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(fā)展最快的清潔能源之一，在全球范圍內(nèi)實現(xiàn)了大規(guī)模的開發(fā)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(yōu)良性、質量的可靠性和性能的優(yōu)越性是風電機組穩(wěn)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(yōu)良、耐化學腐蝕和耐候性好等優(yōu)點，是當前風電葉片的主要材料。然而，在葉片的生產(chǎn)加工過程中，由于生產(chǎn)工藝等原因，人工鋪放的復合纖維布會不可避免地產(chǎn)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(fā)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(fā)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(wěn)破壞[2]，造成重大經(jīng)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(nèi)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(fā)射檢測等。其中，聲發(fā)射檢測通過采集材料在力作用下發(fā)出的應力波來獲取動態(tài)缺陷信息，屬于被動檢測的范疇，經(jīng)過對采集到的信號進行深入分析，從而揭示材料內(nèi)部出現(xiàn)的裂紋形成、裂紋擴展、分層及纖維斷裂等現(xiàn)象。

近年來，國內(nèi)外研究人員利用聲發(fā)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(fā)射能力。Carlos Gómez Mu?oz[4]提出了一種基于聲發(fā)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(fā)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(chǎn)生機理，并基于聲發(fā)射技術，使用參數(shù)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(fā)射實時監(jiān)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(fā)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(fā)射特性，結果顯示有纖維預斷試件的聲發(fā)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(fā)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(fā)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(fā)射技術，建立了一種鑒別風電葉片損傷模式的數(shù)學模型。利用聲發(fā)射設備對玻璃纖維復合材料疲勞試驗過程進行監(jiān)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(xiàn)數(shù)據(jù)降維。同時，結合K-means聚類方式對聲發(fā)射信號進行聚類分析[8]，[9]，最后利用BP神經(jīng)網(wǎng)絡建立損傷識別模型，實現(xiàn)對未知損傷的類型識別。通過風電葉片疲勞試驗損傷聲發(fā)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(fā)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(jīng)聚酯線捆綁縫編而成的玻璃纖維布，環(huán)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(jù)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(huán)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(diào)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(fā)射儀采集復合材料疲勞過程中的聲發(fā)射信號。前置放大器信號增益為40 db（100倍），門限觸發(fā)為35 mV，系統(tǒng)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(shù)值理論

2.1 主成分分析

試驗用聲發(fā)射儀以全波形形式將采集到的聲發(fā)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(fā)射波形不能直接反映聲發(fā)射源的活動特征，需要結合參數(shù)分析、波形分析等聲發(fā)射信號分析手段進行處理。本文選用表征參數(shù)分析法對信號進行相關分析，從而對聲發(fā)射源的特征進行分析和判斷，12個目標參數(shù)為:幅度、能量、撞擊數(shù)、振鈴計數(shù)、上升計數(shù)、有效值電壓（RMS）、持續(xù)時間、上升時間、ASL、撞擊速率、質心頻率和峰值頻率。

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

表1 1通道的聲發(fā)射信號參數(shù)Table 1 Acoustic emission signal parameter of channel 1

PCA將數(shù)據(jù)從n維映射到k維，映射數(shù)據(jù)為全新的正交特征，也被稱為主成分，涵蓋了原始數(shù)據(jù)的主要信息。設原始數(shù)據(jù)（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(xié)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(xié)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(xié)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(shù)據(jù)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(jù)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(fā)射信號特征，與此同時數(shù)據(jù)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(xiàn)3類損傷:基體開裂、基體/纖維界面層脫粘和纖維斷裂。根據(jù)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(xiàn)的，新?lián)p傷的出現(xiàn)往往伴隨著上一種類型損傷的發(fā)展變化，因而單純從到達時間這一參數(shù)難以區(qū)分開各類型的損傷，而其他參數(shù)與損傷的對應關系尚處于研究階段。本文將對上一節(jié)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(fā)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(shù)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(shù)據(jù)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(shù)來看，試件發(fā)生損傷時基體開裂最先出現(xiàn)，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(xiàn)脫粘、分層現(xiàn)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(fā)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(jīng)過主成分分析后，利用BP神經(jīng)網(wǎng)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(jīng)網(wǎng)絡的拓撲結構如圖4所示。

圖4 BP神經(jīng)網(wǎng)絡拓撲結構圖Fig.4 BP neural network topology diagram

圖4中，輸入層參數(shù)為主成分分析中獲得的5個主成分數(shù)據(jù)，代表了信號數(shù)據(jù)的主要信息。損傷聲發(fā)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(jié)點數(shù)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(jié)點數(shù)量；a為0～10的調(diào)節(jié)常數(shù)。

以網(wǎng)絡訓練的均方根誤差最小為指標，確定隱含層最佳節(jié)點個數(shù)為7。

3.2 激活函數(shù)的選擇

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

3.3 識別結果

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

設置完成后，隨機選取200組數(shù)據(jù)進行網(wǎng)絡訓練，經(jīng)過186次訓練后達到目標誤差，此時網(wǎng)絡閾值和權值得到了很好的修正。之后隨機從數(shù)據(jù)集中選擇50組數(shù)據(jù)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(fā)現(xiàn)，通過BP神經(jīng)網(wǎng)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(shù)據(jù)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(fā)射信號測試數(shù)據(jù)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(fā)射信號頻譜圖Fig.5 Spectrum diagram of acoustic emission signal

4 結論

本文利用聲發(fā)射設備全程監(jiān)測玻璃纖維復合板疲勞試驗過程，采集疲勞損傷聲發(fā)射信號，采用主成分分析、K-means聚類分析及BP神經(jīng)網(wǎng)絡相結合的方法對信號參數(shù)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(xiàn)多種損傷，這些損傷產(chǎn)生時會出現(xiàn)相應的聲發(fā)射現(xiàn)象。

②經(jīng)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(jīng)網(wǎng)絡建立的損傷模型對聲發(fā)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。