風電機組葉片損傷故障檢測技術研究進展*

周季峰，石 騰，許波峰,

風電機組葉片損傷故障檢測技術研究進展*

周季峰1，石 騰2,3，許波峰2,3,?

（1. 南京南瑞繼保電氣有限公司，南京 211102；2. 河海大學 能源與電氣學院，南京 211100；3. 河海大學 可再生能源發電技術教育部工程研究中心，南京 211100）

風力發電規模穩步增長的同時，風電機組葉片損傷故障檢測技術也應得到相應發展。對風電機組葉片典型故障的產生原因及其類型進行了總結歸納；其次回顧了聲發射、超聲波、振動、紅外熱成像以及計算機視覺等五種檢測技術的工作原理，并分別對其特點進行了對比分析；最后為助力實現風電行業高質量可持續發展，探討了未來風電機組葉片損傷故障檢測技術的發展趨勢。

風電機組葉片；故障檢測；故障類型；檢測技術

0 引 言

風電對于緩解能源儲備短缺、實現能源綠色轉型以及保障能源安全而言具有十分重要的意義[1]。截至2022年底，我國風電累計裝機容量達到3.96億kW，新增裝機中大功率機組占比不斷提高，機組大型化趨勢明顯，百米超長葉片接連下線，2023年葉片長度有望突破130 m。

葉片作為風電機組中將風能轉化為機械能的關鍵部件，其健康、高效的運行是風電機組實現穩定發電的重要保障[2]。然而，風電機組葉片的不斷加長也增加了葉片損傷檢測的難度，對檢測技術的需求也越來越高[3-4]。

葉片的造價成本在風電機組中所占比例高，葉片損傷是風電機組故障類型中發生概率及維護成本均較高的部件損傷類型[5]。由于葉片多處于復雜惡劣的工作環境且長期承受復雜應力作用，葉片發生損傷在所難免。對于早期產生的微小裂紋、劃痕等損傷，若不能夠及時發現并修復，將會在雨雪、風沙等自然環境以及交變載荷的耦合作用下，逐步擴大損傷面積、加深損傷程度，甚至會對葉片的氣動性能產生影響，從而影響機組的發電效率，造成一定的經濟損失[6]。

高效、精準、有效地對葉片故障進行檢測，對保障機組安全、穩定運行及降低風場運營成本至關重要[7-8]。風電機組葉片運維檢測工作較為復雜，目前，已有部分葉片故障檢測技術應用于實際風場運營，但在精確度、實時性、系統性等方面仍存在一定的上升空間。

因此，本文首先從風電機組葉片的典型故障入手，闡述葉片故障的產生原因，同時歸納風電機組葉片常見的故障類型；其次回顧五種葉片損傷故障檢測技術的工作原理，并列舉各檢測技術的研究成果與進展；緊接著對五種檢測技術的特點進行對比分析；最后探討未來風電機組葉片損傷故障檢測技術的發展趨勢。以期提高人們對風電機組葉片損傷故障檢測技術的關注度，助力風電行業可持續發展。

1 風電機組葉片的典型故障

風電機組葉片會在設計、運輸及安裝等過程中的人為因素以及雨雪、風沙及鳥類等自然因素的作用下產生一定的故障損傷。并且葉片在運行的過程中也可能會產生裂紋、涂層破損、表皮脫落、砂眼以及油污等不同形式的損傷，若不能夠及時修復將會降低葉片的氣動性能，縮減葉片的使用壽命。

1.1 故障產生的原因

目前，風電機組葉片通常由玻璃纖維增強復合材料（glass fiber reinforced polymers, GFRP）和碳纖維增強復合材料（carbon fiber reinforced polymers, CFRP）制成，雖然具備一定的強度、剛度、耐腐蝕以及耐沖刷性能的復合型材料被陸續應用于風電機組葉片的制造環節，但依然無法完全避免葉片損傷故障的產生。

風電機組葉片在設計的過程中，實際運行載荷難以準確預測，倘若設計不當就會降低運行載荷的安全余量，從而帶來一定的安全隱患；葉片生產過程中缺乏嚴格的質量把控也是導致葉片故障產生的原因之一；葉片在運輸的過程中，若操作不當，則葉片容易產生局部彎曲、局部裂紋、受力過于集中等問題；在吊裝的過程中，繩具與夾具的不規范使用也會對葉片造成損傷。此外，由于風電機組所處的工作環境較為惡劣，風電機組葉片在長期承受的交變應力以及強大的風載荷、紫外線照射、雨雪沖刷以及碎石風沙沖擊等外界因素耦合作用下，容易產生裂紋、砂眼、涂層破損、表面脫落以及遭受雷擊等不同程度的損傷[9]。

