蔣 菲,趙朝友,張素慧
(1.國網(wǎng)甘肅省電力公司電力科學研究院 ,蘭州 730070;2.甘肅電力科學研究院技術中心有限公司,蘭州 730070)
葉片是風力機組獲取風能的關鍵部件。受制造條件及運行過程中外界環(huán)境的影響,風電葉片常常出現(xiàn)裂紋、分層、纖維斷裂等缺陷,這些缺陷的出現(xiàn)容易引起實際風況下葉片的損傷累計和葉片失穩(wěn)破壞[1]。葉片缺陷的早期檢驗和預警對確保風電機組的長期可靠運行具有重要意義。目前,大多數(shù)大型風場的葉片缺陷監(jiān)測仍然以技術人員的視覺判斷為主,此類方法不僅很難實現(xiàn)大面積葉片的高效率檢測,同時也存在維護成本過高等問題[2]。
聲發(fā)射技術作為一種較成熟的監(jiān)測技術,其對動態(tài)缺陷較為敏感,能夠通過記錄的聲發(fā)射特征參數(shù)有效反映復合材料各個階段變形損傷的程度和機制[3]。近年來,國內(nèi)外學者也相繼開展了聲發(fā)射技術在風電葉片早期損傷預測和健康狀態(tài)監(jiān)測方面的研究。JOOSSE等[4]指出高幅值和高能量的聲發(fā)射計數(shù)常預示著葉片發(fā)生了損傷;TANG等[5]通過研究葉片預制裂紋的擴展,揭示了裂紋擴展的聲發(fā)射信號頻譜特性;陳長征等[6]通過模擬裂紋萌生和擴展,使用小波優(yōu)化重分配尺度譜較好地對裂紋萌生和裂紋擴展的聲發(fā)射信號進行了有效分離;周勃等[7]通過計算裂紋擴展聲發(fā)射信號的分形維數(shù),建立了一種葉片損傷評價的方法;曹婷等[8]提出了一種將聲發(fā)射參數(shù)與支持向量機(SVM)結(jié)合的缺陷識別方法;饒金根等[9]提出了一種基于諧波小波包與支持向量機結(jié)合的裂紋擴展和邊緣破損的識別方法。
考慮到上述方法大多無法較好地處理噪聲且缺陷預制不夠完備,識別程度不高,筆者以預制了不同缺陷的風電葉片為研究對象,對不同缺陷進行了特征提取及模式識別研究,并基于完全噪聲輔助集總經(jīng)驗模態(tài)分解(CEEMDAN)能量熵和SVM對其進行了缺陷檢測,證明了該方法的可行性,為風電葉片早期缺陷的預測和健康監(jiān)測提供了參考依據(jù),也為葉片優(yōu)化設計及檢測標準體系的建立奠定了基礎。
葉片材料為玻璃纖維增強環(huán)氧樹脂,測試平臺為自主研制的新型液壓激振式雙軸試驗平臺系統(tǒng),加載方式為單向恒幅加載,液壓激振式雙軸試驗測試平臺現(xiàn)場如圖1所示。
圖1 液壓激振式雙軸試驗測試平臺現(xiàn)場
通過調(diào)節(jié)液壓激振式雙軸試驗平臺系統(tǒng)載荷桿和葉片表面之間的間隙,模擬小錘撞擊葉片表面,使葉片表面基體產(chǎn)生微開裂的聲發(fā)射信號。之后分別在葉片表面預制200 mm×5 mm×2 mm(長×寬×深)的橫向V型裂紋,調(diào)節(jié)液壓激振式雙軸試驗平臺系統(tǒng)的位置和載荷,使得葉片僅在揮舞方向產(chǎn)生疲勞振動和橫向裂紋擴展,以模擬裂紋擴展產(chǎn)生的聲發(fā)射信號。隨后在葉片前緣處黏貼用小刀預制的長度為50 mm的葉片分層缺陷。調(diào)節(jié)液壓激振式雙軸試驗平臺系統(tǒng),使得葉片僅在擺振方向振動,以模擬葉片分層缺陷活動產(chǎn)生的聲發(fā)射信號。采集完畢后,關閉液壓激振式雙軸試驗平臺系統(tǒng),在前緣黏貼處避開葉片分層位置,沿著橫向使用壓力鉗擠壓葉片邊緣,使其產(chǎn)生塑性變形,以模擬邊緣破損的聲發(fā)射信號。
試驗采用北京聲華興業(yè)科技有限公司生產(chǎn)的SAEU2S型數(shù)字聲發(fā)射系統(tǒng),所用聲發(fā)射傳感器為SR150A型單端諧振式傳感器,其中心頻率為150 kHz,頻帶范圍為20 kHz~400 kHz。試驗設定采樣頻率為1 MHz,采樣長度為2 048點位。對設置了4種不同類型缺陷的風電葉片分別進行聲發(fā)射檢測試驗,上述4組試驗每組試驗采集60組聲發(fā)射信號數(shù)據(jù)。
風電葉片不同缺陷聲發(fā)射信號時域圖如圖2所示。
圖2 風電葉片不同缺陷聲發(fā)射信號時域圖
CEEMDAN源于總體經(jīng)驗模態(tài)分解(CEEMD)方法,相比CEEMD方法,該方法可以在一定程度上避免CEEMD方法在添加不同噪聲的信號時產(chǎn)生不同數(shù)量模態(tài)分解的問題,實現(xiàn)了分解信號的近似完美重構(gòu)[10]。
(1)
令i=1,計算第1個殘差余量r1(t)為
(2)
(3)
式中:ε1為模態(tài)分解的算法系數(shù);E1為高斯自噪聲的時序進行EMD映射的結(jié)果。
