CN115754011A - 一种复合材料风电叶片的声发射检测与损伤识别方法 - Google Patents

Abstract

本发明涉及风电叶片健康监测技术，旨在提供一种复合材料风电叶片的声发射检测与损伤识别方法。包括：利用矩形平面定位的方法计算监测区域内的声发射源定位点；提取采集到的声发射信号参数，对其进行降维和聚类处理；将优化后的声发射信号数据集用于训练损伤模式识别模型；通过交叉验证的方式对模型进行评估，选择最佳的分类算法用于建立损伤模式识别模型；将声发射仪器采集到的声发射信号实时传入模型，得到风电叶片内声发射源的损伤类型并进行标注。本发明利用声发射技术能够在疲劳载荷下大尺寸风电叶片内部探测到缺陷，能够有效计算出监测区域内的声发射源定位点；本发明推动了声发射技术在复合材料及风电叶片上的应用。

Description

一种复合材料风电叶片的声发射检测与损伤识别方法

技术领域

本发明涉及风电叶片健康监测技术，尤其涉及一种复合材料风电叶片的声发射检测与损伤识别方法。

背景技术

风电叶片是风力发电系统中的重要部件，由于风电叶片体型较大且制作工艺繁琐，在制造、运输、安装和运行的过程中，都可能会产生损伤。尤其是在运行过程中，可能受到复杂交变载荷、暴风雨冲击、紫外线老化和湿热老化等影响，需要叶片材料有较轻的比重、较好的疲劳强度及力学性能。

纤维增强环氧树脂基复合材料具有强度高、密度低和可设计性强等优点，广泛应用在风力发电叶片领域中，最常见的制造材料包括碳纤维增强环氧树脂基复合材料与玻璃纤维增强环氧树脂基复合材料。然而，由于风电叶片的结构形式多样，所受载荷环境复杂，复合材料叶片中的损伤模式与破坏机理非常复杂，通常包括纤维断裂、基体开裂、界面分离、分层失效及胶接失效等失效模式，其中分层和胶接失效会严重降低复合材料刚度、强度和结构完整性。在生命周期中，风电叶片不可避免地会产生裂纹、缺胶、分层和界面分离等结构缺陷，在复杂载荷服役环境下将导致损伤累积，造成强度或失稳破坏。

目前，风电叶片健康监测的相关技术有声发射、超声、红外线成像、Lamb波、数字散板和X射线等。其中声发射技术能够动态监测材料和结构的缺陷，即时反映结构中的损伤，还可以建立不同铺层角度和尺寸的复合材料层合板声发射信号参数与失效模式之间的关联，可以有效地识别和评估各种失效模式，尤其是分层失效。复合材料中的纤维断裂、基体开裂、分层和界面分离等是声发射波的重要来源，其特性可用幅度、能量、计数、事件、上升时间和持续时间等声发射特征参量或波形识别方法来辨识，从而反映复合材料结构的损伤特性，确定其薄弱区域。

国内外已经开展了许多基于声发射技术的复合材料损伤失效机理研究，通过聚类分析的方法来识别复合材料试样中损伤模式，能够一定程度上分析识别材料结构的缺陷和损伤演化特性。但由于叶片结构和制造工艺复杂，缺陷通常在叶片内部演化，声发射测试难度较大等因素，目前针对风电叶片检测的研究绝大部分仅限于材料层次。如涉及到评估风电叶片的承载能力和疲劳寿命，需要进行大尺度的复合材料风电叶片损伤试验。

目前，缺乏成熟的叶片健康监测技术和损伤演化分析方法已成为制约风电机组向更大功率、轻量化和长寿命发展的重要瓶颈之一。因此，迫切需要发展先进的理论方法和测试技术，从损伤失效分析方法、强度与寿命预测技术和非破坏性测试技术等方面开展研究，这对于提升叶片发电效率、减少成本和保障叶片安全运行均具有重要意义。

发明内容

本发明要解决的技术问题是，克服现有技术中的不足，提供一种复合材料风电叶片的声发射检测与损伤识别方法。

为解决技术问题，本发明的解决方案是：

提供一种复合材料风电叶片的声发射检测与损伤识别方法，包括：利用矩形平面定位的方法计算监测区域内的声发射源定位点；提取采集到的声发射信号参数，对其进行降维和聚类处理；将优化后的声发射信号数据集用于训练损伤模式识别模型；通过交叉验证的方式对模型进行评估，选择最佳的分类算法用于建立损伤模式识别模型；将声发射仪器采集到的声发射信号实时传入模型，得到风电叶片内声发射源的损伤类型并进行标注。

作为本发明的优选方案，该方法具体包括以下步骤：

(1)确定传感器在风电叶片内部的安装间距，并在选取的监测区域内进行安装；

(2)采集监控区域内的声发射信号，对采集到的数据进行声速标定和降噪处理；

(3)根据传感器的布置方式划分矩形区域，利用降噪处理后的信号数据通过穷举法计算各区域内的声发射源的坐标；

(4)清洗声发射信号数据并进行降维处理，然后进行聚类和标注；采用双传感器平面定位点信息，匹配传感器接收到的声发射信号数据的聚类结果；

(5)基于优化后的聚类结果建立训练数据集，利用多种机器学习算法分别建立分类模型；基于交叉验证和评估结果，确定不同场景下的风电叶片损伤模式识别模型；

(6)将声发射仪器采集到的单个或多个事件声发射信号实时传入风电叶片损伤模式识别模型，得到风电叶片内声发射源的损伤类型和标注结果。

作为本发明的优选方案，所述步骤(1)具体包括：采用断铅方法模拟声发射源，利用测试数据确定风电叶片在横向和纵向上的距离-衰减曲线；在叶片上选取多个监测区域，将传感器布置在相应区域的风电叶片内部；根据距离-衰减曲线确定横、纵向传感器的安装间距，分别控制在能接收衰减信号且信号衰减率大于设定阈值的范围内；然后用凝固胶固定传感器及前置放大器，并以信号线依次连接声发射分析仪和计算机。