風電機組葉片無論處于設計制造、運輸安裝亦或運行狀態，均會產生不同形式的損傷。若能夠定期、及時地對葉片故障進行檢測修復，將細微損傷終止于萌芽階段，可保證葉片與其他部件一樣長期、穩定地運行，這將在很大程度上節約機組的停機運維成本，愈發凸顯對風電機組葉片故障技術研究的重要性。

1.2 葉片的典型故障類型

（1）裂紋

葉片裂紋主要分為橫向裂紋和縱向裂紋，相對而言混合型裂紋較少。機組機械振動過大、葉片膠衣耐腐蝕和耐沖刷性能差以及外物撞擊等都會引起裂紋的產生。裂紋產生的初始階段，尺寸相對較小，隨著時間的推進，將會在風沙碎石侵蝕、雨雪沖刷等作用下，逐步擴大裂紋尺寸。若裂紋不能被及時地檢測并修復，將會在交變載荷的作用下演變成其他類型的損傷，進而影響葉片整體性能。葉片裂紋圖像如圖1（a）所示。

（2）砂眼

由于一些風電機組是在風沙環境中運行的，沙塵顆粒物會在大風的吹動下與葉片發生敲打、撞擊，葉片表面保護層容易破損，細小的斑點也隨之產生。隨風沙的不斷沖擊，葉片表面保護層逐漸缺失，大小不等的砂眼也逐漸形成。大面積的斑點和砂眼聚集就會形成危害性大的麻面。此外，在砂眼形成之后，若風電機組所處環境降雨量偏多，則會導致葉片內部進水，葉片內部濕度隨之增加，從而增大葉片遭受雷擊的概率[10]。葉片砂眼圖像如圖1（b）所示。

（3）涂層破損

風電機組的工作環境多變且惡劣，尤其是位于高海拔及沙漠戈壁灘處的風電機組，氣候條件嚴酷，風沙天氣頻繁發生，飄浮的風沙顆粒易與轉動的葉片發生摩擦和撞擊。長此以往，葉片表面涂層容易遭受磨損破壞，葉片的氣動性能也會隨之下降。葉片涂層破損圖像如圖1（c）所示。

（4）表皮脫落

空氣中些許含有酸性或堿性的漂浮物，在風的帶動下附著在葉片表面，對葉片造成化學腐蝕，同時雨水沖洗、強烈紫外線照射以及風沙碎石摩擦等加速了腐蝕過程，久而久之葉片出現表皮脫落現象，會在一定程度上影響葉片氣動性能，降低對風能的捕獲能力。葉片表皮脫落圖像如圖1（d）所示。

（5）油污

葉片表面的油污是由于油的揮發物長期累積而形成的污垢。風電機組的齒輪箱與液壓系統的滲漏油，葉根和其他部位潤滑油的泄漏是葉片表面油污形成的主要來源。若葉片表面的油污長時間不予處理，將在一定程度上影響葉片材料的穩定性，從而使葉片更易遭受外部環境的侵蝕。葉片油污圖像如圖1（e）所示。

（6）其他損傷

強剪切風和臺風天氣可能使得葉片在承載能力范圍外運行，嚴重時會發生斷裂故障；安裝在高海拔嚴寒地區的風電機組，由于工作環境溫度低，常常出現葉片表面結冰的現象，若冰層在葉片上不均勻積聚，可能影響葉片的質量平衡[11-13]；安裝在無遮擋的平原開闊地帶的風電機組，相比周圍環境物要高出許多，若在雷電天氣頻發且避雷系統不正常的情形下，葉片更易遭受雷擊損壞；對于海上風電機組而言，鹽霧對于葉片的腐蝕也是一個值得關注的焦點，葉片鹽霧腐蝕圖像如圖1（f）所示。

