CN110748462B - 大型风力机叶片主梁内部缺陷类型红外自动识别方法 - Google Patents

Abstract

本发明涉及风力发电设备运行维护技术领域，同时也适用于其他树脂基复合材料的早期缺陷类型无损检测。其精准、适用性强且能够适用于野外工作环境。包括以下步骤：S1获取环境温度、主梁样件厚度、热源距样件距离、样件表面风速以及含缺陷样件各缺陷部位热扩散系数的数据样本，建立这些参数与不同类型缺陷热扩散系数之间的非线性耦合关系，同时计算神经网络模型参数；S2持续照射风力机叶片表面；S3采集和提取叶片有缺陷区域和无缺陷区域的表面温差曲线；S4‑S5记录当前照射位置叶片主梁厚度；测量当前环境温度；测量叶片表面平均风速；S6按照BP神经网络计算方法，计算热扩散系数；S7利用热扩散系数相对误差率计算公式,从而完成缺陷类型识别。

Description

大型风力机叶片主梁内部缺陷类型红外自动识别方法

技术领域

本发明涉及风力发电设备运行维护技术领域，同时也适用于其他树脂基复 合材料的早期缺陷类型无损检测。

背景技术

在我国，作为一种重要的可再生能源技术，风力发电目前正处在高速发展 的重要时期。风力机叶片作为风力发电机组的核心部件，对机组的稳定、安全 运行具有决定性的影响。主梁作为叶片最重要的承力部件，其状态直接决定了 叶片的性能，因此对叶片的状态检测，主要就是针对叶片主梁的状态检测。

受制造工艺、运输及使用不当等随机因素的影响，风力机叶片不可避免的 带有气泡、夹杂、褶皱等缺陷。在风载荷的作用下，将引起叶片结构损伤的产 生，最终导致叶片损坏。由于风力机叶片采用的材料是复合材料，属于非均匀 介质，且叶片外观设计带有明显的非线性特征，许多内部缺陷无法检测。目前， 视觉判断仍是风电场技术人员对于叶片损伤的主要判断方法，误差大，失误率 高，发现晚，相应的导致修复成本高、技术难度大、停机损失巨大。因此，研 究大型风力机叶片内部缺陷检测技术对于保证机组稳定运行，减少维护成本和 降低停机损失具有十分重要的意义。

对缺陷类型的识别是叶片内部缺陷检测的核心内容。一方面，不同类型的 缺陷具有不同的生成机制，对缺陷类型进行有效识别，可以相应的采取预防措 施，降低其形成的几率。另一方面，不同类型的缺陷对材料性能的影响各不相 同，诱发结构损伤的机制也大相径庭，准确识别缺陷类型是掌握叶片当前状态， 实现叶片寿命预测的前提。除此之外，不同类型的缺陷对应了不同的维修方案， 实现类型的准确识别可以正确指导运维，节约成本、提高维修效率。

红外热成像作为一种最常用的无损检测技术，已经开始被应用到大型风力 机叶片的内部缺陷类型检测中，但目前的检测方法往往都忽略环境热交换影响 及叶片外形影响，只适用于室内检测而不适合在风电场等野外环境中应用；另 外，目前的检测方法很难实现自动检测，并且难以区分热成像效果相近的缺陷 类型。因此，一种精准、适用性强且能够适用于野外工作环境的大型风力机叶 片缺陷类型检测的红外检测方法具有十分巨大的应用价值。

发明内容

本发明就是针对现有技术存在的缺陷，提供一种大型风力机叶片主梁内部 缺陷类型红外自动识别方法。其主要解决以下几方面内容：

1.针对目前叶片内部缺陷红外测量方法忽略了环境热交换影响及叶片外形 结构影响，导致测量方法不适用于现场检测的问题，提出一种算法，建立起叶 片厚度、照射距离，环境温度及叶片表面风速与热扩散系数之间的耦合关系， 提高现场识别的准确性，使其适合在现场环境使用。

2.针对目前一些叶片内部缺陷红外测量方法无法实现缺陷类型自动分析的 问题，需要提出基于比对实测热扩散系数与标准热扩散系数的测量方法，实现 对缺陷类型进行自动识别。

