采用小波分析的風力機葉片聲發射信號處理與分析

摘要：為有效對風力機葉片損傷進行在線監測，采用小波分析技術對風力機葉片運行狀態下的聲發射信號進行降噪和時頻分析。采用多通道高頻采集設備搭配聲發射傳感器，搭建雙通道聲發射信號在線檢測系統，實時采集某型全尺寸葉片帶傷運行聲發射信號，改進了小波閾值降噪方法并對該方法在真實葉片損傷定位和模態分析中的表現進行檢驗。實驗結果表明：與傳統的維納濾波降噪、譜減法降噪等方法相比，改進的小波閾值降噪方法應用于在線監測系統時具有精度高、速度快、穩定性好的優勢：對模擬損傷的聲發射信號進行時差定位，精度達到2.2%；同時，采用改進的小波分析也能夠從風力機葉片的聲發射信號中準確檢出葉片的運行模態信息。改進的小波閾值降噪在風力機葉片損傷定位和模態信息檢測方面表現良好，具備實際的應用價值。

關鍵詞：風力機葉片；時頻分析；小波閾值降噪

中圖分類號：TM315 文獻標志碼：A

DOI：10.7652/xjtuxb202505020 文章編號：0253-987X（2025）05-0209-08

Processing and Analysis of Acoustic Emission Signals from

Wind Turbine Blades Using Wavelet Analysis

GUAN Yunan¹， WANG Chao¹， SONG Boyang²

（1. School of Marine Science and Technology， Northwestern Polytechnical University， Xi’an 710072， China; 2. China State Shipbuilding Corporation Limited， Shanghai 200011， China）

Abstract：To effectively conduct online monitoring of the damage to wind turbine blades， wavelet analysis technology was adopted to reduce noise and perform time-frequency analysis on the acoustic emission signals of wind turbine blades during operation. A dual-channel acoustic emission signal online detection system consisting of a multi-channel high-frequency acquisition device and several domestic acoustic emission sensors was established to collect real-time acoustic emission signals from a certain type of full-scale blade operating with damage. The wavelet threshold denoising method was optimized and its performance in the localization and operation modal analysis of actual blade damage was also examined. As revealed by experimental results， in contrast to traditional methods such as Wiener filtering denoising and spectral subtraction denoising， the optimized wavelet threshold denoising method features high precision， fast speed， and good stability when applied to the online monitoring system： The time difference positioning accuracy for the acoustic emission signals of simulated damage reaches 2.2%; wavelet analysis can also effectively detect the operation modal information of the blades. The experiment reveals that wavelet threshold denoising performs well in the aspects of damage localization and modal information detection of wind turbine blades and holds practical application value.

Keywords：wind turbine blades; time-frequency analysis; wavelet threshold denoising

中國具有豐富的風電資源，可開發利用的風能儲量約為10 GW。隨著對風能的重視程度日漸提升，中國風電裝機容量也在逐年提升。作為風電機組中的核心部件，風力發電機的運行是否穩定可靠，與整個風電系統的發電效率有著緊密的聯系。在實際運行過程中，由于惡劣的環境以及本身復雜的結構，風力發電機發生故障的情況在所難免。風力機葉片損傷導致倒塔事件發生頻繁。其中由于老化、外部機械力等原因，風力機葉片發生如圖1所示的形變、疲勞、斷裂等損傷是風電倒塔的主要誘因，占比40%以上，因此風力機葉片損傷的在線檢測工作刻不容緩^［1-2］。

聲發射技術作為一種工作在更高頻率上的檢測手段，因其充分關注材料和結構應力應變過程，從而得到損傷在線檢測行業的廣泛關注^［3］。將聲發射技術應用于風力機損傷檢測的研究，關鍵在于對葉片損傷聲發射特征的分析、提取以及對聲發射源的定位^［4］。通過對聲發射信號的分析處理，能夠判斷風力機葉片的損傷位置，并提取更多的有用信息。Liu等采用聲發射檢測技術對風力機葉片進行疲勞損傷生長監測，該技術具有高效、長距離、可實現在線檢測等優點^［5-6］；Beale等采用一種自適應降噪方法，通過自動掃描技術識別損傷區域，能夠有效檢測風電葉片內部的分層、黏接區域缺膠等缺陷^［7］；Xue等捕捉風力機葉片的聲發射信號，通過分析波形特征實現了對葉片損傷類型和程度的識別^［8］。

