CN103776903A - 一种风电叶片脱层检测方法及检测系统 - Google Patents

Abstract

本发明提供了风电叶片脱层检测方法及检测系统，系统包括带传感器的敲击锤，应力调理电路，FPGA模块、计算机、数据采集卡、定向声音传感器和全指向声音传感器。该系统结合力和声音两种特征检测，将脉冲信号计算敲击持续时间T和敲击力F、小波包能量熵Wee、固有模态能量熵Imee、频域信号作为BP神经网络计算器的特征输入参数，依据神经网络的输出结果快速准确的判断是否存在脱层，并可以计算脱层的深度和等效直径。

Description

一种风电叶片脱层检测方法及检测系统

技术领域

本发明属于复合材料无损检测领域，涉及风电叶片脱层检测技术，具体是一种风电叶片脱层检测方法及检测系统。

背景技术

在风电设备中，叶片是风力发电机组的重要部件，约占总成本的15%～20%。叶片在生产和运行中常出现纤维布褶皱、干纤维布、气泡、黏接宽度不够以及缺胶等缺陷。根据目前风场运行叶片事故的分析，叶片黏接开裂问题出现较多，即叶片易出现脱层情况。由于叶片的寿命要求20年，在整个使用寿命周期内，风力发电叶片作为受力结构件，不允许出现折断、分离等严重的质量事故。因而通过有效检测手段及早发现缺陷和损伤是非常重要的，同时对叶片进行维护以免造成更大的事故。

由于风电叶片本身的结构特点，其检测方法相比于普通的复合材料而言更为困难，主要体现在风电叶片结构复杂且尺寸大，检测耗时费工；叶片外形基本是弧面，并不光滑平整，常用的复合材料平面检测方法并不适用；叶片受低速冲击后，易造成不可见的内部损伤；对于运行的风电机组，叶片处于几十米的高空，大大增加了在役检测难度；另外，如果采用一般的机械和物理试验方法检测叶片的微观破坏和内部缺陷，检测后往往会影响其继续使用，因而对风电叶片必须采用无损检测方法。

目前，国内外常用的检测方法包括声发射、热成像、超声、振动模态、光纤、激光多普勒振动计、电抗、应变记忆合金、X射线透视以及涡流在内的数十种，但各类的检测技术还主要出于研究阶段，针对叶片本身特点的检测系统还不成熟。

发明内容

本发明为了解决现有技术的问题，提供了一种能够快速、准确风检测电叶片脱层的方法和系统，从多个角度获得脱层的特征参数，从而判断是否存在脱层，并可以计算脱层的深度和等效直径。

本发明提供的检测方法包括以下步骤：

1）使用内嵌力传感器的敲击锤敲击风机叶片；

2）根据力传感器输出的脉冲信号计算敲击持续时间T和敲击力F；

3）使用定向声音传感器和全指向声音传感器分别获得敲击声和环境噪声；

4）将获得的敲击声和环境噪声通过数据采集卡采集后传输到特征参数计算器，特征参数计算器根据短时能量和短时平均过零率进行端点检测，根据多项式最小二乘法进行消除多项式趋势项，然后将两种声音信号进行自适应低通滤波，从而得到风电叶片振动的声音信号获得风机叶片振动发出的声音；

5）根据风机叶片发出的声音计算小波包能量熵Wee；

6）根据风机叶片发出的声音计算固有模态能量熵Imee；

7）将风机叶片振动发出的声音经过傅里叶变换转换成频域信号；

8）根据频率信号计算功率谱最大峰值对应的频率值Fmp1，Fmp2，Fmp3；

9）根据步骤2）、5）、6）、7）的计算结果，将其作为BP神经网络计算器的特征输入参数，随机初始化网络的权值与阈值，网络训练最大次数为1000次，对BP神经网络进行训练，输出值用字母O表示，输出值取整后设为m，当m≥1时，如果输出值m-0.5≤O≤m+0.5，则表示脱层的深度为m；当m=0时，-0.5<O<0.5时，表示敲击处为无损伤。

进一步改进，步骤9）中的BP神经网络计算器根据具体的外界输入样本确定网络的相连权值。

本发明还提供了一种风电叶片脱层检测系统，包括带传感器的敲击锤，应力调理电路，FPGA模块、计算机、数据采集卡、定向声音传感器和全指向声音传感器，其中敲击锤与应力调理电路相连，应力调理电路分别通过门限比较器和A/D转换电路与FPGA模块相连，FPGA模块通过串口与计算机相连；定向声音传感器和全指向声音传感器通过数据采集卡与计算机相连。

