风电叶片在线检测技术研究进展

南 京 工 业 职 业 技 术 学 院 学 报Journal of Nanjing Institute of Industry Technology 第18卷第2期2018年6月Vol.18,No.2Jun.,2018风电叶片在线检测技术研究进展吴国中，李 镇 ，宋增禄（南京工业职业技术学院 电气工程学院，江苏 南京 210023） 摘 要：就风电设备运行过程中风机叶片的在线检测技术进行了讨论。

叶片在线检测主要有两大类，分别是以应变、声发射等传感器检测为核心的侵入式检测和以图像检测为代表的非侵入检测，探讨了这两种检测模式中风电叶片损伤检测的实验手段以及损伤特征提取和识别的算法。

关键词：风电；叶片；在线检测中图分类号：TP273 文献标识码：A 文章编号：1671-4644（2018）02-0004-05风电技术在展现出其独特优势的同时也存在一些问题。

由于风力发电场通常位于较偏远的陆地、海岸或者海上，环境恶劣且无人值守，其运行状态的监测面临较大挑战。

目前已有的在线监测、控制、调度技术为风电场的正常平稳运行提供了一定的保障，但是由于风电系统的复杂性、可靠性以及环境等各方面因素的影响，现有在线监控系统在风机状态信息检测的实时性、完备性、准确性等方面仍显不足，其中一个突出问题表现在风电叶片状态检测方面。

风电叶片是风力发电机的关键部件，叶片状态的检测以及寿命预测对提高风机工作效率、保障风机正常工作具有重要意义。

本文将集中讨论风机叶片部分在线检测技术的研究进展。

1 侵入式检测技术叶片在线检测主要分为两类，一类是侵入式的检测，即传感器网络需要内嵌在叶片中；另一类是非侵入式的检测，即采用光学或图像等方式实现非接触式的检测。

1.1 基于应变的检测应变片在风电叶片在线检测中有较多应用。

风电叶片在实际运行过程中会承受不同方向的载荷，导致叶片产生应变，应变的累积可能会导致叶片的宏观形变和开裂，因此在叶片的脆弱部位以及容易产生应力集中的部位，可以设置应变传感器以检测叶片的应变，从而可以直接反应叶片状态。

Jargensen 等人在2004年曾采用上百片应变传感器检测长达25米的叶片轴向应变。

应变检测是一项比较成熟的技术［1］，可以用于叶片的离线和在线测试，但是也有一些局限性。

应变传感器容易失效，容易受到环境的影响甚至引起雷击，并且有的情况下不能准确反映叶片失效状况。

FBG传感器是针对传统应变传感器的不足，在风电叶片检测中引入的光纤传感器，以检测叶片的应变。

较常用的是布拉格光纤光栅，其原理是利用纤芯内空间相位周期性分布的光栅形成一个窄带滤波器或反射镜，滤波器或反射镜中心频率会随外部应变而产生漂移，将频率漂移转换为应变可以准确、稳定、可靠地检测叶片的应变和疲劳状态。

2007年郭等人最早利用FBG传感器网络检测叶片状态数据并应用无线技术上传［2］，这种技术逐步发展并在一些大型风机上得到应用。

FBG传感器稳定性对于叶片状态的长期检测是很有优势的，其不足在于成本高而且设备体积大，一定程度上限制了其在叶片在线检测中的应用。

1.2 基于声发射的检测基于声发射检测叶片失效的研究已经比较广泛。

声发射是材料中局域源快速释放能量产生瞬态弹性波的现象，叶片在外部载荷作用下产生形变，使结构内部形成应力，由于叶片应力集中而产生各种失效，如纤维断裂、微裂纹等，从而导致局域快速释放能量。

用于声发射检测的传感器由压电传感器、放大器和数模转换器以及信号处理单收稿日期：2018-04-23基金项目： 江苏风力发电工程技术中心2016年度开放基金（编号：ZK16-03-05）；江苏省品牌专业资助项目（编号：PPZY2015B189）作者简介：吴国中（1974-），男，南京工业职业技术学院副教授，工学硕士，研究方向：自动化控制及检测技术。

