做风电运维的人都有体会一台百米高的风电机组要巡检光靠人爬上塔筒看叶片一趟下来三四个小时遇上大风天还得提心吊胆。后来我们团队开始做风电无人机巡检平台用无人机把叶片、机舱、塔筒的表面状态全部拍到再用AI模型自动识别裂纹、腐蚀、渗油这些缺陷整套流程从现场飞行到出报告基本控制在两天内。这篇文章就围绕这套平台的落地过程聊聊无人机选型、航线规划、AI模型训练以及智能运维平台的业务闭环给准备做或正在做同类项目的朋友一些参考。1. 项目缘起风机运维的痛点与无人机破局思路1.1 手工巡检到底难在哪风电机组分布在山区、戈壁、海边环境恶劣塔高动辄80到120米叶片长度超过50米。早期巡检主要靠“望远镜人工爬塔”老师傅站在塔基附近用望远镜看叶片迎风面发现有疑点再安排登塔工去确认。登塔作业要提前申请停机运维人员系安全带爬上去每台机塔筒内部有几十米攀爬段背着工具包一趟下来体力消耗很大。如果叶片需要近距离检查还得用吊篮或蜘蛛车成本更高而且每次只能覆盖一小片区域。实际运营中这种模式有四个问题很难绕过去。第一效率低一个风电场几十上百台机组人工巡检一个完整轮次往往要一两个月而许多致命缺陷恰恰在两次巡检之间快速发展。第二盲区多叶片后缘、叶尖背面、塔筒背风侧等高危位置站在地面根本看不到登塔后受安全绳和工作位置限制也未必能拍到完整表面。第三质量不统一巡检结论高度依赖个人经验同一条裂纹在不同人眼里可能被记录成不同等级台账改来改去没法做趋势对比。第四缺少结构化数据巡检现场基本靠拍照和手写记录照片散落在手机里下一轮巡检很难定位“上一轮拍的是哪台机、哪支叶片、哪个位置”。我印象很深的是有一次在北方某风电场一台机组叶片前缘出现轻微腐蚀人工巡检记录写的是“未见异常”。三个月后当地一场沙尘暴过后腐蚀区域迅速扩展叶片表面出现大面积麻面最后被迫提前更换叶片。那次之后业主对巡检数据可靠性的要求明显提高明确希望把“拍得到、看得清、可对比”作为巡检的基本标准。1.2 无人机加AI能解决什么这套平台的核心思路并不复杂用无人机替代人眼去“看”用AI替代人去“认”。无人机飞到风机旁边通过厘米级定位沿预设航线对叶片、机舱、塔筒、基础环进行多角度拍摄获取高清可见光图像和红外热像图。回到内业后AI模型对每一张图像进行推理自动标出疑似缺陷的位置、类别和等级再叠加无人机记录的经纬度和相对风机的位置信息形成一份带地理位置标签的缺陷台账。相比人工巡检无人机巡检的价值不只是“飞得高、看得全”更重要的是把巡检变成了可量化、可复现的数据生产过程。同一个机位、同一套航线参数这个月拍的和下个月拍的图像角度基本一致算法就能自动对齐比对观察缺陷在时间轴上的变化。比如一条裂纹的长度从2厘米变成5厘米平台会给出趋势提示运维人员可以据此安排维修窗口而不是等到异常扩大后再被动处理。这正是“智能运维”和“传统巡检”最重要的区别从被动响应变成主动预判。1.3 平台整体分几层从工程实现上这套风电无人机巡检平台可以自上而下拆成四层。感知层是无人机本体、可见光相机、红外热像仪、激光雷达和RTK模块负责采集图像、位置和姿态数据。数据层负责数据回传、文件分类、图像预处理和存储保证原始数据不丢、位置信息不串。算法层部署缺陷检测、缺陷分割、温度异常判定等AI模型同时保留人工复核的入口。应用层是给运维人员使用的管理端提供缺陷台账、自动报告、检修工单、趋势分析等功能。四层之间的衔接是项目里最容易出问题的地方。最常见的情况是无人机飞完了照片传回内业结果发现RTK坐标没写进照片的元数据里照片和位置对不上后续AI识别出的缺陷无法定位到具体叶片段。