本发明专利技术提供了风电叶片脱层检测方法及检测系统,系统包括带传感器的敲击锤,应力调理电路,FPGA模块、计算机、数据采集卡、定向声音传感器和全指向声音传感器。该系统结合力和声音两种特征检测,将脉冲信号计算敲击持续时间T和敲击力F、小波包能量熵Wee、固有模态能量熵Imee、频域信号作为BP神经网络计算器的特征输入参数,依据神经网络的输出结果快速准确的判断是否存在脱层,并可以计算脱层的深度和等效直径。
【技术实现步骤摘要】
【专利摘要】本专利技术提供了风电叶片脱层检测方法及检测系统,系统包括带传感器的敲击锤,应力调理电路,FPGA模块、计算机、数据采集卡、定向声音传感器和全指向声音传感器。该系统结合力和声音两种特征检测,将脉冲信号计算敲击持续时间T和敲击力F、小波包能量熵Wee、固有模态能量熵Imee、频域信号作为BP神经网络计算器的特征输入参数,依据神经网络的输出结果快速准确的判断是否存在脱层,并可以计算脱层的深度和等效直径。【专利说明】—种风电叶片脱层检测方法及检测系统
本专利技术属于复合材料无损检测领域,涉及风电叶片脱层检测技术,具体是一种风电叶片脱层检测方法及检测系统。
技术介绍
在风电设备中,叶片是风力发电机组的重要部件,约占总成本的15%?20%。叶片在生产和运行中常出现纤维布褶皱、干纤维布、气泡、黏接宽度不够以及缺胶等缺陷。根据目前风场运行叶片事故的分析,叶片黏接开裂问题出现较多,即叶片易出现脱层情况。由于叶片的寿命要求20年,在整个使用寿命周期内,风力发电叶片作为受力结构件,不允许出现折断、分离等严重的质量事故。因而通过有效检测手段及早发现缺陷和损伤是非常重要的,同时对叶片进行维护以免造成更大的事故。由于风电叶片本身的结构特点,其检测方法相比于普通的复合材料而言更为困难,主要体现在风电叶片结构复杂且尺寸大,检测耗时费工;叶片外形基本是弧面,并不光滑平整,常用的复合材料平面检测方法并不适用;叶片受低速冲击后,易造成不可见的内部损伤;对于运行的风电机组,叶片处于几十米的高空,大大增加了在役检测难度;另外,如果采用一般的机械和物理试验方法检测叶片的微观破坏和内部缺陷,检测后往往会影响其继续使用,因而对风电叶片必须采用无损检测方法。目前,国内外常用的检测方法包括声发射、热成像、超声、振动模态、光纤、激光多普勒振动计、电抗、应变记忆合金、X射线透视以及涡流在内的数十种,但各类的检测技术还主要出于研究阶段,针对叶片本身特点的检测系统还不成熟。
技术实现思路
本专利技术为了解决现有技术的问题,提供了一种能够快速、准确风检测电叶片脱层的方法和系统,从多个角度获得脱层的特征参数,从而判断是否存在脱层,并可以计算脱层的深度和等效直径。本专利技术提供的检测方法包括以下步骤:I)使用内嵌力传感器的敲击锤敲击风机叶片;2)根据力传感器输出的脉冲信号计算敲击持续时间T和敲击力F ;3)使用定向声音传感器和全指向声音传感器分别获得敲击声和环境噪声;4)将获得的敲击声和环境噪声通过数据采集卡采集后传输到特征参数计算器,特征参数计算器根据短时能量和短时平均过零率进行端点检测,根据多项式最小二乘法进行消除多项式趋势项,然后将两种声音信号进行自适应低通滤波,从而得到风电叶片振动的声音信号获得风机叶片振动发出的声音;5)根据风机叶片发出的声音计算小波包能量熵Wee ;6)根据风机叶片发出的声音计算固有模态能量熵Imee ;7)将风机叶片振动发出的声音经过傅里叶变换转换成频域信号;8)根据频率信号计算功率谱最大峰值对应的频率值Fmpl,Fmp2, Fmp3 ;9)根据步骤2)、5)、6)、7)的计算结果,将其作为BP神经网络计算器的特征输入参数,随机初始化网络的权值与阈值,网络训练最大次数为1000次,对BP神经网络进行训练,输出值用字母O表示,输出值取整后设为m,当m≤I时,如果输出值m-0.5≤O≤m+0.5,则表示脱层的深度为m ;当m=0时,-0.5<0<0.5时,表示敲击处为无损伤。进一步改进,步骤9)中的BP神经网络计算器根据具体的外界输入样本确定网络的相连权值。本专利技术还提供了一种风电叶片脱层检测系统,包括带传感器的敲击锤,应力调理电路,FPGA模块、计算机、数据采集卡、定向声音传感器和全指向声音传感器,其中敲击锤与应力调理电路相连,应力调理电路分别通过门限比较器和Α/D转换电路与FPGA模块相连,FPGA模块通过串口与计算机相连;定向声音传感器和全指向声音传感器通过数据采集卡与计算机相连。进一步改进,所述的FPGA模块连接有显示器。FPGA模块包括相连的脉宽测量器和NIOS内核控制器,其中脉宽测量器与门限比较器连接,NIOS内核控制器分别与Α/D转换电路、串口和显示器连接。