5第18卷第2期元组成。

在叶片的声发射测试系统方面，Rumsey等人采用了24只AE传感器进行叶片测试［3］。

基于声发射进行裂纹检测的一个优势是可以识别出裂纹的扩展行为，通过大量采样获得叶片裂纹声发射信号参数［4］，按照叶片无裂纹、 萌生裂纹、 扩展裂纹和断裂四个阶段划分声发射源的四个模式，通过构建BP 神经网络对叶片裂纹阶段进行模式识别，识别准确率可以达到 90%以上。

通常初始裂纹的识别具有较高难度，基于卷积混合模型极小化改进代价函数可以实现初始裂纹特征的盲提取［5］。

在叶片声发射信号处理方面，一般采用小波尺度谱进行分析，采用优化小波重分配尺度谱的方法可清晰准确地提取风电机组叶片裂纹声发射信号的时频特征，能够识别风电机组叶片不同阶段裂纹故障［6］。

基于AE对叶片的疲劳检测实验，并用模糊计算的方法能够对多个裂纹进行识别和评价［7］。

声发射信号是一种高频的声波，它的幅值大小只与裂纹产生和扩展过程的能量释放相关，不会受到叶片宏观振动影响，因此利用声发射信号检测叶片的裂纹产生和扩展具有较高的抗干扰性和准确性。

声发射检测也有一些技术局限，第一，由于其振动频率高，其传播损耗大，所以声发射传感器需要布置在发射源附近，而叶片失效是不可准确预计的，因此需要密集布置传感器；第二，声发射信号是一种瞬时的暂态信号，要捕获这些信号需要具有很高的采样率，对信号采集和处理系统要求较高；第三，声波具有各向异性特性，因此声发射传感器的朝向会影响探测灵敏度，当声发射信号振动方向与传感器不匹配时，甚至无法探测，如果采用正交方式布置传感器可以避免这一问题，但是会导致系统更加复杂。

1.3 基于振动模态的检测基于振动模态检测的原理是叶片出现损伤时其刚度会发生变化，从而导致结构振动模态变化，对叶片结构震动模态分析就可以获得叶片损伤情况。

震动模态的检测主要是利用三轴加速度计测试叶片各部位的加速度分布［8］。

Hackell 和 Rolfes 在2013年提出了基于24个加速度传感器数据进行自动模态识别的方法，使用了持续17个月的检测数据进行验证［9］。

2014年乌建中等采用短时傅里叶变换的方法分析断裂前后振动信号时域与频域的变化特征提取裂纹信息，取得了较好的检测效果［10］。

1.4 主动式探伤检测前面介绍的检测手段都是对叶片应变或者裂纹产生、扩展行为的被动测量，通过侦听超声波或者测量应变来检测叶片失效或损伤状态。

基于声波在结构中的传播特性随结构变化的原理逐步发展出主动式叶片探伤检测手段。

基于PZT陶瓷的主动式探伤手段是最常见的形式，其原理是基于PZT逆压电效应制作贴片激励器布置在叶片一侧，在叶片另一侧布置基于PZT压电效应的传感器。

激励贴片产生震动，震动经叶片截面传播至传感器，当截面产生应变或者裂纹时振动波会受到反射，传感器接收到的震动强度会发生变化，以此可以探查叶片损伤状况。

2008年Kirikera 采用PZT激励贴片和传感器贴片构成探测网络对9米长风电叶片进行损伤检测，具有检测、定位损伤的能力［11］。

基于PZT的主动式探测成本低、设置灵活方便，其不足在于只能沿截面方向检测，如果需要检测整个叶片，则需要部署密集的PZT贴片网络，实现有一定难度。

与PZT陶瓷类似，有压电材料纤维构成的复合材料（Macro-fiber composite， MFC）传感器也可以构成主动式检测系统。

2008年Rumsey采用1个MFC激励片和3个MFC传感器进行了实验，基于波传播特性变化研究了叶片的损伤［3］。

2 非侵入式在线检测技术侵入式的在线检测技术通过将传感器预嵌入叶片结构中，可以实时在线检测叶片的工作状态和损伤情况，相应的传感器和信号处理算法较为成熟，通过融合使用多种传感器，还可以克服各自的技术缺陷实现准确可靠的检测效果。

