声发射技术在风力机叶片故障检测中的应用研究综述

长沙理工大学能源与动力工程学院 ■ 龚妙 李录平

0 引言

风力机叶片作为风电机组捕获风能的能量转换器，其性能的高低直接影响着机组的发电效率和发电质量。风力机叶片通常采用玻璃纤维等复合材料制成[1-2]，长期处于复杂恶劣的工作环境下，受雨雪、鸟类的撞击和紫外线等的影响，材料内部结构发生变化，会出现一些复合材料典型缺陷，导致其力学性能降低[3-7]；随着损伤的累积，不仅会使叶片的故障率升高，更严重的还会发生叶片断裂等重大事故。而叶片成本占整个装机造价的20%左右[8]，因此，对风力机叶片实行故障检测具有重大意义。

目前，风力机叶片故障检测技术以无损检测为主，包括振动检测、超声波检测和声发射检测等。声发射检测技术作为一种新兴动态无损检测技术[9]，能够对叶片进行实时监测，及时发现叶片材料的早期缺陷，并提供损伤程度信息，在风力机叶片故障检测方面具有不可比拟的优势。风力机叶片损伤的声发射检测研究重点是通过对声发射信号特征的分析与识别，判别其损伤程度和损伤位置，所以对风力机声发射信号的特征分析、提取，以及声发射源定位的研究是发展风力机叶片声发射检测技术的关键。

1 风力机叶片基本故障及常见检测技术

1.1 风力机叶片基本故障类型

1)开裂。叶片外层胶衣长期遭受磨损易产生微裂纹，这些裂纹在机组振动和外界冲击作用下迅速扩展，引发局部开裂[10]。

2)覆冰。风力机叶片工作环境恶劣、冻雨和湿雪等都是造成叶片覆冰的重要因素，覆冰会增加叶片质量和叶片侧翼的气动阻力，导致叶片失稳，加快了叶片疲劳失效[11-12]。

3)叶片断裂。叶片断裂多发生在叶片中部及根部位置，这种故障主要是由突发性破坏和共振[13]引发的。在气动力和离心力等作用下，“带伤”叶片的激振频率与叶片自身固有频率差值处于一定范围内时，叶片出现共振现象，差值越小，共振幅度越大，变形越明显；当差值超过该范围时，极易发生叶片断裂。

1.2 常用叶片故障检测技术

1.2.1 振动检测

在交变载荷的冲击作用下，叶片发生不规则摆动和变形，异常的振动被传感器检测到，通过对振动信号的采集、放大和分析来评价叶片损伤程度的方法称为振动检测方法[14-16]。振动检测技术具有直接性、实时性和灵敏度高的特点，广泛应用于旋转机械的故障检测。但由于风力机叶片振动源较多，采集到的振动信号复杂多变，且信号幅值较低，很难检测到叶片的早期故障。

1.2.2 超声波检测

超声波检测即使用探头向风力机叶片发射超声波，利用叶片本身和缺陷处的复合材料声学性质不同来检测叶片的缺陷[17]。通常利用超声波的机械振动效应、热效应和空化效应对叶片进行除冰和防冰[18-20]。超声波检测技术具有检测深度大、检测速度快、定位缺陷准确等优点，但其探伤结果不便保存，且较难对风力机叶片实行动态监测。

1.2.3 红外检测

红外热像仪可以探测到叶片结构异常引起的表面温度变化，并将其转换为可视化热分布图像，通过图像对比，便可对缺陷进行判别[21-24]。该方法对于叶片表面缺陷十分敏感，可进行远距离、大面积检测。但是在实际工况下，受风力机塔筒高度的影响，较难实现对叶片的现场检测。

1.2.4 X射线检测

X射线能够穿透风力机叶片，受损叶片材料密度变化的定量信息包含在X射线的反射数据中，通过数据分析和采用胶片感光成像的方法，就可以判断缺陷的位置和大小[25]。X射线检测技术对于材料的敏感度极高，能够检测到材料厚度或密度1%～2%的变化[26]，对于检测平行于叶片的体积型缺陷准确率很高[27]。但由于实际叶片尺寸较大，加上现场检测影响因素较多，目前还未广泛应用于实际叶片的现场整体检测。