3.针对目前的叶片内部缺陷红外测量方法无法区分热扩散系数接近的相似 缺陷的问题，需要提出一种测量方法，对相似缺陷进行自动、准确区分。

为实现上述目的，本发明采用如下技术方案，包括以下步骤：

S1在实验室内，获取环境温度、主梁样件厚度、热源距样件距离、样件表 面风速以及含缺陷样件各缺陷部位热扩散系数的数据样本，对BP神经网络进行 训练，建立这些参数与不同类型缺陷热扩散系数之间的非线性耦合关系，同时 计算神经网络模型参数W_qβ，W_γ，β＝γ＝1,2,…,10，q＝1,2,…4；

S2用卤素灯热源持续照射风力机叶片表面；

S3利用红外热像仪采集和提取叶片有缺陷区域和无缺陷区域的表面温差 曲线ΔT(τ)，τ＝1,2,…,N，N为采样点数，缺陷显影清晰后停止加热；

S4根据风力机叶片外形尺寸，记录当前照射位置叶片主梁厚度；使用测 温仪测量当前环境温度T；使用测风仪测量叶片表面平均风速；借助激光测距 仪，设定热源距离叶片距离保持在0.3m～1m范围内，记为；

S5根据公式

计算求得α_d，式中 τ＝1,2,…,N，N为采样点数，T_max为ΔT(τ)的最大值，L为叶片厚度，α为无缺 陷位置的热扩散系数，α_d为缺陷的热扩散系数，N为总采样点数，m＝ 1,2,3…,N；

S6按照BP神经网络计算方法，根据公式

计算热扩散系数α_p，式中x_q＝[L V T D]^T，p＝1,2,…,n，n代 表缺陷类型，W_qβ，W_γ为S1得到的BP神经网络模型参数，x_β代表神经网络中 输入层的加权计算结果；x_q代表环境因素列向量，q是输入神经元的编号，取值 为q＝1,2,3,4；x_β′是神经网络输入层的输出结果；γ是隐含层神经元的编号，取 值为γ＝1,2,…,10；

S7利用热扩散系数相对误差率计算公式

求出Δα最小时对应 的α_p，从而完成缺陷类型识别。

进一步地，所述步骤S1包括以下步骤：

[a]根据公式L_i＝1+14×(i-1)，选取与叶片材质相同或相近，但具有 不同厚度的层合板样件，标记为S_i，厚度为L_i，i＝1,2,…,5，厚度单位是毫米；

[b]标记热源照射面为前表面，在各样件后表面同时加工出想要识别的类 型缺陷，例如褶皱、气泡、夹杂；

[c]利用温度控制设备，根据公式T_k＝10×(k-1)(k＝1,2,…,5)，营造5 组实验环境温度T_k，温度的单位是℃；

[d]利用风速调控装置，根据公式V_j＝2×(j-1)(j＝1,2,…,5)，生成5 组平均风速为V_j的空气气流，风速的单位是米/秒；

[e]分别在风速为V_j，环境温度为T_k的实验条件下，用照射热源对S_i前表面 进行持续加热，热源距S_i前表面的距离为D_p＝0.3+0.2×(p-1)，p＝1,2,3， 距离的单位是米；

[f]利用红外热像仪采集和保存样件后表面的实时热图序列，记录为 T_ijkp(τ)，τ＝0,1,2,…,N，N为最大采样点数，τ为时间序列，取正整数；为样 件编号，对应了当前样件厚度为L_i；j为风速编号，对应了当前样件表面平均风 速为V_j；k为环境温度编号，对应了当前环境温度为T_k，p为热源距离编号，对 应了当前照射距离为D_p；

[g]利用公式α_ijkpo＝0.14×L²/τ_m求解热扩散系数序列α_ijkpo，式中为当 前样件厚度，τ_m为后表面温升达到最大值的一半所用的时间，o是缺陷类型编 号，o＝0时，计算结果表示材料热扩散系数；

