基于CEEMDAN能量熵和SVM的风电叶片缺陷检测

蒋 菲，赵朝友，张素慧

(1.国网甘肃省电力公司电力科学研究院 ，兰州 730070;2.甘肃电力科学研究院技术中心有限公司，兰州 730070)

叶片是风力机组获取风能的关键部件。受制造条件及运行过程中外界环境的影响，风电叶片常常出现裂纹、分层、纤维断裂等缺陷，这些缺陷的出现容易引起实际风况下叶片的损伤累计和叶片失稳破坏[1]。叶片缺陷的早期检验和预警对确保风电机组的长期可靠运行具有重要意义。目前，大多数大型风场的叶片缺陷监测仍然以技术人员的视觉判断为主，此类方法不仅很难实现大面积叶片的高效率检测，同时也存在维护成本过高等问题[2]。

声发射技术作为一种较成熟的监测技术，其对动态缺陷较为敏感，能够通过记录的声发射特征参数有效反映复合材料各个阶段变形损伤的程度和机制[3]。近年来，国内外学者也相继开展了声发射技术在风电叶片早期损伤预测和健康状态监测方面的研究。JOOSSE等[4]指出高幅值和高能量的声发射计数常预示着叶片发生了损伤；TANG等[5]通过研究叶片预制裂纹的扩展，揭示了裂纹扩展的声发射信号频谱特性；陈长征等[6]通过模拟裂纹萌生和扩展，使用小波优化重分配尺度谱较好地对裂纹萌生和裂纹扩展的声发射信号进行了有效分离；周勃等[7]通过计算裂纹扩展声发射信号的分形维数，建立了一种叶片损伤评价的方法；曹婷等[8]提出了一种将声发射参数与支持向量机(SVM)结合的缺陷识别方法；饶金根等[9]提出了一种基于谐波小波包与支持向量机结合的裂纹扩展和边缘破损的识别方法。

考虑到上述方法大多无法较好地处理噪声且缺陷预制不够完备，识别程度不高，笔者以预制了不同缺陷的风电叶片为研究对象，对不同缺陷进行了特征提取及模式识别研究，并基于完全噪声辅助集总经验模态分解(CEEMDAN)能量熵和SVM对其进行了缺陷检测，证明了该方法的可行性，为风电叶片早期缺陷的预测和健康监测提供了参考依据，也为叶片优化设计及检测标准体系的建立奠定了基础。

1 叶片缺陷设计及数据采集

1.1 风电叶片缺陷设计

叶片材料为玻璃纤维增强环氧树脂，测试平台为自主研制的新型液压激振式双轴试验平台系统，加载方式为单向恒幅加载，液压激振式双轴试验测试平台现场如图1所示。

图1 液压激振式双轴试验测试平台现场

通过调节液压激振式双轴试验平台系统载荷杆和叶片表面之间的间隙，模拟小锤撞击叶片表面，使叶片表面基体产生微开裂的声发射信号。之后分别在叶片表面预制200 mm×5 mm×2 mm(长×宽×深)的横向V型裂纹，调节液压激振式双轴试验平台系统的位置和载荷，使得叶片仅在挥舞方向产生疲劳振动和横向裂纹扩展，以模拟裂纹扩展产生的声发射信号。随后在叶片前缘处黏贴用小刀预制的长度为50 mm的叶片分层缺陷。调节液压激振式双轴试验平台系统，使得叶片仅在摆振方向振动，以模拟叶片分层缺陷活动产生的声发射信号。采集完毕后，关闭液压激振式双轴试验平台系统，在前缘黏贴处避开叶片分层位置，沿着横向使用压力钳挤压叶片边缘，使其产生塑性变形，以模拟边缘破损的声发射信号。

1.2 不同缺陷的数据采集

试验采用北京声华兴业科技有限公司生产的SAEU2S型数字声发射系统，所用声发射传感器为SR150A型单端谐振式传感器，其中心频率为150 kHz，频带范围为20 kHz～400 kHz。试验设定采样频率为1 MHz,采样长度为2 048点位。对设置了4种不同类型缺陷的风电叶片分别进行声发射检测试验，上述4组试验每组试验采集60组声发射信号数据。

风电叶片不同缺陷声发射信号时域图如图2所示。

图2 风电叶片不同缺陷声发射信号时域图

2 声发射信号分析及特征向量构造

2.1 CEEMDAN原理

CEEMDAN源于总体经验模态分解(CEEMD)方法，相比CEEMD方法，该方法可以在一定程度上避免CEEMD方法在添加不同噪声的信号时产生不同数量模态分解的问题，实现了分解信号的近似完美重构[10]。

