope

實際的無人機巡檢螺旋槳振力異常波形如圖5所示。

圖5 無人機巡檢螺旋槳振力異常波形圖Fig.5 Abnormal vibration force waveform of UAV inspection propeller

實驗通過所提方法提取無人機巡檢螺旋槳振力異常信號，測試結果如圖6 所示。

圖6 研究方法的異常提取結果Fig.6 Anomaly extraction results of research method

分析圖6 可知，通過與實際無人機巡檢螺旋槳振力異常波形圖對比，所提方法的異常提取結果與實際異常結果具有一致性，說明所提方法可以精準提取無人機巡檢螺旋槳振力異常特征。

為了證明所提方法具有高效性，選取500 個測試樣本，設置10 組實驗，以時間為評價指標，測試結果如表1 所示。

表1 異常監測用時結果Tab.1 Abnormal monitoring time results

分析表1 可知，本文方法在測試500 個樣本數量平均耗時僅為5.60 s，監測效率高，進一步驗證了方法的優越性。

為驗證所提方法的監測性能，選取異常狀態下的漏報率FAR 和正常狀態下的誤報率MDR 作為測試指標，對應的計算式為

式中：N（N，F）為測試樣本集中正常數據被判定為異常數據點的個數；N（N）和N（F）分別為正常和異常樣本總數；N（M）為測試集中異常數據被判定為正常數據的個數。

實驗選取500 個測試樣本，基于以上計算式，測試研究方法的實驗結果如圖7 所示。

圖7 研究方法的異常監測性能Fig.7 Anomaly monitoring performance of research method

分析圖7 可知，所提算法的漏報率與誤報率較低，當測試樣本為500 個時，其漏報率僅為1.1%，誤報率僅為0.8%，說明所提方法可以獲取精準的無人機巡檢螺旋槳振力異常監測結果。

3 結語

為了有效改善傳統方法存在的不足，提出一種海上風機無人機巡檢螺旋槳振力異常監測方法。通過大量實驗分析證明，采用所提方法可以準確提取無人機巡檢螺旋槳振力異常特征，獲得異常檢測效果更為準確，且效率更高。在未來研究過程中，可以嘗試引入其他優化方法，使其各方面的性能得到進一步優化。