引言
随着风电机组单机容量不断加大，塔筒不断增高，风轮直径不断加长，给风电机组的运行维护带来巨大困难。对于服役年限为20年的陆上风电机组维护成本在风场总收入中占比达10%~15%，对于海上风场占比更是高达20%~25%。某海上风场叶片维修费用占比约为30%，叶片造成风电机组故障停机的时间占比约为34%。叶片损伤的早期检测可以防止其破坏性故障，实施有效的维护与维修策略将显著降低运维成本以及减少风电机组的发电停机时间，因此叶片运行检测对风电机组的安全运行、降低维护成本具有重大意义。 由于实际工程应用领域的巨大需求，风电叶片无损检测逐渐成为研究热点。随着技术的进步，非接触式传感器的应用、人工智能、大数据等先进技术的发展也为风电叶片缺陷提供了高效、准确、低成本的检测手段。风电叶片无损检测技术的发展与应用对保障风电叶片的安全运行，降低整个风电机组的运营维护成本有巨大意义。 本文对现有风电叶片损伤检测技术进行系统介绍，并对这些检测技术进行实时在线监测与非实时检测分类，对比了各监测/检测技术的优缺点。
风电叶片损伤主要检测技术
风电叶片损伤检测的主要目的是发现叶片损伤，定位叶片损伤的位置，对损伤类型进行判别，最后对风电叶片进行损伤评估。并对受损伤的风电叶片进行及时维修或更换，从而避免严重的灾难性事故，确保风电机组的安全健康运行。 本章对这些技术进行全面回顾，并按照能否进行实时在线监测进行分类，讨论各种监测/检测技术的适用范围、特定损伤的识别及其优缺点。 风电叶片损伤实时监测技术 风电叶片损伤实时监测技术是指风电叶片正常工作状态下通过传感器或其他技术手段对叶片运行状态进行实时监测，发现叶片运行过程中产生的损伤。 目前主要的叶片损伤实时监测技术包括应变监测、振动监测、声发射监测、噪声监测、SCADA数据监测。 （1）应变监测 风电叶片运行时在外部载荷的作用下，正常叶片和含有损伤叶片在应变程度上存在明显的差异，当监测到的风电叶片局部应变值远大于其历史应变值时就可以判定该风电叶片部位产生了损伤。为了消除风电叶片尺寸的影响，须使用相对应变进行度量。目前主要有2种应变传感器可以对风电叶片进行应变监测，分别为电阻应变片和光栅布拉格传感器（fiber braggart grating，FBG）。 电阻应变片的原理是基于金属导体的应变效应，金属导体在外力作用下发生机械变形时，其电阻值随着所受机械变形的变化而发生变化。 电阻应变片贴在风电叶片表面，当风电叶片表面变形时，电阻应变片内部电阻会发生变化，从而引起电压变化，通过特殊的采集装置可以采集到这种变化并转换为风电叶片的应变值。电阻应变片工作原理如图1所示。 图1. 电阻应变片工作原理 FBG的工作原理是在光纤上刻蚀一特定间距的图案，可以在不同的位置实现期望的折射特性。当光栅区域被外部载荷激发时，会引起变形，从而改变有效折射率。 FBG在使用时须嵌入到叶片内部，当叶片发生应变时，光栅布拉格传感器的折射率会发生改变，其反射回的反射光波长也会发生相应改变，可以通过特殊的测量装置监测出这种应变。光纤布拉格传感器工作原理如图2所示。 图2. 光纤布拉格传感器检测原理 由于FBG具有抗干扰能力强、稳定性好、测量参数多等优点，不少学者进行了深入研究。 [张照辉]以高性能光纤传感技术为基础，充分利用其分布式高密度测量、准分布式动态测量的特点，获取风力发电机结构的真实应变响应分布，提出了一种基于准分布式光纤光栅传感数据的大型风力发电机叶片覆冰识别方法。 [Liu Z等]提出了一种基于应变传递定律的聚合物填充FBG传感器精度可靠性评估方法，建立了用于风电机组叶片结构试验的应变传递效率的计算模型。结果表明：交变负载的频率对FBG传感器的性能有重要影响，频率越高，应变传递效率和精度可靠性越高。 [WEN B R等]开发了基于光纤布拉格光栅传感器和光纤旋转接头的浮动风电机组叶片负荷在线监测系统，验证了其可行性和可靠性。 （2）振动监测 风电叶片的振动响应与其材料、结构特性（质量、阻尼、刚度）有关，叶片损伤（裂纹的出现或连接的松动）会引起叶片刚度降低导致振动信号参数与模态特性的变化，因此可利用振动信号参数与模态参数的变化来监测叶片结构中的损伤变化。一般情况下将加速度传感器安装在风电叶片表面来进行振动监测，如图3所示。 图3. 风电叶片振动监测 随着技术的发展，振动测量也可以使用激光扫描和地基雷达来实现，利用这些新技术可以方便地以非接触的方式测量运行中叶片的大振动。基于振动信号参数的监测方法，有波形分析法、频谱分析法等。 波形图是对振动信号在时域内进行处理，可从波形图上观察振动的形态和变化。 频谱图显示振动信号中的各种频率成分及其幅值，不同的频率成分往往与一定的故障类别相关。 基于模态的监测方法是通过提取不同状态下风机叶片的模态参数来进行风电叶片损伤识别，风电叶片的结构特征随着损伤的发生和扩展而变化，模态特性的变化可以用来揭示叶片的健康状况。 （3）声发射监测 在外界条件（应力、温度）作用下，材料或构件的局部缺陷（损伤）部位因为应力集中而产生变形或开裂，以弹性波形式释放出应变能的现象称为声发射（acoustic emission，AE）。 声发射传感器安装在风电叶片上，可以接收叶片结构发出的瞬态弹性波，这些瞬态弹性波可能是由于常见的叶片损伤（如裂纹扩展、分层）引起，多个声发射传感器组合可以建立一个传感器网络，使用这些传感器可以很容易实现损伤检测和定位。 声发射监测对微小结构变化十分敏感，可以监测风电叶片早期裂纹的产生及损伤类别辨定，如裂纹的扩展、叶片的脱粘、分层、冲击等情况。 声发射监测原理如图4所示。通过对声发射信号不同特征属性（频率、幅度、周期、能量）进行分析，可以判定风电叶片损伤位置及类型。随着叶片损伤的增加，声发射传感器会累积更多的声发射信号能量，可以监测损伤的程度，实现对风电叶片损伤的实时监测。但声发射信号易受环境的干扰，因此声发射传感器的安装布局与声发射信号的处理显得尤为重要。 图4. 声发射监测原理示意 近年来国内外学者将声发射技术应用于风电叶片损伤检测进行了大量、深入的研究。 [贾辉等]基于声发射技术提出了一种主成分聚类分析与BP神经网络相结合的材料损伤识别模型，基于试验数据对识别网络进行测试训练。训练结果表明，识别模型对未知类型疲劳损伤的识别率均高于90%。 [张亚楠等]选取含分层缺陷的玻璃纤维复合材料作为试验材料并进行室温单调拉伸试验，利用声发射技术对受载过程进行动态监测。采用K-均值聚类分析方法对声发射信号的幅值、峰值频率等特征参数进行损伤模式识别，借助BP神经网络识取失稳破坏前兆特征信号并对失稳状态进行预测。研究结果表明，对声发射信号、参数进行聚类分析可得到各损伤模式的特征频率。 [XU D等]用声发射技术对疲劳载荷作用下的风电叶片进行全面健康监测，提出了基于快速搜索和查找的聚类方法（CFSFDP）识别损伤模式及检测异常值，并指出声发射信号不同频率下对应叶片不同的损伤模式，各种损伤模式的出现与振动次数和声发射信号的频率特征表现出一定的周期性变化。 （4）噪声监测 风电机组在运行过程中会产生大量的噪声，其中特定的噪声信号可以反映风电叶片的某些损伤。通过麦克风采集到这些噪声信号，对噪声信号进行处理，提取与叶片损伤相关的信息，从而实现对叶片健康状况监测。除了单个麦克风测量外，还可以将多个麦克风组装成一个麦克风阵列，以实现声源的定向测量。 噪声监测可以分为被动噪声监测和主动噪声监测。 被动噪声监测主要基于叶片结构运行时所产生的声音，如叶片开裂、腐蚀等结构变化自然产生的声音。 主动噪声监测是在叶片内部放置扬声器，使之不断发出特定频率的声信号，麦克风接收该扬声器发出的声信号，如图5所示，通过对比接收的声信号与历史声信号的差异可以判定风电叶片的损伤。 图5. 主动式风电叶片噪声监测 被动式风电叶片噪声监测所需设备简单，只需要麦克风就可以进行实施。 主动式风电叶片噪声监测除了需要麦克风外还需要在叶片内部设置扬声器。 这2种监测技术都需要较高的采样率，才能更准确地捕捉叶片损伤的声音信号。