1.2.5 声发射检测

声发射是指材料内部结构发生变化时，因应力重新分布，储存的能量以弹性波的形式释放出来的现象。声发射检测技术就是基于声发射原理，通过对采集到的声发射信号进行分析，来评估叶片的健康状态[28-29]。声发射检测技术存在凯赛尔效应[30]，对外界环境十分敏感，采集到的信号十分复杂，但它能够有效检测到叶片材料早期故障，并及时掌握其动态信息，这对于实现风力机叶片的在线监测具有十分重要的意义。

2 风力机叶片声发射检测关键技术的研究

2.1 风力机叶片损伤声发射特征分析与提取研究

早期的故障特征分析都是通过分析信号实现的，选取不同的信号分析方法对其故障特征的提取具有不同的效果。

王雅瑞等[31]与周伟等[32]采用参数分析法对材料损伤的原始信号进行了特征分析，发现其处于不同损伤阶段，会产生不同的典型缺陷。在损伤初期阶段，会有少量低幅度声发射信号产生，且声发射撞击变换缓慢；在损伤演化阶段，撞击累积数明显加快，随着损伤演化的积累，信号呈现高能量、高幅度的特点，直至叶片失稳破坏。根据研究人员的研究[33]，总结出碳纤维复合材料风力机叶片损伤声发射参数特征，如表1所示。参数分析法是目前较为成熟的信号分析方法，但其分析结果往往受到参数选择的影响，难以对声发射特征进行准确地描述。

张鹏林等[34]分别对有/无纤维预断的试件进行了三点弯曲声发射试验，发现叶片损伤的声发射信号既有连续型信号也有突发型信号，且具有较宽的频率分布范围。根据研究人员的研究[33,35]，总结出不同叶片材料损伤声发射信号频谱特征，如表2、表3所示。

表1 风力机叶片声发射信号特征参数分布

表2 碳纤维复合材料风力机叶片损伤模式声发射频率特征分布

表3 玻璃纤维复合材料风力机叶片损伤模式声发射频率特征分布

赵新光[36]借助小波分析发现裂纹损伤的信号表现为逐渐衰减的性质，而边缘损伤的信号则会出现类似周期性的冲击波动。李亚娟[37]和梁晓敏等[38]对风力机叶片复合材料I型和II型试件的分层扩展声发射信号进行了小波分析，结果表明，其最大能谱系数均在D4层，但声发射能量具有很大差异。周勃等[39]针对采集的裂纹扩展声发射信号，比较了不同小波基函数对声发射信号特征提取的影响，提取了裂纹动态扩展的特征频率。在采用小波分析提取小波信号特征时，由于小波基的种类较多，选择不同的小波基会得到不同的分析结果，因此，建立一个完备的小波基选择标准将提高小波分析的可靠性。

由于叶片损伤声发射信号呈非线性、非平稳性和非高斯性的特点，以传统的信号分析方法为主的特征提取方法无法有效而准确地提取故障特征。近年来，基于时频分析和分形理论的故障特征提取技术取得了很多显著的成果。

赵新光等[40]基于Shannon熵理论提出了一种优化小波重分配尺度谱结合小波特征能谱系数的分析方法，实现了风力机叶片裂纹扩展声发射信号的时频特征提取。曲弋等[41]借助小波尺度谱优越的时频分析性得到了识别叶片扩展裂纹和萌生裂纹的判据，有效地提取扩展裂纹和萌生裂纹的信号特征。周勃等[42]根据Godard算法调整了盲解卷的滤波器系数，通过选取合适的非线性函数，提出了一种对具有非平稳、非线性特性的卷积混合AE信号特征提取的方法。帅洁妮[43]采用基于独立成分分析的盲源分离技术对叶片声发射源信号进行了独立分量分离，利用Matlab编程对分离后的独立成分分量进行了特征信息的提取。周勃等[44]通过改进关联维数的计算式，提出了一种基于裂纹扩展AE信号分形特征的疲劳损伤模糊评价方法，可根据分形特征和裂纹扩展规律达到评价风力机叶片疲劳损伤的目的。