作为本发明的优选方案，所述步骤(2)具体包括：设定信号采集参数后，对每个监控区域内采集到的声发射信号的进行声速标定，用于后续的定位计算；对采集到的数据采用小波阈值降噪处理，得到降噪后的声发射信号数据。

作为本发明的优选方案，所述步骤(3)具体包括：根据试验中传感器的布置方式划分矩形区域并布置两组传感器，将经过降噪处理的声发射信号数据代入时差法计算公式；将两组传感器所形成的两条双曲线的交点认定为声源的平面定位，通过基于穷举法的程序分别计算出各矩形区域内声发射源的坐标。

作为本发明的优选方案，所述步骤(4)具体包括：

(4.1)对声发射信号数据进行清洗，去除数据中的空缺值、重复值和错误值；

(4.2)采用主成分分析方法对清洗后的数据进行降维处理，然后采用二分k-means算法对数据进行聚类和标注；

(4.3)计算降维处理后数据的误差平方和，利用手肘法综合确定最佳簇数k的大小并将数据分为k个簇；

(4.4)采用两个传感器平面定位点匹配对应两个通道声发射信号损伤类型，对数据集中的聚类类别进行优化。

作为本发明的优选方案，所述步骤(4.4)具体包括：

(4.4.1)通过双传感器平面定位公式计算出各组传感器之间定位点数量，提取出定位点信息；将所有定位点逐一匹配各个通道对应的声发射数据，计算得到定位点的信号参数行中的聚类类别；

(4.4.2)如果某两个传感器接收到的信号参数中聚类类别相同，则将匹配到的两个通道对应信号的标记为可用数据并提取出放置在可用数据表内；如果两个传感器接收到的信号参数中聚类类别不相同，则标记为不可用数据并继续匹配其他定位点；以此类推，直到匹配完所有定位点信息之后结束；

(4.4.3)分别匹配矩形区域内各个传感器之间的定位点和对应通道信号参数中的聚类类别，对数据进行整理得到各个通道参数及聚类类别的优化结果，作为损伤识别模型建立的训练数据集。

作为本发明的优选方案，所述步骤(5)具体包括：

(5.1)利用逻辑回归、随机森林、支持向量机、梯度下降、梯度提升决策树和k-nearest机器学习算法分别建立分类模型；

(5.2)通过交叉验证和评估结果的整合来划分训练数据集中的数据，以减少模型选择的方差；

(5.3)将训练数据集分别导入以上各模型，通过数据集验证得到各模型的评估成绩，确定在不同场景下的损伤模式识别模型所用算法。

与现有技术相比，本发明的有益效果是：

1、本发明主要的创新在于：利用声发射技术在疲劳载荷下大尺寸风电叶片内部探测到缺陷，同时将机器学习应用在声发射领域，用于辨识不同的失效模式及其损伤演化特点。现有技术倾向于利用声发射技术对风电叶片材料试样进行监测试验，但不能做到大尺度的现场监测。

2、本发明利用矩形平面定位的方法能够有效计算出监测区域内的声发射源定位点；通过提取采集到的声发射信号参数，以PCA的方式对其进行降维，利用二分k-means的方法将数据集进行聚类，并采用双传感器平面定位点信息匹配对应传感器接收到信号的聚类结果的方式，进一步优化后得到的数据集，可用于训练损伤模式识别模型。通过交叉验证的方式对模型进行评估，比较各常见算法的评估得分之后，选择最佳的分类算法完成损伤模式识别模型的建立。

相较于现有技术，本发明中所获损伤识别模型的优势(或改进)在于：①训练数据取自疲劳载荷下风电叶片的声发射源信号，模型可以直接用于风电叶片的损伤模式识别，而非试样水平的被检测物；②在聚类分析中，采用的二分k-means算法有效弥补了传统k-means方法的固有缺陷，提升了聚类分析结果的准确率；③在模型建立时，采用交叉验证的方法分别比较各种监督学习算法建立起的模型的评估得分，选取评分最高的作为最终的模型，通过交叉验证和评估结果的整合来划分数据可以有效地减少模型选择的方差，因此可以找到最适合当次声发射信号数据的算法，期望模型不仅在整个训练集上表现良好，还在训练集的多个子数据集上表现良好。

3、本发明将声发射技术应用于复合材料试样及风电叶片的研究，利用声发射技术完成对试样或叶片中损伤产生或扩展时声发射源进行有效定位，并通过聚类分析及联结平面定位点的方式完成风电叶片损伤模式识别模型的建立，推动了声发射技术在复合材料及风电叶片上的应用，为风电叶片的监测提供有力的理论与技术支撑。

