本發(fā)明涉及移動邊緣計算，尤其涉及一種融合移動邊緣計算的風(fēng)電場巡檢方法及系統(tǒng)。

背景技術(shù)：

1、隨著可再生能源的快速發(fā)展，風(fēng)電場的規(guī)模不斷擴大，確保風(fēng)電設(shè)備的可靠性和安全性變得尤為重要。尤其在地勢平坦的風(fēng)電場中，巡檢的必要性主要體現(xiàn)在保證關(guān)鍵數(shù)據(jù)的完整性和準(zhǔn)確性，特別是涉及氣象數(shù)據(jù)(如風(fēng)速、風(fēng)向、溫度、濕度和氣壓)和發(fā)電數(shù)據(jù)(如渦輪機的實時發(fā)電量和效率)。這些數(shù)據(jù)對于風(fēng)能分析、預(yù)測及運營管理至關(guān)重要。通過定期巡檢，可以及時發(fā)現(xiàn)和修復(fù)可能導(dǎo)致數(shù)據(jù)采集錯誤的設(shè)備問題，從而保證數(shù)據(jù)的可靠性和風(fēng)電場的正常運行。

2、在傳統(tǒng)的巡檢方式中，人工巡檢和無人機輔助巡檢都存在一些局限性。人工巡檢不僅耗時耗力，而且在面對大規(guī)模的風(fēng)電場時難以保證全面性和及時性。無人機雖然提高了巡檢效率，但其續(xù)航能力有限，軌跡優(yōu)化復(fù)雜，且飛行慣性較大，不適宜用于風(fēng)電場內(nèi)設(shè)備的全覆蓋式巡檢。因此，需要設(shè)計一種高效、可靠的巡檢方式來滿足風(fēng)電場的巡檢需求。

3、為了解決這些問題，可以在風(fēng)電場中部署多個巡檢機器人，這些機器人可以在風(fēng)電設(shè)備和線路周圍移動，并配備多種傳感器，如溫度傳感器、振動傳感器和高清攝像頭，以分別收集設(shè)備運行狀態(tài)的數(shù)據(jù)。通過對這些數(shù)據(jù)進行實時處理，巡檢機器人可以及時發(fā)現(xiàn)潛在的故障，并采取預(yù)防性維護措施。然而，由于巡檢機器人的計算資源有限，無法獨立完成所有數(shù)據(jù)的實時處理。為了提升數(shù)據(jù)處理效率和準(zhǔn)確性，采用移動邊緣計算技術(shù)，將數(shù)據(jù)處理任務(wù)卸載到風(fēng)電場邊緣的微基站進行處理。這不僅節(jié)約了巡檢機器人的計算資源，還顯著提高了數(shù)據(jù)處理的效率。通過優(yōu)化巡檢路徑和任務(wù)分配，實現(xiàn)了移動能耗和任務(wù)處理時延最小化，進而提高了巡檢工作的整體效益，確保風(fēng)電場的安全和穩(wěn)定運行。

技術(shù)實現(xiàn)思路

1、鑒于上述存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明提供了一種融合移動邊緣計算的風(fēng)電場巡檢方法，能夠解決在傳統(tǒng)的巡檢方式中，人工巡檢和無人機輔助巡檢都存在一些局限性。人工巡檢不僅耗時耗力，而且在面對大規(guī)模的風(fēng)電場時難以保證全面性和及時性。無人機雖然提高了巡檢效率，但其續(xù)航能力有限，軌跡優(yōu)化復(fù)雜，且飛行慣性較大，不適宜用于風(fēng)電場內(nèi)設(shè)備的全覆蓋式巡檢。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種融合移動邊緣計算的風(fēng)電場巡檢方法，包括：根據(jù)巡檢機器人的工作方式、風(fēng)力渦輪機、氣象監(jiān)測設(shè)備、傳感器和微基站的分布情況，構(gòu)建風(fēng)能智控巡檢網(wǎng)絡(luò)；基于風(fēng)能智控巡檢網(wǎng)絡(luò)，構(gòu)建雙層多機器人輔助邊緣計算模型，上層模型優(yōu)化巡檢機器人的總巡檢距離，使用遺傳算法優(yōu)化求解每個巡檢機器人的巡檢路線，下層模型通過最小化時延優(yōu)化問題提高巡檢效率；采用lyapunov優(yōu)化技術(shù)解決隨機優(yōu)化問題的長期能耗穩(wěn)態(tài)約束問題，轉(zhuǎn)化為確定性優(yōu)化問題；應(yīng)用ddpg強化學(xué)習(xí)算法，獲取巡檢機器人的卸載決策和計算任務(wù)分配方案。