[h]根据公式

计算x_β，式中x_α＝[L_i V_j T_k D_p]^T， α＝1,2,3,4，β＝1,2,…,10，W_αβ初始值为1；

[i]将x_β代入公式

计算x_β′；

[j]将x_β′代入公式

式中W_γ初始值均为1，求得α_ijkp′；

[k]根据公式E＝α_ijkpo-α_ijkpo′，求得热扩散系数偏差E；

[l]根据公式ΔW_γ＝η·E·x_β′，计算ΔW_γ，η∈[0，1]；

[m]根据公式ΔW_αβ＝η·E·W_γ·x_β′·(1-x_β′)·x_α，计算ΔW_αβ。

[n]根据公式W_γ＝W_γ+ΔW_γ得到新的W_γ值

[o]根据公式W_αβ＝W_αβ+ΔW_αβ得到新的W_αβ值；

[p]重复上述步骤，直到满足收敛条件

记下W_αβ，W_γ。

与现有技术相比本发明有益效果。

本发明填补了高精度定量测量大型风力机叶片主梁内部缺陷类型的技术空 白，具有以下明显优势：

(1)能够实现自动识别：利用BP神经网络算法，可以在环境参数与叶片几 何参数已知的条件下，实时求解不同缺陷类型的热扩散系数理论值，通过对比 理论值与实测值，实现对几种缺陷类型的自动识别。

(2)能够对内部缺陷进行定量识别。通过对比热扩散系数来区别缺陷类型， 避免了红外成像效果相似的缺陷难以区分类型的难题，自动识别准确率高。

(3)适合风电场等实际野外环境使用：利用BP神经网络算法的非线性逼近 功能，建立起叶片厚度、照射距离，环境温度及叶片表面风速与热扩散系数之 间的耦合关系，同其他忽略环境热交换影响及叶片外形差异的测量方法相比， 脱离了实验室环境的限制，也适合于其他树脂基复合材料和结构的缺陷类型识 别。

(4)适用性广：BP神经网络具备学习和记忆功能，在使用过程中添加更多 的缺陷样本和叶片信息，就可以自动扩充检测范围，从而使算法不受叶片材质 和外形、测试环境、缺陷类型等的限制，适用性更广。

附图说明

下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不 仅局限于以下内容的表述。

图1检测方法流程图。

图2样件1缺陷示意图。

图3红外热扩散系数测量原理图。

图4缺陷温升曲线图。

图5BP神经网络结构示意图。

图6BP神经网络训练过程示意图。

图7持续加热红外缺陷类型检测技术原理图。

图8不同缺陷类型的温差曲线图。

具体实施方式

本申请提出了一种大型风力机叶片主梁内部缺陷类型红外自动识别方法。 其利用BP神经网络算法，可以在环境参数与叶片几何参数已知的条件下，实时 求解不同缺陷类型的热扩散系数理论值，通过对比理论值与实测值，实现对几 种缺陷类型的自动识别。另外，通过对比热扩散系数来区别缺陷类型，解决了 红外成像效果相似的缺陷难以区分类型的难题，自动识别准确率高。再有，利 用BP神经网络算法的非线性逼近功能，建立起叶片厚度、照射距离，环境温度 及叶片表面风速与热扩散系数之间的耦合关系，同其他忽略环境热交换影响及 叶片外形差异的测量方法相比，脱离了实验室环境的限制，也适合于其他树脂 基复合材料和结构的缺陷类型识别，能够在野外工作环境中使用。不仅如此， BP神经网络具备学习和记忆功能，在使用过程中添加更多的缺陷样本和叶片信 息，就可以自动扩充检测范围，从而使算法不受叶片材质和外形、测试环境、 缺陷类型等的限制，适用性更广。

如图1-8所示，本发明检测的整体流程，如附图1所示。

首先在工厂预制5块同待测叶片材质完全相同的层合板样件，本例采用的是 树脂基玻璃纤维增强塑料，厚度遵守公式L_i＝1+14×(i-1)，样件厚度如下 表所示：

表1样件厚度一览表

接下来，在每一块样件的背后，都同时加工出各种缺陷，本例选取了气泡、 夹杂、褶皱三种缺陷，如附图2所示。

要求能够利用空调设备，按照公式T_k＝10×(k-1)(k＝1,2,…,5)，在实验室 内营造5个环境温度，如下表所示：

表2环境温度一览表

要求能够利用调速风速，在沿样件表面方向制造不同速度的空气气流，速 度遵循公式V_j＝2×(j-1)，(j＝1,2,…,5)，调速要求如下表所示：

表3样件表面风速一览表

如附图3所示，分别在不同的照射距离固定样件，用照射热源对不同样件的 前表面进行持续加热，热源距样件前表面的距离为D_p＝0.3+0.2×(p-1)， p＝1,2,3，如下表所示：