所以我们在架构上从一开始就把“位置信息贯穿全流程”作为硬性要求每一个环节的数据都带位置标签后面做趋势分析时才不会抓瞎。2. 硬件选型与任务载荷配置2.1 飞行平台怎么选巡检对象是几十米高的风机飞行平台必须在机身尺寸、续航、抗风和防护之间做平衡。我们最终选择的是行业级四旋翼平台空机重量在4千克左右单块电池续航约40到50分钟最大抗风能力不低于6级机身防护等级达到IP45以上。为什么不用消费级无人机原因很直接消费级机型抗风能力弱在风机周边这种气流复杂的区域容易出现漂移而且相机和云台大多不可更换红外载荷基本无法扩展对巡检这种固定场景反而不合适。选四旋翼而不是六旋翼主要考虑是转场效率。风电场机组间距可能几百米巡检时每台机都要起降六旋翼虽然冗余度高但机身大、需要拆装桨叶在皮卡后备箱里辗转多个机位很不方便。四旋翼只要折叠桨叶就能快速转场一块电池飞两台机效率上更合适。当然如果项目面向海上风电环境更苛刻平台等级还得往上提抗盐雾腐蚀和防雨能力是硬指标。选型时还有一个容易忽略的点无人机是否支持第三方航线控制协议。如果平台要接入无人机机场或机库实现远程自动起降就需要机型支持SDK开发接口。我们在前期选型时特意避开了封闭系统所有飞行参数都必须能通过接口读写这样后来自建任务航线、联动风机停机状态都方便很多。2.2 可见光、红外与激光雷达怎么配任务载荷的配置直接决定巡检数据的质量。我们在图传和存储方面做了分级设计实时回传画面用于现场指挥同时机上存储卡保存原始照片和视频保证全分辨率数据不丢失。可见光相机选型时重点关注分辨率、机械快门和低照度能力。拍摄距离在5到15米时要识别叶片表面宽度约1毫米的裂纹相机分辨率最好不低于4200万像素。机械快门比电子快门更可靠巡检时无人机处于运动状态电子快门容易产生果冻效应导致图像畸变。低照度能力决定了阴天拍摄质量实测下来大光比环境下能保留更多暗部细节。镜头焦距方面我们用了35mm等效焦距的定焦头视野和分辨率兼顾太广的镜头边缘畸变明显太长的镜头视角太窄覆盖同样区域需要更多飞行时间。红外热像仪是风机巡检的关键载荷之一主要用于检测叶片内部结构损伤、雷击灼伤点、刹车盘过热、电气接口异常温度等。选型时看三点分辨率不低于640×512热灵敏度优于50毫开尔文支持辐射测温输出。分辨率太低时10米距离外的细小热点根本分辨不出来热灵敏度差叶片表面温度差异小于1摄氏度的早期损伤会被噪声淹没。实际使用中我们一般让红外和可见光同时触发拍摄这样AI系统可以把红外高温点和可见光图像对齐复核时效率高很多。激光雷达或避障传感器虽然不直接参与缺陷识别但却是保证安全的重要一环。风机叶片在气流影响下会轻微摆动塔筒表面有一些凸起结构无人机如果只靠视觉避障弱光环境下容易误判距离。我们标配了毫米波雷达在靠近塔筒和叶片的几米范围内提供冗余测距一旦距离低于安全阈值就自动悬停或后退。这套配置多花了大概两万块但换来的飞行安全性非常值得。2.3 RTK与地面站部署风机巡检对定位精度要求高一张叶片照片如果没有精确到米级甚至厘米级的位置信息后续做缺陷定位和时序对比就没有意义。所以我们的无人机全部配备RTK模块同时在地面架设自建基准站。基准站不依赖运营商网络避免在偏远风电场出现网络信号弱、差分数据中断的问题。基准站的架设位置有讲究。我们一般选在风电场综合楼顶或空旷平地周围无遮挡距离巡检机组不超过15公里。基站架好后通过电台把差分信号广播出去无人机在飞行前必须确认RTK状态为FIX定位精度显示水平误差不超过2厘米才允许起飞。这里有个实操细节风机叶片旋转时会产生电磁干扰如果基站离机舱或箱变太近差分信号容易出现周期性抖动表现为无人机水平位置漂移。