聲發(fā)射技術在風力機葉片故障檢測中的應用研究綜述

長沙理工大學能源與動力工程學院 ■ 龔妙 李錄平

0 引言

風力機葉片作為風電機組捕獲風能的能量轉換器，其性能的高低直接影響著機組的發(fā)電效率和發(fā)電質(zhì)量。風力機葉片通常采用玻璃纖維等復合材料制成[1-2]，長期處于復雜惡劣的工作環(huán)境下，受雨雪、鳥類的撞擊和紫外線等的影響，材料內(nèi)部結構發(fā)生變化，會出現(xiàn)一些復合材料典型缺陷，導致其力學性能降低[3-7]；隨著損傷的累積，不僅會使葉片的故障率升高，更嚴重的還會發(fā)生葉片斷裂等重大事故。而葉片成本占整個裝機造價的20%左右[8]，因此，對風力機葉片實行故障檢測具有重大意義。

目前，風力機葉片故障檢測技術以無損檢測為主，包括振動檢測、超聲波檢測和聲發(fā)射檢測等。聲發(fā)射檢測技術作為一種新興動態(tài)無損檢測技術[9]，能夠?qū)θ~片進行實時監(jiān)測，及時發(fā)現(xiàn)葉片材料的早期缺陷，并提供損傷程度信息，在風力機葉片故障檢測方面具有不可比擬的優(yōu)勢。風力機葉片損傷的聲發(fā)射檢測研究重點是通過對聲發(fā)射信號特征的分析與識別，判別其損傷程度和損傷位置，所以對風力機聲發(fā)射信號的特征分析、提取，以及聲發(fā)射源定位的研究是發(fā)展風力機葉片聲發(fā)射檢測技術的關鍵。

1 風力機葉片基本故障及常見檢測技術

1.1 風力機葉片基本故障類型

1)開裂。葉片外層膠衣長期遭受磨損易產(chǎn)生微裂紋，這些裂紋在機組振動和外界沖擊作用下迅速擴展，引發(fā)局部開裂[10]。

2)覆冰。風力機葉片工作環(huán)境惡劣、凍雨和濕雪等都是造成葉片覆冰的重要因素，覆冰會增加葉片質(zhì)量和葉片側翼的氣動阻力，導致葉片失穩(wěn)，加快了葉片疲勞失效[11-12]。

3)葉片斷裂。葉片斷裂多發(fā)生在葉片中部及根部位置，這種故障主要是由突發(fā)性破壞和共振[13]引發(fā)的。在氣動力和離心力等作用下，“帶傷”葉片的激振頻率與葉片自身固有頻率差值處于一定范圍內(nèi)時，葉片出現(xiàn)共振現(xiàn)象，差值越小，共振幅度越大，變形越明顯；當差值超過該范圍時，極易發(fā)生葉片斷裂。

1.2 常用葉片故障檢測技術

1.2.1 振動檢測

在交變載荷的沖擊作用下，葉片發(fā)生不規(guī)則擺動和變形，異常的振動被傳感器檢測到，通過對振動信號的采集、放大和分析來評價葉片損傷程度的方法稱為振動檢測方法[14-16]。振動檢測技術具有直接性、實時性和靈敏度高的特點，廣泛應用于旋轉機械的故障檢測。但由于風力機葉片振動源較多，采集到的振動信號復雜多變，且信號幅值較低，很難檢測到葉片的早期故障。

1.2.2 超聲波檢測

超聲波檢測即使用探頭向風力機葉片發(fā)射超聲波，利用葉片本身和缺陷處的復合材料聲學性質(zhì)不同來檢測葉片的缺陷[17]。通常利用超聲波的機械振動效應、熱效應和空化效應對葉片進行除冰和防冰[18-20]。超聲波檢測技術具有檢測深度大、檢測速度快、定位缺陷準確等優(yōu)點，但其探傷結果不便保存，且較難對風力機葉片實行動態(tài)監(jiān)測。