令i=2,…,k,計算第i個殘差余量ri(t)為
(4)
(5)
(6)
上述分解過程中I一般取102數(shù)量級,εi取10-2數(shù)量級。
對信號進行CEEMDAN自適應分解,分解得到8個IMF(固有模態(tài)函數(shù))分量,此時通過分別計算每個IMF分量和原始信號之間的互相關系數(shù)來進行信號的主要相關度篩選。IMF分量uk(t+τ)和原始信號f(t)之間的互相關函數(shù)定義為
i=0,1,2,…,N-1
(7)
式中:xk(τ)為第k個IMF分量與原始信號f(t)的互相關函數(shù);N為信號長度;τ為時間間隔。
依據(jù)上述互相關函數(shù),計算其互相關系數(shù)(公式為標準數(shù)學定義,在此不做贅述)可得到不同缺陷IMF分量與原始信號互相關系數(shù)曲線如圖3所示。
圖3 不同缺陷IMF分量與原始信號互相關系數(shù)曲線
由圖3可以看出,各分量和原始信號f(t)互相關系數(shù)主要集中于中間頻段,裂紋萌生、裂紋擴展、葉片分層和邊緣破損的主要IMF分量分別集中在(IMF,1,IMF,2,IMF,3,IMF,4),(IMF,1,IMF,2,IMF,4,IMF,5),(IMF,2,IMF,3,IMF,4,IMF,5),(IMF,2,IMF,3,IMF,4,IMF,5)等頻段。其余冗余頻段的互相關系數(shù)占比達到10-2數(shù)量級,影響相對較小,可作為干擾分量進行剔除。
將聲發(fā)射信號f(t)進行 CEEMDAN分解,得到的k個模態(tài)分量內(nèi)包含原始信號不同的頻率成分,但IMF分量頻域范圍較窄,易出現(xiàn)頻域交疊的現(xiàn)象,為較好地實現(xiàn)信號識別,將信息熵引入CEEMDAN,通過計算頻段能量分布來構(gòu)造能量在頻域空間的特征能量分布向量。
分解的IMF分量的總能量E為
(8)
式中:k為得到的模態(tài)分量數(shù);IMF,i為第i個IMF分量。
分解的各個IMF分量的能量pi為
(9)
式中:Ei為不同缺陷的有效IMF能量熵向量;Pi=Ei/E,其為第i個IMF分量的能量占總能量的比值。
CEEMDAN能量熵HEN定義為
(10)
將不同缺陷的IMF分量重新進行排序,并按式(10)進行歸一化處理可得
(11)
歸一化后葉片不同缺陷的有效IMF能量熵向量部分數(shù)據(jù)如表1所示。
SVM是一種基于結(jié)構(gòu)風險最小化原理,建立在統(tǒng)計理論基礎上的機器學習方法。該分類方法通過核函數(shù)將待分類數(shù)據(jù)映射到高維空間,借助最優(yōu)超平面構(gòu)造判決函數(shù),可以在很大程度上克服小樣本、維數(shù)災難及非線性等問題,因而被廣泛應用于模式識別、回歸分析等領域[12]。
通過參數(shù)網(wǎng)格尋優(yōu)和多次試驗,方法選用的RBF(徑向基)核函數(shù)的最佳懲罰因子c=0.029 4,核參數(shù)g=4。
表1 葉片不同缺陷的有效IMF能量熵向量
試驗隨機選擇不同缺陷各30組數(shù)據(jù)作為訓練組,不同缺陷識別結(jié)果如表2所示。
表2 不同缺陷識別結(jié)果
從表2可以看出,除葉片分層之外的缺陷,SVM特有的泛化能力使得試驗預測結(jié)果較好,平均識別正確率都不低于93.3%。葉片分層缺陷識別率過低是因為葉片分層聲發(fā)射信號模擬效果較差,采集到的信號并非單純?nèi)~片分層信號。
為突出CEEMDAN方法的優(yōu)勢,分別用不同分類器(包括BP神經(jīng)網(wǎng)絡,簡稱BP)結(jié)合能量熵進行SVM模式識別,試驗結(jié)果如表3所示。
表3 不同分類器缺陷識別率比較
由表3可以看出,相比其他分類器,采用CEEMDAN結(jié)合SVM的識別效果較好,識別率較高。結(jié)果表明,將CEEMDAN能量熵結(jié)合SVM方法用于葉片缺陷識別是可行的。
采用CEEMDAN方法對葉片聲發(fā)射信號進行分解,采用互相關系數(shù)篩選包含葉片不同缺陷的主要有效IMF分量,計算IMF分量的能量熵,并將其作為特征向量輸入到SVM進行缺陷模式識別,可以得出以下結(jié)論。
(1) 將CEEMDAN方法應用于葉片聲發(fā)射信號分解,進行互相關系數(shù)篩選的有效分量能量熵向量能夠反映葉片缺陷的損傷特征。
(2) 通過構(gòu)造能量熵向量,結(jié)合SVM可以有效地對葉片的損傷類型進行識別。
(3) 通過比較不同分類器對葉片缺陷的識別率,不難發(fā)現(xiàn),對于葉片的不同缺陷,在所列舉的分類器中,CEEMDAN能量熵結(jié)合SVM的缺陷識別方法更具優(yōu)勢。