附图说明

图1是四传感器矩形平面缺陷源定位示意图；

图2是叶片的电动机驱动装置(CRMs)图；

图3是风电叶片内预监控区域内横向和纵向的声发射信号衰减曲线图；

图4是传感器的排布方式图；

图5是通过定位点信息优化聚类结果匹配流程图。

图2中的附图标记为：马达1；减压器2；摆臂3。

具体实施方式

本发明利用声发射技术在疲劳载荷下的风电叶片上探测缺陷，同时将机器学习应用在声发射领域，用于辨识不同的失效模式及其损伤演化特点。

下面根据附图和实施例详细描述本发明。

本发明中复合材料风电叶片的声发射检测与损伤识别方法，包括以下步骤：

1、传感器间距的确定与安装

声发射源能量快速释放，产生的瞬态弹性波在材料内传播的时候，将不可避免的受到衰减的影响。要进行声发射的源定位及信号分析，需要对声发射波的衰减进行测定，以此确定传感器的数量与间距。

实际结构中，波的衰减机制非常复杂，复合材料又具有各项异性，难以通过理论计算得到衰减，只能通过试验测得，需要进行横向和纵向两个方向的衰减测定。根据ASTME976(声发射传感器响应再现性测定指南)，风电叶片的衰减测定采用断铅的方法来模拟声发射源，利用实际测得的距离-衰减曲线确定声发射波在叶片内的传播衰减，并以此来确定传感器间距。

将传感器在预监控的区域内布置好，分别在距离传感器位置水平方向0.1m、0.2m、0.5m、1m和1.5m位置处分别断铅三次，竖直方向0.1m、0.2m和0.5m位置处分别断铅三次，以此获得声发射波在风电叶片中传播衰减规律，排除掉异常值并取平均值。

在传感器数量有限的情况下，为了能够采集到足够的损伤产生或扩展时的信号，选取叶片上一部分区域作为示范监测区域。确定监测区域之后，需要确定传感器的布置方案。传感器的布置需要考虑3个因素：①由于没有预设缺陷，传感器应能够接收到信噪比足够大的声发射信号；②尽可能让监测范围覆盖到叶片更大的区域；③传感器、信号线的固定要稳固，防止掉落而使信号缺失或产生其他干扰信号。针对以上3个因素，参考风电叶片内预监控区域内横向和纵向的声发射信号衰减曲线，将传感器布置在风电叶片内部，实际叶片内部表面成弧形，但考虑到表面弧度偏小和传感器安装位置要求平整等因素，将传感器所监控范围视做平面处理。这样布置可以尽量覆盖更大的监测面积，同时使得传感器接收到信噪比足够大的损伤信号。为了固定传感器及前置放大器，试验采用了风电叶片中所用到的凝固胶，防止因为传感器或者前置放大器固定不牢而造成的信号干扰。

2、声发射信号的获取与处理

(1)声发射信号的采集

设定信号采集参数，包括闭锁时间(HLT)、定位锁闭时间(HDT)、峰值间隔时间(PDT)、通道数、门槛、采样率、启动触发方式等。在设置完采集声发射信号之后，对每个监控区域内采集到的声发射信号进行声速标定，用于后续时差法的定位计算。

由于叶片疲劳试验的总时长一般较长，若采用连续采集的方式会采集到更完整的AE信号，但考虑到不无用信号过多且占用计算机硬盘空间过大，且采集到的信号中会存在大量无价值信号，对分析造成干扰，因此选用的采样方式为间歇采样，启动触发方式为门限触发。在叶片进行试验之前首先采用直通的方式采集信号，在分析固有噪声的最大幅值之后，确定将门槛值，使其能够较好地排除掉大部分环境噪声。

通常认为，对于复合材料的声发射检测，PDT、HDT和HLT的值分别设置为20-50μs、100-200μs和300μs为宜，但是实际叶片上，声发射信号的情况更为复杂，为了保证准确性，在叶片进行直通采样时，通过多次试验并对采样得到信号进行分析，确定PDT、HDT和HLT的值以取得更好的采样效果。在设置完采集参数之后，在声发射监控的每个区域内进行声速标定，用于后续时差法定位的计算。

(2)小波降噪

在声发射测试中使用的测试件的声发射源传递出的信号强度通常很弱，并且环境和采集系统本身具有噪声，制约了声发射检测和评估的可靠性。因此，在利用声发射对试样或构建进行声发射源定位及损伤模式识别之前，提高信噪比是声发射信号处理过程中必不可少的一步。

信号的去噪方法中，小波分析拥有突出的优势，小波变换对声发射信号的降噪处理一般分为以下三个步骤：①挑选出合适的小波基函数和分解层数，并对声发射信号进行小波变换；②对于不同层的小波系数进行处理；③通过小波逆变换重构降噪信号。

采用小波阈值降噪进行声发射信号处理，其关键在于小波基函数的合理选择、分解层数的选择和削减阈值的选择，选取合适于被处理信号的小波基函数，能更加确保有效地将声发射信号和噪声信号在小波变换域上面在最大程度地分开，选择适当的阈值使得声发射信号能够在消除噪声的同时被更多地保留和恢复。

小波变换对信号进行降噪处理的理论基础为：设ψ(t)是具有N+1阶消失矩的正交紧支小波基函数，x(t)和y(t)是两个信号，并且x(t)和y(t)满足式(1)：

由于ψ(t)具有N+1阶消失矩，因此小波变换后x(t)和y(t)表达式是完全相同的。也就是说，信号在N+1阶消失矩的小波变换后，N阶多项式部分被压缩，抑制信号的低频信息，并留下了信号的高频信息，通常选择具有大消失矩的小波基函数。