我们踩过这个坑之后对所有机位做了磁场环境摸底凡是磁场异常的区域直接换基站位置。地面站软件主要用于航线规划、实时显示飞行状态和一键返航。我们的习惯是每架次飞行前都执行一次“预检清单”包括RTK状态、电池电量、风速风向、叶片锁状态和信号强度缺一项不飞。这些看似琐碎但在野外环境中能有效避免返工。3. 航线规划与现场飞行实操3.1 现场勘查与停机准备飞行不是到了现场就起飞的。一个合格的巡检架次准备工作往往要15到20分钟飞行本身反而只有10分钟。第一步是确认机组状态风机必须停机并锁定叶轮这样拍摄时叶片不会转动航线才能准确覆盖目标区域。每台风机的偏航角度、轮毂高度、叶轮直径、叶片数甚至塔筒有没有涂装色带都要提前录入系统航线规划才能贴近实际。第二步是划定飞行安全区。风机周围要拉出警戒线禁止无关人员进入叶片旋转投影区和塔筒坠落区。如果风电场有其他飞机航线经过还要提前查看空域情况避免冲突。海上风机还要额外关注船舶交通和鸟类保护区起飞前需要人工确认周围没有养殖船或作业船经过。第三步是记录环境参数。我们通常现场测风速、风向和能见度。风速超过12米每秒不建议飞行叶片周围由于气流扰动实际风速可能更高无人机姿态会不稳照片容易糊能见度低于1000米时图传画面模糊航线判断也受影响。低温天气要看叶片是否结冰叶片表面附着冰雪时可见光和红外图像都会失真而且无人机桨叶也可能结冰。3.2 航线参数怎么定这几个数字最常用航线规划采用“风机部件分区规划”的方式把一台机组拆成塔筒、机舱、叶片、基础环四个区域分别规划然后合并成一条完整任务航线。每个区域的拍摄参数不同下面这组数值是我们经过大量实测后固定下来的基础模板巡检区域拍摄距离飞行速度云台角度航向重叠率旁向重叠率塔筒8-10米2-3米/秒0°80%70%机舱/轮毂10-12米1-2米/秒-20°至20°85%75%叶片迎风面12-15米2-4米/秒0°-10°85%70%叶片后缘/背面8-12米1-2米/秒30°-60°85%75%基础环5-8米1-2米/秒-45°80%60%拍摄距离不是越小越好。叶片迎风面如果飞太近一是无人机尾流会扰动叶片表面的气流导致叶片轻微抖动照片反而不清晰二是安全余量太小突发阵风时来不及做出避让。12到15米比较合适这个距离下35mm焦距镜头的视野刚好覆盖叶片宽度分辨率也够识别1毫米级别的缺陷。重叠率这两个参数很多人不理解觉得无人机拍照片又不是做三维模型为什么要求重叠。实际上高重叠率有两个价值一是同一个缺陷在两张甚至三张照片中出现AI推理时可以通过多视角交叉验证降低误检率二是为后续做叶片三维重建保留数据基础如果当年巡检发现大范围形变可以用这些图像重建叶片曲面量化变形程度。飞行速度的设定要考虑到拍照触发方式。我们的方案是“等距触发”也就是飞行过程中每隔一定距离自动按快门而不是定时触发。这样无论无人机速度快慢相邻照片的重叠度都是稳定的。速度控制在2到3米每秒再低效率太低再高则快门速度跟不上容易模糊。叶片后缘区域因为形状曲率大我一般把速度压到1到2米每秒宁可多飞十几秒也要保证每个角度都有清晰覆盖。3.3 飞行顺序与应急处置流程飞行顺序方面我们测试过两种路线先塔筒再机舱再叶片还是先叶片后塔筒。实际对比下来先拍叶片迎风面、后拍叶片背面、再机舱和塔筒的顺序更合理。原因在于叶片迎风面朝向比较固定一旦风况变化迎风面拍摄窗口可能消失优先把困难科目做完后续区域再慢慢拍更稳妥。每个架次起飞前我会在任务航线里预设两个备用返航点一个在机舱正侧方的气流平缓区一个在风机下风向的安全区。如果现场风速突然升高无人机可以就近进入等待航线不至于直接触发低电量返航。