但是侵入式检测手段最大的问题在于传感器及其测试系统本身也有寿命和可靠性限制，由于其内嵌在叶片内部，一旦发生故障难以维修替换，而且侵入式的检测系统复杂、成本也较高。

因此发展非侵入式的叶片在线检测技术就具有十分重要的意义，近年来围绕非侵入式的在线检测技术开展了诸多研究。

主要的方式是基于图像识别的技术，也有基于振动的检测技术。

基于振动的检测是利用扫描激光多普勒振动测试仪（Scanning laser doppler vibrometer ， SLDV）测试叶片的振动幅度和频率［12］。

非侵入式吴国中，李 镇 ，宋增禄：风电叶片在线检测技术研究进展6南 京 工 业 职 业 技 术 学 院 学 报第18卷第2期在线检测技术研究更多集中在基于图像处理的检测方法，以下将对此作详细的介绍。

2.1 测试平台采用图像处理的方法可以直接获得叶片的表面甚至整个风机的结构状态，其系统有图像采集设备和图像处理设备构成。

通常是采用高清摄照相机获取叶片的图像，然后进行图像处理进行叶片失效特征特别是裂纹的识别。

风机的规模差异很大，部署区域也各不相同，针对这些不同情况图像采集和处理设备需要有相应的平台支撑。

（1）地面便携式平台应用最广泛的是地面便携式平台，这种平台结构简单，直接将图像采集设备部署在地面，对目标风机进行拍照然后利用算法分析风机叶片的形变。

这种直接测量平台成本低、部署方便。

2013年通用汽车公司报道了采用高速CCD摄像机组成的系统对风机叶片端部偏移进行测试的实验，如图1所示，测试系统距离风机30-40米，且与叶片旋转面位于相同平面，摄像机实时地获取风机图像并传给计算机进行处理［13］。

（2）攀爬机器人平台由于大功率风机往往塔高很高，基于地面移动平台的照相机由于成像质量和分辨率的限制，往往难以获得叶片结构的损伤细节，因此研究者提出了攀爬机器人平台，可以到达风机塔顶近距离对叶片进行拍照获取更加清晰的图像。

2012年通用电气公司采用攀爬机器人对300英尺高的风电塔叶片进行了检测，通用电气研发的爬墙机器人背部有摄像头，能够获取叶片的高清图像并进行无线传输［14］。

弗朗霍夫工业自动化研究所研制了一种能够自动定位叶片裂纹的机器人。

这些机器人主要不足是需要在叶片停转状态下才能识别裂纹。

（3）无人机平台在一些大型风电场，便携式平台或者攀爬机器人使用不便而且效率低下，而在海上风电场等应用场景，这些平台甚至无法使用。

针对这些问题，逐步开发了基于无人机平台的图像采集系统［15］，如图2所示。

无人机平台可以在更广泛的场景下应用，效率更高，也能以更高的频度对风机进行检测。

这方面已经进行了一些尝试，Cyberhawk 公司在2016年对商用风电场检测维护中使用了无人机进行了叶片表面状态的检测。

王龙等人2016年详细研究了基于无人机平台的风电叶片裂纹自动检测识别系统［15］。

这些新兴平台的研发极大地拓展了基于图像处理的叶片状态检测应用场景。

2.2 检测算法在利用各种平台获取了叶片图像后，需要进一步地提取、识别叶片的失效特征。

这方面的研究开展得比较深入，算法较为完备，主要算法应用为叶片形变、表面裂纹识别等。