2.2 风力机叶片损伤声发射模式识别研究

目前，用于风力机叶片故障诊断的模式识别方法以神经网络和支持向量机为主。

2.2.1 神经网络

人工神经网络模仿生物的脑部和神经系统功能，具有自学习、自组织的特点，是目前使用频率最高且技术最为成熟的一种模式识别方法。

Anastassopoulos等[45]最早提出用人工神经网络对风力机叶片声发射信号进行识别，并对其日后的发展提出了展望。曲弋等[46]根据叶片裂纹声发射参数分析的数值特点建立了BP神经网络，并对叶片裂纹演化的各个阶段进行了有效识别。周勃等[47]改进了盲信号提取(BSE)算法，选用动态径向基神经网络(RBFN)和后向传播神经网络(BPN)进行了非线性预测，比较了不同的非线性激励函数和滤波器类型对算法性能的影响，并说明了该算法的有效性。

但许多问题仍未在理论上得到解决，比如如何选择网络节点数、初始权值等；同时，过学习与欠学习也是神经网络存在的问题。

2.2.2 支持向量机

支持向量机结构简单，泛化能力较优，弥补了神经网络在很多方面的不足，是目前机器学习智能化领域的热点方向。

顾桂梅等[48]对风力机叶片裂纹损伤和边缘损伤的声发射信号进行了小波分析，根据其能量特征，建立了支持向量机模型，并采用果蝇算法优化其参数，通过仿真验证了其识别的准确性。饶金根[49]和Zhao[50]采用小波包提取了声发射信号各频段能量特征，并通过支持向量机对叶片损伤模式进行了有效识别。

2.3 风力机叶片损伤的声发射源定位研究

风力机叶片损伤研究的重点是找出损伤位置并判别其强度，其中，时差定位法和区域定位法[51]是主要的两种损伤源定位方法。

2.3.1 时差定位法

时差定位法根据声发射源信号到达同一阵列不同传感器的时间差，通过一定的计算得出声发射源的具体位置，能够快速实现对叶片整体的损伤定位。

袁洪芳等[52]采用小波分析判别风力机叶片裂纹位置和强度，并通过时差定位法验证了该方法的有效性。Pang等[53]采用时差定位法对风力机叶片树脂基底上的预设缺陷进行线性定位和平面定位，测试结果十分精准。

但是，由于叶片声发射波在传播过程中经过多次界面转换，会存在不同程度的衰减，从而降低了时差定位的精度，使得该方法具有较大的局限性。

2.3.2 区域定位法

区域定位法通过在叶片区域布置多个传感器，根据声发射信号到达不同传感器的时间逐渐细化区域，最后得到声发射源的位置。

朱永凯等[54]通过在叶片受损率较高的区域布置一定数量的传感器，每次按照叶片设计载荷的20%差值载荷给叶片加载，准确地判断了声发射信号所在区域。Yoon等[55]提出了一种风力机叶片声发射源定位算法，并且通过实验验证了该算法的有效性和优越性。Tang等[56]对风力机叶片进行为期21天的循环负载疲劳测试，成功地检测到了叶片大小为1 m×0.05 m×0.01 m的缺陷，并采用三角剖分法对其进行了定位。Muñoz等[57]采用了三角测量与非线性方程结合的新型方法，实现了对风力机叶片纤维断裂源的识别和定位，最大误差仅为9 mm。

