基于CEEMDAN能量熵和SVM的風電葉片缺陷檢測

蔣 菲，趙朝友，張素慧

(1.國網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境的影響，風電葉片常常出現裂紋、分層、纖維斷裂等缺陷，這些缺陷的出現容易引起實際風況下葉片的損傷累計和葉片失穩破壞[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，大多數大型風場的葉片缺陷監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]。

聲發射技術作為一種較成熟的監測技術，其對動態缺陷較為敏感，能夠通過記錄的聲發射特征參數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，國內外學者也相繼開展了聲發射技術在風電葉片早期損傷預測和健康狀態監測方面的研究。JOOSSE等[4]指出高幅值和高能量的聲發射計數常預示著葉片發生了損傷；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，使用小波優化重分配尺度譜較好地對裂紋萌生和裂紋擴展的聲發射信號進行了有效分離；周勃等[7]通過計算裂紋擴展聲發射信號的分形維數，建立了一種葉片損傷評價的方法；曹婷等[8]提出了一種將聲發射參數與支持向量機(SVM)結合的缺陷識別方法；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驗模態分解(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測提供了參考依據，也為葉片優化設計及檢測標準體系的建立奠定了基礎。

1 葉片缺陷設計及數據采集

1.1 風電葉片缺陷設計

葉片材料為玻璃纖維增強環氧樹脂，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，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場如圖1所示。

圖1 液壓激振式雙軸試驗測試平臺現場

通過調節液壓激振式雙軸試驗平臺系統載荷桿和葉片表面之間的間隙，模擬小錘撞擊葉片表面，使葉片表面基體產生微開裂的聲發射信號。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，調節液壓激振式雙軸試驗平臺系統的位置和載荷，使得葉片僅在揮舞方向產生疲勞振動和橫向裂紋擴展，以模擬裂紋擴展產生的聲發射信號。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。調節液壓激振式雙軸試驗平臺系統，使得葉片僅在擺振方向振動，以模擬葉片分層缺陷活動產生的聲發射信號。采集完畢后，關閉液壓激振式雙軸試驗平臺系統，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，使其產生塑性變形，以模擬邊緣破損的聲發射信號。

1.2 不同缺陷的數據采集

試驗采用北京聲華興業科技有限公司生產的SAEU2S型數字聲發射系統，所用聲發射傳感器為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射檢測試驗，上述4組試驗每組試驗采集60組聲發射信號數據。

風電葉片不同缺陷聲發射信號時域圖如圖2所示。

圖2 風電葉片不同缺陷聲發射信號時域圖

2 聲發射信號分析及特征向量構造

2.1 CEEMDAN原理

CEEMDAN源于總體經驗模態分解(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生不同數量模態分解的問題，實現了分解信號的近似完美重構[10]。

(1)

令i=1,計算第1個殘差余量r1(t)為

(2)

(3)

式中：ε1為模態分解的算法系數；E1為高斯自噪聲的時序進行EMD映射的結果。

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數量級，εi取10-2數量級。

對信號進行CEEMDAN自適應分解，分解得到8個IMF(固有模態函數)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;N為信號長度;τ為時間間隔。

依據上述互相關函數，計算其互相關系數(公式為標準數學定義，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曲線

由圖3可以看出，各分量和原始信號f(t)互相關系數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占比達到10-2數量級，影響相對較小，可作為干擾分量進行剔除。

2.2 CEEMDAN能量熵向量構造

將聲發射信號f(t)進行 CEEMDAN分解，得到的k個模態分量內包含原始信號不同的頻率成分，但IMF分量頻域范圍較窄，易出現頻域交疊的現象，為較好地實現信號識別，將信息熵引入CEEMDAN，通過計算頻段能量分布來構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為得到的模態分量數；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能量熵向量部分數據如表1所示。

3 SVM分類識別

3.1 SVM分類原理及結果

SVM是一種基于結構風險最小化原理，建立在統計理論基礎上的機器學習方法。該分類方法通過核函數將待分類數據映射到高維空間，借助最優超平面構造判決函數，可以在很大程度上克服小樣本、維數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]。

通過參數網格尋優和多次試驗，方法選用的RBF(徑向基)核函數的最佳懲罰因子c=0.029 4，核參數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組數據作為訓練組，不同缺陷識別結果如表2所示。

表2 不同缺陷識別結果

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射信號模擬效果較差，采集到的信號并非單純葉片分層信號。

3.2 SVM與不同類型分類器分類效果比較

為突出CEEMDAN方法的優勢，分別用不同分類器(包括BP神經網絡，簡稱BP)結合能量熵進行SVM模式識別，試驗結果如表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結合SVM的識別效果較好，識別率較高。結果表明，將CEEMDAN能量熵結合SVM方法用于葉片缺陷識別是可行的。

4 結論

采用CEEMDAN方法對葉片聲發射信號進行分解，采用互相關系數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，可以得出以下結論。

(1) 將CEEMDAN方法應用于葉片聲發射信號分解，進行互相關系數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) 通過構造能量熵向量，結合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，不難發現，對于葉片的不同缺陷，在所列舉的分類器中，CEEMDAN能量熵結合SVM的缺陷識別方法更具優勢。