如何准确地识别和提取各种损伤类型、以及如何在复杂环境下实现噪声信号处理是研究的重点。 （5）SCADA数据监测 SCADA是风电机组的重要组件之一，大部分兆瓦级风电机组都配备有SCADA系统来控制风电机组运行并采集相关运行数据。 SCADA系统可以记录风电机组运行状态，如：风速、叶轮转速、发电机电流和电压、发电功率等大量的数据。当叶片受损伤时，叶片风能捕获能力会受到空气动力学和结构特性变化的影响而下降，在这种情况下，能量转换效率和输出特性也会受到影响，因此可以通过SCADA数据挖掘来识别叶片健康状况。 目前大多数风电机组本身配有SCADA系统，在对SCADA系统进行数据分析时不需要在叶片上安装额外的传感器，降低了经济成本。 SCADA系统产生数据量庞大，如何从庞大的SCADA数据中提取有效特征值来判定风电叶片的损伤需要进行大量数据处理，数据处理技术的发展为从海量SCADA数据中提取有效信息提供了保证。 机器学习、大数据技术已经应用于SCADA庞大数据的处理，如深度自编码器、卷积神经网络、随机森林等数据处理预测模型，通过适当的建模和训练，这些方法可以预测风电叶片的健康状况。 [董健等]基于SCADA数据在传统BP神经网络算法的基础上，提出了BP_Adaboost算法，精准预测风电机组是否处于叶片结冰状态。 [张鑫等]基于SCADA数据利用一种基于受限玻尔兹曼机（restricted boltzmannmachine，RBM）和支持向量机（support vectormachine，SVM）对风电机组SCADA数据中表达能力更强的数据特征进行提取，从而进行风电机组叶片开裂故障预测。 [LIU Y等]提出了一种基于风轮机SCADA数据的新型智能风轮机叶片结冰检测方法，采用深度自动编码器网络从复杂的SCADA数据中自适应地学习多级故障特征，然后利用从深度自动编码器网络的不同隐藏层提取的所有特征来建立集成结冰检测模型。 （6）基于数据融合的叶片监测 基于数据融合的叶片监测技术是指将多种不同类型的监测数据进行整合，以提高叶片损伤检测的精度和可靠性的技术。该技术可以通过以下步骤实现。 1）数据采集，使用不同类型的传感器、相机等设备对叶片进行监测，采集包括振动、温度、声音、图像等多种信息。 2）数据预处理，对采集得到的原始数据进行预处理，包括去噪、滤波、标定等操作，以提高数据质量和准确性。 3）特征提取，从经过预处理的数据中提取特征信息，如频率、幅值、包络线、纹理等。 4）数据融合，将不同类型的特征信息进行融合，形成综合的监测结果。数据融合可以采用不同的方法，如加权平均、决策级联、神经网络等 。 5）损伤诊断，通过分析融合后的监测结果，确定叶片是否存在损伤，并进一步确定损伤的类型和程度。 [DOWNEY A]提出一种使用混合密集传感器网络进行风力涡轮机叶片损伤检测的算法，该算法利用多个传感器采集叶片的振动和应变信息，将其转换为数字信号并进行特征提取，然后使用多层神经网络（MLP）对特征数据进行分类和融合，以识别出叶片损伤。 [ZHANG T]提出了一种基于多传感器信号和一维卷积神经网络（1D-CNN）的多级融合的振动-声学信号离心风机叶片损伤识别方法。 风电叶片非实时损伤检测技术 风电叶片非实时检测是指需要风电机组停机时才能对叶片进行检测的无损检测技术，目前主要包括红外热成像检测和机器视觉检测。 （1）红外热成像检测 利用红外探测器将构件表面温度场分布转换为热图像，通过对图像的分析进行检测，如损伤、缺陷的判断，原理如图6所示。根据热激励方式不同，基于热成像的风电机组叶片缺陷检测技术可以分为被动式热成像技术和主动式热成像技术。 图6. 红外热成像检测原理 风电叶片长时间运行后其表面和内部会出现损伤和缺陷（如分层、开裂、孔等），造成叶片结构不连续，不连续位置的温度高于叶片其他位置的温度。 无人机搭载高灵敏度的红外摄像机可以在相对合适的环境实现叶片损伤缺陷的快速检测，通过分析生成的图像可以方便地实现损伤检测和定位。