4、作為本發(fā)明所述的一種融合移動邊緣計算的風(fēng)電場巡檢方法的一種優(yōu)選方案，其中：所述構(gòu)建風(fēng)能智控巡檢網(wǎng)絡(luò)包括根據(jù)第三方收集的數(shù)據(jù)，獲得風(fēng)電場內(nèi)風(fēng)力渦輪機、氣象監(jiān)測設(shè)備和傳感器的位置信息；

5、利用獲取的位置信息，通過聚類算法將距離相近的設(shè)備聚合為一個巡檢點，得到巡檢點的集合{0,1,…,n}，其中，n為風(fēng)電場中所有巡檢點的數(shù)量，巡檢點的坐標(biāo)表示為{xni,yni,zni}；

6、在風(fēng)電場內(nèi)分別部署巡檢機器人和微基站，巡檢機器人通過集合表示為{0,1,…,m}，微基站通過集合表示為{0,1,…,b}，其中，m、b分別為所有巡檢機器人和微基站的數(shù)量；

7、根據(jù)聚類結(jié)果、巡檢機器人和微基站，構(gòu)建風(fēng)能智控巡檢網(wǎng)絡(luò)，將構(gòu)建好的巡檢網(wǎng)絡(luò)數(shù)字化，并輸入到巡檢機器人系統(tǒng)中。

8、作為本發(fā)明所述的一種融合移動邊緣計算的風(fēng)電場巡檢方法的一種優(yōu)選方案，其中：所述雙層多機器人輔助邊緣計算模型包括基于風(fēng)能智控巡檢網(wǎng)絡(luò)，將整個巡檢周期劃分為t個長度相等且為δ的時隙；；

9、在第t個時隙內(nèi)，巡檢機器人m以速度vm(t)沿路徑移動，在移動的過程中執(zhí)行數(shù)據(jù)計算任務(wù)；

10、若到達巡檢點，則執(zhí)行數(shù)據(jù)采集和被動卸載任務(wù)；

11、若未到達巡檢點，則繼續(xù)移動；

12、在第t個時隙內(nèi)，巡檢機器人m到達巡檢點采集到的數(shù)據(jù)量和被卸載的數(shù)據(jù)量分別表示為cn(t)和qn(t)；

13、所述巡檢機器人的總巡檢距離包括考慮巡檢機器人的計算資源和能量資源有限，引入邊緣計算構(gòu)建風(fēng)電場巡檢數(shù)據(jù)任務(wù)的卸載模型、通信模型、時延模型和能耗模型；

14、確定巡檢點集合和地理位置信息，巡檢機器人從同一起點出發(fā)，沿預(yù)設(shè)路徑移動，訪問巡檢點后返回起點，巡檢機器人的路徑二元變量為xi,j,m，表示巡檢機器人m是否從巡檢點i訪問到巡檢點j；

15、如果訪問，則xi,j,m＝1，如果未訪問，則xi,j,m＝0；

16、避免巡檢機器人路徑中出現(xiàn)子回路，引入輔助變量ui,m，表示巡檢機器人m訪問巡檢點i的順序；

17、整個巡檢周期內(nèi)，考慮最小化所有巡檢機器人的總巡檢距離，構(gòu)造距離最小化優(yōu)化問題，公式表示為，

18、

19、ui,m-uj,m+nxi,j,m≤n-1

20、1≤ui,m≤n

21、xi,j,m∈{0,1}

22、其中，argmin為最小值參數(shù)，di,j為巡檢點i和巡檢點j之間的距離；

23、所述使用遺傳算法優(yōu)化求解每個巡檢機器人的巡檢路線包括初始化遺傳算法的參數(shù)，包括種群大小p，交叉概率pc，變異概率pm，最大迭代次數(shù)z，生成初始種群，每個個體代表一種巡檢路徑方案ind，包括所有巡檢機器人的路徑編碼，集合表示為{ind1,ind2,...,indp}；