根据上述原理，在声发射信号小波阈值去噪处理中，选用db5小波包基，对声发射信号进行5层小波包分解，借助Python中的小波分析模块包wavelet完成的降噪程序对疲劳试样的声发射信号执行小波降噪。

从试样声发射时间-幅值中截取部分原始信号，经过降噪程序完成的降噪程序处理之后，得到降噪结果。通过小波阈值降噪，采用db5小波基，可以有效地对采集到的声发射信号进行降噪处理，提高声发射信号分析的准确性。

3、声发射源定位

利用试验中采集到的声发射信号数据，利用矩形平面定位的方式定位风电叶片内的声发射源。根据试验中传感器的布置方式划分矩形区域并布置两个一组共两组传感器，将传感器的信号数据分别代入时差法计算公式，如式(2)所示。

Δt×V＝R₁-R₂ (2)

式中：Δt＝t₁-t₂，为传感器接收信号时间差；V为声发射信号波速；R₁为同组中传感器1到波源的距离；R₂为同组中传感器2到波源的距离。

由于Δt×V为定值，在二维平面中缺陷点可能存在位置构成了一条双曲线。其中，信号到达传感器1和3的时间差为Δt₁₃，构成了第一条双曲线。同理，可以利用信号到达传感器2和4的时间差Δt₂₄构成第二条双曲线。将两组传感器所形成的两条双曲线的交点认定为声源的平面定位，以传感器2、4的中点为原点，传感器2、4的连线为x轴，建立空间直角坐标系。

基于上述分析，声源点计算公式如式(3)所示，详见附图1。

式中：x、y为声源点的坐标，a、b为两组传感器的间距。Δt₁₃为信号到达传感器1和3的时间差，Δt₂₄为信号到达传感器2和4的时间差。若Δt₁₃或Δt₂₄为负，则x为负值，波源点在左侧；反之，x为正值，波源点在右侧。

最后通过基于穷举法的程序分别计算出各矩形区域内声发射源的坐标。

4、风电叶片失效模式剖析

(1)主成分分析

当数据集反映事物的维度过多的时候，会对所描述的事物造成一定程度上的混淆，所得出的结论与正确结论相距甚远。因此，采用主成分分析(Principal ComponentAnalysis，PCA)进行声发射信号数据降维。

通过对采集到的声发射信号进行分析，共提取可用信号段每段信号包括幅值、持续时间、上升时间、振铃计数、上升计数、能量、RMS、ASL、撞击次数、撞击速率、质心频率和峰值频率在内的12个参数，即12维数据，然而数据集并不能直接使用，需要先对数据进行清洗，处理数据中的空缺值、重复值和错误值。

在PCA的过程中，各个变量通常要先进行无量纲化，把变量进行标准化之后，按照以下步骤对声发射信号参数表中的数据进行降维：

(1.1)选择协方差阵或相关阵，计算声发射信号参数数据集的特征根及对应的特征向量；

(1.2)计算每个声发射参数维度数据的方差贡献率，根据其方差贡献率的阈值选择出能够代表大于阈值信息量的主成分个数；

(1.3)将数据降维并保存为新的数据文件。

(2)聚类分析

由于信号参数数据量很大，采用无监督学习的方式对数据进行分类。k-means算法是最流行和最简单的聚类算法，处理大数据集时能够保持可伸缩性和比较优越的效率，当簇近似为高斯分布时，它的效果更好。

通常利用手肘法来选择最佳簇数k，手肘法的核心指标是SSE(sum of thesquared errors，误差平方和)，如式(4)所示：

其中：C_i表示第i个簇，q表示C_i中的样本点，m_i表示C_i的质心(C_i中所有样本的均值)，SSE表示所有样本的误差平方和，代表了聚类结果的质量。最佳聚类数k是对应于图像的“手肘部位”的数字。

k-means在簇的平均值能够被定义的情况下才能够使用，可能不适用于某些应用，并且对初值敏感，对于不同的初始值可能会导致不同的结果。不仅如此，此算法还对噪声和孤立点数据敏感等。

基于上述问题，使用二分k-means(Bisecting k-means)算法作为基本k-means算法的直接扩充，该算法流程如下：

(2.1)将所有点作为一个簇，然后将该簇分成两个；

(2.2)选择其中的一个簇继续将其分成两个，具体选择哪一个簇取决于对其划分能否尽可能地降低SSE的计算值；

(2.3)重复上述基于SSE的划分过程，直到获得用户指定的簇数目。

该算法受初始化问题的影响较小，因为它执行了并非一次的划分，并且选取具有最小SSE的计算结果。此外，因为每步有两个质心，二分k-means算法相比于单纯使用传统k-means算法效果更好，较好地解决了k-means算法收敛于局部最小值得问题。综上，对于之前经过PCA降维后的信号参数数据，将利用基于二分k-means算法的非监督学习模型对其进行聚类并对数据进行标注。

首先需要确定k值。通过计算SSE，利用手肘法可以看出“手肘”的位置，即对于这个数据集而言，k的最佳取值。在分别计算所有通道信号参数PCA数据的SSE后，根据手肘的位置对应的数字，综合确定k的大小，将数据分为k个簇。

将PCA降维之后的k组数据集导入基于二分k-means算法的非监督学习程序中，对数据集进行聚类，并打上标签(Cluster-k)。

(3)聚类优化

聚类分析的方法有其固有的缺点：聚类分析中通过相似系数来建立映射，而实践中尽管从相似系数上看数据间有紧密关系，但事物之间却无任何内在联系，而聚类分析模型却无法识别这类错误。