小波分析是繼傅里葉變換和加窗傅里葉變換后對信號時頻分析技術的進一步發展^［9-10］。Zhao等采用小波分析方法對風力機葉片進行了高效的故障分析^［11］。小波分析同樣對風力機旋轉機械結構的故障聲發射信號檢測具有較好的效果^［12］。Zhu等采用小波變換和短時能量分析對管道泄漏聲發射信號進行識別和定位，取得了較好的定位精度^［13］。Pratumnopharat等采用Morlet小波對風力機葉片伸展方向上的應力變化進行分析，該研究為葉片應力應變產生的聲發射信號特征分析提供重要理論和實驗支撐，同時驗證了小波分析方法符合風力機葉片的力學變化規律^［14］。小波分析方法被證明能夠用于監測風力機葉片運行狀態、固有頻率等^［15-17］。在此基礎上，研究人員采用小波分析方法對風力機葉片損傷的聲發射信號進行研究，驗證了小波分析技術在風力機葉片疲勞損傷等類型損傷信號分析中的有效性^［18-19］。現有研究結果表明，小波分析方法對于非穩態的風力機葉片聲發射信號分析具有良好的效果。

然而，上述研究普遍將小波分析技術用于風力機葉片聲發射信號的后處理，尤其是用于損傷模式識別，主要是因為現有小波分析技術采用分解-加閾值-重構-分析的模式不能滿足實時信號處理的要求。因此，本研究充分發掘風力機葉片聲發射信號時頻特性和非穩態特征，提出一種基于小波分解的風力機葉片聲發射信號分析模式，即分解-分析-加閾值-重構的模式，能有效提升小波分析技術處理的實時性，同時采用改進的閾值選取方法進行小波降噪，改善輸出信號質量。該模式以風力機葉片聲發射信號為研究對象，對信號進行Haar小波分解，低頻層和高頻層信號分別進行相關分析，實現多模態信息的實時提取后加閾值重構。實驗驗證了該分析模型在風力機葉片損傷檢測和模態提取中方法精度、速度和穩定性等方面的顯著優勢，可滿足工程應用需求。

1 小波變換

1.1 小波變換理論

設f（t）是平方可積函數，則該連續函數的小波變換^［20］定義為

W_f（a，b）=1 a∫+∞－∞f（t）Ψ^*（t－ba）dt，

a， b∈R， agt;0 （1）

式中：W_f（a，b）為對函數f（t）進行連續小波變換的結果，稱為離散小波系數；Ψ^*（t）函數為母小波函數，對Ψ^*（t）函數進行尺度伸縮和平移，得到Ψ_a，b（t）=1aΨ^*t－ba，其中a為尺度因子，b為時變因子。

信號f（t）可由下式進行小波重構

f（t）=∑∞a=－∞ ∑∞b=－∞d_a，bΨ_a，b（t）（2）

式中：d_a，b為小波基函數系數。

1.2 信號多尺度分解

基于小波變換理論和小波空間分析理論^［21］，若Ψ_a，b（t）的解空間中有一組正交解ψ_j，k（t），則稱ψ_j，k（t）為小波函數，由ψ_j，k（t）生成的空間W_j是尺度為j的小波空間，又稱為細節空間。

小波多分辨率分析就是將信號分解為近似粗糙部分φ_j，k（t）和一系列細節部分ψ_j，k（t）。設J為任意給定的小波分解尺度系數（也被稱為小波分解層數），則f（t）可以作如下分解

f（t）=∑Jj=－∞ ∑∞k=－∞d_j，kψ_J，k（t）+∑∞k=－∞c_J，kφ_J，k（t）（3）

多尺度分解式（3）中的絕對值較大的c_J，kφ_J，k（t）分量稱為信號f（t）的高頻分量，絕對值較小的d_j，kψ_J，k（t）分量稱為信號f（t）的低頻分量，對應的c_J，k和d_j，k分別稱為高頻系數和低頻系數。

