基于聲發射技術的風電葉片復合材料損傷模式識別

賈輝，張磊安，王景華，黃雪梅，于良峰

（1.淄博市技師學院，山東淄博 255000；2.山東理工大學機械工程學院，山東淄博 255000；3.山東中車風電有限公司，山東濟南 250104）

0 引言

風電作為應用廣泛和發展最快的清潔能源之一，在全球范圍內實現了大規模的開發應用。風電葉片作為風力機中關鍵的零部件之一，其設計的優良性、質量的可靠性和性能的優越性是風電機組穩定運行的重要因素。玻璃纖維復合材料具有密度低、強度高、加工成型方便、彈性優良、耐化學腐蝕和耐候性好等優點，是當前風電葉片的主要材料。然而，在葉片的生產加工過程中，由于生產工藝等原因，人工鋪放的復合纖維布會不可避免地產生褶皺、氣泡、粘接寬度不夠以及缺膠等結構缺陷[1]。此外，葉片運輸及安裝過程中，或多或少的碰撞、扭轉等操作，也會導致葉片發生肉眼難以識別的損傷。由于風壓，葉片在服役期間會受到不間斷的疲勞負載，以上潛在的缺陷或損傷，可能會導致風電葉片發生基體開裂、纖維斷裂、基體/纖維界面層脫粘等損傷模式，最終導致風電葉片的失穩破壞[2]，造成重大經濟損失和安全事故。因此，研究玻璃纖維復合材料疲勞載荷下的損傷機制，準確判斷其損傷模式，對于開展風電葉片疲勞載荷下的損傷研究具有重要意義。

為保證不影響被檢測對象的使用性能，不傷害被檢測對象的內部組織，在對缺陷或損傷進行檢測時，一般采用無損檢測方法。常用于復合材料檢測的無損檢測方法有超聲波檢測（UT）、X射線檢測、紅外檢測和聲發射檢測等。其中，聲發射檢測通過采集材料在力作用下發出的應力波來獲取動態缺陷信息，屬于被動檢測的范疇，經過對采集到的信號進行深入分析，從而揭示材料內部出現的裂紋形成、裂紋擴展、分層及纖維斷裂等現象。

近年來，國內外研究人員利用聲發射技術在風電葉片領域做了一定的研究。Crivelli D[3]通過開展疲勞試驗，研究了碳纖維在已知基體開裂和分層損傷下的聲發射能力。Carlos Gómez Mu?oz[4]提出了一種基于聲發射技術的風電葉片故障定位方法，通過斷鉛試驗模擬纖維斷裂，并利用預設在葉片表面的3個傳感器采集聲發射信號，成功識別定位了故障。Al-Jumaili S K[5]研究了大型碳纖維試樣的不同損傷在疲勞載荷下的產生機理，并基于聲發射技術，使用參數校正技術（PCT）成功識別了基體開裂和分層，提高了定位精度。周偉[6]在風電葉片單向和加卸載拉伸試驗中，采用聲發射實時監測整個損傷破壞過程，獲取了復合材料試件的拉伸力學性能、損傷破壞特征及相應的聲發射響應特征。張鵬林[7]通過對有/無纖維預斷試件分別進行3點彎曲力學性能試驗，獲得了風電葉片復合材料的彎曲力學性能和損傷破壞的聲發射特性，結果顯示有纖維預斷試件的聲發射信號波形最高幅度達到2.5 V，而無纖維預斷試件的最高幅度僅為0.07 V。以上研究均表明，聲發射技術可應用于風電葉片在疲勞工況下的損傷檢測。然而，有關聲發射技術對損傷類型識別的研究較少，理論方法尚需補充。

本文基于聲發射技術，建立了一種鑒別風電葉片損傷模式的數學模型。利用聲發射設備對玻璃纖維復合材料疲勞試驗過程進行監測，利用主成分分析法在最大程度保留原有信息的情況下實現數據降維。同時，結合K-means聚類方式對聲發射信號進行聚類分析[8]，[9]，最后利用BP神經網絡建立損傷識別模型，實現對未知損傷的類型識別。通過風電葉片疲勞試驗損傷聲發射信號構建識別模型，將實時采集的同型號在役風電葉片聲發射信號輸入識別模型，為在役風電葉片的損傷實時識別提供了可能。