2 風電機組葉片損傷故障檢測技術

傳統的風電機組葉片故障檢測方式主要包括敲聲辨音檢查、高倍望遠鏡檢查、葉片維修平臺檢查以及繩索垂降檢查（蜘蛛人），雖然能夠對葉片進行不同程度的損傷檢測，但需要運維人員架設大型設備對葉片進行環視檢測，存在不同程度的檢測盲區、成本高、效率低、停機周期長并且伴有人員安全風險等問題[14]。近年來，許多研究技術依靠傳感器來獲取葉片運行時的振動、溫度、力學特性等信號，從中提取故障信息，并以此作為故障診斷的依據，主要的故障檢測技術包括聲發射檢測、超聲波檢測、基于振動信號檢測、紅外熱成像檢測等[15-17]。隨著無人機及計算機視覺技術的不斷發展，風電機組葉片故障檢測領域也逐漸拓寬，基于計算機視覺的新型故障檢測方法也在風電領域逐漸興起。

2.1 聲發射檢測技術

葉片在故障發生的過程中會產生與平穩運行狀態下不同的彈性應力波信號[18]，基于這一特性，聲發射檢測技術主要是通過分析葉片內部發出的彈性應力波，有效提取出信號特征并加以分析，進而判斷葉片是否存在故障。

近年來，國內外許多研究學者基于聲發射檢測技術在風電機組葉片故障檢測領域做了一定的研究。XU等[19]基于聲發射技術提出一種適用于風機葉片損傷模式識別和奇異信號檢測的方法，針對噪聲干擾和波衰減問題，利用小波包分解開發了一種基于波形的特征提取方法，以捕獲原始聲發射信號中所包含的可用信息。TANG等[20]利用長度為45.7 m的風電機組葉片進行葉片襟翼疲勞加載試驗，運用無監督模式識別方法表征不同斷裂類型所對應的不同聲發射活動。奉凡森等[21]利用ANSYS軟件仿真研究得出聲發射檢測技術在風電機組葉片缺陷定位應用中的可行性，但缺乏仿真結果與實際試驗的驗證對比工作。ZHAO等[22]基于聲發射技術在風電機組葉片缺陷定位領域做了一定研究，闡明了聲發射波在風電機組葉片結構中的傳播特性并實現了快速表征損傷位置。賈輝等[23]針對風電機組葉片復合材料出現的基體開裂、界面脫粘以及纖維斷裂三種損傷類型，基于聲發射技術提出一種耦合主成分分析、聚類分析以及反向傳播（back propagation, BP）神經網絡等理論的葉片損傷識別模型，識別準確率可達90%以上。但是該模型在聚類分析中的預設損傷類型為3，限定了該模型所能夠準確識別的損傷類型數目。PAN等[24]提出運用聲發射信號的時空頻譜分析對受損風電機組葉片進行預警，數字模擬實驗表明受損葉片的聲信號的固有頻率低于健康葉片的固有頻率；受損葉片發出的聲信號在能譜中具有循環平穩性，通過四個不同風電場的實驗數據驗證了其方法的有效性。

總體而言，聲發射技術的適用性強，對葉片的結構、材料以及故障類型等沒有特定要求，能夠有效檢測葉片的早期輕微損傷。但是，信號特征是否能夠準確提取將直接關系著檢測效果的好壞，并且被動聲發射技術容易受到環境噪聲的影響。

2.2 超聲波檢測技術

超聲波檢測技術主要是利用葉片結構損傷處對超聲波傳播路徑的影響來檢測葉片是否存在故障。即在葉片一端通過信號發射器和接收器分別完成發、收超聲信號，通過分析反射信號的波長、頻率、時間差等信息，便可表征葉片是否存在故障以及損傷程度。

曹金祥等[25]提出一種目視、敲擊和超聲波聯合檢測的方法，針對風電機組葉片的不同位置區域采取不同的檢測方式。YANG等[26]利用超聲波無損檢測和結構健康監測（structural health monitoring, SHM）技術對實驗室的風電機組葉片進行了損傷檢測研究。章學兵等[27]利用超聲波檢測技術針對人工模擬的葉片內部孔隙、分層以及粘接等損傷進行了試驗，驗證了超聲波檢測技術在風電機組葉片損傷檢測中的可行性。TIWARI等[28]運用了適當的信號處理技術提高了超聲波技術在葉片故障檢測中的準確性。通過耦合離散小波變換與振幅檢測方法來預估葉片損傷的尺寸和位置；并將變分模式分解與希爾伯特變換相結合，借此來比較有、無損傷信號的瞬時頻率和振幅，以及測量有、無損傷信號之間的時間差，最后利用人工構造的葉片脫膠型損傷驗證了所提出方法的有效性。YIN等[29]將超聲波技術應用于風電機組葉片除冰，通過試驗證明了超聲波除冰技術對風電機組葉片除冰的可行性。