1.3 小波函數選取方法

小波函數的種類很多^［22］，包括Haar、Daubechies、Symlets、Coiflets、Morlet、Mexican Hat、Meyer等。根據經驗：Morlet小波一般用于圖像識別及特征提取；Haar和Daubechies小波一般用于數字信號處理；在系統辨識中普遍采用Mexican Hat、Meyer等小波形式。尤其在離散小波變換中小波函數必須具備正交性，所以Morlet、Mexican Hat、Meyer等小波不適用于信號降噪，因此該實驗中選用Haar小波。

1.4 小波分解層數選取

小波變換的分解層數與采樣信號頻率、故障特征頻率之間滿足如下關系

f_s2^J+1≤f_c≤f_s2^J （4）

式中：f_s為采樣頻率；f_c為損傷特征頻率。本研究按式（4）進行6層小波分解。

1.5 改進的小波閾值降噪方法

通常利用二進小波對含噪信號進行變換，靈活選取高頻系數和低頻系數進行信號重構可實現信號分析和降噪處理^［23］。對二進尺度2^J上的模極大值點幅值A作如下變換

T_J=lb（1+N）J+ZA （5）

式中：Z為常參數（本研究中取2）；N為噪聲功率。

與傳統小波閾值降噪的固定閾值選取方法不同，本研究對每層分解的尺度T_J進行計算，僅保留T_J≥σ_max（T_j）相應尺度上的d_j，k和c_J，k系數，其中σ（0lt;σ≤1）為從歷史數據得到的經驗常數，從而形成分解-分析-加閾值-重構的小波閾值降噪流程。后續實驗驗證該改進的小波閾值選取方法在風力機葉片信號分析及降噪中有良好的效果。

1.6 相關分析定位理論

相關定位是一種檢測系統常用的信號源定位方法^［24］，通常利用兩個不同傳感器檢測同一個信號源，并對兩個傳感器的輸出信號x（t）和y（t）作互相關處理

R_xy（τ）=E［y（t）x（t－τ）］=K₁K₂R_s（τ）（6）

式中：K₁、K₂為常數。式（6）等號左側R_xy（τ）為可測得量，右側為以τ為變量的函數。因此可以得出信號到達兩個傳感器的時間差τ，從而實現信號定位。

2 風力機葉片損傷檢測實驗

2.1 硬件系統

如圖2所示，測試人員沿風力機葉片長度方向布放了兩組聲發射傳感器，位于機艙位置的信號采集設備以500 kHz～2 MHz的采樣率對傳感器信號進行采樣，采集設備的大數據量輸出信號進入到計算單元進行邊緣計算以實現數據處理和壓縮，從而將少量運行和損傷相關的有效數據通過位于塔基的環網交換機發送到控制室。

單只風力機葉片上傳感器布放方式如圖3（a）所示，兩個傳感器分別布放在距離葉根10 m和70 m距離，從而實現對兩傳感器之間60 m范圍段的葉片損傷信號進行相關分析定位。同時，在距離葉根30 m位置設置聲發射信號源，模擬葉片損傷信號。葉根部傳感器及采集裝置安裝如圖3（b）所示，圓形框內為傳感器1，方形框內為采集設備和計算單元。

2.2 軟件系統

LabVIEW軟件平臺被廣泛應用于風力機的故障信號實時監測，且均取得了良好的實驗結果^［25-26］。因此，本次實驗也選擇在計算單元中使用LabVIEW軟件與美國國家儀器有限公司（NI）采集卡搭配實現數據的在線采集。數據的峰值檢測、小波降噪和小波分析等其他方法合并為數據處理模塊，采用Matlab完成并嵌入LabView流程中，損傷監測及數據流程如圖4所示。

3 實驗數據分析

基于前述方法和系統，對實時采集的風力機葉片聲發射信號進行處理，得到了風力機葉片運行信息及損傷信號，同時也驗證了小波分析方法在風力機葉片信號分析系統時差精度、數據處理速率、運算穩定度方面的優勢。