24、基于總巡檢距離計算初始種群中每個個體的適應(yīng)度值f(indp)，進行選擇操作，采用輪盤賭選擇方法，根據(jù)適應(yīng)度值選擇個體參與交叉和變異操作，選擇概率與適應(yīng)度值成正比；

25、進行交叉操作，根據(jù)pc采用部分映射交叉方法，對選擇的個體進行交叉操作；

26、進行變異操作，根據(jù)pm采用逆轉(zhuǎn)變異方法，對交叉后生成的個體進行變異操作；

27、計算新種群中每個個體的適應(yīng)度值，并更新種群，將適應(yīng)度值最高的個體保留至下一代，迭代交叉和變異操作，直至達到最大迭代次數(shù)或算法收斂，終止算法；

28、輸出最優(yōu)解，記錄最優(yōu)巡檢路徑和相應(yīng)的總巡檢距離，巡檢機器人執(zhí)行。

29、作為本發(fā)明所述的一種融合移動邊緣計算的風(fēng)電場巡檢方法的一種優(yōu)選方案，其中：所述卸載模型、通信模型包括在風(fēng)電場巡檢區(qū)域中，各巡檢機器人與微基站之間的數(shù)據(jù)傳輸采用正交信道，忽略巡檢機器人之間的通信干擾，根據(jù)香農(nóng)公式，在第t個時隙內(nèi)，巡檢機器人m與微基站b之間的通信速率rm,b(t)計算公式表示為，

30、

31、其中，b為信道帶寬，σ2為附加的高斯白噪聲，p為各巡檢機器人的發(fā)射功率，hm,b(t)為在第t個時隙內(nèi)巡檢機器人m與微基站b之間的信道功率增益，log為對數(shù)函數(shù)，

32、在到達巡檢點后，傳感器o和巡檢機器人m之間的通信速率ro,m(t)計算公式表示為，

33、

34、αm(t)＝b表示巡檢機器人m在第t個時隙內(nèi)將數(shù)據(jù)任務(wù)卸載至微基站b執(zhí)行；

35、βn＝m表示巡檢點n內(nèi)的傳感器在巡檢機器人m到達時將數(shù)據(jù)卸載至巡檢機器人。

36、作為本發(fā)明所述的一種融合移動邊緣計算的風(fēng)電場巡檢方法的一種優(yōu)選方案，其中：所述時延模型和能耗模型包括基于卸載決策巡檢機器人m在第t個時隙內(nèi)進行數(shù)據(jù)的卸載，確保數(shù)據(jù)任務(wù)在第t個時隙內(nèi)卸載完畢；

37、考慮巡檢機器人的計算能力，引入數(shù)據(jù)任務(wù)計算緩存隊列qm(t)，采用協(xié)同計算策略處理緩存隊列中的任務(wù)，通過本地計算的任務(wù)比例為rm,l(t)，卸載到微基站進行計算的任務(wù)比例為rm,un(t)；

38、所述緩存隊列的推演公式表示為，

39、qm(t+1)＝max{(1-rm,l(t)-rm,un(t))qm(t),0}+cn(t)+qn(t)

40、其中，max為最大值函數(shù)；

41、考慮微基站b在第t個時隙內(nèi)，接收來自多個巡檢機器人的計算任務(wù)，引入微基站計算任務(wù)等待隊列db(t)緩存巡檢機器人卸載的計算任務(wù)，等待隊列的計算公式表示為，