热成像技术可以在短时间内大范围检测叶片的损伤和缺陷，特别是叶片表面下的分层缺陷，由于红外热成像检测技术只需要一个高分辨率的热成像相机来完成检测，可以避免安装更多的传感器，降低了操作和维护成本。 在实际应用中叶片损伤位置的温度变化非常慢，热成像技术需要在损坏的缺陷位置有足够的热量才能被热成像摄像机感知，检测时受环境影响因素较大。 [HWANG S等]研究了基于热成像的风电机组叶片现场检测技术，利用连续激光束进行热激励，通过对10kW风力发电机的叶片进行10m远的现场检测，成功检测出结构内部的10mm分层，验证了该方法的可行性。 [GALLEGUILLOS C]提出了利用无人机系统（UAS）热成像技术在风电机组叶片损伤和缺陷检测中的可行性研究，如图7所示，并开发了在线图像处理的飞行软件。 图7. 风电叶片损伤红外热成像检测 （2）机器视觉检测 风电机组的安装位置，风电叶片巨大尺寸及人眼目视距离的局限性导致人工目视检测难以实现。基于无人机的机器视觉检测以其良好的适应性及灵活性在风电叶片损伤检测领域得到越来越多的应用，如图8所示。与人眼相似，叶片裂纹、划痕、孔洞、覆冰等的状态信息可以通过无人机拍摄二维或三维图像获得。图像是二维或三维空间的信号，目前已有许多算法提取图像几何、变形和纹理特征来判断叶片的健康状况，如傅里叶变换、小波变换。 图8. 基于无人机的风电叶片表面损伤检测 近年来基于机器学习的图像处理方法也逐渐应用于叶片损伤的模式识别，包括支持向量机和卷积神经网络（CNN）等。然而在未来的研究中，需要进一步提高基于无人机视觉检测对不同环境的适应性。 [DENG L W等]研究了一种基于数字图像处理的风电叶片的缺陷检测方法，使用LPSO算法和对数Gabor滤波器生成自适应滤波器，可直接输出多特征提取的最佳结果图像。然后使用基于HOG+SVM的分类器对缺陷类型进行识别和分类，该方法提取并识别划痕类型、裂缝类型、砂眼类型和斑点类型，识别率超过92%。 [PENG L]提出一种基于无人机叶片图像的分析检测方法，针对无人机拍摄的图像特点，通过运动模糊、图像降噪和图像增强的预处理，使目标区域和裂缝细节更加清晰完整。同时提出了一种基于灰度值的裂纹分析方法，考虑到裂纹的分布、严重程度和发展趋势，从而可以减少风电叶片日常检测中的盲区，从根本上大大降低了操作和维护成本。 各监测/检测技术的不足及亟需解决的问题 各监测技术存在的不足 ①应变监测 使用电阻应变片进行风电叶片损伤监测时，走线复杂，安装点位多，难以监测风电叶片内部结构中的损伤。 使用光纤应变监测时，需要将光纤传感器预埋在风电叶片内部，增加了风电叶片制造的难度，此外，风电叶片特殊的结构也会影响光纤传感器的检测精度。 ②振动监测 振动传感器安装位置有限； 振动信号数据量大，数据传输、处理成本高； 振动监测对风电叶片早期微小缺陷不敏感。 ③声发射监测 由于声发射信号比较微弱，容易受到风电叶片工作环境的干扰。声发射监测对风电叶片内部损伤监测效果较好，而对于风电叶片表面损伤较难以监测。 ④噪声监测 噪声信号很容易受风速、温度、湿度、地形、传感器安装位置等因素影响，难以精确地对风电叶片损伤时产生的声信号进行采集。 噪声信号须经过复杂的滤波、去噪处理后才能得到有效的信息，同时噪声信号与叶片的运动不直接关联，需要运用算法进一步处理，增加了噪声监测的难度。 ⑤SCADA数据监测 SCADA系统提供相对粗略的信息，难以对风电叶片损伤进行精确定位。SCADA系统会产生庞大数据，使用时需要对数据进行清洗、处理才能提取到有效的故障特征。 对于风电叶片微小的裂纹或划痕等表面损伤无法进行有效的监测，SCADA数据监测的准确性及可靠性受环境因素的影响较大。 ⑥红外热成像检测 在使用红外热成像检测时需要在特定的环境下进行，易受环境温度、湿度等影响。 一方面在进行检测时无法准确地确定风电叶片损伤的位置和程度， 另一方面红外热成像检测需要专业的设备和人员，成本相对较高。 