對一段含有損傷特征的信號分別使用傳統小波降噪、維納濾波降噪、改進的小波降噪和譜減法降噪，結果如圖5所示，顯然改進的小波降噪方法處理后的信號具有更高的信噪比。

3.1 風力機葉片模態的提取

圖6為實驗中一段葉片動態聲發射信號800 kHz采樣后進行6層分解的信號波形，圖6中子窗口均為電壓-時間序列，圖6（a）為原始信號，A₆為風力機葉片聲發射信號進行6層小波分解后得到的低頻分量，D₁～D₆為各層小波分解得出的高頻分量。該實驗對此段數據進行6層的Haar小波分解。可以看到，第6層分解得出的低頻層A₆已經能夠清晰地反映出葉片的揮舞過程的時域上的周期特征。

對圖6（h）中A₆層梳狀信號進行分析得到信號周期為1.25 s，與實際激勵周期1.2 s和振動傳感器測得的激勵周期1.217 s相近。驗證了小波分析方法具有良好的葉片振動周期檢測效果，可以有效提取風力機葉片的運行信息。

同時也可以看出，風力機葉片的聲發射信號信息是存在于部分“層”中的，因此本文中提出的對不同“層”進行分別分析處理，并根據閾值大小進行信號重構是有意義的。

3.2 損傷信號時差精度

采用1.5節中所述的時差定位法對損傷信號進行定位。在該方法中，信號時差檢測精度決定了定位精度，故有必要對方法檢測時差的精度進行分析。

測試人員在距離葉根30 m位置模擬損傷信號。圖7（a）、圖7（b）為圖3（a）中兩個位置傳感器信號通過改進的小波降噪方法處理后的信號。圖7（c）為兩通道信號作互相關后的時差分析信號，取該信號最大值的橫坐標即為兩信號時差。

如表1所示，按照圖4流程分別對數據進行改進的小波降噪、維納濾波降噪和譜減法降噪后，可獲得信號時差，理論時差為信號源與兩個傳感器距離差與聲發射信號理論波速之商。由表1可以得出，改進的小波降噪后時差測算精度最好（時延誤差約為2.2%），維納濾波降噪效果次之，譜減法降噪精度最差。

3.3 數據處理速率

軟件系統運算效率是在線檢測系統的重要指標，若效率過低容易造成數據擁堵，導致系統崩潰。關于運算速率這一性能指標，該實驗將改進的小波降噪與維納濾波分別用于峰值檢測和時差計算，記錄程序運行時長進行對比分析。

按照圖4所示數據流程對3.2節采集到的數據2分別采用改進的小波降噪和維納濾波降噪方法進行了峰值檢測和時差計算，方法運行耗時的對比見表2。

如表2所示，數據段相同的情況下，對比采用改進的小波和維納濾波作數據預處理的效果，基于改進的小波降噪方法在峰值檢測和時差計算中的方法耗時較短，這一優勢對于復雜的在線監測系統具有重要價值。

3.4 運算穩定度

由圖4所示的數據處理流程可知，在峰值檢測后需根據峰值位置靈活選取數據段長度進行數據截斷才能進行小波處理。實驗結果表明，數據段長度的變化會對降噪方法精度產生影響，因此密切關注數據段長度對時差定位方法精度的作用，具有重要的現實意義。

為驗證數據段長度變化情況下的時差定位方法穩定度，測試人員在距葉根30 m處模擬損傷信號進行激勵（如圖3（a）所示），并對采集到的激勵信號（如圖8所示）選擇不同數據段長度截取峰值附近信號，分別使用維納濾波和小波降噪對數據進行預處理，時差計算結果見表3。

根據表3記錄數據可得，小波降噪獲得時差的標準差為0.006 8 s，維納濾波獲得時差的標準差為0.031 3 s，理論計算真實時差為0.022 s。由此可以驗證基于小波降噪的時差定位方法得到的數據波動較小且接近真實值，即小波降噪作數據預處理能夠更好地減小數據段長度對時差定位方法運算穩定度的影響。

4 結 論

本文提出了一種基于小波分解的風力機葉片多狀態信息分析模式，其中改進的小波閾值降噪方法用于信號預處理，具有運算速度快、損傷定位精度高、穩定性好、可有效提取模態分量等優勢。通過實驗驗證了該分析模式在真實風力機葉片損傷檢測場景下運用的可行性，為風力機葉片的損傷在線檢測提供了切實可行的方案。