风机的下风向气流非常乱无人机进入这个区域时我们要求手控接管绝不依赖自动航线——这是很多新手容易忽略的地方自动航线通常只适配理想风场现场风况复杂时人工介入最稳妥。图像数据记录也是一门学问。每次降落后现场人员立刻核对照片数量、RTK状态和覆盖完整性。如果某支叶片有三分之一区域没有拍到当场就能发现马上安排补飞。最怕的就是回内业整理时才发现缺覆盖再跑一趟风电场交通成本和时间成本都翻倍。4. AI缺陷识别与模型训练4.1 把缺陷定义清楚先建分类体系AI模型学习的前提是“标准答案”要清晰。我们花了两周时间联合风机厂商和现场运维人员把常见缺陷梳理成七大类叶片前缘腐蚀、叶片裂纹、雷击损伤、叶片表面污渍或结冰、蒙皮破损、塔筒与基础环锈蚀、油污渗漏。每个大类下面再细分严重等级例如裂纹按长度和宽度分成轻微、中度、严重三个级别。缺陷类别可见光特征红外特征推荐检测方式前缘腐蚀表面粗糙、颜色发白/发黄无明显温差或温差较小可见光图像分类叶片裂纹线状暗痕迹可能伴生纤维外露裂纹区域存在微小温升可见光分割 红外辅助雷击损伤黑色烧蚀点边缘不规则损伤点温度异常偏高可见光 红外联合分析油污渗漏深色流体痕迹沿缝隙扩散温度略高于周围背景可见光检测 温度判定塔筒锈蚀橙褐色斑块涂层剥落温差较小可见光目标检测螺栓松动迹象垫片位移、锈水痕迹温差较小可见光目标检测基础环裂纹线状或网状裂纹混凝土剥落水下或阴面温差不明显可见光分割缺陷分类体系直接决定了标注工作量。我们的做法是先由运维工程师对历史照片打标签剔除模糊、过曝、重复的照片只保留缺陷特征清晰的样本。第一批数据集大概2000张涵盖不同光线下各类缺陷的正负样本之后每个月随着现场照片回流持续扩充。这里想特别提醒一句正样本数量少是风电巡检AI项目中最常见的问题。叶片裂纹往往只在特定光照角度下才清晰算法学不到足够“像裂纹”的样本到现场就漏检。数据增强策略也很重要。除了常规的旋转、翻转、颜色抖动我们还专门做了两类增强亮度随机变化和仿射透视变化。因为现场拍摄时有顺光、侧光、逆光、阴影遮盖等多种情况模型在训练时就要见得多否则换个天气就容易失灵。另外风机叶片长且弯曲同一个缺陷从不同角度拍出来的形状差异很大我把这些视角变化做进训练集让模型学会看“同一个东西的不同样子”。4.2 模型选型与训练要点AI部分并不是一个模型包打天下而是按任务拆成三路。第一路是用目标检测模型定位大尺度缺陷比如油污渗漏、蒙皮破损、锈蚀斑块我们用的是轻量化检测网络在NVIDIA显卡上推理一张4000万像素原图切成小块之后单张耗时约30毫秒精度也够。第二路是用分割模型处理裂纹、边缘损伤这类细长结构分割模型输出每个像素的缺陷概率再通过形态学后处理过滤孤立噪声提取裂纹骨架并计算长度。第三路是红外温度矩阵判定通过读取热像仪输出的每个像素温度值找出高于周围区域平均温度超过设定阈值的点。裂纹这类缺陷直接套通用目标检测效果很差因为目标太小、长宽比悬殊。我们换成图像分割后召回率明显提升。这里分享一个训练技巧切片尺寸要跟实际推理保持一致。我们在训练时把原图切成512×512的瓦片推理时也切同样的尺寸避免模型对目标尺寸的记忆错位。如果训练时切片32×32推理时切片512×512模型会强行把“裂纹”识别成占满整图的大目标结果就是大量误检。训练数据划分上我们坚持“按风机划分”而不是“按照片划分”。也就是说同一个机组的所有照片要么全部进训练集要么全部进验证集。理由是同一台机的涂装、老化状态比较一致照片之间的相似度偏高如果不按机组划分验证集分数会虚高换一台新机组立刻原形毕露。这个细节帮我避免过好几次“测试集评分很高、现场一塌糊涂”的尴尬。