南京天數信息科技有限公司智能制造事業部總經理頡彧在設計優化運維專場做了題為《AI賦能無人機—助力葉片巡檢》的演講。以下為演講內容實錄：

南京天數信息科技有限公司智能制造事業部總經理頡彧
 

　　今天我帶來的議題是“AI賦能無人機—助力葉片巡檢”。我來自南京天數，目前我們生產在一個AI充斥在我們生活的各個環節中，包括我們的微信的轉文字等等之類的，實際上里面充斥著各種各樣的技術。當然今天不是來講無人駕駛的，AI這種工具怎么樣能在我們制造業、風電行業起到一定的作用，大家都知道過去葉片的檢驗方式都是通過望遠鏡。在這個過程中南京天數開發了智能葉片識別系統，我們通過無人機拍攝的視頻直接導入系統，直接把各種各樣的損傷和詳細的信息一次性全部做出來。

 

　　左邊是我們的原始的視頻拍攝到的數據，右邊綠色的是我們發現的一些微笑的裂紋。我們是怎么做出來的呢？我們團隊用了8個月時間對超過11萬張的照片做了標注，這里面故障超過了1萬5千張。

 

　　第一是葉片缺陷圖片，包括缺陷的種類、大小以及具體的位置。我們是怎么做出來這么一個軟件的工具，實際上我們分幾個步驟。第一個步驟是缺陷的抓取，在這個環節中我們用了11種算法，搭建超過了150層的神經網絡，實現第一步缺陷的抓取。但是我們都知道在視頻過程中每一秒實際上有30幀的圖像，所以這個過程中存在一些問題。我們使用一些技術來規避過擬合的現象，我們經過大量的調優發現這個模型在具體業務中有比較良好的表現。

 

　　第二步我們會對圖像中具體的事務進行缺陷的聚類。

 

　　第三步就到了缺陷區域的標注，這個過程中我們也是經過了大量的嘗試和學習，最終我們發現有類似的模型在這個過程中有絕佳的表現。大家都好奇你們用AI和無人機去看到底能達到怎么樣的準確率？我們目前準確率達到了98%，而且還有大量潛在的微小的裂紋路。

 

　　我們對裂紋和剝落要提前發現，我們還有SVM分類算法，從而判斷故障的類型。

 

　　接下來我們看一些比較實際的照片，我們目前對這些缺陷主要從三個維度，分別是裂紋剝落情況。這里都是機器學習的AI軟件直接判斷出來，直接生成的。這里面可以很明顯地看到有兩道裂紋，我們系列有自動把裂紋標注出來。底下的報告中還會出現裂紋的詳細信息。

 

　　包括這張圖片，我們看到的好像是一個很大的裂紋，但實際上只有10厘米，以望遠鏡和肉眼幾乎不能發現這樣的裂紋。我們的葉片的損壞往往是由這樣的小的裂紋生長出來的。所以怎么樣在非常微小的時候把缺陷源堵住，這樣可以大大降低我們維護成本。我們往往發現葉片在損壞之后還會不斷地接著去損壞。包括這里有一些其他的像剝落的圖片。

 

　　前面是我們對于葉片的整個系統的大致介紹。現在我們實際上對整個的風機健康都提出了更高的要求。我們都希望在故障發生初期有潛在的過程中就發現故障，在低成本的時候解決它。在這個時候南京天數推出了一個系統，目前可以比較有效地預測故障。比如說通過SVM數據提前幾天時間，提前7—8天發現一級軸承要出現損傷，這樣可以大大降低故障維修的成本，包括可以做到發動機的大部件的故障運行。

 

　　我們用葉根和螺栓來舉例，不可否認的是全行業每一個廠家都出現葉根螺栓斷了，如果斷了一兩根是看不出來的，但是斷得比較多會帶來比較大的問題。我們通過整個對數據影響因子的篩選，包括結合一些行業內的專家知識，我們現在通過各種各樣的神經網絡算法，我們已經可以很明確、很準確地發現這個風機上的葉根螺栓是否已經斷裂。包括我們前一段時間在主機廠的實踐過程中，通過預警成功地發現螺栓斷裂的案例，通過維修又恢復了正常，最后報警解除。

 

　　包括我們現在風機經常會出現所謂的性能劣化，往往我們的分析過程會有很多，比如說結冰等等。我們現在跟其中一個業主，通過一個巨大的決策數，每一條路上有超過20個AI的模型，最終通過算法歸結到某一個問題上，這樣我們才可能解決某一個后續的問題。

 

　　包括對部件問題搜集的預測，風機運行要20年，但是實際上過程中有各種各樣的情況會導致風機的壽命會有損傷。我們都希望能看到一個風級，很清楚地了解到這個部件還能用三年或者多久，什么時間會出現比較重大的問題?，F在隨著AI技術的不斷發展，我們目前在風電行業也積累了大量的實戰的案例，可以幫助我們有效地解決風機各種各樣的故障發生。

 

　　介紹了一些我們在這方面做了案例，南京天數主要是由硅谷回來的一群IT精英組建的團隊，目前我們做算法的工程師已經超過150人的團隊，如果大家想有更多的了解，可以跟我們聯系。

 

　　（內容來自現場速記，未經本人審核）