劉艷貴，傅望安，王海明，曾崇濟(jì)

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

由于風(fēng)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(yīng)用在各個領(lǐng)域。由于受海上環(huán)境影響，風(fēng)機(jī)結(jié)構(gòu)需要承受海風(fēng)、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(dǎo)致海上風(fēng)機(jī)基礎(chǔ)結(jié)構(gòu)的失效，因此需要對其定期巡檢[1]。利用無人機(jī)巡檢螺旋槳[2]實現(xiàn)對海上風(fēng)機(jī)的巡檢能夠進(jìn)一步確保風(fēng)機(jī)的安全運行，螺旋槳是無人機(jī)的重要組成部分，其發(fā)生故障將嚴(yán)重影響海上風(fēng)機(jī)的巡檢效果，因此在對海上風(fēng)機(jī)巡檢時，監(jiān)測無人機(jī)螺旋槳振力異常具有十分重要的意義。

在國內(nèi)相關(guān)專家給出的一些研究方法的基礎(chǔ)上[3-5]，本文提出一種海上風(fēng)機(jī)無人機(jī)巡檢螺旋槳振力異常監(jiān)測方法。通過實驗分析證明，所提方法可以有效提升監(jiān)測結(jié)果的準(zhǔn)確性，減少監(jiān)測耗時。

1 螺旋槳振力異常監(jiān)測

1.1 異常特征提取

為了實現(xiàn)對異常信號的自動識別和判斷，在實現(xiàn)無人機(jī)螺旋槳振力異常監(jiān)測前，需要提取異常特征，以此建立無人機(jī)巡檢數(shù)據(jù)的基礎(chǔ)，為異常信號的識別和判斷提供依據(jù)。EEMD 分解[6-7]被廣泛應(yīng)用于不同的研究領(lǐng)域內(nèi)，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(fēng)機(jī)的無人機(jī)螺旋槳振力展開分解處理[8-9]：

（1）為使無人機(jī)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(jìn)而組成全新的信號xi（t），其表達(dá)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(jīng)過多次重復(fù)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(yīng)的計算式為

式中：n 代表常數(shù)。

將經(jīng)過EEMD 分解處理后的IMF 分量展開自相關(guān)分析，進(jìn)而獲取自相關(guān)函數(shù)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(zhǔn)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(xiàn)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(xì)的操作步驟如下所示：

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

（2）經(jīng)過Z 次傅里葉系數(shù)定位計算，以此獲取相應(yīng)運算結(jié)果Zr。

（3）獲得Zr并以此計算其通過Z 次計算后的次數(shù)。

（4）將總次數(shù)大于Z/2 的頻率成分保留下來，構(gòu)建全新的集合

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

式中：β 代表時域信號序列；y 代表執(zhí)行子采樣。

1.2 監(jiān)測方法

為實現(xiàn)無人機(jī)巡檢螺旋槳振力異常監(jiān)測，通常需要利用傳感器，而單一傳感器采集的數(shù)據(jù)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(zhǔn)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(jī)巡檢螺旋槳振力異常特征，引入多傳感器信息決策融合網(wǎng)絡(luò)結(jié)構(gòu)，對應(yīng)的結(jié)構(gòu)示意圖如圖1 所示。

圖1 多傳感器信息決策融合網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Structure of multi-sensor information decision fusion network

分析圖1 可知，整個網(wǎng)絡(luò)的組成可劃分為3 個部分：

（1）數(shù)據(jù)輸入層：對采集到的無人機(jī)巡檢螺旋槳振力全部信號展開預(yù)處理，并且提取不同傳感器對應(yīng)的多維特征，將其作為網(wǎng)絡(luò)的輸入。

（2）子決策層：以傳感器類型為依據(jù)，將提取到的無人機(jī)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(jī)（MLP）對全部樣本特征展開融合處理，進(jìn)而實現(xiàn)無人機(jī)巡檢螺旋槳振力異?；貧w映射。

（3）綜合決策層：對各個傳感器特征監(jiān)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(xiàn)螺旋槳振力異常監(jiān)測。