總體而言，超聲波檢測技術靈活方便，對故障檢測類型的適用性廣，但不能夠直觀展示故障，探傷結果不便于儲存，實際應用困難。

2.3 振動檢測技術

葉片的振動情況受到物理參數的影響，當損傷發生時，物理參數會受到影響，相應地葉片振動情況也隨之改變?；谡駝有盘柕臋z測技術通常是在風電機組葉片表面處粘貼振動傳感器，以獲取振動信號并對其進行時域、頻域處理分析，進而完成特征提取實現葉片健康狀態的判定。

為了提升企業人力資源管理水平，實現真正的“公平、公正、合理”，管理人員需要保證員工基本的福利待遇，堅持公平的分配原則；健全綜合激勵機制，豐富激勵方式，保證人力配置與崗位標準相符合，實現企業的良性管理。

OLIVEIRA等[30]基于振動檢測技術設計了風電機組振動監測系統，能夠有效地檢測陸上及海上風電機組的葉片損傷。耿曉峰等[31]針對風電機組葉片裂紋損傷，提出了一種基于多頻簡諧激勵調制技術的檢測方法，實驗表明在多頻簡諧激勵調制下，含裂紋損傷的風電機組葉片出現了明顯的非線性調制現象，并且裂紋的尺寸越大，裂紋距葉根的距離越遠，則非線性調制現象越明顯。WANG等[32]針對風電機組葉片角度異常、葉片表面損傷以及葉片斷裂等故障類型，基于三軸振動傳感器和幀捕獲器采集的振動信號和多通道卷積神經網絡技術，構建了風電機組葉片狀態檢測模型，識別精度可達87.8%。SAHOO等[33]利用從實驗儀器裝置中獲取的振動信號作為測量信號來檢測風電機組葉片是否存在故障，并使用K近鄰、支持向量機和決策樹等機器學習算法對故障進行分類。研究表明振動信號作為所選測量信號能夠很好地應用于風電機組葉片故障檢測工作中，同時實驗結果表明支持向量機算法的準確率最高，準確率為87%。

總體而言，基于振動信號的檢測技術能夠在一定程度上預防葉片損傷的產生，但是對于微小損傷的檢測難度較大。

2.4 紅外熱成像檢測技術

紅外熱成像檢測技術以熱波理論為基礎，主要是可視化風電機組葉片表面的溫度場分布信息，進而通過觀察溫度場的變化來判斷葉片的健康情況。

王健等[34]采用基于場景重構的數值模擬方法，針對風電機組葉片的裂紋、沙蝕磨損及內部粘連損傷的熱效應進行了研究，并與基于紅外熱成像檢測技術的室外試驗結果進行對比，驗證了其模擬方法的正確性。SANATI等[35]研究了主動和被動熱成像方法，包括主/被動脈沖熱成像、步進式加熱及冷卻熱成像等，以開發準確、有效的風電機組葉片健康狀態檢測技術。尹玉等[36]提出一種基于熱紅外圖像的風電機組葉片損傷檢測方法，可實現葉片損傷尺寸的測量以及損傷位置的判定。GALLEGUILLOS等[37]針對風電機組葉片檢測難度大、成本高的問題，將無人機系統與紅外熱成像技術相結合，實現了風電機組葉片的現場實時檢測。吳國境等[38]基于紅外熱成像技術開展了室外環境下的風電機組葉片損傷檢測試驗，總結出了磨損、裂紋及內部膠粘等類型損傷可實現有效檢測所對應的具體太陽輻照強度數值，驗證了紅外熱成像技術對于葉片損傷檢測的可行性。

總體而言，紅外熱成像檢測技術靈敏性高、可大面積遠距檢測、可實現葉片表面及內部的損傷檢測，其在靜態風電機組葉片損傷檢測領域中應用較多，但是對于葉片某定點的檢測分析能力較差，并且對葉片的現場檢測不易實現。