風電能源不斷被廣泛應用，風力機葉片的損傷檢測對于提升電力系統的安全性與可靠性具有一定意義。對風力機葉片信號進行小波降噪處理，可以在低延遲、高穩定性的前提下有效獲得風力機葉片模態、故障特征等有用信息。可以看到，去噪后的葉片信號頻率得到了簡化，保留了有用的低頻特征，這簡化了故障診斷的步驟，使得后續信號處理更加便捷。

參考文獻：

［1］陳露露. 風電葉片無損檢測技術和標準現狀研究 ［J］. 裝備制造技術， 2017（12）： 44-46.

CHEN Lulu. Non-destructive testing techniques of wind turbine blades and standard research ［J］. Equipment Manufacturing Technology， 2017（12）： 44-46.

［2］朱靜. 風電機組傳動系統故障檢測及診斷研究 ［D］. 南京： 東南大學， 2017.

［3］GHOLIZADEH S， LEMAN Z， BAHARUDIN B T H T. A review of the application of acoustic emission technique in engineering ［J］. Structural Engineering and Mechanics， 2015， 54（6）： 1075-1095.

［4］李孟珠， 劉綱， 黎華， 等. 大型風力機葉片狀態監測方法研究進展 ［J］. 熱力發電， 2022， 51（12）： 18-29.

LI Mengzhu， LIU Gang， LI Hua， et al. Research progress on condition monitoring methods of large scale wind turbine blades ［J］. Thermal Power Generation， 2022， 51（12）： 18-29.

［5］LIU Zepeng， ZHANG Long， CARRASCO J. Vibration analysis for large-scale wind turbine blade bearing fault detection with an empirical wavelet thresholding method ［J］. Renewable Energy， 2020， 146： 99-110.

［6］LIU Zepeng， YANG Boyuan， WANG Xuefei， et al. Acoustic emission analysis for wind turbine blade bearing fault detection under time-varying low-speed and heavy blade load conditions ［J］. IEEE Transactions on Industry Applications， 2021， 57（3）： 2791-2800.

［7］BEALE C， NIEZRECKI C， INALPOLAT M. An adaptive wavelet packet denoising algorithm for enhanced active acoustic damage detection from wind turbine blades ［J］. Mechanical Systems and Signal Processing， 2020， 142： 106754.

［8］XUE Xinyu， SUN Dabiao， GU Lei， et al. Application of synchrosqueezed wavelet transforms in Lamb wave based structural health monitoring of wind turbine blades ［C］//2019 Chinese Control and Decision Conference （CCDC）. Piscataway， NJ， USA： IEEE， 2019： 3190-3195.

［9］孫永軍. 小波理論及其在信號處理中的應用 ［J］. 空間電子技術， 2009， 6（4）： 25-30.

SUN Yongjun. Wavelet theory and its applications in signal processing ［J］. Space Electronic Technology， 2009， 6（4）： 25-30.

［10］GUO Tiantian， ZHANG Tongpo， LIM E， et al. A review of wavelet analysis and its applications： challenges and opportunities ［J］. IEEE Access， 2022， 10： 58869-58903.

［11］ZHAO Qian， LI Wei， SHAO Yichuan， et al. Damage detection of wind turbine blade based on wavelet analysis ［C］//2015 8th International Congress on Image and Signal Processing （CISP）. Piscataway， NJ， USA： IEEE， 2015： 1406-1410.

［12］張瑞， 鄧艾東， 司曉東， 等. 一種新的聲發射信號消噪及故障診斷方法 ［J］. 振動與沖擊， 2018， 37（4）： 75-81.

ZHANG Rui， DENG Aidong， SI Xiaodong， et al. A new method for acoustic emission signal de-noised and fault diagnosis ［J］. Journal of Vibration and Shock， 2018， 37（4）： 75-81.

［13］ZHU Yongqiang， LANG Xianming， ZHANG Lin， et al. Leak localization method of jet fuel pipeline based on second-generation wavelet transform and short-time energy time delay estimation ［J］. IEEE Sensors Journal， 2023， 23（3）： 2823-2832.