1 試驗方案

1.1 試件制備

本試驗所用試件的玻璃纖維材料為0°方向（以[0]表示）無捻粗紗經聚酯線捆綁縫編而成的玻璃纖維布，環氧樹脂由LT-5078A與LT-5078A-3按照10:3的比例混合而成，試件采用真空輔助樹脂灌注成型（VARI）工藝制作而成。按模固化后依據GB/T 16779-2008《纖維增強塑料層合板拉-拉疲勞性能試驗方法》進行機械加工。為防止疲勞試驗機的夾頭將試件夾壞，在試件的兩端用樹脂膠粘貼由硬鋁材料加工而成的加強片。試樣的外形及尺寸如圖1所示。

圖1 試樣外形及尺寸Fig.1 Appearance and dimensions of specimens

1.2 試驗設備

由電液伺服疲勞試驗機對所制樣件進行拉-拉疲勞試驗。采用載荷控制，設置循環載荷波形為正弦波，其應力比r=0.1?？紤]到玻璃纖維復合材料的特性，試驗過程中材料溫度維持在35℃（啟用空調作為吹風散熱裝置），加載頻率設定為f=15 Hz。

選用DS5-16B全信息聲發射儀采集復合材料疲勞過程中的聲發射信號。前置放大器信號增益為40 db（100倍），門限觸發為35 mV，系統采樣率為3 MHz，取用1，2通道用于采集。試驗時將兩個型號為RS-2A型（中心頻率為150 kHz）的傳感器預先對稱固定在靠近加強片的試件上，之間用摩可7501高真空硅脂進行耦合。同時，利用紅外熱像儀采集試驗過程中的試件溫度變化和紅外熱像序圖，作為試驗對照。

2 數值理論

2.1 主成分分析

試驗用聲發射儀以全波形形式將采集到的聲發射信號完全記錄下來。由于受信號衰減、波形轉換及其他因素的影響，采集到的聲發射波形不能直接反映聲發射源的活動特征，需要結合參數分析、波形分析等聲發射信號分析手段進行處理。本文選用表征參數分析法對信號進行相關分析，從而對聲發射源的特征進行分析和判斷，12個目標參數為:幅度、能量、撞擊數、振鈴計數、上升計數、有效值電壓（RMS）、持續時間、上升時間、ASL、撞擊速率、質心頻率和峰值頻率。

由于聲發射信號各參數之間有著一定的相關性，為減少數據分析的復雜度和難度，對數據進行聚類分析前應對數據進行降維處理，達到降噪和去冗余的目的，在不損失數據信息的同時，以更小的維度去描述原始數據。1通道的聲發射信號原始數據經過預處理得到如表1所示的2 576個樣本參數。2通道數據做同樣操作后，使用主成分分析（PCA）法對獲得的樣本參數進行處理。

表1 1通道的聲發射信號參數Table 1 Acoustic emission signal parameter of channel 1

PCA將數據從n維映射到k維，映射數據為全新的正交特征，也被稱為主成分，涵蓋了原始數據的主要信息。設原始數據（已歸一化）有m個樣本，每個樣本有n個特征（屬性），將其組成m×n階實矩陣A。

①對特征矩陣進行中心化，即對矩陣按列求均值得到行向量，然后用特征矩陣減去行向量得到矩陣X。

②求X的協方差矩陣∑:

③用特征值分解法求出∑的特征值與特征向量。由于協方差矩陣是對稱∑矩陣，可進行相似對角化，并表示為

式中:Λ為對角矩陣，且對角線上的元素是協方差矩陣∑的特征值；P為由特征值對應的特征向量組成的矩陣。

④對特征值按照從大到小的順序排序，假設取前k個特征值，然后取這k個特征值對應的特征向量作為一組基向量。

⑤用X和基向量相乘，把X變換到維度更低的子空間，得到新的矩陣Y，即降維后的矩陣。

將表1中的數據導入基于MATLAB編寫的PCA程序中，可得特征值、方差貢獻率及方差累計貢獻率。根據特征值大于1的原則提取前5個主成分，且方差累計貢獻率為91.37%（圖2），該方差累計貢獻率能夠很好地描述原始聲發射信號特征，與此同時數據降到了5維。

圖2 主成分方差貢獻率與累計方差貢獻率Fig.2 Variance contribution rate and cumulative variance contribution rate of principal component

2.2 聚類分析

玻璃纖維復合材料在疲勞過程中主要出現3類損傷:基體開裂、基體/纖維界面層脫粘和纖維斷裂。根據文獻及試驗過程中復合板的變化可知，每一種損傷都不是獨立出現的，新損傷的出現往往伴隨著上一種類型損傷的發展變化，因而單純從到達時間這一參數難以區分開各類型的損傷，而其他參數與損傷的對應關系尚處于研究階段。本文將對上一節得到的主成分變量使用K-means算法進行聚類分析。通常，各通道接收到的信號并不是單一類型損傷的，為方便分析結果，假定每一個聲發射信號均來自于一種類型的損傷。