42、

43、若αm(t)＝b，則1(αm(t)＝b)＝1；

44、若αm(t)≠b，則1(αm(t)＝b)＝0；

45、第t個時隙內(nèi)，巡檢機器人m的本地計算時延計算公式為，

46、

47、其中，fm為巡檢機器人m的本地cpu計算頻率，μ為單位比特數(shù)據(jù)所需的cpu周期數(shù)；

48、第t個時隙內(nèi)，微基站b處理計算任務(wù)所需的計算時延計算公式為，

49、

50、其中，fb表示微基站b的cpu計算頻率；

51、第t個時隙內(nèi)，巡檢機器人m選擇將數(shù)據(jù)任務(wù)卸載至微基站b所需傳輸時延計算公式為，

52、

53、巡檢點的傳感器o將數(shù)據(jù)任務(wù)卸載至巡檢機器人m所需傳輸時延計算公式為，

54、

55、第t個時隙內(nèi)的總時延tall(t)計算公式為，

56、

57、第t個時隙內(nèi)，巡檢機器人m的本地計算能耗計算公式為，

58、

59、其中，k1為常數(shù)；

60、巡檢機器人m選擇將數(shù)據(jù)任務(wù)卸載至微基站b所需傳輸能耗計算公式為，

61、

62、其中，p為巡檢機器人的發(fā)射功率；

63、巡檢機器人的移動能耗計算公式為，

64、

65、其中，wr為巡檢機器人的質(zhì)量，vm為巡檢機器人的速度；

66、單個巡檢機器人m的總能耗eall(t)計算公式為，

67、

68、巡檢機器人的總能耗穩(wěn)態(tài)約束公式表示為，

69、

70、其中，emax為巡檢機器人在整個巡檢周期內(nèi)的電量上限，t為巡檢周期時間窗口長度。

71、作為本發(fā)明所述的一種融合移動邊緣計算的風(fēng)電場巡檢方法的一種優(yōu)選方案，其中：所述確定性優(yōu)化問題包括在整個巡檢周期內(nèi)，在各微基站提供計算資源的條件下保證各巡檢機器人總體時延最小化，構(gòu)造時延優(yōu)化問題，公式表示為，

72、

73、c7:αm(t)∈b

74、c8:0≤rm,l(t)≤1

75、c9:0≤rm,m(t)≤1

76、c10:0≤rm,l(t)+rm,m(t)≤1

77、

78、α(t)＝[α1(t),α2(t),...,αm(t)]

79、r(t)＝[r1,l(t),r1,un(t),...,rm,l(t),rm,un(t)]

80、其中，α(t)、r(t)分別為不同的計算任務(wù)卸載決策和；

81、約束c7表示巡檢機器人的卸載決策變量；約束c8和c9分別是對巡檢機器人m在第t個時隙內(nèi)本地計算任務(wù)比例和卸載任務(wù)比例的約束；約束c10是對計算比例和卸載比例總和的約束；約束c11表示長期能耗穩(wěn)態(tài)約束；

82、基于穩(wěn)態(tài)約束，針對各巡檢機器人構(gòu)造動態(tài)能耗虛擬隊列g(shù)m(t)，推演過程公式表示為，

83、gm(t+1)＝max{gm(t)+eall(t)-emax/t,0}

84、其中，emax/t為單時隙被分配的電量，eall(t)-emax/t為第t個時隙內(nèi)能耗的偏差；

85、采用lyapunov函數(shù)描述第t個時隙內(nèi)所有動態(tài)能耗虛擬隊列積壓的平方和，公式表示為，

86、

87、θ(t)＝{g1(t),g2(t),…,gm(t)}

88、其中，θ(t)為所有巡檢機器人的動態(tài)能耗虛擬隊列的集合；

89、根據(jù)lyapunov函數(shù)相鄰兩個時隙之間差值的期望，構(gòu)造lyapunov漂移公式表示為，

90、δ(θ(t))＝e[l(θ(t+1))-l(θ(t))|θ(t)]

91、其中，e為期望運算；

92、通過融合漂移懲罰策略得到lyapunov漂移懲罰函數(shù)，公式表示為，

93、δv(θ(t))＝δ(θ(t))+ve[tall(t)]

94、其中，v為衡量漂移及目標(biāo)函數(shù)之間的權(quán)重比，δv(θ(t))為漂移懲罰函數(shù)；

95、lyapunov漂移懲罰函數(shù)的上界公式表示為，

96、

97、其中，y為漂移懲罰函數(shù)的常數(shù)；

98、將優(yōu)化問題轉(zhuǎn)化為無長期約束的確定性最小化優(yōu)化問題，

99、

100、其中，argmina(t),r(t)為找到使目標(biāo)函數(shù)最小的變量a(t),r(t)的函數(shù)。

101、作為本發(fā)明所述的一種融合移動邊緣計算的風(fēng)電場巡檢方法的一種優(yōu)選方案，其中：所述ddpg強化學(xué)習(xí)算法包括強化學(xué)習(xí)算法的三個核心要素環(huán)境狀態(tài)st、動作空間αt和獎勵gt公式表示為，