［14］PRATUMNOPHARAT P， LEUNG P S， COURT R S. Application of Morlet wavelet in the stress-time history editing of horizontal axis wind turbine blades ［C］//2012 2nd International Symposium on Environment Friendly Energies and Applications. Piscataway， NJ， USA： IEEE， 2012： 396-401.

［15］OGAILI A A， HAMZAH M N， JABER A A， et al. Application of discrete wavelet transform for condition monitoring and fault detection in wind turbine blades： an experimental study ［J］. Engineering and Technology Journal， 2024， 42（1）： 104-116.

［16］JANELIUKSTIS R. Continuous wavelet transform-based method for enhancing estimation of wind turbine blade natural frequencies and damping for machine learning purposes ［J］. Measurement， 2021， 172： 108897.

［17］ULRIKSEN M D， TCHERNIAK D， KIRKEGAARD P H， et al. Operational modal analysis and wavelet transformation for damage identification in wind turbine blades ［J］. Structural Health Monitoring， 2016， 15（4）： 381-388.

［18］XU D， LIU P F， CHEN Z P. Damage mode identification and singular signal detection of composite wind turbine blade using acoustic emission ［J］. Composite Structures， 2021， 255： 112954.

［19］ULRIKSEN M D， SKOV J F， KIRKEGAARD P H， et al. Wavelet transformation for damage identification in wind turbine blades ［C］//Structural Health Monitoring. Cham， Switzerland： Springer International Publishing， 2014： 187-193.

［20］劉崇春， 裘正定， 杜錫鈺. 小波變換理論及其在信號處理中的應用 ［J］. 北方交通大學學報， 1997， 21（1）： 24-31.

LIU Chongchun， QIU Zhengding， DU Xiyu. Wavelet transform theory and its application in signal processing ［J］. Journal of Northern Jiaotong University， 1997， 21（1）： 24-31.

［21］耿艷峰， 馮叔初. 小波構造綜述 ［J］. 石油大學學報（自然科學版）， 2004， 28（1）： 127-131.

GENG Yanfeng， FENG Shuchu. Overview of wavelet construction ［J］. Journal of the University of Petroleum， China， 2004， 28（1）： 127-131.

［22］SAHOO G R， FREED J H， SRIVASTAVA M. Optimal wavelet selection for signal denoising ［J］. IEEE Access， 2024， 12： 45369-45380.

［23］裴嵩， 孫超. 聲發射信號的小波閾值降噪研究 ［J］. 艦船電子對抗， 2023， 46（5）： 88-91.

PEI Song， SUN Chao. Research into wavelet threshold value de-noising of AE signals ［J］. Shipboard Electronic Countermeasure， 2023， 46（5）： 88-91.

［24］高琳， 曹建國. 基于輸氣管道泄漏聲發射信號特征的小波基構造研究 ［J］. 振動與沖擊， 2023， 42（10）： 128-135.

GAO Lin， CAO Jianguo. Research on wavelet basis construction based on the characteristics of acoustic emission signals in gas pipe leakage ［J］. Journal of

Vibration and Shock， 2023， 42（10）： 128-135.

［25］秦永晉， 郭亮， 付力揚， 等. 基于LabVIEW的大功率海上風電機組增速箱軸承試驗機測控系統設計 ［J］. 制造技術與機床， 2022（7）： 85-90.

QIN Yongjin， GUO Liang， FU Liyang， et al. Design of measurement and control system of bearing tester for speed increase box of high-power offshore wind turbine based on LabVIEW ［J］. Manufacturing Technology amp; Machine Tool， 2022（7）： 85-90.

［26］軒亮， 董帥， 董嘉欣， 等. 基于LabVIEW的風電主軸承螺栓預緊力監測系統 ［J］. 中國工程機械學報， 2024， 22（2）： 270-275.

XUAN Liang， DONG Shuai， DONG Jiaxin， et al. The monitoring system of bolt preload of wind power main bearing based on LabVIEW ［J］. Chinese Journal of Construction Machinery， 2024， 22（2）： 270-275.

（編輯 武紅江）