基于光纖光柵應(yīng)變監(jiān)測(cè)的風(fēng)機(jī)葉片損傷識(shí)別及預(yù)警

宋庭新， 黎晶麗

（湖北工業(yè)大學(xué)機(jī)械工程學(xué)院， 湖北武漢 430068）

0 前言

風(fēng)機(jī)葉片運(yùn)行時(shí)會(huì)受到氣動(dòng)、 重力以及離心載荷的作用， 若載荷變化劇烈， 葉片將會(huì)以不同的形式振動(dòng)， 產(chǎn)生振動(dòng)應(yīng)力， 長時(shí)間的振動(dòng)應(yīng)力會(huì)導(dǎo)致葉片損傷。 在葉片上設(shè)置光纖光柵傳感器可以直接獲得葉片的應(yīng)變情況， 通過采集到的應(yīng)變數(shù)據(jù)對(duì)風(fēng)機(jī)葉片進(jìn)行損傷識(shí)別及預(yù)警是保證風(fēng)機(jī)安全運(yùn)行的重要措施。 目前許多學(xué)者開展了基于光纖光柵傳感器的風(fēng)機(jī)葉片損傷預(yù)警研究工作， 并取得了一些進(jìn)展。 如閆蕊等人［1］結(jié)合Chang－Chang 失效準(zhǔn)則與一維應(yīng)力應(yīng)變關(guān)系建立了一種基于應(yīng)變的損傷模型， 考慮了復(fù)合材料在發(fā)生損傷時(shí)出現(xiàn)的纖維斷裂、 壓縮、 基體開裂和擠壓， 通過葉片的應(yīng)變監(jiān)測(cè)材料失效程度來對(duì)其材料損傷進(jìn)行預(yù)警。 李璽等人［2］采用Hashin 失效準(zhǔn)則并結(jié)合剛度非線性退化方法建立復(fù)合材料漸進(jìn)損傷模型， 實(shí)現(xiàn)對(duì)復(fù)合材料傳動(dòng)軸的失效分析。 徐萍［3］采用光纖光柵傳感器采集風(fēng)機(jī)葉片無損和有裂紋2 種狀態(tài)的應(yīng)變信號(hào)進(jìn)行頻域分析， 發(fā)現(xiàn)葉片損傷會(huì)造成應(yīng)變周期變大。PEDRAZZANI 等［4］通過將光纖嵌入到風(fēng)力渦輪機(jī)葉片中， 測(cè)量損傷狀態(tài)下葉片在負(fù)載下的應(yīng)變， 發(fā)現(xiàn)損傷位置處的應(yīng)變會(huì)發(fā)生突變。 雷智洋等［5］通過改變螺旋槳的轉(zhuǎn)速對(duì)動(dòng)應(yīng)變進(jìn)行測(cè)試， 并進(jìn)行時(shí)域和頻域分析， 發(fā)現(xiàn)不同工況下動(dòng)應(yīng)變的特征不同， 表明動(dòng)應(yīng)變對(duì)于機(jī)械振動(dòng)較敏感。 鄒潔等人［6］提出了一種通過對(duì)沖擊響應(yīng)信號(hào)的能量分布和中心波長的檢測(cè)實(shí)現(xiàn)風(fēng)機(jī)葉片損傷識(shí)別的方法。 LIU 等［7］采用雙數(shù)復(fù)小波變換的方法對(duì)應(yīng)變數(shù)據(jù)進(jìn)行處理與分析， 發(fā)現(xiàn)當(dāng)葉片出現(xiàn)損傷時(shí)測(cè)量的應(yīng)變明顯波動(dòng)。 張則榮等［8］通過對(duì)比風(fēng)機(jī)葉片結(jié)構(gòu)損傷前后的模態(tài)頻率、 應(yīng)變及位移模態(tài)參數(shù)， 發(fā)現(xiàn)隨著損傷的發(fā)生其模態(tài)頻率有下降趨勢(shì)， 且受損區(qū)域的應(yīng)變模態(tài)會(huì)發(fā)生突變。 WANG 等［9］通過模態(tài)分析得到葉片結(jié)構(gòu)的薄弱位置及損傷易產(chǎn)生區(qū)域， 并根據(jù)結(jié)構(gòu)固有頻率的變化確定葉片的損傷。 李春林等［10］對(duì)深度學(xué)習(xí)在故障診斷領(lǐng)域的應(yīng)用進(jìn)行了研究， 指出深度學(xué)習(xí)能夠自動(dòng)拾取特征進(jìn)行識(shí)別分類， 具有良好的應(yīng)用前景。 梁川［11］將應(yīng)變信號(hào)引入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練， 得到了風(fēng)機(jī)葉片表面覆冰識(shí)別模型。 賈輝等人［12］利用聲發(fā)射技術(shù)對(duì)葉片損傷進(jìn)行監(jiān)測(cè)， 運(yùn)用主成分聚類分析和BP 神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)對(duì)風(fēng)機(jī)葉片的損傷判別。 REDDY 等［13］通過無人機(jī)拍攝制作風(fēng)機(jī)葉片損傷圖片數(shù)據(jù)集， 再對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到損傷識(shí)別模型。 ZHANG、 WANG［14］將卷積神經(jīng)網(wǎng)絡(luò)運(yùn)用到風(fēng)機(jī)葉片圖像處理中， 得到了較好的損傷分類結(jié)果。 WANG 等［15］提出一種將支持向量機(jī)與圖像識(shí)別結(jié)合的方法來區(qū)分葉片正常和異常部位。MORENO 等［16］提出一種基于機(jī)器視覺的故障檢測(cè)方法， 能夠分析葉片表面的每個(gè)部分， 實(shí)現(xiàn)自動(dòng)檢測(cè)風(fēng)機(jī)葉片的故障。