2.5 計算機視覺檢測技術

圖2 計算機視覺檢測的主要過程

張超等[39]針對傳統人工檢測葉片方法存在的效率低、精度差的問題，提出了一種基于Mask R-CNN的葉片損傷檢測方法。WANG等[40]基于無人機采集的風電機組葉片圖像，提出了一種葉片裂紋定位及裂紋輪廓檢測的兩階段方法。其在裂紋檢測階段中，將Jaya算法與K-Means圖像分割算法相結合，實現了風電機組葉片裂紋的有效提取。PENG等[41]以降低風電機組葉片裂紋檢測成本為出發點，結合無人機巡檢的優勢，提出了一種檢測和分析葉片表面裂紋的方法。王雪平等[42]將機器視覺技術應用于風電機組葉片劃痕損傷的檢測中，實現了葉片表面劃痕的無損檢測識別與損傷區域的特征信息提取。RAO等[43]提出一種基于無人機視覺的導航算法和風電機組葉片圖像處理算法，實現了對葉片表面損傷的自主檢測。

計算機視覺檢測技術是一種新型的葉片損傷檢測技術，受環境影響小、適用性強、處理速度快，降低了人為因素干擾，但是葉片故障檢測模型的建立工作對葉片損傷樣本數據的需求較大。

3 故障檢測技術的對比分析

通過對上述五種故障檢測技術的研究分析，發現每種檢測技術均具有各自的特點和優勢，五種故障檢測技術的總結見表1。

表1 常見葉片故障檢測技術的對比

通過表1可以看出，上述五種檢測技術均能夠有效實現葉片損傷故障檢測，但是在實際應用的過程中仍有不少問題需要解決：①基于傳感器獲取信號的檢測技術需要安裝大量的傳感器以完成數據采集工作，需要花費一定的人力、物力；②傳感器布局安裝的合理與否，對信號采集的精度、葉片氣動布局均具有一定的影響；③傳感器自身的環境適應性、供能、信號傳輸以及后期維護等也是需要關注的問題；④基于計算機視覺的檢測技術存在著葉片損傷樣本需求量大、無法對故障檢測過程的機理性進行理解等問題。

4 未來發展趨勢

葉片損傷故障檢測技術的高效、穩定發展，對實現風電行業高質量可持續發展而言意義重大?；趯ΤＲ娙~片故障檢測技術的總結，從以下四個方面介紹葉片損傷故障檢測技術在未來的發展趨勢：

（1）多類型傳感器協同使用

單一的檢測技術已無法滿足葉片全周期損傷檢測需求，因此可以采用多類型傳感器協同使用，以實現更長周期、更系統、更全面的葉片故障檢測體系。

（2）智能化檢測定位及分類

可將人工智能技術、無人機等新型技術應用于葉片故障檢測領域，實現葉片故障有效分類、故障準確定位、微小故障準確識別以及損傷程度表征等目標。

（3）葉片故障檢測與修復體系化

開發高性能巡檢無人機與小型葉片維修機器人，巡檢無人機與計算機視覺技術相結合實現風電機組葉片損傷故障實時檢測，對檢測出的微型、簡單型故障利用葉片維修機器人及時修復，實現實時檢測 + 及時修復的葉片運維模式。

（4）建立故障預警立體化模型

借助人工智能技術的優勢，開發建立風電機組葉片全周期故障預警立體化模型，及時做出故障預警并將故障終止于萌芽狀態，切實保障風電機組葉片健康、穩定地運行。

5 結 論

葉片是風電機組捕獲風能的關鍵部件，其健康、高效地運行是風電機組實現穩定發電的重要保障。為助力風電機組葉片損傷故障檢測技術的發展，切實保障葉片安全運行，從風電機組葉片設計、運輸、安裝以及運行等角度簡要總結了葉片故障產生的原因，并對葉片裂紋、砂眼、涂層破損、表皮脫落以及油污等典型故障進行了歸納?；仡櫫寺暟l射、超聲波、振動信號、紅外熱成像以及計算機視覺等常見葉片損傷故障檢測技術的工作原理，并對比分析了各檢測技術的優缺點。最后，從多類型傳感器協同使用、智能化檢測定位及分類、葉片故障檢測與修復體系化、建立故障預警立體化模型等四個方面，介紹了風電機組葉片損傷故障檢測技術在未來可能的發展趨勢。

[1] 葛暢, 閻潔, 劉永前, 等. 海上風電場運行控制維護關鍵技術綜述[J]. 中國電機工程學報, 2022, 42(12): 4278-4291. DOI: 10.13334/j.0258-8013.pcsee.220637.