采用区域定位法能够灵活定位传感器，比较适用于在叶片故障率较高的区域进行局部定位，但是对于叶片整体的损伤检测仍具有局限性。

3 总结与展望

将声发射技术应用于风力机损伤检测的研究关键在于叶片损伤声发射特征分析、提取，以及声发射源的定位。经分析，本文做出以下总结与展望：

1)风力机叶片复合材料的声发射源具有多样性，国内外对声发射产生机理和原始信号特征的理论关系研究较少；由于叶片材料损伤程度与特征参数有关，可以深入研究损伤演化进程与声发射信号特征之间的函数关系。

2)参数分析法是目前较为成熟的信号分析方法，但由于参数众多，其无法实现对信号的定量分析，因此有必要建立统一的特征参数标准。小波分析由于小波基的种类较多，选择不同的小波基会得到不同的分析结果，其选择标准有待于进一步的研究。

3)神经网络识别存在许多问题还未在理论上得到解决，例如，如何选择网络节点数、初始权值等，这都是下一步工作的重点。

4)时差定位法能够快速实现对叶片的损伤定位，但易受声发射波传播途径的影响，从而降低定位精度。因此，开展风力机叶片复合材料声波传播和波形转换规律的理论研究，对于优化相关定位方法具有重要意义。

[1]常燕, 王兆增, 崔元胜, 等. 风电叶片复合材料的研究进展及其应用[J]. 工程塑料应用, 2014, (4)： 135－139.

[2]Galappaththi U I K, De Silva A K M, Macdonald M, et al.Review of inspection and quality control techniques for composite wind turbine blades[J]. Insight-Non-Destructive Testing and Condition Monitoring, 2012, 54(2)： 82 － 85.

[3]Zhou H F, Dou H Y, Qin L Z, et al. A review of full-scale structural testing of wind turbine blades[J]. Renewable &Sustainable Energy Reviews, 2014, 33(2)： 177 － 187.

[4]方园, 梁亚杰, 刘伟庆, 等. 盐雾环境中玻璃纤维/不饱和聚酯复合材料腐蚀深度对弯曲性能的影响[J]. 复合材料学报,2016, 33(6)： 1223 － 1233.

[5]Feng P, Wang J, Wang Y, et al. Effects of corrosive environments on properties of pultruded GFRP plates[J].Composites Part B Engineering, 2014, 67： 427 － 433.

[6]Li L, Lomov S V, Yan X, et al. Cluster analysis of acoustic emission signals for 2D and 3D woven glass/epoxy composites[J].Composite Structures, 2015, 116(1)： 286 － 299.

[7]Andrew J J, Arumugam V, Bull D J, et al. Residual strength and damage characterization of repaired glass/epoxy composite laminates using A.E. and D.I.C[J]. Composite Structures, 2016,152： 124 － 139.

[8]刘双, 胡斌, 贺铸, 等. 风机叶片缺陷的无损检测方法比较与评价[J]. 无损检测, 2015, 37(3)： 47－51.

[9]杨明纬. 声发射检测[M]. 北京： 机械工业出版社, 2005.

[10]张霆. 风力发电机叶片状态监测与故障诊断系统设计和实现[D]. 上海： 上海电机学院, 2016.

[11]Sabatier J, Lanusse P, Feytout B, et al. CRONE control based anti-icing/deicing system for wind turbine blades[J]. Control Engineering Practice, 2016, 56： 200 － 209.

[12]邱文浩. 考虑大气稳定度和海气交换的海上风机叶片疲劳特性研究[D]. 哈尔滨： 哈尔滨工业大学, 2016.

[13]李鹏飞. 风机叶片故障诊断及状态评估方法研究[D]. 北京： 华北电力大学, 2015.

[14]陈顺章. 基于LabVIEW的风力机叶片振动监测系统开发[D]. 长沙： 长沙理工大学, 2010.

[15]李录平, 李芒芒, 晋风华, 等. 振动检测技术在风力机叶片裂纹故障监测中的应用[J]. 热能动力工程, 2013, (2)： 207－212.

[16]Ghoshal A, Sundaresan M J, Schulz M J, et al. Structural health monitoring techniques for wind turbine blades[J]. Journal of Wind Engineering & Industrial Aerodynamics, 2000, 85(3)： 309 －324.