表4热源照射距离一览表

待缺陷清晰显影后，停止加热，利用红外热像仪采集和保存样件后表面的 实时热图序列，如附图3所示。利用温升曲线，计算每一个样件的各个缺陷在 当前环境条件与照射距离下的热扩散系数，计算方法参考公式利用公式 α_ijkpo＝0.14×L²/τ_m求解热扩散系数序列α_ijkpo，式中L为当前样件厚度，τ_m为 后表面温升达到最大值的一半所用的时间，o是缺陷类型编号，o＝0时，计算 结果表示材料热扩散系数，附图4为缺陷的温升曲线。将各类环境条件和样件 尺寸条件下的各类热扩散系数进行整理，作为数据样本提供给BP神经网络，如下表列举了部分褶皱缺陷的热扩散系数样本数据：

表5部分褶皱缺陷的热扩散系数样本数据

接下来按照BP神经网络的训练方法，进行网络参数的训练，BP神经网络 的拓扑结构示意图如附图5所示，训练方法如下：

首先根据公式

计算x_β，式中x_α＝[L_i V_j T_k D_p]^T， α＝1,2,3,4，＝1,2,…,10，W_αβ初始值为1。再将x_β代入公式

计算x_β′。然 后将x_β′代入公式

式中W_γ初始值均为1，求得α_ijkp′。接下 来根据公式E＝α_ijkpo-α_ijkpo′，求得热扩散系数偏差。

接下来开始反向校正，根据公式ΔW_γ＝η·E·x_β′，计算ΔW_γ，η∈[0,1]。再 根据公式ΔW_αβ＝η·E·W_γ·x_β′·(1-x_β′)·x_α，计算ΔW_αβ。最后根据公式 W_γ＝W_γ+ΔW_γ得到新的W_γ值。同时根据公式W_αβ＝W_αβ+ΔW_αβ得到新的W_αβ 值。重复上述步骤直到满足收敛条件

记下W_αβ，W_γ。收敛过程如 附图6所示。

接下来开始进行检测：

本实施例对象为某种风力机叶片主梁样件。在工厂预制几种缺陷，试件单 层厚度为0.87mm，在纤维布的2-3层间添加气泡(缺陷1)，夹杂(泡沫，记为 缺陷2)，褶皱缺陷(缺陷3)，记录样件厚度为L＝3.48mm。

在测试前，首先记录环境温度，样件表面平均风速以及设定好的热源距离 样件的照射距离，经测量，T＝20℃，V＝6m/s，D＝0.5m/s。

如附图7所示，用卤素灯热源持续照射风力机叶片主梁样件表面，获取样 件各个缺陷位置和无缺陷位置的温度曲线：

根据公式

依次求得各个缺陷的热 扩散系数α_d，ΔT(τ)为无缺陷位置与各缺陷位置的表面温差曲线，如图8所示， T_max为ΔT(τ)的最大值，L为叶片厚度，α为材料热扩散系数，α_d为缺陷的热扩散 系数，N为采样点数，m＝1,2,3…,N，计算结果如下表所示：

表6热扩散系数测量结果统计

按照BP神经网络的计算方法，按照公式

计算热扩散系数α_p，式中x_q＝[L V T D]^T，p＝1,2,…,n，n对 应缺陷类型，W_qβ，W_γ为BP神经网络模型参数。代入各参数，计算得到当前环 境条件下，当前样件各类型缺陷的热扩散系数理论值，如下表所示：

表7热扩散系数理论计算结果统计

分别用缺陷1，2，3的实测热扩散系数与各类缺陷的理论热扩散系数进行比 对，从而完成缺陷类型识别。比对方法是利用热扩散系数相对误差率计公式

求出Δα最小时对应的α_p。比对结果如下：

表8热扩散系数比对结果统计

识别结果与实际类型一致，且将热成像效果接近的三种缺陷区分开了。

可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受 限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然 可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需 要，都在本发明的保护范围之内。

Claims (2)

1.大型风力机叶片主梁内部缺陷类型红外自动识别方法，其特征在于，包括以下步骤：

S1在实验室内，获取环境温度、主梁样件厚度、热源距样件距离、样件表面风速以及含缺陷样件各缺陷部位热扩散系数的数据样本，对BP神经网络进行训练，建立这些参数与不同类型缺陷热扩散系数之间的非线性耦合关系，同时计算神经网络模型参数W_qβ，W_γ，β＝γ＝1,2,…,10，q＝1,2,…4；