[2] DU Y, ZHOU S X, JING X J, et al. Damage detection techniques for wind turbine blades: a review[J]. Mechanical systems and signal processing, 2020, 141: 106445. DOI: 10.1016/j.ymssp.2019.106445.

[3] WANG W J, XUE Y, HE C K, et al. Review of the typical damage and damage-detection methods of large wind turbine blades[J]. Energies, 2022, 15(15): 5672. DOI: 10.3390/en15155672.

[4] YANG B, SUN D B. Testing, inspecting and monitoring technologies for wind turbine blades: a survey[J]. Renewable and sustainable energy reviews, 2013, 22: 515-526. DOI: 10.1016/j.rser.2012.12.056.

[5] 陳雪峰, 郭艷婕, 許才彬, 等. 風電裝備故障診斷與健康監測研究綜述[J]. 中國機械工程, 2020, 31(2): 175-189. DOI: 10.3969/j.issn.1004-132X.2020.02.004.

[6] 高峰, 張鴻, 許琳, 等. 風電機組葉片故障仿真與狀態判別研究[J]. 太陽能學報, 2023, 44(4): 52-59. DOI: 10.19912/j.0254-0096.tynxb.2021-1434.

[7] 楊昌杏, 李錄平. 風力機葉片損傷故障檢測技術研究進展[J]. 發電技術, 2020, 41(6): 599-607. DOI: 10.12096/j.2096-4528.pgt.20044.

[8] GUO J H, LIU C, CAO J F, et al. Damage identification of wind turbine blades with deep convolutional neural networks[J]. Renewable energy, 2021, 174: 122-133. DOI: 10.1016/j.renene.2021.04.040.

[9] 李春雷, 王洪江, 尹常永, 等. 風機葉片故障診斷技術的研究進展[J]. 沈陽工程學院學報(自然科學版), 2022, 18(3): 1-5, 19. DOI: 10.13888/j.cnki.jsie(ns).2022. 03.001.

[10] 彭麟. 基于無人機獲取圖像的風機葉片表面故障的檢測與分析[D]. 上海: 上海電機學院, 2019.

[11] 孔祥逸, 張寶峰, 于東瑋, 等. 風力機葉片表面覆冰影響因素分析[J]. 大連理工大學學報, 2023, 63(1): 52-60. DOI: 10.7511/dllgxb202301007.

[12] 龔妙, 李錄平, 劉瑞, 等. 基于運行參數特征的風力機葉片覆冰診斷方法[J]. 動力工程學報, 2019, 39(3): 214-219. DOI: 10.3969/j.issn.1674-7607.2019.03.008.

[13] 舒立春, 李瀚濤, 胡琴, 等. 自然環境葉片覆冰程度對風力機功率損失的影響[J]. 中國電機工程學報, 2018, 38(18): 5599-5605. DOI: 10.13334/j.0258-8013.pcsee. 171001.

[14] 楊家歡, 宗哲英, 王禎, 等. 風機葉片檢測的研究現狀及進展[J]. 復合材料科學與工程, 2020(6): 109-113. DOI: 10.3969/j.issn.1003-0999.2020.06.019.

[15] TANG J L, SOUA S, MARES C, et al. An experimental study of acoustic emission methodology for inservice condition monitoring of wind turbine blades[J]. Renewable energy, 2016, 99: 170-179. DOI: 10.1016/j. renene.2016.06.048.

[16] JIANG S C, LIN P, CHEN Y M, et al. Mixed-signal extraction and recognition of wind turbine blade multiple-area damage based on improved Fast-ICA[J]. Optics, 2019, 179: 1152-1159. DOI: 10.1016/j.ijleo. 2018.10.137.

[17] XU D, LIU P F, CHEN Z P, et al. Achieving robust damage mode identification of adhesive composite joints for wind turbine blade using acoustic emission and machine learning[J]. Composite structures, 2020, 236: 111840. DOI: 10.1016/j.compstruct.2019.111840.

