本发明专利技术涉及风力发电设备运行维护技术领域，同时也适用于其他树脂基复合材料的早期缺陷类型无损检测。其精准、适用性强且能够适用于野外工作环境。包括以下步骤：S1获取环境温度、主梁样件厚度、热源距样件距离、样件表面风速以及含缺陷样件各缺陷部位热扩散系数的数据样本，建立这些参数与不同类型缺陷热扩散系数之间的非线性耦合关系，同时计算神经网络模型参数；S2持续照射风力机叶片表面；S3采集和提取叶片有缺陷区域和无缺陷区域的表面温差曲线；S4‑S5记录当前照射位置叶片主梁厚度；测量当前环境温度；测量叶片表面平均风速；S6按照BP神经网络计算方法，计算热扩散系数；S7利用热扩散系数相对误差率计算公式,从而完成缺陷类型识别。
Infrared automatic identification method for the type of internal defects in the main beam of large wind turbine blades
【技术实现步骤摘要】
大型风力机叶片主梁内部缺陷类型红外自动识别方法
本专利技术涉及风力发电设备运行维护
，同时也适用于其他树脂基复合材料的早期缺陷类型无损检测。
技术介绍
在我国，作为一种重要的可再生能源技术，风力发电目前正处在高速发展的重要时期。风力机叶片作为风力发电机组的核心部件，对机组的稳定、安全运行具有决定性的影响。主梁作为叶片最重要的承力部件，其状态直接决定了叶片的性能，因此对叶片的状态检测，主要就是针对叶片主梁的状态检测。受制造工艺、运输及使用不当等随机因素的影响，风力机叶片不可避免的带有气泡、夹杂、褶皱等缺陷。在风载荷的作用下，将引起叶片结构损伤的产生，最终导致叶片损坏。由于风力机叶片采用的材料是复合材料，属于非均匀介质，且叶片外观设计带有明显的非线性特征，许多内部缺陷无法检测。目前，视觉判断仍是风电场技术人员对于叶片损伤的主要判断方法，误差大，失误率高，发现晚，相应的导致修复成本高、技术难度大、停机损失巨大。因此，研究大型风力机叶片内部缺陷检测技术对于保证机组稳定运行，减少维护成本和降低停机损失具有十分重要的意义。对缺陷类型的识别是叶片内部缺陷检测的核心内容。一方面，不同类型的缺陷具有不同的生成机制，对缺陷类型进行有效识别，可以相应的采取预防措施，降低其形成的几率。另一方面，不同类型的缺陷对材料性能的影响各不相同，诱发结构损伤的机制也大相径庭，准确识别缺陷类型是掌握叶片当前状态，实现叶片寿命预测的前提。除此之外，不同类型的缺陷对应了不同的维修方案，实现类型的准确识别可以正确指导运维，节约成本、提高维修效率。红外热成像作为一种最常用的无损检测技术，已经开始被应用到大型风力机叶片的内部缺陷类型检测中，但目前的检测方法往往都忽略环境热交换影响及叶片外形影响，只适用于室内检测而不适合在风电场等野外环境中应用；另外，目前的检测方法很难实现自动检测，并且难以区分热成像效果相近的缺陷类型。因此，一种精准、适用性强且能够适用于野外工作环境的大型风力机叶片缺陷类型检测的红外检测方法具有十分巨大的应用价值。
技术实现思路
本专利技术就是针对现有技术存在的缺陷，提供一种大型风力机叶片主梁内部缺陷类型红外自动识别方法。其主要解决以下几方面内容：1.针对目前叶片内部缺陷红外测量方法忽略了环境热交换影响及叶片外形结构影响，导致测量方法不适用于现场检测的问题，提出一种算法，建立起叶片厚度、照射距离，环境温度及叶片表面风速与热扩散系数之间的耦合关系，提高现场识别的准确性，使其适合在现场环境使用。2.针对目前一些叶片内部缺陷红外测量方法无法实现缺陷类型自动分析的问题，需要提出基于比对实测热扩散系数与标准热扩散系数的测量方法，实现对缺陷类型进行自动识别。3.针对目前的叶片内部缺陷红外测量方法无法区分热扩散系数接近的相似缺陷的问题，需要提出一种测量方法，对相似缺陷进行自动、准确区分。