102、st＝{l1(t),…,lm(t),q1(t),…,qm(t),g1(t),…,gm(t)}；

103、αt＝{α1(t),…,αm(t),r1,l(t),r1,un(t),…,rm,l(t),rm,un(t)}；

104、

105、其中，normalize為標(biāo)準(zhǔn)化處理，tanh為雙曲正切函數(shù)；

106、構(gòu)建并初始化四個神經(jīng)網(wǎng)絡(luò)，分別為actor當(dāng)前網(wǎng)絡(luò)actor目標(biāo)網(wǎng)絡(luò)critic當(dāng)前網(wǎng)絡(luò)w和critic目標(biāo)網(wǎng)絡(luò)w′，參數(shù)分別為θ、θ′、σ和σ′，初始化經(jīng)驗回放池pool；

107、基于巡檢機器人軌跡，第t個時隙內(nèi)，actor當(dāng)前網(wǎng)絡(luò)輸入狀態(tài)st，輸出行動at＝clip(μθ(st)+ε,alow,ahigh)；

108、其中，∈為隨機噪聲，clip為截斷函數(shù)，ahigh、alow分別為最大和最小動作；

109、將動作at與環(huán)境進行交互，得到系統(tǒng)獎勵gt并進入下一時隙狀態(tài)st+1，同時將記錄(st,at,rt,st+1,d)存至經(jīng)驗回放池pool中；

110、其中，d為狀態(tài)常數(shù)，若d＝1，則判斷動作為終止?fàn)顟B(tài)，若d＝0，則判斷動作為非終止?fàn)顟B(tài)；

111、重復(fù)采樣操作，從第一個時隙開始，直至經(jīng)驗回放池被填滿，若st+1是終止?fàn)顟B(tài)，則重置狀態(tài)st，若st+1為非終止?fàn)顟B(tài)，則st＝st+1；

112、從pool中隨機抽取樣本記錄，將狀態(tài)st+1和通過actor目標(biāo)網(wǎng)絡(luò)求得的動作輸入至critic目標(biāo)網(wǎng)絡(luò)；

113、輸出相應(yīng)w值w′(st+1,at+1∣w)和目標(biāo)值yt＝gt+γw′(st+1,at+1∣σ′)；

114、其中，γ為折扣因子；

115、將狀態(tài)st、動作at輸入至critic當(dāng)前網(wǎng)絡(luò)，輸出相應(yīng)w值w(st,at∣σ)；

116、采用損失函數(shù)l，并使用梯度下降方法更新critic當(dāng)前網(wǎng)絡(luò)的參數(shù)σ，公式表示為，

117、

118、采用梯度上升方法更新actor當(dāng)前網(wǎng)絡(luò)的參數(shù)θ，實現(xiàn)策略目標(biāo)函數(shù)j(θ)的最大化，公式表示為，

119、

120、其中，為目標(biāo)函數(shù)對參數(shù)θ的梯度，為critic網(wǎng)絡(luò)w對動作a的梯度，為策略τ對參數(shù)θ的梯度；

121、采用軟目標(biāo)更新的方式定時更新actor目標(biāo)網(wǎng)絡(luò)的參數(shù)θ′及critic目標(biāo)網(wǎng)絡(luò)的參數(shù)σ′，

122、θ′＝ρθ+(1-ρ)θ′

123、σ′＝ρσ+(1-ρ)σ′

124、其中，ρ為更新幅度。

125、本發(fā)明的另外一個目的是提供一種融合移動邊緣計算的風(fēng)電場巡檢系統(tǒng)，通過引入移動邊緣計算技術(shù)，解決風(fēng)電場巡檢過程中存在的效率低、能耗高、數(shù)據(jù)處理時延長等問題。通過構(gòu)建風(fēng)能智控巡檢網(wǎng)絡(luò)，并采用雙層多機器人輔助邊緣計算模型，實現(xiàn)對風(fēng)電場的全覆蓋巡檢。上層模型旨在最小化所有巡檢機器人的總巡檢距離，通過遺傳算法優(yōu)化各機器人的巡檢路線；下層模型構(gòu)建時延最小化的隨機優(yōu)化問題，并通過lyapunov優(yōu)化技術(shù)轉(zhuǎn)化為確定性優(yōu)化問題，最后應(yīng)用ddpg算法獲取卸載決策和計算任務(wù)分配。這樣，能夠在提高巡檢效率的同時，降低巡檢機器人的能耗和數(shù)據(jù)處理時延，確保數(shù)據(jù)傳輸?shù)目煽啃院蛯崟r性，從而提升風(fēng)電場運維管理的整體效益。