为了进一步优化聚类分析的结果，根据同一个声发射源产生的信号对应的损伤类型必然是相同的原则，采用两个传感器平面定位点匹配对应两个通道声发射信号损伤类型的方法来优化聚类数据集。

①通过双传感器平面定位公式计算出各组传感器之间定位点数量，提取出定位点信息，将所有定位点逐一匹配各个通道对应的声发射信号，计算得到此定位点的信号参数行中的聚类类别；

②如果两个传感器接收到的信号参数中聚类类别相同，则将匹配到的两个通道对应信号的标记为可用数据并提取出放置在可用数据表内；如果两个传感器接收到的信号参数中聚类类别不相同，则标记为不可用数据并继续匹配其他定位点。以此类推，直到匹配完所有定位点信息之后结束；

③分别匹配矩形区域内各个传感器之间的定位点和对应通道信号参数中的聚类类别，对数据进行整理得到各个通道参数及聚类类别的优化结果，作为损伤识别模型建立的训练数据集。

通过对数据集聚类后得到的k个簇信号的峰值频率进行分析，可以简单的辨识声发射源的损伤模式，几种常见损伤类型的峰值频率对应的区间为：基体开裂(50-110kHz)、分层或脱胶(150-280kHz)和纤维断裂(340-430kHz)。

5、建立风电叶片损伤识别模型

优化后的聚类分析结果，同时已经对数据进行标注，将通过机器学习中的监督学习算法完成损伤模式识别模型的建立。

机器学习中常用的分类算法包括逻辑回归、随机森林、支持向量机、梯度下降、梯度提升决策树和k-nearest，需要从中选择出最适合此次声发射信号数据的算法，并采用合适的方式进行模型评估。当数据量不够大时，如果把所有数据都用于训练模型，则容易导致模型过度拟合，通过交叉验证和评估结果的整合来划分数据可以有效地减少模型选择的方差。

简单交叉验证的基本流程是：原始数据集被分组，一部分用作训练集，剩余部分用作验证集。首先利用训练集来训练分类器，再利用测试集来评估训练后的模型，随后再把原始数据集重新分组，重新选择训练集和测试集，继续通过重新选择后的训练数据和测试集来训练和评估模型，最后选择评估得分最高的模型和参数，并将其用作评估分类器的性能指标。

由于优化后的数据集按照通道细分的话，每个分数量集的数据量较少，在模型建立之前，将通道的优化数据整合为一个数据集，共同用于损伤模式识别模型的建立。

将训练数据集分别导入基于逻辑回归、随机森林、支持向量机、梯度提升决策树和k-nearest等机器学习算法建立起的分类模型中，并分别将以上模型通过交叉验证的数据集进行验证，分别得到模型的评估成绩，由此可以确定，选择梯度提升决策树作为本次损伤模式识别模型建立的算法，通过交叉验证的方式进行检验可以达到最高的评估得分。

基于优化聚类结果后的数据，借助梯度提升决策树算法完成风电叶片损伤模式识别模型的建立，将声发射仪器采集到的单个事件声发射信号实时传入此模型，便可以得到单一风电叶片内声发射源的损伤类型，不仅如此，模型同样可用于多个事件的声发射信号后续的损伤模式识别分析，即模型可以对检测到的每一个声发射源的损伤模式进行辨识并为每次声发射事件进行标注。

6、对损伤识别模型的使用

将声发射仪器采集到的单个事件声发射信号实时传入损伤识别模型，便可以得到单一风电叶片内声发射源的损伤类型，模型同样可用于多个事件的声发射信号后续的损伤模式识别分析，即模型可以对检测到的每一个声发射源的损伤模式进行辨识并为每次声发射事件进行标注。

一个具体的应用示例：

本示例采用SW2000-59.5m风电叶片，由中国风能源集团有限公司设计，由保定华谊风电叶片研发有限公司生产，风力转子的供应额定功率为2.0MW。叶片材料为玻璃纤维/环氧树脂基复合材料板材，原材料包括树脂、结构胶、玻纤布、芯材和涂料五大类，吸注树脂为双组分环氧树脂，结构胶为双组分环氧树脂，玻纤布各主纤维方向(纱线克重＞50g/m²)均使用OCV SE1500或ECT-468G型号的玻璃纤维，涂料为聚氨酯体系。

试验用到12MW叶片结构试验台，测试叶片由电动机驱动的振荡激发，叶片的电动机驱动装置(CRMs)见图2，其中质量块的旋转轴是水平的，它在通过叶片部分剪切中心的平面内旋转，试验将装置固定在夹具上，且严格按照叶片疲劳试验规范执行。

试验中声发射信号采集使用北京软岛时代科技有限公司的DS5-16B全信息声发射分析仪，最大支持16通道同时采集，连续数据通过率131MB/S，波形数据通过率96MB/S；试验中的前置放大器同样来自北京软岛时代科技有限公司，信号增益分为三档：20dB(10倍)、40dB(100倍)和60dB(1000倍)；试验中的声发射传感器为RS-2A型传感器，直径18.8mm，高度15mm，接口类型为M5-KY，检测面为陶瓷材质。

在风电叶片上，为了能够监测到更大的范围，本次试验采用8个传感器及相应配套设备(前置放大器、夹具、信号线和垫板等)。试验中没有对风电叶片采取预制裂纹的处理，同时为了能够更快检测到明显的声发射信号，试验开始前所监测的叶片已经经历了6个月的疲劳振动。