1.2.3 紅外檢測

紅外熱像儀可以探測到葉片結構異常引起的表面溫度變化，并將其轉換為可視化熱分布圖像，通過圖像對比，便可對缺陷進行判別[21-24]。該方法對于葉片表面缺陷十分敏感，可進行遠距離、大面積檢測。但是在實際工況下，受風力機塔筒高度的影響，較難實現(xiàn)對葉片的現(xiàn)場檢測。

1.2.4 X射線檢測

X射線能夠穿透風力機葉片，受損葉片材料密度變化的定量信息包含在X射線的反射數(shù)據(jù)中，通過數(shù)據(jù)分析和采用膠片感光成像的方法，就可以判斷缺陷的位置和大小[25]。X射線檢測技術對于材料的敏感度極高，能夠檢測到材料厚度或密度1%～2%的變化[26]，對于檢測平行于葉片的體積型缺陷準確率很高[27]。但由于實際葉片尺寸較大，加上現(xiàn)場檢測影響因素較多，目前還未廣泛應用于實際葉片的現(xiàn)場整體檢測。

1.2.5 聲發(fā)射檢測

聲發(fā)射是指材料內(nèi)部結構發(fā)生變化時，因應力重新分布，儲存的能量以彈性波的形式釋放出來的現(xiàn)象。聲發(fā)射檢測技術就是基于聲發(fā)射原理，通過對采集到的聲發(fā)射信號進行分析，來評估葉片的健康狀態(tài)[28-29]。聲發(fā)射檢測技術存在凱賽爾效應[30]，對外界環(huán)境十分敏感，采集到的信號十分復雜，但它能夠有效檢測到葉片材料早期故障，并及時掌握其動態(tài)信息，這對于實現(xiàn)風力機葉片的在線監(jiān)測具有十分重要的意義。

2 風力機葉片聲發(fā)射檢測關鍵技術的研究

2.1 風力機葉片損傷聲發(fā)射特征分析與提取研究

早期的故障特征分析都是通過分析信號實現(xiàn)的，選取不同的信號分析方法對其故障特征的提取具有不同的效果。

王雅瑞等[31]與周偉等[32]采用參數(shù)分析法對材料損傷的原始信號進行了特征分析，發(fā)現(xiàn)其處于不同損傷階段，會產(chǎn)生不同的典型缺陷。在損傷初期階段，會有少量低幅度聲發(fā)射信號產(chǎn)生，且聲發(fā)射撞擊變換緩慢；在損傷演化階段，撞擊累積數(shù)明顯加快，隨著損傷演化的積累，信號呈現(xiàn)高能量、高幅度的特點，直至葉片失穩(wěn)破壞。根據(jù)研究人員的研究[33]，總結出碳纖維復合材料風力機葉片損傷聲發(fā)射參數(shù)特征，如表1所示。參數(shù)分析法是目前較為成熟的信號分析方法，但其分析結果往往受到參數(shù)選擇的影響，難以對聲發(fā)射特征進行準確地描述。

張鵬林等[34]分別對有/無纖維預斷的試件進行了三點彎曲聲發(fā)射試驗，發(fā)現(xiàn)葉片損傷的聲發(fā)射信號既有連續(xù)型信號也有突發(fā)型信號，且具有較寬的頻率分布范圍。根據(jù)研究人員的研究[33,35]，總結出不同葉片材料損傷聲發(fā)射信號頻譜特征，如表2、表3所示。