經(jīng)過子決策層劃分處理后，為了避免樣本特征不統(tǒng)一等問題的出現(xiàn)，因此需要統(tǒng)一化處理向量，并將其作為多傳感器信息決策融合網(wǎng)絡(luò)的數(shù)據(jù)輸入，經(jīng)過標(biāo)準(zhǔn)化處理的無人機(jī)巡檢螺旋槳振力異常特征H 表達(dá)式為

式中：ψ 為無人機(jī)巡檢螺旋槳振力異常特征的平均值；?1為特征數(shù)據(jù)方差值。

由于神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的學(xué)習(xí)和適應(yīng)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(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，利用三層神經(jīng)網(wǎng)絡(luò)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(jié)果。計算多層神經(jīng)網(wǎng)絡(luò)各個層間的映射關(guān)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(quán)重系數(shù)；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(jī)巡檢螺旋槳振力異常監(jiān)測結(jié)果的準(zhǔn)確性，需要對網(wǎng)絡(luò)不同層的參數(shù)展開優(yōu)化調(diào)整。引入折交叉驗證法判斷不同組合參數(shù)額度性能，選取最優(yōu)參數(shù)。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(yōu)化神經(jīng)網(wǎng)絡(luò)的性能，還需要對網(wǎng)絡(luò)展開進(jìn)一步的學(xué)習(xí)訓(xùn)練。通過更新網(wǎng)絡(luò)權(quán)重系數(shù)u 和偏置b，可以使網(wǎng)絡(luò)更好地適應(yīng)訓(xùn)練數(shù)據(jù)，提高其泛化能力，從而提高螺旋槳振力異常監(jiān)測的準(zhǔn)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(jī)巡檢螺旋槳振力特征，根據(jù)相同比例設(shè)置將其分為學(xué)習(xí)樣本與對照樣本，以此獲取損失函數(shù)P（mse），其數(shù)值越小，說明網(wǎng)絡(luò)訓(xùn)練的魯棒性越好，其表達(dá)式如下：

式中：m 為樣本總數(shù)；xs和為無人機(jī)巡檢螺旋槳振力的實際值和預(yù)測值。

通過多次迭代訓(xùn)練，需要不斷對偏置和權(quán)重系數(shù)展開更新處理，將損失函數(shù)的數(shù)值降至最低，實現(xiàn)網(wǎng)絡(luò)訓(xùn)練?；诖耍瑢o人機(jī)巡檢螺旋槳振力展開回歸預(yù)測，將得到的預(yù)測結(jié)果展開加權(quán)綜合決策處理，進(jìn)而實現(xiàn)無人機(jī)巡檢螺旋槳振力異常監(jiān)測，其異常監(jiān)測結(jié)果?（x，y，z）表示為

2 實驗分析

為了驗證所提海上風(fēng)機(jī)無人機(jī)巡檢螺旋槳振力異常監(jiān)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(jī)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(xiàn)場圖如圖4 所示。

圖3 無人機(jī)巡檢螺旋槳Fig.3 UAV inspects propeller

圖4 示波器現(xiàn)場圖Fig.4 Field diagram of oscilloscope

實際的無人機(jī)巡檢螺旋槳振力異常波形如圖5所示。

圖5 無人機(jī)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(jī)巡檢螺旋槳振力異常信號，測試結(jié)果如圖6 所示。

圖6 研究方法的異常提取結(jié)果Fig.6 Anomaly extraction results of research method

分析圖6 可知，通過與實際無人機(jī)巡檢螺旋槳振力異常波形圖對比，所提方法的異常提取結(jié)果與實際異常結(jié)果具有一致性，說明所提方法可以精準(zhǔn)提取無人機(jī)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(shè)置10 組實驗，以時間為評價指標(biāo)，測試結(jié)果如表1 所示。

表1 異常監(jiān)測用時結(jié)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(shù)量平均耗時僅為5.60 s，監(jiān)測效率高，進(jìn)一步驗證了方法的優(yōu)越性。

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

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

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(jié)果如圖7 所示。

圖7 研究方法的異常監(jiān)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(dāng)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(zhǔn)的無人機(jī)巡檢螺旋槳振力異常監(jiān)測結(jié)果。

3 結(jié)語

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