应力调理电路包括依次连接的阻抗匹配电路、半波整流电路、放大电路和低通滤波电路,其中阻抗匹配电路与敲击锤连接,低通滤波电路分别与门限比较器和Α/D转换电路连接。计算机包括相连的声音信号特征参数计算器和BP神经网络计算器,其中声音信号特征参数计算器与数据采集卡相连,BP神经网络计算器与串口相连。声音信号特征参数计算器包括依次连接的端点检测器、消除多项式趋势项计算器、自适应低通滤波器,以及小波包能量熵计算器、固有模态能量熵计算器、傅里叶变换器和功率谱最大峰值对应的频率值计算器,其中端点检测器与数据采集卡相连,自适应低通滤波器分别与小波包能量熵计算器、固有模态能量熵计算器和傅里叶变换器相连,傅里叶变换器与功率谱最大峰值对应的频率值计算器相连,小波包能量熵计算器、固有模态能量熵计算器和功率谱最大峰值对应的频率值计算器分别连接到BP神经网络计算器。本专利技术有益效果在于:1、结合力和声音两种特征检测,快速、准确,并可以计算脱层的深度和等效直径。2、定向声音传感器和全指向传感器的选择可以去除环境噪声对敲击声音信号的干扰,使测量结果更精确。【专利附图】【附图说明】图1为本专利技术检测系统的结构示意框图。图2为本专利技术检测系统的特征参数计算器的结构示意框图。图3为BP神经网络示意图。【具体实施方式】下面结合附图对本专利技术作进一步说明。本专利技术检测系统的结构如图1所示,包括带传感器I的敲击锤2,应力调理电路4,FPGA模块7、计算机10、数据采集卡11、定向声音传感器301和全指向声音传感器302,其中敲击锤2与应力调理电路4相连,应力调理电路4分别通过门限比较器LM3605和Α/D转换电路AD678JD6与FPGA模块7相连,FPGA模块7通过串口 8与计算机10相连;定向声音传感器301和全指向声音传感器302通过数据采集卡11与计算机10相连。力传感器使用的是SDT_Series压电传感器。所述的FPGA模块7连接有显示器9。通过显示器9可直接观测到T和F,可通过T和F简单的判断是否存在脱层。所述的FPGA模块使用EP3C160Q240,包括相连的脉宽测量器701和NIOS内核控制器702,其中脉宽测量器701与门限比较器5连接,NIOS内核控制器702分别与Α/D转换电路6、串口 8和显示器9连接。所述的应力调理电路4包括依次连接的阻抗匹配电路401、半波整流电路402、放大电路403和低通滤波电路404,运放均采用0P07。其中阻抗匹配电路401与敲击锤2连接,低通滤波电路404分别与门限比较器5和Α/D转换电路6连接。所述的计算机10包括相连的声音信号特征参数计算器1001和BP神经网络计算器1002,其中声音信号特征参数计算器1001与数据采集卡11相连,BP神经网络计算器1002与串口 8相连。所述的声音信号特征参数计算器1001如图2所示,包括依次连接的端点检测器12、消除多项式趋势项 计算器13、自适应低通滤波器14,以及小波包能量熵计算器15、固有模态能量熵本文档来自技高网...
【技术保护点】
一种风电叶片脱层检测方法,其特征在于包括以下步骤:1)使用内嵌力传感器(1)的敲击锤(2)敲击风机叶片;2)根据力传感器(1)输出的脉冲信号计算敲击持续时间T和敲击力F;3)使用定向声音传感器(301)和全指向声音传感器(302)分别获得敲击声和环境噪声;4)将获得的敲击声和环境噪声通过数据采集卡(11)采集后传输到特征参数计算器(1001),特征参数计算器(1001)根据短时能量和短时平均过零率进行端点检测,根据多项式最小二乘法进行消除多项式趋势项,然后将两种声音信号进行自适应低通滤波,从而得到风电叶片振动的声音信号获得风机叶片振动发出的声音;5)根据风机叶片发出的声音计算小波包能量熵Wee;6)根据风机叶片发出的声音计算固有模态能量熵Imee;7)将风机叶片振动发出的声音经过傅里叶变换转换成频域信号;8)根据频率信号计算功率谱最大峰值对应的频率Fmp1,Fmp2,Fmp3;9)根据步骤2)、5)、6)、7)的计算结果,将其作为BP神经网络计算器(1002)的特征输入参数,随机初始化网络的权值与阈值,网络训练最大次数为1000次,对BP神经网络进行训练,输出值用字母O表示,输出值取整后设为m,当m≥1时,如果输出值m‑0.5≤O≤m+0.5,则表示脱层的深度为m;当m=0时,‑0.5<O<0.5时,表示敲击处为无损伤。...
【技术特征摘要】
【专利技术属性】
技术研发人员:姚恩涛,石玉,周克印,陶鹏,宋娜,
申请(专利权)人:南京航空航天大学,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。