基于声发射信号特征的海上风电场导管架裂纹检测系统

银磊?张新宇?赵金辉?张瑞光

摘要：导管架连接上部风机塔筒和下部主体，是海上风机的最重要结构之一。传统裂纹检测过程费时费力，在此背景下，本文阐述了一种基于声发射信号的导管架水下裂纹检测系统及其方法，其采用基于深度学习的人工智能检测算法，以声发射传感器作用于待测导管架的声发射回波信号作为输入数据，并对其进行笛卡尔坐标系下的时间序列迁移到极坐标系上表示的场域转化后，来提取所述声发射回波信号中关于所述导管架聚焦于空间位置上以及通道内容上的特征分布信息，并以这两者的特征信息的融合来进行导管架是否存在水下裂纹的检测判断，能够实时智能地对于海上风电场导管架是否存在水下裂纹进行准确地检测，以保障海上风电导管架的安全性，降低企业后期维修成本。

关键词：海上风电场；裂纹检测；声发射信号特征；深度学习

深圳市科技计划项目“重2022022面向海上风电场导管架的数字化监测系统关键技术研发”（项目编号：JSGG2021080215354033）。

银磊（1982.06-），男，重庆，硕士，研究方向：高级能源互联网；

张新宇（1987.09-），女，河南，硕士，研究方向：中级能源管理控制；

赵金辉（1983.12-），男，湖北武汉，本科，研究方向：中级智慧能源领域软件平台建设；

张瑞光（1987.09-），男，湖北宜城，本科，研究方向：智慧能源领域软件平台建设。

一、引言

在国家大力推进“碳达峰”和“碳中和”的大背景下，风电、光伏、抽水蓄能行业快速发展，海上风电作为风电产业最重要的组成部分，其发展速度不容小觑，随着海上风电的高速发展，海上风机的大型化发展趋势已是必然。导管架基础作为海上风机基础上最稳重可靠的基础形式之一，在海上风电的发展中占据着不可或缺的地位，而作为连接上部风机塔筒和下部主体的过渡段结构，亦是起着承上启下的关键作用。目前，由于导管架平台所处地区大多为高温高盐、环境载荷复杂的海域，需要定期对其进行维护及探伤裂纹检测，以确保导管架平台的安全性。传统的检测技术包括磁粉检测（MT）、超声检测技术（UT）、涡流检测（ET）等技术。

二、研究现状

目前，对于瑕疵识别的研究较为广泛，瑕疵识别方法可归纳为人工识别方法、单一机理识别方法和机器视觉识别方法等三大类：

1.人工识别

人工识别在工业瑕疵检测中是最常见的方法，这种方法通过人眼将具有瑕疵的产品筛选出来。虽然该方法的应用不需要投入任何设备，但因其在工作效率低，劳动强度大，产品成本高，易受到监测人员的素质、肉眼分辨率、检测经验、眼部疲劳程度、质检人员的主观经验及感受等诸多因素影响。

2.单一机理识别

单一机理识别是一种利用物质的声、光、磁和电等特性，通过各种高灵敏的器件，实现材料瑕疵识别的方法。此类方法根据其实现原理，可分为红外识别、磁粉识别、涡流识别、漏磁识别，但这些方法都有各自的局限性。

3.机器视觉识别

机器视觉是无损的瑕疵识别技术，其提出初期主要被应用于计算机视觉领域，后来由于其具有安全可靠、工作效率高等优点，被引入到了各个领域。机器视觉技术是一项综合技术，包括图像的获取技术、图像的处理技术以及目标的测量和识别技术。此类方法主要是由图像采集和瑕疵识别两个过程组成。

三、关键技术与研究内容

（一）关键技术

传统检测技术的检测过程对于人员的操作技能要求较高、产生的效费比低、智能化水平低，在作业时必须要在被测导管架表面去除防腐层，成本较高，且只能用于检测宏观缺陷，并且传统的检测方案大多数需要依靠人工进行操作，人工监测的过程效率低、实时性差。因此，期望一种优化的导管架水下裂纹检测系统，其能够实时智能地对于海上风电场导管架是否存在水下裂纹进行准确的检测，以保障海上风电导管架的安全性，降低企业后期维修成本。

（二）主要研究内容

在整个导管架水下裂纹检测系统的设计之中，主要功能模块有声发射回波信号采集模块、域映射模块、第一特征提取模块等，各个模块介绍如下：

①声发射回波信号采集模块，用于获取声发射传感器，作用于待测导管架的声发射回波信号；

②域映射模块，用于对所述声发射回波信号进行格拉姆角和场变换以得到格拉姆角和场图像；

③第一特征提取模块，用于将所述格拉姆角和场图像，通过使用空间注意力的第一卷积神经网络模型以得到第一声发射检测特征图；

④第二特征提取模块，用于将所述格拉姆角和场图像，通过使用通道注意力的第二卷积神经网络模型以得到第二声发射检测特征图；

⑤特征融合模块，用于融合所述第一声发射检测特征图和所述第二声发射检测特征图以得到分类特征图；

⑥特征流形校正模块，用于对所述分类特征图进行高维特征流形校正，以得到校正后分类特征图；以及检测结果生成模块，用于将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示导管架是否存在水下裂纹。

导管架水下裂纹检测系统中第一特征提取模块，进一步用于：使用所述使用空间注意力的第一卷积神经网络模型的卷积编码部分，对所述格拉姆角和场图像进行深度卷积编码，以得到第一格拉姆角和场卷积特征图；将所述第一格拉姆角和场卷积特征图，输入所述使用空间注意力的第一卷积神经网络模型的空间注意力部分，以得到空间注意力图；将所述空间注意力图通过Softmax激活函数，以得到空间注意力特征圖；以及计算所述空间注意力特征图和所述第一格拉姆角和场卷积特征图的按位置点乘，以得到所述第一声发射检测特征图。