(1)

令i=1,计算第1个残差余量r1(t)为

(2)

(3)

式中：ε1为模态分解的算法系数；E1为高斯自噪声的时序进行EMD映射的结果。

令i=2,…,k,计算第i个残差余量ri(t)为

(4)

(5)

(6)

上述分解过程中I一般取102数量级，εi取10-2数量级。

对信号进行CEEMDAN自适应分解，分解得到8个IMF(固有模态函数)分量，此时通过分别计算每个IMF分量和原始信号之间的互相关系数来进行信号的主要相关度筛选。IMF分量uk(t+τ)和原始信号f(t)之间的互相关函数定义为

i=0,1,2,…,N-1

(7)

式中：xk(τ)为第k个IMF分量与原始信号f(t)的互相关函数;N为信号长度;τ为时间间隔。

依据上述互相关函数，计算其互相关系数(公式为标准数学定义，在此不做赘述)可得到不同缺陷IMF分量与原始信号互相关系数曲线如图3所示。

图3 不同缺陷IMF分量与原始信号互相关系数曲线

由图3可以看出，各分量和原始信号f(t)互相关系数主要集中于中间频段，裂纹萌生、裂纹扩展、叶片分层和边缘破损的主要IMF分量分别集中在(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)等频段。其余冗余频段的互相关系数占比达到10-2数量级，影响相对较小，可作为干扰分量进行剔除。

2.2 CEEMDAN能量熵向量构造

将声发射信号f(t)进行 CEEMDAN分解，得到的k个模态分量内包含原始信号不同的频率成分，但IMF分量频域范围较窄，易出现频域交叠的现象，为较好地实现信号识别，将信息熵引入CEEMDAN，通过计算频段能量分布来构造能量在频域空间的特征能量分布向量。

分解的IMF分量的总能量E为

(8)

式中：k为得到的模态分量数；IMF,i为第i个IMF分量。

分解的各个IMF分量的能量pi为

(9)

式中：Ei为不同缺陷的有效IMF能量熵向量；Pi=Ei/E，其为第i个IMF分量的能量占总能量的比值。

CEEMDAN能量熵HEN定义为

(10)

将不同缺陷的IMF分量重新进行排序，并按式(10)进行归一化处理可得

(11)

归一化后叶片不同缺陷的有效IMF能量熵向量部分数据如表1所示。

3 SVM分类识别

3.1 SVM分类原理及结果

SVM是一种基于结构风险最小化原理，建立在统计理论基础上的机器学习方法。该分类方法通过核函数将待分类数据映射到高维空间，借助最优超平面构造判决函数，可以在很大程度上克服小样本、维数灾难及非线性等问题，因而被广泛应用于模式识别、回归分析等领域[12]。

通过参数网格寻优和多次试验，方法选用的RBF(径向基)核函数的最佳惩罚因子c=0.029 4，核参数g=4。

表1 叶片不同缺陷的有效IMF能量熵向量

试验随机选择不同缺陷各30组数据作为训练组，不同缺陷识别结果如表2所示。

表2 不同缺陷识别结果

从表2可以看出，除叶片分层之外的缺陷，SVM特有的泛化能力使得试验预测结果较好，平均识别正确率都不低于93.3%。叶片分层缺陷识别率过低是因为叶片分层声发射信号模拟效果较差，采集到的信号并非单纯叶片分层信号。

3.2 SVM与不同类型分类器分类效果比较

为突出CEEMDAN方法的优势，分别用不同分类器(包括BP神经网络，简称BP)结合能量熵进行SVM模式识别，试验结果如表3所示。

表3 不同分类器缺陷识别率比较

由表3可以看出，相比其他分类器，采用CEEMDAN结合SVM的识别效果较好，识别率较高。结果表明，将CEEMDAN能量熵结合SVM方法用于叶片缺陷识别是可行的。

4 结论

采用CEEMDAN方法对叶片声发射信号进行分解，采用互相关系数筛选包含叶片不同缺陷的主要有效IMF分量，计算IMF分量的能量熵，并将其作为特征向量输入到SVM进行缺陷模式识别，可以得出以下结论。

(1) 将CEEMDAN方法应用于叶片声发射信号分解，进行互相关系数筛选的有效分量能量熵向量能够反映叶片缺陷的损伤特征。

(2) 通过构造能量熵向量，结合SVM可以有效地对叶片的损伤类型进行识别。

(3) 通过比较不同分类器对叶片缺陷的识别率，不难发现，对于叶片的不同缺陷，在所列举的分类器中，CEEMDAN能量熵结合SVM的缺陷识别方法更具优势。