表1 風力機葉片聲發(fā)射信號特征參數(shù)分布

表2 碳纖維復合材料風力機葉片損傷模式聲發(fā)射頻率特征分布

表3 玻璃纖維復合材料風力機葉片損傷模式聲發(fā)射頻率特征分布

趙新光[36]借助小波分析發(fā)現(xiàn)裂紋損傷的信號表現(xiàn)為逐漸衰減的性質(zhì)，而邊緣損傷的信號則會出現(xiàn)類似周期性的沖擊波動。李亞娟[37]和梁曉敏等[38]對風力機葉片復合材料I型和II型試件的分層擴展聲發(fā)射信號進行了小波分析，結果表明，其最大能譜系數(shù)均在D4層，但聲發(fā)射能量具有很大差異。周勃等[39]針對采集的裂紋擴展聲發(fā)射信號，比較了不同小波基函數(shù)對聲發(fā)射信號特征提取的影響，提取了裂紋動態(tài)擴展的特征頻率。在采用小波分析提取小波信號特征時，由于小波基的種類較多，選擇不同的小波基會得到不同的分析結果，因此，建立一個完備的小波基選擇標準將提高小波分析的可靠性。

由于葉片損傷聲發(fā)射信號呈非線性、非平穩(wěn)性和非高斯性的特點，以傳統(tǒng)的信號分析方法為主的特征提取方法無法有效而準確地提取故障特征。近年來，基于時頻分析和分形理論的故障特征提取技術取得了很多顯著的成果。

趙新光等[40]基于Shannon熵理論提出了一種優(yōu)化小波重分配尺度譜結合小波特征能譜系數(shù)的分析方法，實現(xiàn)了風力機葉片裂紋擴展聲發(fā)射信號的時頻特征提取。曲弋等[41]借助小波尺度譜優(yōu)越的時頻分析性得到了識別葉片擴展裂紋和萌生裂紋的判據(jù)，有效地提取擴展裂紋和萌生裂紋的信號特征。周勃等[42]根據(jù)Godard算法調(diào)整了盲解卷的濾波器系數(shù)，通過選取合適的非線性函數(shù)，提出了一種對具有非平穩(wěn)、非線性特性的卷積混合AE信號特征提取的方法。帥潔妮[43]采用基于獨立成分分析的盲源分離技術對葉片聲發(fā)射源信號進行了獨立分量分離，利用Matlab編程對分離后的獨立成分分量進行了特征信息的提取。周勃等[44]通過改進關聯(lián)維數(shù)的計算式，提出了一種基于裂紋擴展AE信號分形特征的疲勞損傷模糊評價方法，可根據(jù)分形特征和裂紋擴展規(guī)律達到評價風力機葉片疲勞損傷的目的。

2.2 風力機葉片損傷聲發(fā)射模式識別研究

目前，用于風力機葉片故障診斷的模式識別方法以神經(jīng)網(wǎng)絡和支持向量機為主。

2.2.1 神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡模仿生物的腦部和神經(jīng)系統(tǒng)功能，具有自學習、自組織的特點，是目前使用頻率最高且技術最為成熟的一種模式識別方法。

Anastassopoulos等[45]最早提出用人工神經(jīng)網(wǎng)絡對風力機葉片聲發(fā)射信號進行識別，并對其日后的發(fā)展提出了展望。曲弋等[46]根據(jù)葉片裂紋聲發(fā)射參數(shù)分析的數(shù)值特點建立了BP神經(jīng)網(wǎng)絡，并對葉片裂紋演化的各個階段進行了有效識別。周勃等[47]改進了盲信號提取(BSE)算法，選用動態(tài)徑向基神經(jīng)網(wǎng)絡(RBFN)和后向傳播神經(jīng)網(wǎng)絡(BPN)進行了非線性預測，比較了不同的非線性激勵函數(shù)和濾波器類型對算法性能的影響，并說明了該算法的有效性。

但許多問題仍未在理論上得到解決，比如如何選擇網(wǎng)絡節(jié)點數(shù)、初始權值等；同時，過學習與欠學習也是神經(jīng)網(wǎng)絡存在的問題。

