許秀鋒, 賴政釗*, 周愛國, 謝紅杰, 呂路勇

(1．同濟大學 機械與能源工程學院,上海 201804; 2.株洲時代新材料科技股份有限公司,湖南 株洲 412007;3.江蘇鑒衡檢測認證有限公司,江蘇 鹽城 224100)

由于葉片前緣的線速度較大,長期運行的風電葉片極易發(fā)生前緣侵蝕(Leading Edge Erosion,LEE),雨滴是引起侵蝕損傷的主要驅動因素[1]。為了測試前緣材料對雨蝕的抵抗力,可在雨水侵蝕測試機(Rain Erosion Tester,RET)中對因雨滴撞擊而引起的前緣侵蝕進行加速測試[2]。然而,由于缺乏合適的衡量指標,已有的研究尚未建立加速測試時間和實際葉片工作時間的相關性[3]。目前,雨蝕退化常以試樣的質量損失為衡量指標[4],但對于已投入運營的葉片,質量損失的測量是不可行的。因此,使得RET實驗更具實用價值的關鍵在于提出一種可應用于實際葉片前緣的雨蝕檢測方法。隨著雨蝕的進行,葉片前緣材料的表面發(fā)生光澤、粗糙度、點蝕以及裂紋等形貌變化[3],機器視覺檢測技術能夠表征雨蝕退化的程度,并適用于已投入運營的風電葉片。

目前,風電葉片的測試主要集中在其力學性能方面[5-6],雨蝕檢測作為一個較新的領域,尚處于早期研究階段。Zhang等[7]將不同侵蝕時長的水射流式RET試樣質量損失作為圖像標記,使用卷積神經網絡對其進行訓練和預測,為汽輪機葉片維修提供參考。相似的形貌檢測問題,如金屬腐蝕[8]、表面粗糙度[9-10]等,將形貌分為不同等級,忽略了侵蝕形貌特征隨時間連續(xù)變化的特點。

針對形貌變化圖像本身的信號特點,學者研究了灰度共生矩陣(Gray Level Co-Occurrence Matrix,GLCM)、Tamura紋理特征分析等由數(shù)學方法準確描述的特征提取方法,它們不依賴于大量樣本和數(shù)據(jù)標簽[11]。其中GLCM的應用最為廣泛,大量文獻分析了GLCM所提取特征的變化趨勢與圖像形貌紋理的關系[12-13],但是都未能直接形成矩陣特征與圖像形貌之間便于直觀理解的聯(lián)系。

基于以上分析,提出一種利用GLCM檢測雨蝕和構建DI的方法。該方法計算輸入圖像的GLCM,從中提取多種特征檢測雨蝕程度,結合歐氏距離進一步構建前緣材料雨蝕DI,直觀表達雨蝕的退化程度,并通過加速雨蝕試驗數(shù)據(jù)驗證了該方法可以描述前緣雨蝕的退化規(guī)律。

1 數(shù)據(jù)集處理

1.1 實驗設備

實驗裝置和實驗數(shù)據(jù)由Polytech A/S提供[14],如圖1所示,基于旋轉臂式RET進行加速雨水侵蝕的原理是將待測的試樣固定安裝在圓盤外側,試樣上 方安裝均勻的雨滴發(fā)生器,使高速旋轉的試樣與自由下落的雨滴持續(xù)撞擊,模擬葉片前緣與雨滴的真實撞擊。

圖1 旋轉臂式RET

1.2 圖像預處理

RET每運行0.5 h停止一次,取下試樣并采集圖像,零時刻的試樣圖像如圖2所示,左側為葉尖,旋轉半徑較大,速度較高;右側為葉根,旋轉半徑較小,速度較低。選取試樣與雨滴垂直碰撞的中央部分圖像,并沿旋轉半徑方向分割為多幅圖像,根據(jù)雨蝕時間t和所處位置r將圖像標記為(ti,rj)。

圖2 數(shù)據(jù)集處理

針對原始圖像中光照不均勻、對比度較低等缺陷,依次進行了灰度化(式(1))、背景減除(式(2))和直方圖均衡化(式(3))處理。

f(x,y)=0.299R(x,y)+0.587G(x,y)+0.114B(x,y)

(1)

(2)

(3)

式中:f(x,y)為圖像中(x,y)位置像素的灰度級;g(k)為灰度級k變換后的灰度級;P(sk)為灰度級k的頻率;L為圖像最大灰度級。

2 理論基礎

2.1 灰度共生矩陣理論

灰度共生矩陣理論由Haralick等[15]提出,它通過灰度像素對的概率分布情況,體現(xiàn)不同像素之間相對位置的空間信息。具體定義如下:

(4)

式中:S為圖像中符合特定空間關系的所有像素對的集合,這個空間關系可以自定義。式(4)的含義為符合空間關系且灰度值為(i,j)的像素對頻率。

常用的特征有角二階矩(Angular Second Moment,ASM)、相關性(Correlation)、同質性(Homogeneity)、對比度(Contrast)、相異度(Dissimilarity)。ASM也稱為能量(Energy),計算值記作fASM,描述圖像的均勻性,圖像越均勻能量值越大。

(5)

相關性描述圖像紋理的方向性,計算值記作fcorr。如果圖像紋理具有方向性,則相關性數(shù)值顯著高于紋理均勻的圖像。

(6)

同質性描述的是圖像中像素對的相似程度,即GLCM的對角程度,計算值記作fhomo。

(7)

對比度描述圖像像素對間灰度等級的變化程度,即紋理的清晰程度,計算值記作fcont。

(8)

相異度與對比度相似,對比度是二階灰度變化,而相異度是一階,計算值記作fdiss。

(9)

2.2 基于歐氏距離的退化指標構建方法

不同特征直接測量數(shù)值的數(shù)量級及變化趨勢不同,不利于理解和感受直觀變化,因此,從特征量中構建DI是關鍵。常用的方法有馬氏距離、歐氏距離等。DI構建采用了標準化歐氏距離(Euclidean Distance,ED),其計算結果記作δ,如式(10)所示,取值為[0,1],越接近1代表退化越嚴重。

(10)

(11)

式中:ωi為i特征的權重;fi(t,r)為GLCM的i特征t時刻r區(qū)域的歸一化值。

2.3 退化指標的適用性度量

為了衡量構建的δ對壽命預測的適用性,通常使用不同的度量指標進行評估[16],常見的有相關性(式(13))和單調性(式(14))。對于一個信號時間序列X=X(tk),首先對信號進行指數(shù)加權平滑處理[17]:

XT(tk)=αX(tk)+(1-α)X(tk-1)

(12)

(13)

(14)

(15)

式中:α取0.9;N為信號序列的樣本點個數(shù)。

2.4 雨蝕退化指標構建流程

前緣雨蝕檢測及退化指標構建流程如圖3所示。

圖3 雨蝕退化指標構建流程

3 實驗驗證

3.1 實驗設置

實驗所用數(shù)據(jù)集包含了7個時刻、20個不同半徑區(qū)域的140幅圖像。每幅圖像計算得到GLCM的5個特征的歸一化數(shù)值。對任意t時刻r半徑區(qū)域的圖像信號,由1～5個特征數(shù)量及不同特征組合計算得到不同的δ,如表1所示,共有31種構建退化指標的特征組合。為了進一步評估和比較31組δ的適用性,分別計算每一組δ的4個度量指標:時域相關性、時域單調性、半徑域相關性和半徑域單調性,采用度量指標客觀評估δ的適用性。每組δ都包含多個時刻和半徑區(qū)域的信號序列,取域內平均值作為度量指標最終測量值。

表1 不同特征數(shù)量的組合數(shù)

3.2 退化指標表征能力驗證

對特征數(shù)量為1的5組特征進行單一特征退化指標構建。在同一時刻,5組δ隨半徑區(qū)域的變化如圖4所示,在同一半徑區(qū)域,5組δ隨侵蝕時長的變化如圖5所示,不同特征構建的退化指標在局部區(qū)域呈現(xiàn)不同特點。

圖4 半徑域單一特征δ變換

圖5 時域單一特征δ

圖4中,在半徑較小的葉根區(qū)域,相異度、對比度呈現(xiàn)出與其他特征相反的單調性;δ在不同半徑區(qū)域均出現(xiàn)了一定波動;圖5中角二階矩在90 min后進入了局部不敏感的平臺期。5組δ適用性度量如表2所示,沒有一組具備絕對的優(yōu)勢。觀察結果揭示了雨蝕過程并非線性變化,不同的特征具備其獨特的表征能力。

表2 單一特征的適用性度量

從整體上可以觀察到,δ表現(xiàn)出了較強的半徑域相關性和時域相關性。隨著旋轉半徑增加,δ整體上呈現(xiàn)先上升后下降的趨勢,結合RET實驗條件分析,雨滴與試樣撞擊速度隨旋轉半徑增大而增大,加速了侵蝕退化;而葉尖區(qū)域處受氣流擾動影響了雨滴撞擊速度,減緩了侵蝕退化。這符合實際觀察的試樣形貌,表明由GLCM特征構建的退化指標具備形貌區(qū)分能力。