S2用卤素灯热源持续照射风力机叶片表面；

S3利用红外热像仪采集和提取叶片有缺陷区域和无缺陷区域的表面温差曲线ΔT(τ)，τ＝1,2,…,N，N为采样点数，缺陷显影清晰后停止加热；

S4根据风力机叶片外形尺寸，记录当前照射位置叶片主梁厚度L；使用测温仪测量当前环境温度T；使用测风仪测量叶片表面平均风速V；借助激光测距仪，设定热源距离叶片距离保持在0.3m～1m范围内，记为D；

S5根据公式

计算求得α_d，式中τ＝1,2,…,N，N为采样点数，T_max为ΔT(τ)的最大值，L为叶片厚度，α为无缺陷位置的热扩散系数，α_d为缺陷的热扩散系数，N为总采样点数,式中，m为级数运算符，且m＝1,2,3…,N；

S6按照BP神经网络计算方法，根据公式

计算热扩散系数α_p，式中x_q＝[L V T D]^T，p＝1,2,…,n，n代表缺陷类型，W_qβ，,W_γ为S1得到的BP神经网络模型参数，x_β代表神经网络中输入层的加权计算结果；x_q代表环境因素列向量，q是输入神经元的编号，取值为q＝1,2,3,4；x_β′是神经网络输入层的输出结果；γ是隐含层神经元的编号，取值为γ＝1,2,…,10；

S7利用热扩散系数相对误差率计算公式

求出Δα最小时对应的α_p，从而完成缺陷类型识别。

2.根据权利要求1所述的大型风力机叶片主梁内部缺陷类型红外自动识别方法，其特征在于，所述步骤S1包括以下步骤：

[a]根据公式L_i＝1+14×(i-1)，选取与叶片材质相同或相近，但具有不同厚度的层合板样件，标记为S_i，厚度为L_i，i＝1,2,…,5，在该公式中，厚度单位是毫米；

[b]标记热源照射面为前表面，在各样件后表面同时加工出想要识别的类型缺陷，包括褶皱、气泡、夹杂；

[c]利用温度控制设备，根据公式T_k＝10×(k-1)，k＝1,2,…,5，营造5组实验环境温度T_k，在该公式中，温度的单位是℃；

[d]利用风速调控装置，根据公式V_j＝2×(j-1)(j＝1,2,…,5)，生成5组平均风速为V_j的空气气流，在该公式中，风速的单位是米/秒；

[e]分别在风速为V_j，环境温度为T_k的实验条件下，用照射热源对S_i前表面进行持续加热，热源距S_i前表面的距离为D_p＝0.3+0.2×(p-1)，p＝1,2,3，在该公式中，距离的单位是米；

[f]利用红外热像仪采集和保存样件后表面的实时热图序列，记录为T_ijkp(τ)，τ＝0,1,2,…,N，N为最大采样点数，τ为时间序列，取正整数；i为样件编号，对应了当前样件厚度为L_i；j为风速编号，对应了当前样件表面平均风速为V_j；k为环境温度编号，对应了当前环境温度为T_k，p为热源距离编号，对应了当前照射距离为D_p；

[g]利用公式α_ijkpo＝0.14×L²/τ_m求解热扩散系数序列α_ijkpo，式中L为当前样件厚度，τ_m为后表面温升达到最大值的一半所用的时间，o是缺陷类型编号， o＝0时，计算结果表示材料热扩散系数；

[h]根据公式

计算x_β，式中x_α＝[L_i V_j T_k D_p]^T，α＝1,2,3,4，β＝1,2,…,10，W_αβ初始值为1；

[i]将x_β代入公式

计算x_β′；

[j]将x_β′代入公式

式中W_γ初始值均为1，求得α_ijkp′；

[k]根据公式E＝α_ijkpo-α_ijkpo′，求得热扩散系数偏差E；

[l]根据公式ΔW_γ＝η·E·x_β′，计算ΔW_γ，η∈[0,1]；

[m]根据公式ΔW_αβ＝η·E·W_γ·x_β′·(1-x_β′)·x_α，计算ΔW_αβ，

[n]根据公式W_γ＝W_γ+ΔW_γ得到新的W_γ值；

[o]根据公式W_αβ＝W_αβ+ΔW_αβ得到新的W_αβ值；

[p]重复上述步骤，直到满足收敛条件

记下W_αβ，W_γ。

Images