2.2.2 支持向量機

支持向量機結構簡單，泛化能力較優(yōu)，彌補了神經(jīng)網(wǎng)絡在很多方面的不足，是目前機器學習智能化領域的熱點方向。

顧桂梅等[48]對風力機葉片裂紋損傷和邊緣損傷的聲發(fā)射信號進行了小波分析，根據(jù)其能量特征，建立了支持向量機模型，并采用果蠅算法優(yōu)化其參數(shù)，通過仿真驗證了其識別的準確性。饒金根[49]和Zhao[50]采用小波包提取了聲發(fā)射信號各頻段能量特征，并通過支持向量機對葉片損傷模式進行了有效識別。

2.3 風力機葉片損傷的聲發(fā)射源定位研究

風力機葉片損傷研究的重點是找出損傷位置并判別其強度，其中，時差定位法和區(qū)域定位法[51]是主要的兩種損傷源定位方法。

2.3.1 時差定位法

時差定位法根據(jù)聲發(fā)射源信號到達同一陣列不同傳感器的時間差，通過一定的計算得出聲發(fā)射源的具體位置，能夠快速實現(xiàn)對葉片整體的損傷定位。

袁洪芳等[52]采用小波分析判別風力機葉片裂紋位置和強度，并通過時差定位法驗證了該方法的有效性。Pang等[53]采用時差定位法對風力機葉片樹脂基底上的預設缺陷進行線性定位和平面定位，測試結果十分精準。

但是，由于葉片聲發(fā)射波在傳播過程中經(jīng)過多次界面轉換，會存在不同程度的衰減，從而降低了時差定位的精度，使得該方法具有較大的局限性。

2.3.2 區(qū)域定位法

區(qū)域定位法通過在葉片區(qū)域布置多個傳感器，根據(jù)聲發(fā)射信號到達不同傳感器的時間逐漸細化區(qū)域，最后得到聲發(fā)射源的位置。

朱永凱等[54]通過在葉片受損率較高的區(qū)域布置一定數(shù)量的傳感器，每次按照葉片設計載荷的20%差值載荷給葉片加載，準確地判斷了聲發(fā)射信號所在區(qū)域。Yoon等[55]提出了一種風力機葉片聲發(fā)射源定位算法，并且通過實驗驗證了該算法的有效性和優(yōu)越性。Tang等[56]對風力機葉片進行為期21天的循環(huán)負載疲勞測試，成功地檢測到了葉片大小為1 m×0.05 m×0.01 m的缺陷，并采用三角剖分法對其進行了定位。Mu?oz等[57]采用了三角測量與非線性方程結合的新型方法，實現(xiàn)了對風力機葉片纖維斷裂源的識別和定位，最大誤差僅為9 mm。

采用區(qū)域定位法能夠靈活定位傳感器，比較適用于在葉片故障率較高的區(qū)域進行局部定位，但是對于葉片整體的損傷檢測仍具有局限性。

3 總結與展望

將聲發(fā)射技術應用于風力機損傷檢測的研究關鍵在于葉片損傷聲發(fā)射特征分析、提取，以及聲發(fā)射源的定位。經(jīng)分析，本文做出以下總結與展望：

1)風力機葉片復合材料的聲發(fā)射源具有多樣性，國內(nèi)外對聲發(fā)射產(chǎn)生機理和原始信號特征的理論關系研究較少；由于葉片材料損傷程度與特征參數(shù)有關，可以深入研究損傷演化進程與聲發(fā)射信號特征之間的函數(shù)關系。

2)參數(shù)分析法是目前較為成熟的信號分析方法，但由于參數(shù)眾多，其無法實現(xiàn)對信號的定量分析，因此有必要建立統(tǒng)一的特征參數(shù)標準。小波分析由于小波基的種類較多，選擇不同的小波基會得到不同的分析結果，其選擇標準有待于進一步的研究。

3)神經(jīng)網(wǎng)絡識別存在許多問題還未在理論上得到解決，例如，如何選擇網(wǎng)絡節(jié)點數(shù)、初始權值等，這都是下一步工作的重點。

4)時差定位法能夠快速實現(xiàn)對葉片的損傷定位，但易受聲發(fā)射波傳播途徑的影響，從而降低定位精度。因此，開展風力機葉片復合材料聲波傳播和波形轉換規(guī)律的理論研究，對于優(yōu)化相關定位方法具有重要意義。

[1]常燕, 王兆增, 崔元勝, 等. 風電葉片復合材料的研究進展及其應用[J]. 工程塑料應用, 2014, (4)： 135－139.