樣本點的分配以每一個樣本點到對應聚類中心的最小歐式距離[式（3）]為原則，分配到各簇的樣本為其打上相應標簽。

式中:xi為第i個樣本；cj為第j個聚類中心；xit為第i個樣本的第t個屬性；cjt為第j個聚類中心的第t個屬性。

設定損傷類型的數量k為3，得到1號通道的聚類結果如圖3所示。

圖3 1號通道數據聚類結果Fig.3 Data clustering results of channel 1

由圖3可知:1號通道的信號較好地聚成了3類，可推斷低頻信號1（峰值頻率為55～120 kHz）為基體開裂，信號幅度集中在100～180 mV，從信號到達時間參數來看，試件發生損傷時基體開裂最先出現，并且覆蓋整個疲勞破壞過程；隨著疲勞損傷程度的加劇，基體與纖維間的界面開始出現脫粘、分層現象，如中頻信號2（峰值頻率為140～280 kHz），信號幅度主要集中在30～320 mV；隨著纖維與基體分層的加劇，部分纖維逐漸發生斷裂，如高頻信號3（峰值頻率為330～440 kHz），這一階段試件承載能力大幅度下降，直至試件失效。

3 識別試驗

3.1 試驗準備

信號經過主成分分析后，利用BP神經網絡建立信號與損傷的非線性對應關系，將未知信號代入模型，得到相應的損傷類型。BP神經網絡的拓撲結構如圖4所示。

圖4 BP神經網絡拓撲結構圖Fig.4 BP neural network topology diagram

圖4中，輸入層參數為主成分分析中獲得的5個主成分數據，代表了信號數據的主要信息。損傷聲發射信號通過主成分聚類分析，較好地分成了3類，因而設定輸出層的信息為基體開裂、基體/纖維界面層脫粘和纖維斷裂。

本文中隱含層節點數量L采用式（4）進行初步確定。

式中:m，n分別為輸入層和輸出層的節點數量；a為0～10的調節常數。

以網絡訓練的均方根誤差最小為指標，確定隱含層最佳節點個數為7。

3.2 激活函數的選擇

隱含層和輸出層神經元激活函數的選擇對BP神經網絡的預測效果有直接影響，隱含層激勵函數選取S型正切函數tansig，由于輸出結果的取值在[0，1]內，因此輸出層激勵函數選取purelin函數。

3.3 識別結果

為加快訓練速度，消除梯度模值對網絡訓練帶來的影響，本試驗采用trainrp算法訓練網絡，性能函數選用均方誤差函數，學習速率為0.01，最大迭代次數設為1 000次，目標誤差為0.001。

設置完成后，隨機選取200組數據進行網絡訓練，經過186次訓練后達到目標誤差，此時網絡閾值和權值得到了很好的修正。之后隨機從數據集中選擇50組數據進行測試，測試結果見表2。

表2 不同損傷識別結果Table 2 Recognition results of different defect

從表2中可以發現，通過BP神經網絡對玻璃纖維復合板建立的損傷識別模型比較精準地對未知數據進行了預測，3種缺陷的識別率均在90%以上。

把幅值為120，269 mV和190 mV的3個損傷聲發射信號測試數據作FFT，得到如圖5所示的頻譜圖。由圖5可知，對應的峰值頻率分別為81，168 kHz和380 kHz，而識別模型識別這3種信號的結果為基體開裂、界面脫粘和纖維斷裂，這一結論與上述介紹的損傷過程基本吻合。

圖5 聲發射信號頻譜圖Fig.5 Spectrum diagram of acoustic emission signal

4 結論

本文利用聲發射設備全程監測玻璃纖維復合板疲勞試驗過程，采集疲勞損傷聲發射信號，采用主成分分析、K-means聚類分析及BP神經網絡相結合的方法對信號參數進行分析，得到以下結論。

①玻璃纖維復合板在疲勞加載過程中，會逐漸出現多種損傷，這些損傷產生時會出現相應的聲發射現象。

②經處理后的各簇信號與損傷類型之間的對應關系:低頻信號（峰值頻率為55～120 kHz）為基體開裂；中頻信號（峰值頻率為140～280 kHz）為界面脫粘；高頻信號（峰值頻率為330～440 kHz）為纖維斷裂。

③使用BP神經網絡建立的損傷模型對聲發射獲得的未知損傷信號的識別準確率可達到90%以上，均高于紅外熱像技術的識別成功率。