详情

原文传递风电叶片缺陷识别方法

专利名称：	风电叶片缺陷识别方法
摘要：	本发明公开一种风电叶片缺陷识别方法，是对风电叶片进行超声检测，通过对所得超声检测信号根据频带特征窗口进行小波包变换，并将得到的能谱系数作为特征向量输入至BP神经网络，神经网络输出对应的缺陷种类以实现风电叶片不同缺陷的自动识别。本发明提供的缺陷识别方法有效可行，使风电叶片缺陷的自动识别成为了可能，平均识别率高达90％。
专利类型：	发明专利
国家地区组织代码：	湖南;43
申请人：	湘潭大学
发明人：	王子菡;王新;罗致春;刘奇星
专利状态：	有效
申请日期：	2019-06-07T00:00:00+0800
发布日期：	2019-08-23T00:00:00+0800
申请号：	CN201910493788.7
公开号：	CN110161119A
代理机构：	上海精晟知识产权代理有限公司
代理人：	张超宇
分类号：	G01N29/04(2006.01);G;G01;G01N;G01N29
申请人地址：	411105 湖南省湘潭市雨湖区西郊羊牯塘湘潭大学
主权项：	1.一种风电叶片缺陷识别方法，其特征在于，包括如下步骤：步骤a)对含缺陷样品进行超声检测，通过超声检测信号的时域图选取与信号波形相关性最大的db4函数作为小波包分解的小波基；步骤b)对步骤a所得超声检测信号进行频谱变换，结合频谱分析和小波包分解，找出特征频带窗口，从而确定小波包变换最优层数m；步骤c)对步骤a所得超声检测信号进行m层db4小波包分解，通过小波包分解得分解后的节点及其能谱系数；步骤d)构建BP神经网络，将步骤c所得能谱系数作为输入向量，对应缺陷类型为输出结果，对神经网络进行训练和验证；步骤e)对待测风电叶片进行超声检测，将超声检测信号输入至步骤d构建的神经网络，自动识别出风电叶片内部的缺陷类型。 2.根据权利要求1所述的风电叶片缺陷识别方法，其特征在于，步骤(a)的具体操作为：对含缺陷的风电叶片样本进行超声检测得到相应的缺陷超声检测信号，通过观察缺陷超声检测信号时域图中的信号波形选取相关性最大的db4作为小波包分解的小波基。 3.根据权利要求1所述的风电叶片缺陷识别方法，其特征在于，步骤(b)的具体操作为：对步骤a提供的缺陷超声检测信号进行频谱变换，分析所得频谱信号的频率特征，对频谱信号的频率特征进行k层小波包分解，找出特征频带窗口(特征频带窗口即数据分析软件中对应不同特征频率范围的数据窗口，本发明采用matlab进行数据分析)，确定最优的小波包分解层数m，从而确保小波包m层分解后的各节点能有效分离频谱信号中的特征信息；其中，k为自然数，k≠0，m∈k。 4.根据权利要求1所述的风电叶片缺陷识别方法，其特征在于，步骤(c)的具体操作为：对步骤a提供的缺陷超声检测信号用db4小波进行m层小波包分解，对应其节点提取节点能谱系数；选取节点为横坐标，选取节点对应的能谱系数为纵坐标，得能谱系数图；根据不同缺陷在能谱系数图中的不同节点能量，区分各缺陷类型，验证最优分解层数m的正确性。 5.根据权利要求1所述的风电叶片缺陷识别方法，其特征在于，步骤(d)的具体操作为：构建BP神经网络，其中，BP神经网络的输入节点设置为m层小波包分解后的能谱系数的个数，输出节点设置为缺陷的种类数，通过对神经网络的训练和验证，使神经网络输出层均方误差达到最小值。 6.根据权利要求1所述的风电叶片缺陷识别方法，其特征在于，步骤(e)的具体操作为：对待测风电叶片进行超声检测，将超声检测信号进行m层db4小波包分解后得到的能谱系数输入步骤d构建的神经网络中，通过计算机自动识别出风电叶片的缺陷类型。
所属类别：	发明专利