3.3 退化指標適用性度量分析

對所有δ的度量指標測量值求和作為其適用性得分,2種特征融合與單一特征的適用性得分對比如表3所示,第1行和第1列分別為待融合的2種特征。2種特征融合δ的10種組合中,6種組合的得分同時高于2個特征對應δ的得分,10種均滿足得分至少高于一個特征對應δ的得分。相較于無組合的單一特征δ,不同的特征組合能提高適用性得分,表明了不同特征具備不同的雨蝕形貌表征能力,標準化歐氏距離方法能融合各特征的優(yōu)勢,增強其表征能力。

同一特征、不同半徑2組δ的時域變化示例如圖6所示。2個融合組均有效地消除了對比度-1在侵時時長為30～60 min時和對比度-2在侵時時長為90～150 min時的異常情況,表現(xiàn)出更優(yōu)越的退化指標表征能力。在半徑域中,如圖7所示,特征融合后的曲線趨勢性更為明顯,消除了異常波動,并且成功融合了對比度特征和相關性特征的優(yōu)點。

圖6 特征融合效果時域局部對比

圖7 特征融合效果半徑域局部對比

不同數(shù)量特征融合的δ的適用性度量得分如表4所示。

表4 不同數(shù)量的最高適用性度量得分

結果表明,在2個特征融合時,效果最好,相較單一特征,得分提高了5.5%,其半徑域曲線如圖8所示;在融合3個特征時,效果接近;融合更多特征時,度量得分明顯下降。結合特征間的皮爾遜相關系數(shù)定性分析,在特征與標簽強相關的條件下,隨著特征數(shù)量增加,特征間產生的冗余導致了其適用性度量得分下降。因此,多特征融合沒有簡潔的規(guī)律,在數(shù)據(jù)量較大的情況下,利用度量指標來計算適用性得分可以客觀地篩選出數(shù)學意義上的最優(yōu)組合,從而擺脫了人工經驗篩選的依賴,提高了退化指標構建效率。

3.4 退化指標準確性驗證

根據(jù)葉片表面形貌特點可以將雨蝕退化過程分為3個階段:第1階段,僅出現(xiàn)光澤和粗糙度的變化;第2階段,葉片表面出現(xiàn)點蝕,侵蝕面積逐漸擴大;第3階段,侵蝕面積停止擴大,點蝕深度逐漸加大。

利用人工經驗對數(shù)據(jù)集進行標簽分類,在圖8的散點圖基礎上,繪制了氣泡映射圖,將已有數(shù)據(jù)點映射到人工分類的標簽,如圖9所示。

結果表明,標簽類別在縱軸方向有明顯的聚集性,通過融合Contrast和Correlation構建的δ,可以很好地區(qū)分退化階段。統(tǒng)計不同標簽類別的所有圖像所對應的δ測量值范圍和數(shù)量,如表5所示。以類別重合區(qū)間的中點作為δ階段劃分的臨界值,雨蝕階段量化準確率如表6所示,根據(jù)人工經驗的標簽分類,確定了δ數(shù)值區(qū)分雨蝕階段的平均準確率,約為95%,可以得到圖9中的δ臨界1和δ臨界2,分別為0.187和0.745。這表明,δ不僅為雨蝕程度提供了具體的數(shù)值參考,而且具有優(yōu)越的雨蝕階段區(qū)分能力。

表5 各類標簽與δ測量值關系

表6 雨蝕階段量化準確率

4 結束語

為了解決雨蝕加速實驗與真實葉片情況無法關聯(lián)的問題,提出了基于圖像灰度共生矩陣的檢測和退化指標構建方法,相較于現(xiàn)有的質量損失測量方法,具有檢測便捷、可拓展性強等優(yōu)點。實驗結果表明,退化指標有效區(qū)分了試樣侵蝕的嚴重程度,時域相關性和半徑域相關性分別為0.955和0.953;多特征融合方法展現(xiàn)了更好的雨蝕表征能力,解決了單一特征局部檢測不敏感的問題,相較于單一特征,其適用性度量得分提高了5.5%;經過度量指標篩選后的退化指標直觀地描述了侵蝕程度和發(fā)展趨勢,對雨蝕退化階段的區(qū)分準確率約為95%。該方法無須大量數(shù)據(jù)訓練,起止狀態(tài)圖像即可完成模型的構建,適合在工業(yè)場景中快速應用。