进一步改进，所述的FPGA模块连接有显示器。

FPGA模块包括相连的脉宽测量器和NIOS内核控制器，其中脉宽测量器与门限比较器连接，NIOS内核控制器分别与A/D转换电路、串口和显示器连接。

应力调理电路包括依次连接的阻抗匹配电路、半波整流电路、放大电路和低通滤波电路，其中阻抗匹配电路与敲击锤连接，低通滤波电路分别与门限比较器和A/D转换电路连接。

计算机包括相连的声音信号特征参数计算器和BP神经网络计算器，其中声音信号特征参数计算器与数据采集卡相连，BP神经网络计算器与串口相连。

声音信号特征参数计算器包括依次连接的端点检测器、消除多项式趋势项计算器、自适应低通滤波器，以及小波包能量熵计算器、固有模态能量熵计算器、傅里叶变换器和功率谱最大峰值对应的频率值计算器，其中端点检测器与数据采集卡相连，自适应低通滤波器分别与小波包能量熵计算器、固有模态能量熵计算器和傅里叶变换器相连，傅里叶变换器与功率谱最大峰值对应的频率值计算器相连，小波包能量熵计算器、固有模态能量熵计算器和功率谱最大峰值对应的频率值计算器分别连接到BP神经网络计算器。

本发明有益效果在于：

1、结合力和声音两种特征检测，快速、准确，并可以计算脱层的深度和等效直径。

2、定向声音传感器和全指向传感器的选择可以去除环境噪声对敲击声音信号的干扰，使测量结果更精确。

附图说明

图1为本发明检测系统的结构示意框图。

图2为本发明检测系统的特征参数计算器的结构示意框图。

图3为BP神经网络示意图。

具体实施方式

下面结合附图对本发明作进一步说明。

本发明检测系统的结构如图1所示，包括带传感器1的敲击锤2，应力调理电路4，FPGA模块7、计算机10、数据采集卡11、定向声音传感器301和全指向声音传感器302，其中敲击锤2与应力调理电路4相连，应力调理电路4分别通过门限比较器LM3605和A/D转换电路AD678JD6与FPGA模块7相连，FPGA模块7通过串口8与计算机10相连；定向声音传感器301和全指向声音传感器302通过数据采集卡11与计算机10相连。力传感器使用的是SDT_Series压电传感器。

所述的FPGA模块7连接有显示器9。通过显示器9可直接观测到T和F，可通过T和F简单的判断是否存在脱层。

所述的FPGA模块使用EP3C160Q240，包括相连的脉宽测量器701和NIOS内核控制器702，其中脉宽测量器701与门限比较器5连接，NIOS内核控制器702分别与A/D转换电路6、串口8和显示器9连接。

所述的应力调理电路4包括依次连接的阻抗匹配电路401、半波整流电路402、放大电路403和低通滤波电路404，运放均采用OP07。其中阻抗匹配电路401与敲击锤2连接，低通滤波电路404分别与门限比较器5和A/D转换电路6连接。

所述的计算机10包括相连的声音信号特征参数计算器1001和BP神经网络计算器1002，其中声音信号特征参数计算器1001与数据采集卡11相连，BP神经网络计算器1002与串口8相连。

所述的声音信号特征参数计算器1001如图2所示，包括依次连接的端点检测器12、消除多项式趋势项计算器13、自适应低通滤波器14，以及小波包能量熵计算器15、固有模态能量熵计算器17、傅里叶变换器16和功率谱最大峰值对应的频率值计算器18，其中端点检测器12与数据采集卡11相连，自适应低通滤波器14分别与小波包能量熵计算器15、固有模态能量熵计算器17和傅里叶变换器16相连，傅里叶变换器16与功率谱最大峰值对应的频率值计算器18相连，小波包能量熵计算器15、固有模态能量熵计算器17和功率谱最大峰值对应的频率值计算器18分别连接到BP神经网络计算器1002。

本发明提供的检测方法包括以下步骤：

1）使用内嵌力传感器1的敲击锤2敲击风机叶片；

2）根据力传感器1输出的脉冲信号计算敲击持续时间T和敲击力F；

3）使用定向声音传感器301和全指向声音传感器302分别获得敲击声和环境噪声；

4）将获得的敲击声和环境噪声通过数据采集卡11采集后传输到特征参数计算器1001，特征参数计算器1001根据短时能量和短时平均过零率进行端点检测，根据多项式最小二乘法进行消除多项式趋势项，然后将两种声音信号进行自适应低通滤波，从而得到风电叶片振动的声音信号获得风机叶片振动发出的声音；

5）根据风机叶片发出的声音计算小波包能量熵Wee；

用小波包分解技术，将信号频率细分到每个节点上，在每个节点上做能量统计，每个节点的能量组成小波包节点能量特征向量。假设原始信号x(t)进行n层离散小波包分解，得到第j节点的i个点用x_j,i，小波包每节节点的能量为E_j，j=0,1,2……2ⁿ-1，N表示x(t)采样点数。

