風力發電機的葉片作為核心部件，在長期受極端風況、沙塵暴和溫度變化等因素的影響下，會出現多種類型的損傷。傳統的葉片損傷檢測方法，如目視檢查和超聲檢測等，具有一定的效果，但存在檢測周期長、成本高、易受人為因素影響等局限性，其準確性和可靠性難以滿足實際需求。因此，在復雜多變的自然環境中，準確及時地檢測葉片損傷類型，對于風力發電機的發電效率和運行安全尤為重要。

鄒龍洲等[1]使用MobileNetv3輕量級網絡提取葉片損傷特征，同時，引入ECA注意力機制建立檢測模型，以此完成損傷類型的檢測。該方法可以適應不同尺寸和類型的風力渦輪機葉片損傷檢測任務，具有很強的泛化能力。然而，其對小尺寸目標的檢測效果有限，檢測精度也有待提高。石騰等[2]使用智能檢測無人機平臺收集風力渦輪機葉片的圖像數據，通過圖像處理和分析技術，識別葉片表面的損傷區域，并設計了一個風力渦輪機葉片損傷類型識別分類器來對損傷進行分類。該方法能夠快速處理大量圖像數據，從而高效檢測風力渦輪機葉片，但其檢測性能會受到光照條件和天氣條件等環境因素的影響，檢測結果的準確性降低。LIU等[3]通過發射和接收超聲導波信號，監測葉片內部狀態的變化，基于信號處理的結果，結合預先建立的損傷類型識別算法，識別葉片內部的損傷類型。該方法可以實現非接觸檢測，避免了傳統檢測方法對葉片表面造成的損壞和污染。然而，葉片的材料特性、結構復雜性和環境因素都會影響超聲導波的檢測效果，增加了檢測的不確定性和難度。MATSUI等[4]利用SCADA系統收集風力渦輪機的實時運行數據，并通過特征提取器選擇與葉片損壞相關的關鍵特征，進一步使用提取的特征數據作為輸入來訓練神經網絡模型，進而識別不同類型的葉片損傷。該方法檢測范圍廣，可以實現葉片內部損傷的大規模檢測，提高檢測的全面性。但該模型的泛化能力有限，無法保證檢測精度。

針對以上對既有風機葉片檢測方法的分析，文章提出了一種基于聲信號盲分離固定點迭代算法的葉片損傷檢測新方法，以為風力渦輪機葉片的維護和管理提供技術支持。

1. 風力發電機葉片損傷檢測方法

1.1 風機葉片表面應變信號獲取

當風力發電機葉片出現損傷時，可根據葉片的聲波信號識別其中的損傷特征，以此作為后續損傷檢測的依據[5]。然而，在實際環境中，聲波信號通常由多個源信號混合而成，嚴重的信號混疊會對損傷檢測結果造成影響。因此，采用盲分離技術對混合的聲波信號進行分離，以得到多個獨立的源信號，進而通過固定點迭代算法獲取葉片表面的應變信號[6]。

首先基于風機的基本結構和運行參數，建立風機模擬模型，并在風機葉片上安裝聲波傳感器，采集葉片運行過程中的聲波信號，并根據聲波的傳播特性，構造觀測信號矩陣F，其可表示為