最后红外热成像检测需要对叶片进行扫描，检测范围受限，难以覆盖所有可能存在的损伤区域。 ⑦机器视觉检测 机器视觉检测时对外部环境要求较高，比如风力的大小、光线的强弱等。 此外机器视觉检测需要用复杂的算法来分析图像数据，需要大量的计算资源，还需要良好的算法和合适的参数设置。 再者需要大量的基础数据，机器视觉技术需要足够数量、质量、和多样性的训练数据才能得出准确的结果。 最后机器视觉检测难以识别叶片内部的损伤。 亟需解决的问题 ①风电叶片损伤的全面监测/检测 风电叶片尺寸巨大，结构复杂，目前大多数风电叶片损伤监测/检测技术主要集中在风电叶片表面的检测，但实际上叶片的内部也可能存在损伤，需要开发出能对风电叶片内部结构损伤进行监测的技术，以扩大检测范围。 ②提高损伤监测/检测的精度 现有技术在叶片损伤检测时存在精度不足的问题，需要进一步提高检测精度对损伤进行位置定位及类型判定与评估。 ③快速风电叶片故障排除技术 当检测到风电叶片损伤后，需要及时采取相应的修复措施。因此需要开发出基于叶片损伤程度和损伤类型的风电叶片损伤快速修复技术。 ④先进的数据处理技术 当前叶片损伤检测技术产生的数据量较大，需要进行有效地处理和管理。因此，需要优化数据处理算法，提高数据分析的准确性和效率。 ⑤低成本损伤监测/检测技术 当前叶片损伤检测技术和设备成本较高，需要进一步研究并开发出成本更低、易于维护的叶片损伤检测技术和设备。 风电叶片监测/检测技术对比与研究前景 随着风电机组叶片生产制造技术的不断发展，相应的风电叶片损伤检测技术也在不断发展。大量工程应用的需求，风电叶片检测技术关注度逐年升高。不同风电叶片损伤监测/检测技术针对叶片损伤类型不同，其应用场景也不同，现有风电叶片监测/检测手段还存在一定局限性，如传感器数量多、走线复杂、精确性及时性差等。下面对比分析了目前各类检测技术的优缺点及其应用范围，提出了今后技术研究方向。 风电叶片监测/检测技术对比 （1）风电叶片实时无损监测技术对比 当前国内外风电叶片实时在线无损监测技术优缺点对比如表1所示。 表1. 风电叶片实时在线无损监测技术优缺点对比 （2）风电叶片非实时损伤检测技术对比 当前国内外风电叶片非实时损伤检测技术对比如表2所示。 表2. 风电叶片非实时损伤检测技术对比 风电叶片损伤监测/检测技术研究方向 风电叶片由复合材料制成，其结构和运行环境复杂，因此单一监测手段很难全面、准确地对故障进行监测，有必要将各种技术结合起来，综合不同方法的优点，合理安排检测时间与顺序，从而提高风电叶片缺陷监测水平，降低风电叶片维护成本。 基于对现有技术分析回顾，提出以下未来发展和研究趋势。 （1）风电叶片损伤全面监测/检测技术 （2）风电叶片损伤高精度监测/检测技术 （3）低成本损伤监测/检测技术 （4）快速风电叶片故障排除技术 （以上在上文「亟需解决的问题」中有提及，不再赘述。） （5）多传感器融合监测研究 多传感器数据融合是将不同传感器采集到的多种类型数据进行集成，可用于增强叶片状况信息采集的完整性。通过数据融合的应用可以合理融合不同类型的信号，实现对整个叶片的准确全面监测。 （6）新型非接触式监测/检测技术 传统的如应变、模态、振动等都需要在风电叶片上安装大量传感器，走线复杂且成本高。随着技术的发展，例如激光扫描，地基雷达、三维数字图像相关技术（DIC）等也可以用于风电叶片损伤的非接触监测。这些方法容易受到外部环境变化的影响，信号处理方法比经典的方法要复杂得多，需要进一步研究其适应性。 （7）高效的风电叶片数据采集处理技术及算法 目前研究中的损伤检测主要依赖于传感器采集的数据及后续的数据分析，人工智能、机器学习等技术的发展较好地提升了数据建模及处理问题的能力。利用这些技术开发新的风电机组监测数据分析方法，对揭示风电叶片损伤故障的演变规律，准确对故障进行定位及分类，实现更好的检测精度具有重大意义。 来源：《中国电力》（作者：王磊；柳亦兵；滕伟；黄心伟；刘剑韬）