本示例中的声发射检测与损伤识别方法，包括以下步骤：

1.传感器间距的确定与安装

根据ASTM E976的规定，风电叶片的衰减测定采用断铅的方法来模拟声发射源，利用实际测得的距离-衰减曲线确定声发射波在叶片内的传播衰减，并以此来确定传感器间距。

将传感器在预监控的区域内布置好，分别在距离传感器位置水平方向0.1m、0.2m、0.5m、1m和1.5m位置处分别断铅三次，竖直方向0.1m、0.2m和0.5m位置处分别断铅三次，以此获得声发射波在风电叶片中传播衰减规律，排除掉异常值并取平均值。图3示意了风电叶片内预监控区域内横向和纵向的声发射信号衰减曲线，从衰减数据来看，叶片横向传感器间距应尽量控制在1m以内，纵向应传感器间距应更短一些。

在传感器数量有限的情况下，为了能够采集到足够的损伤产生或扩展时的信号，选取叶片上一部分区域作为示范监测区域。通过分析SW2000-59.5m风电叶片历史疲劳试验数据，发现在叶片距离叶根15-22m胶接区域内损伤数量最多，且损伤程度最高，因此选择将距离叶根15-22m胶接区域定为监测区域。

确定监测区域之后，需要确定传感器的布置方案。传感器的布置需要考虑3个因素：①由于没有预设缺陷，传感器应能够接收到信噪比足够大的声发射信号；②尽可能让监测范围覆盖到叶片更大的区域；③传感器、信号线的固定要稳固，防止掉落而使信号缺失或产生其他干扰信号。针对以上3个因素，参考风电叶片内预监控区域内横向和纵向的声发射信号衰减曲线，将8个传感器按说明书附图4的排布方式布置在风电叶片内部(其中1号和2号传感器距离叶根18m，7号和8号传感器距离叶根15m)，实际叶片内部表面成弧形，但考虑到表面弧度偏小和传感器安装位置要求平整等因素，将传感器所监控范围视做平面处理。为了固定传感器及前置放大器，试验采用风电叶片中所用到的凝固胶。

2.声发射信号的获取与处理

(1)声发射信号的采集

由于叶片疲劳试验的总时长一般较长，且试验所用到的声发射仪器采样频率为2.5MHz，若采用连续采集的方式会采集到更完整的AE信号，但考虑到不无用信号过多且占用硬盘空间过大，且采集到的信号中会存在大量无价值信号，对分析造成干扰，因此选用的采样方式为间歇采样，启动触发方式为门限触发。在叶片进行试验之前首先采用直通的方式采集信号，在分析固有噪声的最大幅值之后，确定将门槛值设定为60mV，能够较好地排除掉大部分环境噪声，另外，前置放大器增益设置为40dB。在叶片进行直通采样时，通过多次试验并对采样得到信号进行分析，确定将PDT、HDT和HLT的值分别设置为600μs、1000μs和800μs能够取得较好的采样效果。在设置完采集参数之后，在声发射监控的每个区域内进行声速标定，用于后续时差法定位的计算。

试验中叶片每天振动时长约13小时，每小时振动约2700次，试验采集时间共计26小时，实际采集信号时长总计16596s，剔除掉初始仪器等测试时长内信号段及后续人工检查等时段内的信号段，保留分析信号段11877.6s。

(2)小波降噪

采用小波阈值降噪进行声发射信号处理，其关键在于小波基函数的合理选择、分解层数的选择和削减阈值的选择，选取合适于被处理信号的小波基函数，能更加确保有效地将声发射信号和噪声信号在小波变换域上面在最大程度地分开，选择适当的阈值使得声发射信号能够在消除噪声的同时被更多地保留和恢复。

选用dB5小波包基，对声发射信号进行5层小波包分解，借助降噪程序及其中的小波分析模块包wavelet对疲劳试样的声发射信号执行小波降噪。从试样声发射时间-幅值中截取部分原始信号，经过降噪程序处理之后，得到降噪结果。

3.声发射源定位

利用试验中采集到的声发射信号数据，通过矩形平面定位的方式定位风电叶片内的声发射源。试验中传感器的布置方式如说明书附图4所示，其中1、2、3和4号传感器围成的区域称为1号区域，3、4、5和6号传感器围成的区域称为2号区域，5、6、7和8号传感器围成的区域称为3号区域。分别将1、2、3和4号传感器、3、4、5和6号传感器和5、6、7和8号传感器的信号数据分别代入公式内，通过基于穷举法的程序分别计算出1号区域、2号区域和3号区域内的声发射源的坐标。

4.风电叶片失效模式剖析

(1)主成分分析

通过观察声发射时间-幅值信号，同时参考各个区域的源定位点信息，选取3、4、5和6四个通道信号提取出的参数作为后续聚类分析的数据集，通过分析采集到的声发射信号，共提取可用信号段每段信号包括幅值、持续时间、上升时间、振铃计数、上升计数、能量、RMS、ASL、撞击次数、撞击速率、质心频率和峰值频率在内的12个参数，即12维数据。先对数据进行清洗，处理数据中的空缺值、重复值和错误值(逻辑错误、标注错误和其他)，清洗之后用于下一步的PCA。在PCA的过程中，各个变量通常要先进行无量纲化，把变量进行标准化之后，按照以下步骤对声发射信号参数表中的数据进行降维：