小波包分解后每层节点的能量和等于原始信号的能量和，即E＝E₁。P_j表示小波包第j个节点的相对能量比。

$E_j=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left|x_{j,i}\right|}^2$

$E_1=\underset{j=0}{\overset{2^n-1}{\mathrm{\&Sigma;}}}{E}_j$

$P_j=\frac{E_j}{E_1},0\&le;P_j\&le;1,\mathrm{\&Sigma;}{P}_j=1$

$E=\underset{i=0}{\overset{N}{\mathrm{\&Sigma;}}}{\left|x\left(i\right)\right|}^2$

$\mathrm{Wee}=-\underset{j=0}{\overset{2^n-1}{\mathrm{\&Sigma;}}}{P}_j{\log }_{10}{P}_j$

6）根据风机叶片发出的声音计算固有模态能量熵Imee；

采用EMD方法对原始信号x(t)进行经验模态分解，得到IMF分量c₁(t),c₂(t),Κ,c_n(t),求其能量分别为EE₁,EE₂,Κ,EE_n。则每个IMF分量相应的固有模态能量熵可以定义为

${\mathrm{EE}}_i=\stackrel{j=N}{\underset{j=0}{\mathrm{\&Sigma;}}}{\left|c_i\left(j\right)\right|}^2$

$\mathrm{EE}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{EE}}_i$

${\mathrm{PP}}_i=\frac{{\mathrm{EE}}_i}{\mathrm{EE}}$

$\mathrm{Imee}=-\underset{j=0}{\overset{2^n-1}{\mathrm{\&Sigma;}}}{\mathrm{PP}}_j{\log }_{10}{\mathrm{PP}}_j$

式中，N为x(t)的长度，n为x(t)进行经验模态分解得到的IMF的个数。

7）将风机叶片振动发出的声音经过傅里叶变换转换成频域信号；

8）根据频率信号计算功率谱最大峰值对应的频率值Fmp1，Fmp2，Fmp3；假设原始信号x(t)进行n层离散小波包分解，得到d₁(t),d₂(t),Κ,d_n(t)，分别对d₁(t)，d₂(t)，d₃(t)进行功率谱估计，计算功率谱中最大峰值所对应的频率，即为Fmp1，Fmp2，Fmp3。

9）根据步骤2）、5）、6）、7）的计算结果，将其作为BP神经网络计算器1002的特征输入参数，依据神经网络的输出结果判断是否存在脱层，并计算脱层的深度和等效直径。BP神经网络计算器1002根据具体的外界输入样本确定网络的相连权值。

BP（Error Back Propagation Network）神经网络是一种多层前馈神经网络，具有广泛的适应性和有效性。使用三层BP神经网络的拓扑结构如图所示。

图3中，x₁,x₂,...,x_n是BP神经网络的输入值，y₁,y₂,...y_m是BP神经网络的预测值，

和

是BP神经网络的权值。从图中可以看出，BP神经网络可以看成一个非线性函数，网络输出和预测值分别为该函数的自变量和因变量。

将敲击持续时间T、敲击力F、小波包能量熵Wee、固有模态能量熵Imee、功率谱中最大峰值所对应的频率Fmp1，Fmp2，Fmp3组成特征向量。神经网络的输入向量为P=[T,F,Wee,Imee,Fmp1,Fmp2,Fmp3]，隐含层节点个数为15，输出向量的个数为1，神经网络的结构为7-15-1。对风机叶片损伤情况进行编号，无损伤的特征向量

[T,F,Wee,Imee,Fmp1,Fmp2,Fmp3]的标签记为0；深度为nmm的特征向量的标签即为n。

将无损伤样本和脱层样本作为BP神经网络的训练集，随机初始化网络的权值与阈值，网络训练最大次数为1000次，对BP神经网络进行训练。输出值用字母O表示，输出值取整后设为m。

判断脱层深度的方法：当m≥1时，如果输出值m-0.5≤O≤m+0.5，则表示脱层的深度为m；当m=0时，-0.5<O<0.5时，表示敲击处为无损伤。

实施例：

敲击风机叶片脱层为5mm某点，得到声音信号x(t)和应力信号y(t),对x(t)、y(t)进行预处理后，x(t)经过5层小波包分解、功率谱估计和经验模态分解后，计算得出：

T=,F=,Wee=0.6553，Imee=0.9882，Fmp1=223.9095Hz，Fmp2=501.4231Hz，Fmp3=568.5641Hz，

将P=[T,F,Wee,Imee,Fmp1,Fmp2,Fmp3]作为已训练好的神经网络的输入向量，最后输出O=5.1235。

用传感器采集敲击风机叶片无损伤点的信号，信号预处理后，计算得出：

T=,F=,Wee=1.1013,Imee=1.8276,Fmp1=501.9776Hz,Fmp2=528.0395Hz,Fmp3=566.3，

将P=[T,F,Wee,Imee,Fmp1,Fmp2,Fmp3]作为已训练好的神经网络的输入向量，最后输出O=-0.2347。

从上述实例可以得出，神经网络的输出值直接反映了风机叶片的脱层情况。

本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (8)