4.3 推理部署与人机协同复核模型训练完成后部署到推理服务器上处理流程是照片到达后先按风机和部件自动分组裁剪成瓦片批量送入推理服务输出结果打回原始坐标再叠加在原始图上。我们设置了置信度阈值默认0.6低于阈值的检测框不展示但会保存到待复核区防止漏检。现场复核人员可以滑动置信度阈值高阈值模式用于快速浏览重点缺陷低阈值模式用于全量审查可疑区域。这里必须强调人机协同AI模型的定位是“辅助筛选”不是“最终判官”。目前最稳妥的工作流是AI先预筛把一张风机巡检照片从几千张缩减到几十张可疑图然后由有经验的运维人员对这些可疑图做二次确认。人工复核虽然需要时间但总耗时远低于从几千张原图一张张翻。我在项目初期犯过过度依赖AI输出的错误后来一次雷击误报事件让我改了流程——AI把塔筒上一片阴影识别成了雷击点如果不是人工复核发现只是反光就要安排一次无意义的停机检查影响发电量。5. 智能运维平台的业务闭环5.1 数据接入与缺陷台账无人机拍回来的数据只是原料能不能变成运维决策依据取决于平台如何处理。我们的做法是建立以机组为单位的缺陷台账。每张照片通过RTK坐标和拍摄角度自动匹配到风机的部件编号1号叶片迎风面距叶尖15米处、塔筒南侧距底座8米处、机舱左后方散热片区域等。这样描述缺陷位置现场检修队拿着平板就能直接找到具体位置。缺陷台账不仅仅是记录还要做等级和状态管理。平台按缺陷类型、面积、长度、红外温差等指标综合打分把缺陷分成高、中、低三个优先级。高优先级缺陷自动推送给运维主管限期一周内安排处理中优先级进入月度检修计划低优先级纳入观察池下次巡检重点复查。每个缺陷附带一组现场照片方便检修后做前后对比判断维修效果是否达标。5.2 自动报告与检修工单报告生成是这个平台“看起来很值钱”的一个功能。传统巡检报告需要内业人员手动整理照片、拼接表格、手写结论一台机组一份报告往往要忙半天。现在平台基于缺陷台账自动生成内容包括机组信息、巡检时间、覆盖情况、缺陷列表、位置定位、严重等级、建议处置方案和下一轮复查时间整体格式统一业主验收也认可这种标准化交付。真正让平台省力的是检修工单的流转。高优先级缺陷确认后系统自动生成检修工单关联到具体风机和缺陷编号推送给检修班组。检修完成后作业人员现场拍照回传平台将维修后照片与巡检照片并排对比闭合缺陷状态。整个流程从发现、派单、维修、验收到归档全程留痕风电场管理者可以随时查看某台机的缺陷闭环情况不用再靠微信群聊和Excel表来回倒腾。5.3 与风电场其他系统的数据互通单向记录数据的平台价值有限和风电场既有系统打通才具备持续生命力。我们重点做了三个方向的对接一是与风电场的监控系统打通读取机组实时发电功率、运行状态、停机记录。这样巡检计划可以避开发电高峰也可以根据机组振动数据筛选重点巡检对象。二是与资产管理系统对接把缺陷和风机全生命周期档案关联起来比如某台机三年内叶片已维修过两次新缺陷会带上历史维修记录帮助管理者决策是修还是换。三是与气象数据联动大风或雷暴预警时自动推迟巡检计划避免无效飞行。数据接口的坑主要是协议不统一。老机组的监控系统可能还是MODBUS串口协议新机组走OPC UA第三方资产系统又可能是私有REST接口。我们一开始想全部自己对接兼容工作量太大后来改为开发一个轻量级中间层把不同协议统一转换成平台内部的数据格式。这层中间层需要持续维护但每次接入一套新系统工作量会显著下降。6. 典型问题与排查速查表6.1 现场飞行的几个坑照片模糊是最常见的问题。排除相机本身的原因大部分模糊来自飞行速度过快和快门速度过慢。我们要求快门速度不低于1/1000秒光线不足时优先提高ISO而不是降低快门。