[18] 李孟珠, 劉綱, 黎華, 等. 大型風力機葉片狀態監測方法研究進展[J]. 熱力發電, 2022, 51(12): 18-29. DOI: 10.19666/j.rlfd.202204076.

[19] XU D, LIU P F, CHEN Z P. Damage mode identification and singular signal detection of composite wind turbine blade using acoustic emission[J]. Composite structures, 2021, 255: 112954. DOI: 10.1016/j.compstruct.2020. 112954.

[20] TANG J L, SOUA S, MARES C, et al. A pattern recognition approach to acoustic emission data originating from fatigue of wind turbine blades[J]. Sensors, 2017, 17(11): 2507. DOI: 10.3390/s17112507.

[21] 奉凡森, 丁顯, 賈明鑫, 等. 基于聲發射信號的風電葉片缺陷定位及信號衰減仿真[J]. 太陽能, 2022(3): 34-41. DOI: 10.19911/j.1003-0417.tyn20211020.01.

[22] ZHAO Z M, CHEN N Z. Acoustic emission based damage source localization for structural digital twin of wind turbine blades[J]. Ocean engineering, 2022, 265: 112552. DOI: 10.1016/j.oceaneng.2022.112552.

[23] 賈輝, 張磊安, 王景華, 等. 基于聲發射技術的風電葉片復合材料損傷模式識別[J]. 可再生能源, 2022, 40(1): 67-72. DOI: 10.3969/j.issn.1671-5292.2022.01.011.

[24] PAN X, LIU Z D, XU R, et al. Early warning of damaged wind turbine blades using spatial–temporal spectral analysis of acoustic emission signals[J]. Journal of sound and vibration, 2022, 537: 117209. DOI: 10.1016/j.jsv.2022.117209.

[25] 曹金祥, 任彥忠, 王鑫, 等. 關于目視、敲擊和超聲波聯合探傷在風電葉片缺陷檢驗中的應用分析[J]. 纖維復合材料, 2017, 34(2): 27-32. DOI: 10.3969/j.issn. 1003-6423.2017.02.006.

[26] YANG K, RONGONG J A, WORDEN K. Damage detection in a laboratory wind turbine blade using techniques of ultrasonic NDT and SHM[J]. Strain, 2018, 54(6): e12290. DOI: 10.1111/str.12290.

[27] 章學兵, 駱國防. 基于風機葉片缺陷的超聲波檢測方法分析[J]. 河北電力技術, 2022, 41(1): 76-79. DOI: 10.3969/j.issn.1001-9898.2022.01.019.

[28] TIWARI K A, RAISUTIS R. Post-processing of ultrasonic signals for the analysis of defects in wind turbine blade using guided waves[J]. The journal of strain analysis for engineering design, 2018, 53(8): 546-555. DOI: 10.1177/0309324718772668.

[29] YIN C B, ZHANG Z D, WANG Z J, et al. Numerical simulation and experimental validation of ultrasonic de-icing system for wind turbine blade[J]. Applied acoustics, 2016, 114: 19-26. DOI: 10.1016/j.apacoust. 2016.07.004.

[30] OLIVEIRA G, MAGALH?ES F, CUNHAá, et al. Vibration-based damage detection in a wind turbine using 1 year of data[J]. Structural control and health monitoring, 2018, 25(11): e2238. DOI: 10.1002/stc.2238.

[31] 耿曉鋒, 魏克湘, 王瓊, 等. 基于多頻簡諧調制的風力機葉片裂紋檢測研究[J]. 振動與沖擊, 2018, 37(22): 201-205. DOI: 10.13465/j.cnki.jvs.2018.22.030.

[32] WANG M H, LU S D, HSIEH C C, et al. Fault detection of wind turbine blades using multi-channel CNN[J]. Sustainability, 2022, 14(3): 1781. DOI: 10.3390/ su14031781.

[33] SAHOO S, KUSHWAH K, SUNANIYA A K. Health monitoring of wind turbine blades through vibration signal using advanced signal processing techniques[C]// Advanced Communication Technologies and Signal Processing. Silchar: IEEE, 2020:1-6. DOI: 10.1109/ ACTS49415.2020.9350405.

[34] 王健, 吳國境, 張永, 等. 基于場景重構的風力機葉片損傷熱效應數值模擬研究[J]. 太陽能學報, 2021, 42(05): 350-355. DOI: 10.19912/j.0254-0096.tynxb. 2020-0499.