[17]杜万里, 沈小军, 李睿. 风电机组叶片检测现状与展望[J].科技展望, 2015, 2： 98－99.

[18]Yin C, Zhang Z, Wang Z, et al. Numerical simulation and experimental validation ofultrasonic de-icing system for wind turbine blade[J]. Applied Acoustics, 2016, 114： 19 － 26.

[19]颜健, 李录平, 雷利斌, 等. 风力机桨叶超声波除冰实验技术研究及其应用[J]. 可再生能源, 2015, 33(1)： 68－74.

[20]Raišutis R, Jasiūniene E, Žukauskas E. Ultrasonic NDT of wind turbine blades using guided waves[J]. Ultrasound Issn, 2008,63(1)： 7 － 11.

[21]Melnyk S I, Tuluzov I G, Melnyk A S, et al. Method of remote dynamic thermographic testing of wind turbine blades[A].Quantitative Infrared Thermography Conference[C]. kharkov,Ukraine, 2014.

[22]孟梨雨, 曾智, 王冠, 等. 风电叶片蒙皮与腹板粘接红外热成像检测研究[J]. 光电子技术, 2015, (3)： 174－178.

[23]Eaton M, May M, Featherston C, et al. Characterisation of Damage in Composite Structures using Acoustic Emission[A]. 9th International Conference on Damage Assessment of Structures[C].Bristol, Britain, 2011.

[24]岳大皓, 李晓丽, 张浩军, 等. 风电叶片红外热波无损检测的实验探究[J]. 红外技术, 2011, 33(10)： 614－617.

[25]刘双, 胡斌, 贺铸, 等. 风机叶片缺陷的无损检测方法比较与评价[J]. 无损检测, 2015, 37(3)： 47－51.

[26]Raišutis R, Jasiūniene E, Šliteris R, et al. The review of nondestructive testing techniques suitable for inspection of the wind turbine blades[J]. Ultragarsas, 2016, 63(1)： 26 － 30.

[27]何杰, 杜玲, 王冬生. 风电叶片的主要缺陷与无损检测技术评价[J]. 纤维复合材料, 2013, (1)： 1－7.

[28]Blanch M J, Dutton A G. Acoustic Emission Monitoring of Field Tests of an Operating Wind Turbine[J]. Key Engineering Materials, 2003, (245-246)： 475 － 482.

[29]Joosse P, Blanch M, Dutton A, et al. Acoustic emission monitoring of small wind turbine blades[J]. Journal of Solar Energy Engineering, 2002, 124(4)： 401 － 411.

[30]Kaiser J. A Study of Acoustic Phenomena in Tensile Tests[D].Munich： Technische Hochschule München, 1950.

[31]王雅瑞, 刘然, 吕智慧, 等. 含不同埋深分层损伤复合材料弯曲破坏声发射监测[J]. 中国测试, 2015, (10)： 117－120.

[32]周伟, 马力辉, 张洪波, 等. 风电叶片复合材料弯曲损伤破坏声发射监测[J]. 工程塑料应用, 2011, 39(11)： 33－37.

[33]王健, 金周庚, 刘哲军. C/E复合材料声发射信号小波分析及人工神经网络模式识别[J].宇航材料工艺, 2001, 31(1)： 49－57.

[34]张鹏林, 李梅, 王汝姣, 等. 风电叶片复合材料在三点弯曲过程中的声发射研究[J]. 工程塑料应用, 2016, 44(4)： 21－26.

[35]Arumugam V, Kumar C S, Santulli C, et al. Identification of Failure Modes in Composites from Clustered Acoustic Emission Data Using Pattern Recognition and Wavelet Transformation[J]. Arabian Journal for Science and Engineering,2013, 38(5)： 1087 － 1102.

[36]赵新光. 基于声发射和小波分析的大型风力机叶片材料损伤识别研究[D]. 沈阳： 沈阳工业大学, 2009.