还有一次排查半天发现是云台减震球老化无人机自身的高频振动传到了相机上属于硬件维护问题不是参数问题。RTK状态不稳定也很常见。表现是无人机悬停时水平坐标缓慢漂移照片元数据里的经纬度与实际位置偏差超过1米。排查顺序是先看基站是否固定再看电台链路信号强度最后看飞行区域附近有没有强电磁干扰源。我们在某个机位发现基站架在箱变旁信号漂移很厉害移开50米后恢复正常。这里提一个容易被忽略的点叶片表面的水痕和反光会干扰AI识别但这类“干扰”恰恰可以通过航线和拍摄时间来减少。早晨或傍晚低角度阳光会在叶片表面拉出长阴影午后顶光则会导致叶片迎风面过曝。我们的经验是尽量选择上午9点到下午3点之间飞行必要时配合偏光镜。6.2 AI识别中的典型问题样本不均衡是训练中老生常谈的问题。风机涂装颜色深、表面污渍多的机组生成的假阳性检测框明显增多。这通常是训练集里深色叶片样本太少。我们的解决办法是在损失函数里给少数类别加权重同时用难样本挖掘把现场误检样本持续回流到训练集中。红外温度阈值也容易踩坑。季节不同、环境温度不同叶片表面的基础温度差异很大。夏天塔筒在太阳暴晒后表面温度超过50摄氏度冬天可能只有个位数温度。我们后来不再使用固定温度阈值而是采用每个目标区域的中位数温度作为基准超过基准温差一定数值才判定为异常效果稳定很多。6.3 排查速查表问题现象可能原因处理办法照片整体模糊快门速度过低快门提到1/1000秒以上照片局部模糊云台减震故障检查减震球必要时返厂维护RTK水平漂移基站被电磁干扰基站远离箱变或变频设备RTK无法FIX差分链路断开检查电台频率和基站电源同一缺陷检测结果不稳定模型过拟合特定光照增加亮度、角度数据增强红外误报率高固定温差阈值不合适改为局部中位温度差值判定叶片覆盖缺失风速导致航线偏移降低飞行速度增加航线重叠数据与位置对不上RTK坐标未写入元数据检查触发记录与图像标签匹配逻辑7. 一点经验与建议7.1 先小范围试点再推全场做这类系统最忌讳一上来就想“全域覆盖”。我们第一次试点只选了风电场一个批次的8台机组用两个月时间跑通流程、调完模型、建立台账规范才逐步扩展到整个场站。试点阶段发现的问题远比预想多包括不同机型叶片尺寸差异导致的航线参数偏差、部分机组涂层颜色对模型识别的影响、现场网络环境对数据回传的限制等。先跑一个最小可行闭环再复制推广整体节奏反而更快。7.2 数据积累比算法调参更重要现在回头看这个项目最宝贵的资产不是算法代码而是过去一年积累的几万张带标注、带位置、带时间戳的风机表面状态图像。模型调参可以几天完成但一套高质量的数据集需要一年多时间沉淀。凡是新的缺陷类型出现只要现场照片回流到训练集里模型很快就能学会。算法持续更新的节奏不是按版本走而是按数据积累的周期走。7.3 关于成本与人的一点心里话一套完整的风电无人机巡检平台硬件加软件和一年的运维服务投入通常在一台主流中型风机造价的几个百分点以内。相比频繁登塔作业带来的人员安全风险、停机损失和叶片更换成本这笔投入的回报周期并不算长。但它也并不是买套设备就能用的工具现场需要一位懂飞行、懂风机、懂数据的复合型人员牵头。我们团队里最值钱的角色就是那一位既会飞无人机又会看叶片缺陷、还能讲清楚数据逻辑的工程师。最后分享一个我自己的体会不要把无人机和AI当成两个独立系统它们本质上是一套完整的数据流水线。无人机负责“采集高质量数据”AI负责“从数据中提取决策信息”运维平台负责“把信息变成行动”。三者共同构成风电智能运维的闭环。做这个项目越久我越觉得核心竞争力不在于飞得有多稳或模型有多准而在于整套流程能不能稳定地把每一次飞行都沉淀成对企业决策有用的资产。这个思路应该比任何单一环节的技术优化都重要。