[35] SANATI H, WOOD D, SUN Q. Condition monitoring of wind turbine blades using active and passive thermography[J]. Applied sciences, 2018, 8(10): 2004. DOI: 10.3390/app8102004.

[36] 尹玉, 張永, 王健, 等. 基于熱紅外圖像的風力機葉片損傷識別方法研究[J]. 太陽能學報, 2022, 43(2): 492-497. DOI: 10.19912/j.0254-0096.tynxb.2020-0592.

[37] GALLEGUILLOS C, ZORRILLA A, JIMENEZ A, et al. Thermographic non-destructive inspection of wind turbine blades using unmanned aerial systems[J]. Plastics, rubber and composites, 2015, 44(3): 98-103. DOI: 10.1179/1743289815Y.0000000003.

[38] 吳國境, 王健, 張永, 等. 自然激勵下風電葉片損傷的紅外熱像檢測研究[J]. 太陽能學報, 2020, 41(9): 353-358. DOI: 10.19912/j.0254-0096.2020.09.046.

[39] 張超, 文傳博. 基于改進Mask R-CNN的風機葉片缺陷檢測[J]. 可再生能源, 2020, 38(9): 1181-1186. DOI: 10.3969/j.issn.1671-5292.2020.09.008.

[40] WANG L, ZHANG Z J, LUO X. A two-stage data-driven approach for image-based wind turbine blade crack inspections[J]. IEEE/ASME transactions on mechatronics, 2019, 24(3): 1271-1281. DOI: 10.1109/ TMECH.2019.2908233.

[41] PENG L, LIU J. Detection and analysis of large-scale WT blade surface cracks based on UAV-taken images[J]. IET image processing, 2018, 12(11): 2059-2064. DOI: 10.1049/iet-ipr.2018.5542.

[42] 王雪平, 張建斐, 李萬潤, 等. 基于機器視覺的風電葉片風沙侵蝕程度檢測方法研究[J]. 太陽能學報, 2020, 41(5): 166-173. DOI: 10.19912/j.0254-0096.2020.05.024.

[43] RAO Y Z, XIANG B J, HUANG B X, et al. Wind turbine blade inspection based on unmanned aerial vehicle(UAV) visual systems[C]//2019 IEEE 3rd Conference on Energy Internet and Energy System Integration. Changsha: IEEE, 2019: 708-713. DOI: 10.1109/EI247390.2019.9062226.

Research Progress of Wind Turbine Blade Damage Fault Detection Technology

ZHOU Jifeng1, SHI Teng2,3, XU Bofeng2,3,?

(1. NR Electric Co. Ltd., Nanjing 211102, China;2. College of Energy and Electrical Engineering, Hohai University, Nanjing 211100, China;3. Research Center for Renewable Energy Generation Engineering of Ministry of Education, Hohai University, Nanjing 211100, China)

While the scale of wind power generation is steadily increasing, the damage and fault detection technology for wind turbine blades should also achieve corresponding development. This article summarizes the causes and types of typical damages of wind turbine blades. Then it reviews the working principles of five detection technologies, including acoustic emission, ultrasonic, vibration, infrared thermal imaging, and computer vision, and compares their characteristics. Finally, in order to help achieve high-quality and sustainable development in the wind power industry, the development trend of future wind turbine blade damage fault detection technology is discussed.

wind turbine blades; damage detection; damage type; detection technology

2095-560X（2023）06-0556-08

TK83

A

10.3969/j.issn.2095-560X.2023.06.010

2023-05-22

2023-07-08

江蘇省研究生科研與實踐創新計劃項目（SJCX23_0184）

許波峰，E-mail：xubofeng@hhu.edu.cn

周季峰, 石騰, 許波峰. 風電機組葉片損傷故障檢測技術研究進展[J]. 新能源進展, 2023, 11(6): 556-563.

： ZHOU Jifeng, SHI Teng, XU Bofeng. Research progress of wind turbine blade damage fault detection technology[J]. Advances in new and renewable energy, 2023, 11(6): 556-563.

周季峰（1980-），男，碩士，高級工程師，主要從事新能源集控和電網監控系統研究。

許波峰（1985-），男，博士，副教授，主要從事風力機空氣動力學和風能高效利用研究。