为实现上述目的，本专利技术采用如下技术方案，包括以下步骤：S1在实验室内，获取环境温度、主梁样件厚度、热源距样件距离、样件表面风速以及含缺陷样件各缺陷部位热扩散系数的数据样本，对BP神经网络进行训练，建立这些参数与不同类型缺陷热扩散系数之间的非线性耦合关系，同时计算神经网络模型参数Wqβ，Wγ，β＝γ＝1,2,…,10，q＝1，2，…4；S2用卤素灯热源持续照射风力机叶片表面；S3利用红外热像仪采集和提取叶片有缺陷区域和无缺陷区域的表面温差曲线ΔT(τ)，τ＝1,2,…,N，N为采样点数，缺陷显影清晰后停止加热；S4根据风力机叶片外形尺寸，记录当前照射位置叶片主梁厚度L；使用测温仪测量当前环境温度T；使用测风仪测量叶片表面平均风速V；借助激光测距仪，设定热源距离叶片距离保持在0.3m～1m范围内，记为D；S5根据公式计算求得αd，式中τ＝1,2,…,N，N为采样点数，Tmax为ΔT(τ)的最大值，L为叶片厚度，α为无缺陷位置的热扩散系数，αd为缺陷的热扩散系数，N为总采样点数；S6按照BP神经网络计算方法，根据公式计算热扩散系数αp，式中xq＝[LVTD]T，p＝1,2,…,n，n代表缺陷类型，Wqβ，Wγ为S1得到的BP神经网络模型参数；S7利用热扩散系数相对误差率计算公式求出Δα最小时对应的αp，从而完成缺陷类型识别。进一步地，所述步骤S1包括以下步骤：[a]根据公式Li＝1+14×(i-1)，选取与叶片材质相同或相近，但具有不同厚度(单位:毫米)的层合板样件，标记为Si，厚度为Li，i＝1，2，…，5；[b]标记热源照射面为前表面，在各样件后表面同时加工出想要识别的类型缺陷(例如褶皱、气泡、夹杂)；[c]利用温度(单位:℃)控制设备，根据公式Tk＝10×(k-1)，(k＝1，2，…，5)，营造5组实验环境温度Tk；[d]利用风速(单位：米/秒)调控装置，根据公式Vj＝2×(j-1)(j＝1，2，…，5)，生成5组平均风速为vj的空气气流。[e]分别在风速为vj，环境温度为Tk的实验条件下，用照射热源对Si前表面进行持续加热，热源距Si前表面的距离(单位：米)为Dp＝0.3+0.2×(p-1)，p＝1，2，3。[f]利用红外热像仪采集和保存样件后表面的实时热图序列，记录为Tijkp(τ)，τ＝0,1,2,…,N，N为最大采样点数，τ为时间序列，取正整数；i为样件编号，对应了当前样件厚度为Li；j为风速编号，对应了当前样件表面平均风速为Vj；k为环境温度编号，对应了当前环境温度为Tk，p为热源距离编号，对应了当前照射距离为Dp；[g]利用公式αijkpo＝0.14×L2/τ求解热扩散系数序列αijkpo，式中L为当前样件厚度，τ为后表面温升达到最大值的一半所用的时间，o是缺陷类型编号，o＝0时，计算结果表示材料热扩散系数；[h]根据公式计算xβ，式中xα＝[LiVjTkDp]T，α＝1，2，3，4，β＝1,2,…,10，Wαβ初始值为1；[i]将xβ代入公式计算xβ′；[j]将xβ′代入公式式中Wγ初始值均为1，求得αijkp′；[k]根据公式E＝αijkpo-αijkpo′，求得热扩散系数偏差E；[l]根据公式ΔWγ＝η·E·xβ′，计算ΔWγ，η∈[0，1]；[m]根据公式ΔWαβ＝η·E·Wγ·xβ′·(1-xβ′)·xα，计算ΔWαβ。[n]根据公式Wγ＝Wγ+ΔWγ得到新的Wγ值；[o]根据Wγ公式Wαβ＝Wαβ+ΔWαβ得到新的Wαβ值；[p]重复上述步骤，直到满足收敛条件记下Wαβ，Wγ。与现有技术相比本专利技术有益效果。本专利技术填补了高精度定量测量大型风力机叶片主梁内部缺陷类型的技术空白，具有以下明显优势：(1)能够实现自动识别：利用BP神经网络算法，可以在环境参数与叶片几何参数已知的条件下，实时求解不同缺陷类型的热扩散系数理论值，通过对比理论值与实测值，实现对几种缺陷类型的自动识别。(2)能够对内部缺陷进行定本文档来自技高网...