上述研究主要從風(fēng)機(jī)葉片的應(yīng)變時(shí)域信號(hào)分析和模態(tài)分析兩方面對(duì)損傷進(jìn)行識(shí)別， 或者將風(fēng)機(jī)葉片振動(dòng)信號(hào)引入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行損傷識(shí)別， 均取得了一定效果。 但這些方法都需要一定數(shù)量的故障樣本， 且側(cè)重于應(yīng)用一種方法， 識(shí)別準(zhǔn)確率有待提高。 特別是當(dāng)風(fēng)機(jī)葉片處于正常運(yùn)行狀態(tài)時(shí)， 故障樣本數(shù)據(jù)難以大量獲得， 因此難以建立高準(zhǔn)確率的損傷特征模型。本文作者根據(jù)光纖光柵應(yīng)變監(jiān)測(cè)信號(hào)， 從材料應(yīng)變損傷分析、 時(shí)域頻域信號(hào)分析、 振動(dòng)模態(tài)分析以及深度學(xué)習(xí)多個(gè)角度對(duì)風(fēng)機(jī)葉片的損傷情況進(jìn)行綜合分析，通過對(duì)比分析驗(yàn)證結(jié)果的可靠性， 使風(fēng)機(jī)葉片的損傷預(yù)測(cè)更加準(zhǔn)確， 可以有效避免誤判， 同時(shí)也可提高風(fēng)機(jī)葉片損傷預(yù)警的時(shí)效性和準(zhǔn)確性， 對(duì)風(fēng)機(jī)健康監(jiān)測(cè)和安全運(yùn)行具有重要作用。

1 基于應(yīng)變的風(fēng)機(jī)葉片材料損傷模型

材料失效是機(jī)械結(jié)構(gòu)損傷的主要原因之一， 文中首先從材料失效角度對(duì)風(fēng)機(jī)葉片進(jìn)行損傷識(shí)別和預(yù)警。 目前風(fēng)機(jī)葉片的材料一般選用玻璃纖維增強(qiáng)樹脂復(fù)合材料， 俗稱玻璃鋼， 它以玻璃纖維增強(qiáng)不飽和聚脂、 環(huán)氧樹脂與酚醛樹脂為基體， 以玻璃纖維及其制品作為增強(qiáng)材料。 玻璃鋼受到?jīng)_擊載荷產(chǎn)生損傷時(shí)，表面形狀幾乎不會(huì)發(fā)生變化， 但其內(nèi)部可能已經(jīng)產(chǎn)生較大損傷， 直接威脅到結(jié)構(gòu)的安全性。 為了監(jiān)測(cè)風(fēng)機(jī)葉片材料的損傷程度， 文中根據(jù)光纖光柵傳感器采集的應(yīng)變數(shù)據(jù)進(jìn)行判別。 假設(shè)材料損傷度ω僅是應(yīng)變狀態(tài)ε的函數(shù)， 與過程無關(guān)。 根據(jù)材料損傷力學(xué)屬性， 在一維載荷情況下， 定義材料損傷準(zhǔn)則為

其中：εth表示應(yīng)變損傷閾值， 可由試驗(yàn)獲得，初始無損材料在其應(yīng)變達(dá)到損傷閾值εth以前保持無損狀態(tài)； 當(dāng)應(yīng)變超過εth時(shí)， 損傷是狀態(tài)的函數(shù)。 材料破壞準(zhǔn)則為： 當(dāng)ε＝εf時(shí)，ω＝ωc， 即當(dāng)單元所受應(yīng)變達(dá)到斷裂應(yīng)變?chǔ)舊時(shí)， 損傷度ω達(dá)到其臨界值ωc，材料破壞。

由式（1） 可知， 通過監(jiān)測(cè)應(yīng)變是否達(dá)到損傷閾值可以對(duì)材料損傷進(jìn)行判斷。 風(fēng)機(jī)葉片的材料為復(fù)合材料， 其強(qiáng)度問題比較復(fù)雜， 不能簡單使用單一閾值進(jìn)行損傷識(shí)別。 對(duì)于風(fēng)機(jī)葉片， 其組織形式為復(fù)合玻璃鋼成分， 可以使用Chang－Chang 失效準(zhǔn)則判斷載荷沖擊過程中面內(nèi)纖維和基體的組合破壞。 結(jié)合應(yīng)力應(yīng)變關(guān)系和Chang－Chang 失效準(zhǔn)則［1］， 可得到基于應(yīng)變的材料損傷模型如下：