126、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案:一種融合移動邊緣計算的風(fēng)電場巡檢系統(tǒng)，包括：構(gòu)建風(fēng)能智控巡檢網(wǎng)絡(luò)模塊、輔助邊緣計算模型模塊、lyapunov優(yōu)化技術(shù)模塊和ddpg強化學(xué)習(xí)算法模塊；

127、所述構(gòu)建風(fēng)能智控巡檢網(wǎng)絡(luò)模塊，根據(jù)巡檢機器人、風(fēng)力渦輪機、氣象監(jiān)測設(shè)備、傳感器和微基站的分布情況，構(gòu)建巡檢網(wǎng)絡(luò)，實現(xiàn)風(fēng)電場的全面覆蓋和智能化巡檢；

128、所述輔助邊緣計算模型模塊，構(gòu)建雙層多機器人輔助邊緣計算模型，上層模型優(yōu)化巡檢機器人的總巡檢距離，使用遺傳算法優(yōu)化巡檢路線，下層模型通過最小化時延優(yōu)化問題提高巡檢效率，提高巡檢效率和降低能耗；

129、所述lyapunov優(yōu)化技術(shù)模塊，采用lyapunov優(yōu)化技術(shù)解決隨機優(yōu)化問題中的長期能耗穩(wěn)態(tài)約束問題，轉(zhuǎn)化為確定性優(yōu)化問題，通過lyapunov函數(shù)描述系統(tǒng)狀態(tài)變化并引入漂移懲罰策略，確保系統(tǒng)在能耗方面的穩(wěn)定性和最優(yōu)化；

130、所述ddpg強化學(xué)習(xí)算法模塊，應(yīng)用深度確定性策略梯度強化學(xué)習(xí)算法，獲取巡檢機器人的卸載決策和計算任務(wù)分配方案，通過構(gòu)建并初始化四個神經(jīng)網(wǎng)絡(luò)，利用經(jīng)驗回放池和策略梯度方法進行訓(xùn)練，優(yōu)化巡檢任務(wù)的分配和執(zhí)行，提高系統(tǒng)的自適應(yīng)性和智能化水平。

131、一種計算機設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如上所述融合移動邊緣計算的風(fēng)電場巡檢方法的步驟。

132、一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上所述融合移動邊緣計算的風(fēng)電場巡檢方法的步驟。

133、本發(fā)明的有益效果：本發(fā)明所設(shè)計的一種融合移動邊緣計算的風(fēng)電場巡檢方法，構(gòu)建風(fēng)能智控巡檢網(wǎng)絡(luò)以及針對風(fēng)電場巡檢的雙層多機器人輔助邊緣計算模型，基于該模型可實現(xiàn)風(fēng)電場全覆蓋式巡檢；上層模型以最小化所有巡檢機器人的總巡檢距離為目標(biāo)，采用遺傳算法優(yōu)化各巡檢機器人的巡檢路線，以實現(xiàn)巡檢移動能耗最小化；下層模型則構(gòu)建巡檢機器人時延最小化的隨機優(yōu)化問題，并通過lyapunov優(yōu)化技術(shù)將隨機優(yōu)化問題轉(zhuǎn)化為確定性優(yōu)化問題，最后應(yīng)用ddpg算法獲取巡檢機器人的卸載決策和計算任務(wù)分配。本發(fā)明不僅能在風(fēng)電場全覆蓋式巡檢中顯著提高巡檢效率，降低巡檢機器人的能耗和數(shù)據(jù)處理時延，還能確保數(shù)據(jù)傳輸?shù)目煽啃院蛯崟r性，從而提升風(fēng)電場運維管理的整體效益。