[2]Galappaththi U I K, De Silva A K M, Macdonald M, et al.Review of inspection and quality control techniques for composite wind turbine blades[J]. Insight-Non-Destructive Testing and Condition Monitoring, 2012, 54(2)： 82 － 85.

[3]Zhou H F, Dou H Y, Qin L Z, et al. A review of full-scale structural testing of wind turbine blades[J]. Renewable &Sustainable Energy Reviews, 2014, 33(2)： 177 － 187.

[4]方園, 梁亞杰, 劉偉慶, 等. 鹽霧環(huán)境中玻璃纖維/不飽和聚酯復合材料腐蝕深度對彎曲性能的影響[J]. 復合材料學報,2016, 33(6)： 1223 － 1233.

[5]Feng P, Wang J, Wang Y, et al. Effects of corrosive environments on properties of pultruded GFRP plates[J].Composites Part B Engineering, 2014, 67： 427 － 433.

[6]Li L, Lomov S V, Yan X, et al. Cluster analysis of acoustic emission signals for 2D and 3D woven glass/epoxy composites[J].Composite Structures, 2015, 116(1)： 286 － 299.

[7]Andrew J J, Arumugam V, Bull D J, et al. Residual strength and damage characterization of repaired glass/epoxy composite laminates using A.E. and D.I.C[J]. Composite Structures, 2016,152： 124 － 139.

[8]劉雙, 胡斌, 賀鑄, 等. 風機葉片缺陷的無損檢測方法比較與評價[J]. 無損檢測, 2015, 37(3)： 47－51.

[9]楊明緯. 聲發(fā)射檢測[M]. 北京： 機械工業(yè)出版社, 2005.

[10]張霆. 風力發(fā)電機葉片狀態(tài)監(jiān)測與故障診斷系統(tǒng)設計和實現(xiàn)[D]. 上海： 上海電機學院, 2016.

[11]Sabatier J, Lanusse P, Feytout B, et al. CRONE control based anti-icing/deicing system for wind turbine blades[J]. Control Engineering Practice, 2016, 56： 200 － 209.

[12]邱文浩. 考慮大氣穩(wěn)定度和海氣交換的海上風機葉片疲勞特性研究[D]. 哈爾濱： 哈爾濱工業(yè)大學, 2016.

[13]李鵬飛. 風機葉片故障診斷及狀態(tài)評估方法研究[D]. 北京： 華北電力大學, 2015.

[14]陳順章. 基于LabVIEW的風力機葉片振動監(jiān)測系統(tǒng)開發(fā)[D]. 長沙： 長沙理工大學, 2010.

[15]李錄平, 李芒芒, 晉風華, 等. 振動檢測技術在風力機葉片裂紋故障監(jiān)測中的應用[J]. 熱能動力工程, 2013, (2)： 207－212.

[16]Ghoshal A, Sundaresan M J, Schulz M J, et al. Structural health monitoring techniques for wind turbine blades[J]. Journal of Wind Engineering & Industrial Aerodynamics, 2000, 85(3)： 309 －324.

[17]杜萬里, 沈小軍, 李睿. 風電機組葉片檢測現(xiàn)狀與展望[J].科技展望, 2015, 2： 98－99.

[18]Yin C, Zhang Z, Wang Z, et al. Numerical simulation and experimental validation ofultrasonic de-icing system for wind turbine blade[J]. Applied Acoustics, 2016, 114： 19 － 26.