【技术保护点】
1.大型风力机叶片主梁内部缺陷类型红外自动识别方法，其特征在于，包括以下步骤：/nS1在实验室内，获取环境温度、主梁样件厚度、热源距样件距离、样件表面风速以及含缺陷样件各缺陷部位热扩散系数的数据样本，对BP神经网络进行训练，建立这些参数与不同类型缺陷热扩散系数之间的非线性耦合关系，同时计算神经网络模型参数W
【技术特征摘要】
1.大型风力机叶片主梁内部缺陷类型红外自动识别方法，其特征在于，包括以下步骤：
S1在实验室内，获取环境温度、主梁样件厚度、热源距样件距离、样件表面风速以及含缺陷样件各缺陷部位热扩散系数的数据样本，对BP神经网络进行训练，建立这些参数与不同类型缺陷热扩散系数之间的非线性耦合关系，同时计算神经网络模型参数Wqβ，Wγ，β＝γ＝1,2,…,10，q＝1，2，...4；
S2用卤素灯热源持续照射风力机叶片表面；
S3利用红外热像仪采集和提取叶片有缺陷区域和无缺陷区域的表面温差曲线ΔT(τ)，τ＝1,2,…,N，N为采样点数，缺陷显影清晰后停止加热；
S4根据风力机叶片外形尺寸，记录当前照射位置叶片主梁厚度L；使用测温仪测量当前环境温度T；使用测风仪测量叶片表面平均风速V；借助激光测距仪，设定热源距离叶片距离保持在0.3m～1m范围内，记为D；
S5根据公式计算求得αd，式中τ＝1,2,…,N，N为采样点数，Tmax为ΔT(τ)的最大值，L为叶片厚度，α为无缺陷位置的热扩散系数，αd为缺陷的热扩散系数，N为总采样点数；
S6按照BP神经网络计算方法，根据公式计算热扩散系数αp，式中xq＝[LVTD]T，p＝1,2,…,n，n代表缺陷类型，Wqβ，Wγ为S1得到的BP神经网络模型参数；
S7利用热扩散系数相对误差率计算公式求出Δα最小时对应的αp，从而完成缺陷类型识别。
2.根据权利要求1所述的大型风力机叶片主梁内部缺陷类型红外自动识别方法，其特征在于，所述步骤S1包括以下步骤：
[a]根据公式Li＝1+14×(i-1)，选取与叶片材质相同或相近，但具有不同厚度(单位:毫米)的层合板样件，标记为Si，厚度为Li，i＝1，2，…，5；
[b]标记热源照射面为前表面，在各样件后表面同时加工出想要识别的类型缺陷(例如褶皱、气泡、夹杂)；
[...
【专利技术属性】
技术研发人员：周勃，
申请(专利权)人：沈阳工业大学，沈阳达兴铖能源科技有限公司，
类型：发明
国别省市：辽宁;21
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。