导管架水下裂纹检测系统中第二特征提取模块进一步用于：将所述格拉姆角和场图像，输入所述使用通道注意力的第二卷积神经网络模型的多层卷积层，以得到第二格拉姆角和场卷积特征图；计算所述第二格拉姆角和场卷积特征图的沿通道维度的各个特征矩阵的全局均值，以得到通道特征向量；将所述通道特征向量输入所述Sigmoid激活函数，以得到通道注意力权重向量；以及以所述通道注意力权重向量中各个位置的特征值作为权重，对所述第二格拉姆角和场卷积特征图的沿通道维度的各个特征矩阵进行加权，以得到所述第二声发射检测特征图。导管架水下裂纹检测系统中特征融合模块，以如下公式融合所述第一声发射检测特征图和所述第二声发射检测特征图，以得到分类特征图。

导管架水下裂纹检测系统中特征流形校正模块，以如下公式对所述分类特征图进行高维特征流形校正，以得到所述校正后分类特征图；其中，所述公式为：

其中，fi和fj表示所述分类特征图的各个位置的特征值，且表示所述分类特征图的所有特征值的均值，且N表示所述分类特征图的尺度，exp（·）表示数值的指数运算，所述数值的指数运算表示以数值为幂的自然指数函数值，fi'表示所述校正后分类特征图的各个位置的特征值。

四、系统分析与设计

（一）应用场景分析

在导管架水下裂纹检测系统应用场景中，首先获取声发射传感器作用于待测导管架的声发射回波信号；然后将获取的所述声发射回波信号，输入至部署有基于声发射信号的导管架水下裂纹检测算法的服务器中，其中，所述服务器能够使用基于声发射信号的导管架水下裂纹检测算法，对所述声发射回波信号进行处理，以生成用于表示导管架是否存在水下裂纹。详细应用场景如图1所示。

（二）系统设计

在导管架水下裂纹检测系统之中，采用声发射信号检测的流程图具体如图2所示。

在导管架水下裂纹检测之中，具体包括：

①声发射回波信号采集步骤S110：获取声发射传感器作用于待测导管架的声发射回波信号；

②域映射步骤S120：对所述声发射回波信号进行格拉姆角和场变换，以得到格拉姆角和场图像；

③第一特征提取步骤S130：将所述格拉姆角和场图像通过使用空间注意力的第一卷积神经网络模型，以得到第一声发射检测特征图；

④第二特征提取步骤S140：将所述格拉姆角和场图像通过使用通道注意力的第二卷积神经网络模型，以得到第二声发射检测特征图；

⑤特征融合步骤S150：融合所述第一声发射检测特征图和所述第二声发射检测特征图，以得到分类特征图；

⑥特征流形校正步骤S160：对所述分类特征图进行高维特征流形校正，以得到校正后分类特征图；

⑦检测结果生成步骤S170：将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示导管架是否存在水下裂纹。

基于声发射信号的导管架水下裂纹检测方法的系统架构的示意图如图3所示。

如图3所示，在导管架水下裂纹检测系统中，首先获取声发射传感器作用于待测导管架的声发射回波信号；然后，对所述声发射回波信号进行格拉姆角和场变换，以得到格拉姆角和场图像；接着，将所述格拉姆角和场图像通过使用空间注意力的第一卷积神经网络模型，以得到第一声发射检测特征图；然后，将所述格拉姆角和场图像通过使用通道注意力的第二卷积神经网络模型，以得到第二声发射检测特征图；接着，融合所述第一声发射检测特征图和所述第二声发射检测特征图，以得到分类特征图；然后，对所述分类特征图进行高维特征流形校正，以得到校正后分类特征图；最后，将所述校正后分类特征图通过分类器，以得到分类结果，所述分类结果用于表示导管架是否存在水下裂纹。

五、结束语

海上风电场导管架裂纹检测系统主要采用深度学习的方法进行处理，将所述校正后分类特征图按照行向量或列向量展开为分类特征向量，使用所述分类器的多个全连接层，对所述分类特征向量进行全连接编码以得到编码分类特征向量；将所述编码分类特征向量，通过所述分类器的Softmax分类函数，以得到所述分类结果，以此对导管架的裂缝进行快速检测，有异常状态及时报警，从而提升整个海上风电场的安全性。

作者单位：银磊 张新宇 赵金辉 张瑞光 深圳量云能源网络科技有限公司

参  考  文  献

[1]尹汉军，付殿福.300米级深水导管架在南海陆坡区应用的挑战与关键技术研究[J].中国海上油气，2022，34（01）：147-154.

[2]彭建盛，李涛涛，侯雅茹，等.基于机器学习的裂纹识别研究现状及发展趋势[J].广西科学，2021，28（03）：215-228.

[3]冉蓉，徐兴华，邱少华，等.基于深度卷积神经网络的裂纹检测方法综述[J].计算机工程与应用，2021，57（09）：23-35.

[4]汤勃，孔建益，王兴东，等.钢板表面低对比度微小缺陷图像增强和分割[J].中国圖象图形学报，2020，25（01）：81-91.

[5]张红霞，王灿，刘鑫，等.图像边缘检测算法研究新进展[J].计算机工程与应用，2018，54（14）：11-18.

[6]黄彭奇子.基于图像处理的表面缺陷检测关键技术研究[D].国防科技大学，2019.

[7]彭建盛，李涛涛，侯雅茹，等.基于机器学习的裂纹识别研究现状及发展趋势[J].广西科学，2021，28（3）：215-228.

[8]曹渝昆，桂丽嫒.基于深度可分离卷积的轻量级时间卷积网络设计[J].计算机工程，2020，46（9）：95-100，109.