1.选择协方差阵或相关阵，计算声发射信号参数数据集的特征根及对应的特征向量；

2.计算每个声发射参数维度数据的方差贡献率，根据其方差贡献率的阈值选择出能够代表大于阈值信息量的主成分个数；

3.将数据降维并保存为新的数据文件。

一般情况下，参照特征根累计贡献率阈值85％的标准来选择主成分的个数，从本次试验累计贡献率来看，提取6个主成分时累计贡献率达到90.7％，即将数据降为6维，且仍可代表原始数据的大部分信息。

(2)聚类分析

使用二分k-means(Bisecting k-means)算法作为基本k-means算法的直接扩充，该算法流程如下：

1.将所有点作为一个簇，然后将该簇分成两个；

2.选择其中的一个簇继续将其分成两个，具体选择哪一个簇取决于对其划分能否尽可能地降低SSE的计算值；

3.重复上述基于SSE的划分过程，直到获得用户指定的簇数目。

首先需要确定k值。以3号通道信号参数PCA数据为例，通过计算SSE，通过手肘法可以看出“手肘”的位置是4，即k对于这个数据集而言，k的最佳取值是4。在分别计算4、5和6号通道信号参数PCA数据的SSE后，手肘的位置对应的数字都是“4”，所以将k定为4，即将数据分为4个簇。

将PCA降维之后的4组数据集导入基于二分k-means算法的非监督学习程序中，对数据集进行聚类，并打上标签(Clusterl-4)，选取各个特征值的方差贡献率中最大的两个：峰值频率和幅值，来更直观的展示聚类结果，各个通道的信号都被较好地分为4类。

(3)聚类优化

为了进一步优化聚类分析的结果，根据同一个声发射源产生的信号对应的损伤类型必然是相同的原则，采用两个传感器平面定位点匹配对应两个通道声发射信号损伤类型的方法来优化聚类数据集，匹配流程如说明书附图5所示。

①通过双传感器平面定位公式计算出各组传感器之间定位点数量，提取出定位点信息，将所有定位点逐一匹配各个通道对应的声发射数据，计算得到此定位点的信号参数行中的聚类类别；

②如果两个传感器接收到的信号参数中聚类类别相同，则将匹配到的两个通道对应信号的标记为可用数据并提取出放置在可用数据表内；如果两个传感器接收到的信号参数中聚类类别不相同，则标记为不可用数据并继续匹配其他定位点。以此类推，直到匹配完所有定位点信息之后结束；

③分别匹配矩形区域内各个传感器之间的定位点和对应通道信号参数中的聚类类别，对数据进行整理得到各个通道参数及聚类类别的优化结果，作为损伤识别模型建立的训练数据集。

通过对数据集聚类后得到的4个簇信号的峰值频率进行分析，大致在(50-110kHz)、(150-280kHz)、(340-430kHz)和(800-900kHz)4个频段内。可以简单的辨识声发射源的损伤模式，几种常见损伤类型的峰值频率对应的区间为：基体开裂(50-110kHz)、分层或脱胶(150-280kHz)和纤维断裂(340-430kHz)。频段为(800-900kHz)的Cluster4内的信号频率过大，且与其他簇的数值相差较远，为噪声信号。

5.风电叶片损伤识别模型建立

优化后的聚类分析结果，同时已经对数据进行标注，损伤模式识别模型的建立将通过机器学习中的监督学习算法完成。机器学习中常用的分类算法包括逻辑回归、随机森林、支持向量机、梯度下降、梯度提升决策树和k-nearest，需要从中选择出最适合此次声发射信号数据的算法，并采用合适的方式进行模型评估。当数据量不够大时，如果把所有数据都用于训练模型，则容易导致模型过度拟合，通过交叉验证和评估结果的整合来划分数据可以有效地减少模型选择的方差。

简单交叉验证的基本流程是：原始数据集被分组，一部分用作训练集，剩余部分用作验证集。首先利用训练集来训练分类器，再利用测试集来评估训练后的模型，随后再把原始数据集重新分组，重新选择训练集和测试集，继续通过重新选择后的训练数据和测试集来训练和评估模型，最后选择评估得分最高的模型和参数，并将其用作评估分类器的性能指标。

由于优化后的数据集按照通道细分的话，每个分数量集的数据量较少，在模型建立之前，将四个通道的优化数据整合为一个数据集，共同用于损伤模式识别模型的建立。考虑到原始数据的数据量，将训练集和测试集的数据量比例定为8∶2，即将原始数据的80％作为训练数据集，将原始数据的20％作为测试集。

将训练数据集分别导入基于逻辑回归、随机森林、支持向量机、梯度提升决策树和k-nearest等机器学习算法建立起的分类模型中，并分别将以上模型通过交叉验证的数据集进行验证，分别得到模型的评估成绩，由此可以确定，选择梯度提升决策树作为本次损伤模式识别模型建立的算法，通过交叉验证的方式进行检验可以达到最高的评估得分。

6.利用损伤识别模型进行声发射源的识别

基于优化聚类结果后的数据，借助梯度提升决策树算法完成风电叶片损伤模式识别模型的建立，将声发射仪器采集到的单个事件声发射信号实时传入此模型，便可以得到单一风电叶片内声发射源的损伤类型，不仅如此，模型同样可用于多个事件的声发射信号后续的损伤模式识别分析，即模型可以对检测到的每一个声发射源的损伤模式进行辨识并为每次声发射事件进行标注。