[37]李亚娟. 风电叶片分层缺陷演化的力学行为及声发射响应特性研究[D]. 保定： 河北大学, 2015.

[38]梁晓敏, 周伟, 庞艳荣, 等. 基于小波分析的复合材料层间损伤声发射行为[J]. 玻璃钢/复合材料, 2014, (8)： 44－48.

[39]周勃, 陈长征, 张宇, 等. 风力机叶片裂纹的动态扩展特性研究[J]. 中国机械工程, 2013, 24(8)： 1108－1113.

[40]赵新光, 甘晓晔, 谷泉, 等. 基于小波能谱系数的风力机疲劳裂纹特征[J]. 振动、测试与诊断, 2014, 34(1)： 147－152.

[41]曲弋, 陈长征, 赵新光, 等. 风力机叶片裂纹特征的小波尺度谱识别[J]. 沈阳工业大学学报, 2012, (1)： 22－25.

[42]周勃, 张士伟, 陈长征, 等. 风力机叶片多裂纹扩展声发射信号的特征识别[J]. 仪器仪表学报, 2015, 36(1)： 110－117.

[43]帅洁妮. 风机叶片材料声发射信号的降噪和盲源分离研究[D]. 南京： 南京航空航天大学, 2013.

[44]周勃, 谷艳玲, 项宏伟, 等. 风力机叶片裂纹扩展预测与疲劳损伤评价[J]. 太阳能学报, 2015, 36(1)： 41－48.

[45]Anastassopoulos A A, Kouroussis D A, Nikolaidis V N, et al.Structural integrity evaluation of wind turbine blades using pattern recognition analysis on acoustic emission data[J]. Chest, 2002,71(5)： 644 － 50.

[46]曲弋, 陈长征, 周昊, 等. 基于声发射和神经网络的风机叶片裂纹识别研究[J]. 机械设计与制造, 2012, (3)： 152－154.

[47]周勃, 陈长征, 赵新光, 等. 风力机叶片蒙皮初始裂纹的盲信号提取[J]. 仪器仪表学报, 2012, 33(7)： 1483－1489.

[48]顾桂梅, 胡让, 李远远. 果蝇优化算法融合SVM的风机叶片损伤识别研究[J]. 自动化仪表, 2016, 37(2)： 9－12.

[49]饶金根. 基于谐波小波和支持向量机的风电叶片损伤识别研究[D]. 兰州： 兰州交通大学, 2014.

[50]Zhao Q. Damage detection of wind turbine blade based on wavelet analysis[A]. International Congress on Image and Signal Processing[C]. Shenyang, China, 2016.

[51]龚仁荣. 结构材料中声发射传播特性的研究[D]. 镇江： 江苏大学, 2005.

[52]袁洪芳, 周璐, 柯细勇, 等. 基于声发射信号的风机叶片裂纹定位分析[J]. 计算机工程与设计, 2011, 32(1)： 320－323.

[53]Pang Y R, Lv Z H, Liang X M, et al. Acoustic Emission Attenuation and Source Location of Resin Matrix for Wind Turbine Blade Composites[J]. Advanced Materials Research, 2014,912-914： 36 － 39.

[54]朱永凯, 潘仁前, 陈盛票, 等. 基于声发射传感器阵列的风机叶片结构健康监测方法[J]. 无损检测, 2010, (10)： 753－756.

[55]Yoon D J, Han B H. Effective AE source location of damages in the wind turbine blade[J]. Review of Progress in Quantitative Nondestructive Evaluation, 2012, 1430(1)： 1599 － 1605.

[56]Tang J, Soua S, Mares C, et al. An experimental study of acoustic emission methodology for in service condition monitoring of wind turbine blades[J]. Renewable Energy, 2016, 99： 170 －179.

[57]Muñoz C G, Márquez F G. A New Fault Location Approach for Acoustic Emission Techniques in Wind Turbines[J]. Energies,2016, 9(1)： 40.