1.一种风电叶片脱层检测方法，其特征在于包括以下步骤：

1）使用内嵌力传感器（1）的敲击锤（2）敲击风机叶片；

2）根据力传感器（1）输出的脉冲信号计算敲击持续时间T和敲击力F；

3）使用定向声音传感器（301）和全指向声音传感器（302）分别获得敲击声和环境噪声；

4）将获得的敲击声和环境噪声通过数据采集卡（11）采集后传输到特征参数计算器（1001），特征参数计算器（1001）根据短时能量和短时平均过零率进行端点检测，根据多项式最小二乘法进行消除多项式趋势项，然后将两种声音信号进行自适应低通滤波，从而得到风电叶片振动的声音信号获得风机叶片振动发出的声音；

5）根据风机叶片发出的声音计算小波包能量熵Wee；

6）根据风机叶片发出的声音计算固有模态能量熵Imee；

7）将风机叶片振动发出的声音经过傅里叶变换转换成频域信号；

8）根据频率信号计算功率谱最大峰值对应的频率Fmp1，Fmp2，Fmp3；

9）根据步骤2）、5）、6）、7）的计算结果，将其作为BP神经网络计算器（1002）的特征输入参数，随机初始化网络的权值与阈值，网络训练最大次数为1000次，对BP神经网络进行训练，输出值用字母O表示，输出值取整后设为m，当m≥1时，如果输出值m-0.5≤O≤m+0.5，则表示脱层的深度为m；当m=0时，-0.5<O<0.5时，表示敲击处为无损伤。

2.根据权利要求2所述的风电叶片脱层检测方法，其特征在于：步骤9）中的BP神经网络计算器（1002）根据具体的外界输入样本确定网络的相连权值。

3.一种风电叶片脱层检测系统，其特征在于：包括带传感器（1）的敲击锤（2），应力调理电路（4），FPGA模块（7）、计算机（10）、数据采集卡（11）、定向声音传感器（301）和全指向声音传感器（302），其中敲击锤（2）与应力调理电路（4）相连，应力调理电路（4）分别通过门限比较器（5）和A/D转换电路（6）与FPGA模块（7）相连，FPGA模块（7）通过串口（8）与计算机（10）相连；定向声音传感器（301）和全指向声音传感器（302）通过数据采集卡（11）与计算机（10）相连。

4.根据权利要求3所述的风电叶片脱层检测系统，其特征在于：所述的FPGA模块（7）连接有显示器（9）。

5.根据权利要求4所述的风电叶片脱层检测系统，其特征在于：所述的FPGA模块包括相连的脉宽测量器（701）和NIOS内核控制器（702），其中脉宽测量器（701）与门限比较器（5）连接，NIOS内核控制器（702）分别与A/D转换电路（6）、串口（8）和显示器（9）连接。

6.根据权利要求3或4所述的风电叶片脱层检测系统，其特征在于：所述的应力调理电路（4）包括依次连接的阻抗匹配电路（401）、半波整流电路（402）、放大电路（403）和低通滤波电路（404），其中阻抗匹配电路（401）与敲击锤（2）连接，低通滤波电路（404）分别与门限比较器（5）和A/D转换电路（6）连接。

7.根据权利要求3或4所述的风电叶片脱层检测系统，其特征在于：所述的计算机（10）包括相连的声音信号特征参数计算器（1001）和BP神经网络计算器（1002），其中声音信号特征参数计算器（1001）与数据采集卡（11）相连，BP神经网络计算器（1002）与串口（8）相连。

8.根据权利要求7所述的风电叶片脱层检测系统，其特征在于：所述的声音信号特征参数计算器（1001）包括依次连接的端点检测器（12）、消除多项式趋势项计算器（13）、自适应低通滤波器（14），以及小波包能量熵计算器（15）、固有模态能量熵计算器（17）、傅里叶变换器（16）和功率谱最大峰值对应的频率计算器（18），其中端点检测器（12）与数据采集卡（11）相连，自适应低通滤波器（14）分别与小波包能量熵计算器（15）、固有模态能量熵计算器（17）和傅里叶变换器（16）相连，傅里叶变换器（16）与功率谱最大峰值对应的频率计算器（18）相连，小波包能量熵计算器（15）、固有模态能量熵计算器（17）和功率谱最大峰值对应的频率计算器（18）分别连接到BP神经网络计算器（1002）。

Images