建立的损伤识别模型可用于复合材料风电叶片距离叶根15-18m处胶接区域声发射源损伤模式识别，即仅需将采集到的声发射信号提取参数并导入本模型中，即可获取对应声发射信号的损伤类型。

本发明采用声发射技术完成对叶片中损伤产生或扩展时声发射源进行有效定位，并通过聚类分析及联结平面定位点的方式完成风电叶片损伤模式识别模型的建立，仅需将采集到的声发射信号提取参数并导入模型中，即可获取对应声发射信号的损伤类型。突破了大尺度风电叶片的传感器布置、声源定位、损伤模式识别上的技术困难，推动了声发射技术在复合材料及全尺寸风电叶片上的应用。

Claims (8)

1.一种复合材料风电叶片的声发射检测与损伤识别方法，其特征在于，包括：利用矩形平面定位的方法计算监测区域内的声发射源定位点；提取采集到的声发射信号参数，对其进行降维和聚类处理；将优化后的声发射信号数据集用于训练损伤模式识别模型；通过交叉验证的方式对模型进行评估，选择最佳的分类算法用于建立损伤模式识别模型；将声发射仪器采集到的声发射信号实时传入模型，得到风电叶片内声发射源的损伤类型并进行标注。

2.根据权利要求1所述的方法，其特征在于，具体包括以下步骤：

(1)确定传感器风电叶片内部的安装间距，并在选取的监测区域内进行安装；

(2)采集监控区域内的声发射信号，对采集到的数据进行声速标定和降噪处理；

(3)根据传感器的布置方式划分矩形区域，利用降噪处理后的信号数据通过穷举法计算各区域内的声发射源的坐标；

(4)清洗声发射信号数据并进行降维处理，然后进行聚类和标注；采用双传感器平面定位点信息，匹配传感器接收到的声发射信号数据的聚类结果；

(5)基于优化后的聚类结果建立训练数据集，利用多种机器学习算法分别建立分类模型；基于交叉验证和评估结果，确定不同场景下的风电叶片损伤模式识别模型；

(6)将声发射仪器采集到的单个或多个事件声发射信号实时传入风电叶片损伤模式识别模型，得到风电叶片内声发射源的损伤类型和标注结果。

3.根据权利要求2所述的方法，其特征在于，其特征在于，所述步骤(1)具体包括：采用断铅方法模拟声发射源，利用测试数据确定风电叶片在横向和纵向上的距离-衰减曲线；在叶片上选取多个监测区域，将传感器布置在相应区域的风电叶片内部；根据距离-衰减曲线确定横、纵向传感器的安装间距，分别控制在能接收衰减信号且信号衰减率大于设定阈值的范围内；然后用凝固胶固定传感器及前置放大器，并以信号线依次连接声发射分析仪和计算机。

4.根据权利要求2所述的方法，其特征在于，所述步骤(2)具体包括：设定信号采集参数后，对每个监控区域内采集到的声发射信号的进行声速标定，用于后续的定位计算；对采集到的数据采用小波阈值降噪处理，得到降噪后的声发射信号数据。

5.根据权利要求2所述的方法，其特征在于，所述步骤(3)具体包括：根据试验中传感器的布置方式划分矩形区域并布置两组传感器，将经过降噪处理的声发射信号数据代入时差法计算公式；将两组传感器所形成的两条双曲线的交点认定为声源的平面定位，通过基于穷举法的程序分别计算出各矩形区域内声发射源的坐标。

6.根据权利要求2所述的方法，其特征在于，所述步骤(4)具体包括：

(4.1)对声发射信号数据进行清洗，去除数据中的空缺值、重复值和错误值；

(4.2)采用主成分分析方法对清洗后的数据进行降维处理，然后采用二分k-means算法对数据进行聚类和标注；

(4.3)计算降维处理后数据的误差平方和，利用手肘法综合确定最佳簇数k的大小并将数据分为k个簇；

(4.4)采用两个传感器平面定位点匹配对应两个通道声发射信号损伤类型，对数据集中的聚类类别进行优化。

7.根据权利要求6所述的方法，其特征在于，所述步骤(4.4)具体包括：

(4.4.1)通过双传感器平面定位公式计算出各组传感器之间定位点数量，提取出定位点信息；将所有定位点逐一匹配各个通道对应的声发射数据，计算得到定位点的信号参数行中的聚类类别；

(4.4.2)如果某两个传感器接收到的信号参数中聚类类别相同，则将匹配到的两个通道对应信号的标记为可用数据并提取出放置在可用数据表内；如果两个传感器接收到的信号参数中聚类类别不相同，则标记为不可用数据并继续匹配其他定位点；以此类推，直到匹配完所有定位点信息之后结束；

(4.4.3)分别匹配矩形区域内各个传感器之间的定位点和对应通道信号参数中的聚类类别，对数据进行整理得到各个通道参数及聚类类别的优化结果，作为损伤识别模型建立的训练数据集。

8.根据权利要求2所述的方法，其特征在于，所述步骤(5)具体包括：

(5.1)利用逻辑回归、随机森林、支持向量机、梯度下降、梯度提升决策树和k-nearest机器学习算法分别建立分类模型；

(5.2)通过交叉验证和评估结果的整合来划分训练数据集中的数据，以减少模型选择的方差；

(5.3)将训练数据集分别导入以上各模型，通过数据集验证得到各模型的评估成绩，确定在不同场景下的损伤模式识别模型所用算法。

Images