式中：aστ為第σ個傳感器采集到的第τ個源信號。

假設源信號的混合矩陣為A，信號采集間隔為td，則混合信號盲源分離模型可表示為

式中：κc為恒定的未知可逆復值離散矩陣。

利用分離矩陣[7]從混合信號中解混出多個相互統計獨立的復值信號，并引入懲罰函數[8]作為約束條件，由此得到源信號估計值，計算公式如下

式中：θn為步長調節參數；md為信號峭度；j0為分離矩陣；az為解混向量；為懲罰函數；ρl為白化后的狀態信號矩陣；Xt為非線性函數；cx為源信號估計值。

對于每個源信號，設置子循環變量k0=0.5，并對其進行收斂迭代，以此得到葉片聲波源信號的幅值，即

式中：n為聲信號采樣數量；αe為旋轉矩陣；jd為常態聲波信號的旋轉角度。

當源信號的幅值達到收斂狀態時，采集風機葉片表面的應變信號，其可表示為

式中：ηd為隨機向量；qe為疊加標度函數。

即，基于風機的模擬模型，利用聲傳感器采集風機葉片表面的聲波信號，采用盲分離技術對信號進行解混，得到獨立源信號，并對其進行迭代收斂，獲取風機葉片表面應變信號。

1.2 風機葉片損傷特征識別

對葉片損傷特征進行識別，能夠捕捉葉片損傷的獨特標志或跡象[9]，從而進一步進行損傷類型的檢測。

基于葉片表面應變信號，結合風機的動力特性，建立葉片結構振動方程，即

式中：為葉片表面應變信號；Ht為結構質量矩陣；fh為外部激勵矩陣。

在運算過程中，忽略阻尼對葉片自振頻率的影響，參照葉片自由振動的幅值矩陣[10]求取損傷頻域函數，將其表示為

式中：ψc為振動位移模態向量；yq為自由振動的幅值矩陣；ωg為時間軸上的第g個葉輪轉速；bd為朗德因子。

葉片損傷發生后，其損傷部位也會出現應力集中[11]，則葉片的應變模態差可表示為

式中：βx為自振頻率改變量；γh為損傷單元的彈性模量；σc為葉片結構第c階固有頻率；Us為強度振型向量函數。

根據葉片振動應力的持續時間[12]，確定損傷程度，進而提取損傷特征Vt，將其表示為

式中：δg為振動信號的頻譜密度；μr為振動信號的相位一致性系數；qw為損傷程度。

即，在獲取葉片表面應變信號基礎上，建立葉片結構振動方程和損傷頻域函數，并求取振動應變模態差，結合葉片損傷程度提取損傷特征，便于最終損傷檢測的實現。

1.3 風機葉片損傷檢測

考慮到風機葉片可能存在復合損傷的情況，因此，以提取出的損傷特征為判斷依據，以葉片損傷類型作為輸出結果，從而完成對葉片損傷的檢測。

假設葉片目標面積為S，利用機器學習方法的支持向量機算法[13-15]構建分類器，則分類器的損失函數可表示為

式中：h0為葉片損傷區域最小外接矩形的面積；gi為葉片長短徑之比；lk為損傷區域的等效長度。

根據葉片伸長度，確定葉片損傷區域的形狀因子，即

式中：vs為結構柔度矩陣；dw為時間常數。

將形狀因子作為分類器的控制參數，以優化其分類性能，進而構建葉片損傷檢測模型，即

式中：π為核函數；Yh為結構剛度折減系數；Dh為分類器優化參數；e0為懲罰系數；ωα為正則化系數；zc為最大迭代次數；K為損傷檢測模型。

將提取的損傷特征作為輸入數據，從而輸出葉片損傷類型，即

式中：Vt為葉片損傷特征；Ef為概率密度函數；χg為一階滯后變量；為模型K輸出的損傷特征隸屬于第θ種損傷類型的概率。

根據概率大小，即可確定葉片損傷的具體類型。

2. 實例論證分析

以維斯塔斯V80型風力發電機的開源葉片損傷數據作為數據進行試驗，風機葉片的性能與結構參數如表1所示。

根據風機葉片的結構和性能參數，設置葉片截面間隔為0.5 m，葉展長度為4.0 m，主梁邊緣與殼體芯材的臺階差為7 mm。所構建的葉片仿真模型結構示意如圖1所示。

圖 1風機葉片仿真模型結構示意

基于仿真模型，利用聲反射傳感器捕捉風機葉片表面由于損傷而產生的聲波信號，并采用盲分離技術固定點迭代算法求取源信號的估計值，得到葉片在不同時刻下的聲波信號和應變分布，具體如圖2所示。

圖 2不同時刻下葉片的聲波信號和應變分布

根據風機葉片的損傷情況，將其損傷類型劃分為表皮脫落、裂紋、雷擊、劃痕和鼓包5種，損傷圖像示例如圖3所示。以該風機葉片損傷數據為基礎，將圖3中所示的損傷圖像示例作為參照，利用所提方法對其進行損傷類型檢測。

圖 3葉片損傷圖像示例

試驗硬件包括4個高靈敏度聲發射傳感器、前置放大器、模數轉換器、無線數據傳輸模塊和上位機（PC）。軟件包括數據采集軟件和 MATLAB編程語言。設置聲發射傳感器間隔為90°，采樣頻率為100 kHz，采集時間為5 min，截止頻率為150 kHz，靈敏度為?120 dB，頻率響應為20 kHz~100 kHz。盲分離算法迭代次數為100次，收斂閾值為0.01。

為了避免對葉片造成額外的負擔和振動干擾，使用聲波耦合的非接觸式的傳感器固定方式，將傳感器固定在葉片附近，利用數據采集系統同步采集各種傳感器的聲信號，并通過無線傳輸模塊將采集到的聲波信號發送到上位機；應用固定點迭代算法對預處理信號進行盲分離，提取與葉片損傷相關的特征信號；基于提取的特征信號，建立機器學習模型進行損傷識別。

依據圖3順序[按圖3（a），（b），（c），（d），（e）的順序]，將葉片損傷的5種類型命名為A，B，C，D，E，并將文章方法應用于風機葉片表面損傷識別中，檢測結果如圖4所示。由圖4可知，文章方法的檢測結果與實際損傷類型基本一致，兩者的吻合程度較高，整體檢測相對誤差較小，證明了該方法在實際應用中的有效性。

圖 4風力發電機葉片損傷檢測結果

采用基于改進YOLO v4的方法、基于機器視覺的方法作為文章方法的對比方法進行驗證。即，分別采用3種方法（2種對比方法與文章方法）對風機葉片進行損傷檢測，采用誤判率這一指標對3種方法的檢測性能進行評估，對比結果如表2所示。

通過分析表2中的數據可知，對于5種風機葉片損傷類型，在相同測試樣本數量下，文章方法得到的檢測結果誤判率遠低于對照組方法的，表明文章方法在風機葉片損傷類型檢測精度方面具有更為顯著的優勢，檢測效果較優異。

3. 無損檢測證書掛證網結語

文章提出了一種基于聲波信號盲分離固定點迭代算法的風力發電機葉片損傷檢測方法，完成了在復雜環境下葉片損傷產生的弱聲信號的有效提取和分離，并根據損傷特征確定了具體損傷類型。該方法能夠促進聲信號處理技術在風電領域的應用邊界，進而為風電行業和其他工業領域的類似問題提供參考解決方案。

推薦閱讀：2025年11月無損檢測掛證價格預測和流程