[19]顏健, 李錄平, 雷利斌, 等. 風力機槳葉超聲波除冰實驗技術研究及其應用[J]. 可再生能源, 2015, 33(1)： 68－74.

[20]Rai?utis R, Jasiūniene E, ?ukauskas E. Ultrasonic NDT of wind turbine blades using guided waves[J]. Ultrasound Issn, 2008,63(1)： 7 － 11.

[21]Melnyk S I, Tuluzov I G, Melnyk A S, et al. Method of remote dynamic thermographic testing of wind turbine blades[A].Quantitative Infrared Thermography Conference[C]. kharkov,Ukraine, 2014.

[22]孟梨雨, 曾智, 王冠, 等. 風電葉片蒙皮與腹板粘接紅外熱成像檢測研究[J]. 光電子技術, 2015, (3)： 174－178.

[23]Eaton M, May M, Featherston C, et al. Characterisation of Damage in Composite Structures using Acoustic Emission[A]. 9th International Conference on Damage Assessment of Structures[C].Bristol, Britain, 2011.

[24]岳大皓, 李曉麗, 張浩軍, 等. 風電葉片紅外熱波無損檢測的實驗探究[J]. 紅外技術, 2011, 33(10)： 614－617.

[25]劉雙, 胡斌, 賀鑄, 等. 風機葉片缺陷的無損檢測方法比較與評價[J]. 無損檢測, 2015, 37(3)： 47－51.

[26]Rai?utis R, Jasiūniene E, ?literis R, et al. The review of nondestructive testing techniques suitable for inspection of the wind turbine blades[J]. Ultragarsas, 2016, 63(1)： 26 － 30.

[27]何杰, 杜玲, 王冬生. 風電葉片的主要缺陷與無損檢測技術評價[J]. 纖維復合材料, 2013, (1)： 1－7.

[28]Blanch M J, Dutton A G. Acoustic Emission Monitoring of Field Tests of an Operating Wind Turbine[J]. Key Engineering Materials, 2003, (245-246)： 475 － 482.

[29]Joosse P, Blanch M, Dutton A, et al. Acoustic emission monitoring of small wind turbine blades[J]. Journal of Solar Energy Engineering, 2002, 124(4)： 401 － 411.

[30]Kaiser J. A Study of Acoustic Phenomena in Tensile Tests[D].Munich： Technische Hochschule München, 1950.

[31]王雅瑞, 劉然, 呂智慧, 等. 含不同埋深分層損傷復合材料彎曲破壞聲發(fā)射監(jiān)測[J]. 中國測試, 2015, (10)： 117－120.

[32]周偉, 馬力輝, 張洪波, 等. 風電葉片復合材料彎曲損傷破壞聲發(fā)射監(jiān)測[J]. 工程塑料應用, 2011, 39(11)： 33－37.

[33]王健, 金周庚, 劉哲軍. C/E復合材料聲發(fā)射信號小波分析及人工神經(jīng)網(wǎng)絡模式識別[J].宇航材料工藝, 2001, 31(1)： 49－57.

[34]張鵬林, 李梅, 王汝姣, 等. 風電葉片復合材料在三點彎曲過程中的聲發(fā)射研究[J]. 工程塑料應用, 2016, 44(4)： 21－26.

[35]Arumugam V, Kumar C S, Santulli C, et al. Identification of Failure Modes in Composites from Clustered Acoustic Emission Data Using Pattern Recognition and Wavelet Transformation[J]. Arabian Journal for Science and Engineering,2013, 38(5)： 1087 － 1102.

[36]趙新光. 基于聲發(fā)射和小波分析的大型風力機葉片材料損傷識別研究[D]. 沈陽： 沈陽工業(yè)大學, 2009.

[37]李亞娟. 風電葉片分層缺陷演化的力學行為及聲發(fā)射響應特性研究[D]. 保定： 河北大學, 2015.

[38]梁曉敏, 周偉, 龐艷榮, 等. 基于小波分析的復合材料層間損傷聲發(fā)射行為[J]. 玻璃鋼/復合材料, 2014, (8)： 44－48.

[39]周勃, 陳長征, 張宇, 等. 風力機葉片裂紋的動態(tài)擴展特性研究[J]. 中國機械工程, 2013, 24(8)： 1108－1113.

[40]趙新光, 甘曉曄, 谷泉, 等. 基于小波能譜系數(shù)的風力機疲勞裂紋特征[J]. 振動、測試與診斷, 2014, 34(1)： 147－152.

[41]曲弋, 陳長征, 趙新光, 等. 風力機葉片裂紋特征的小波尺度譜識別[J]. 沈陽工業(yè)大學學報, 2012, (1)： 22－25.

[42]周勃, 張士偉, 陳長征, 等. 風力機葉片多裂紋擴展聲發(fā)射信號的特征識別[J]. 儀器儀表學報, 2015, 36(1)： 110－117.

[43]帥潔妮. 風機葉片材料聲發(fā)射信號的降噪和盲源分離研究[D]. 南京： 南京航空航天大學, 2013.

[44]周勃, 谷艷玲, 項宏偉, 等. 風力機葉片裂紋擴展預測與疲勞損傷評價[J]. 太陽能學報, 2015, 36(1)： 41－48.

[45]Anastassopoulos A A, Kouroussis D A, Nikolaidis V N, et al.Structural integrity evaluation of wind turbine blades using pattern recognition analysis on acoustic emission data[J]. Chest, 2002,71(5)： 644 － 50.

[46]曲弋, 陳長征, 周昊, 等. 基于聲發(fā)射和神經(jīng)網(wǎng)絡的風機葉片裂紋識別研究[J]. 機械設計與制造, 2012, (3)： 152－154.

[47]周勃, 陳長征, 趙新光, 等. 風力機葉片蒙皮初始裂紋的盲信號提取[J]. 儀器儀表學報, 2012, 33(7)： 1483－1489.

[48]顧桂梅, 胡讓, 李遠遠. 果蠅優(yōu)化算法融合SVM的風機葉片損傷識別研究[J]. 自動化儀表, 2016, 37(2)： 9－12.

[49]饒金根. 基于諧波小波和支持向量機的風電葉片損傷識別研究[D]. 蘭州： 蘭州交通大學, 2014.

[50]Zhao Q. Damage detection of wind turbine blade based on wavelet analysis[A]. International Congress on Image and Signal Processing[C]. Shenyang, China, 2016.

[51]龔仁榮. 結構材料中聲發(fā)射傳播特性的研究[D]. 鎮(zhèn)江： 江蘇大學, 2005.

[52]袁洪芳, 周璐, 柯細勇, 等. 基于聲發(fā)射信號的風機葉片裂紋定位分析[J]. 計算機工程與設計, 2011, 32(1)： 320－323.

[53]Pang Y R, Lv Z H, Liang X M, et al. Acoustic Emission Attenuation and Source Location of Resin Matrix for Wind Turbine Blade Composites[J]. Advanced Materials Research, 2014,912-914： 36 － 39.

[54]朱永凱, 潘仁前, 陳盛票, 等. 基于聲發(fā)射傳感器陣列的風機葉片結構健康監(jiān)測方法[J]. 無損檢測, 2010, (10)： 753－756.

[55]Yoon D J, Han B H. Effective AE source location of damages in the wind turbine blade[J]. Review of Progress in Quantitative Nondestructive Evaluation, 2012, 1430(1)： 1599 － 1605.

[56]Tang J, Soua S, Mares C, et al. An experimental study of acoustic emission methodology for in service condition monitoring of wind turbine blades[J]. Renewable Energy, 2016, 99： 170 －179.

[57]Mu?oz C G, Márquez F G. A New Fault Location Approach for Acoustic Emission Techniques in Wind Turbines[J]. Energies,2016, 9(1)： 40.