纖維拉伸：

在風(fēng)機(jī)葉片承受較大的沖擊時(shí)， 玻璃鋼材料出現(xiàn)少量的基體擠裂， 接著發(fā)生纖維壓縮損傷； 隨著時(shí)間的增加， 在層間剪切應(yīng)力的作用下可能在中間鋪層的界面上出現(xiàn)纖維、 基體損傷和分層現(xiàn)象， 在彎曲作用下可能出現(xiàn)纖維斷裂、 基體開裂損傷， 導(dǎo)致分層的產(chǎn)生和擴(kuò)展。 玻璃鋼破環(huán)從組合破壞應(yīng)力的單層應(yīng)力開始， 單層應(yīng)力失效引起其他層應(yīng)力重新分配， 進(jìn)而逐層破壞導(dǎo)致玻璃鋼材料失效。 故當(dāng)單層破壞判定因子大于1 時(shí)， 就要對(duì)風(fēng)機(jī)葉片的材料損傷進(jìn)行及時(shí)預(yù)警。

2 應(yīng)變信號(hào)的時(shí)域與頻域分析

第1 節(jié)通過光纖光柵傳感器監(jiān)測(cè)的應(yīng)變特征，從材料失效角度， 基于應(yīng)變的材料損傷模型對(duì)葉片的損傷進(jìn)行了分析。 雖然此方法十分簡便， 但風(fēng)機(jī)葉片材料損傷與葉片結(jié)構(gòu)損傷并不是絕對(duì)的對(duì)應(yīng)關(guān)系， 比如用于固定葉片的螺栓松動(dòng)， 材料并沒有發(fā)生破壞， 但整個(gè)葉片結(jié)構(gòu)卻發(fā)生了故障， 并且已經(jīng)影響到風(fēng)機(jī)的安全運(yùn)行。 在這種情況下， 從材料失效角度無法判斷葉片結(jié)構(gòu)的損傷并進(jìn)行預(yù)警。 當(dāng)工程結(jié)構(gòu)發(fā)生損傷時(shí)， 與正常結(jié)構(gòu)相比， 某些特性會(huì)產(chǎn)生異?，F(xiàn)象。

風(fēng)機(jī)葉片在風(fēng)的作用下很容易發(fā)生形變， 形變大小與風(fēng)機(jī)的性能有密切關(guān)系。 葉片的形變會(huì)引起振動(dòng)， 振動(dòng)使風(fēng)機(jī)在其平衡位置附近發(fā)生往復(fù)運(yùn)動(dòng)， 產(chǎn)生振動(dòng)應(yīng)力； 振動(dòng)應(yīng)力往復(fù)性地對(duì)葉片長時(shí)間作用后， 會(huì)產(chǎn)生疲勞損傷。 當(dāng)外部激勵(lì)頻率與風(fēng)機(jī)固有頻率相等時(shí)還會(huì)發(fā)生共振， 這將明顯增加葉片的振動(dòng)幅度， 加快葉片的損傷， 甚至發(fā)生斷裂。 所以葉片表面的應(yīng)變信號(hào)能夠反映風(fēng)機(jī)的工作狀態(tài)， 因而根據(jù)葉片的振動(dòng)特性對(duì)其損傷狀況進(jìn)行識(shí)別是可行的。

葉片的振動(dòng)方程為

其中：m表示質(zhì)量矩陣；C表示阻尼矩陣；K表示剛度矩陣；x表示位移；f（t）表示激勵(lì)。 一般風(fēng)機(jī)葉片結(jié)構(gòu)體系的阻尼比ζ較小， 可忽略不計(jì)， 式（6） 存在非零解， 即葉片處于自由振動(dòng)狀態(tài)。 自由振動(dòng)方程為

設(shè)x＝ψeωx，ψ為N×1 階自由振動(dòng)的幅值列陣，則頻域方程可寫為

此時(shí)將ω2看作特征值γ， 將ψ看作特征向量，則γi為特征值，ψi為第i階歸一化位移模態(tài)向量， 則：

當(dāng)葉片發(fā)生損傷時(shí)， 結(jié)構(gòu)剛度矩陣會(huì)發(fā)生改變，相應(yīng)地，γi及ψi也會(huì)發(fā)生改變， 葉片的損傷振動(dòng)變化方程為

式中：αK表示結(jié)構(gòu)剛度矩陣的變化量；αγi表示特征值的變化量；αψi表示特征向量的變化量。

聯(lián)立式（9） （10） 可得：

式（11） 乘， 聯(lián)立式（9） 可得：

當(dāng)葉片發(fā)生損傷后其剛度減小， 即αK≤0， 所以αγi≤0， 又γ＝ω2， 則由αωi≤0 可看出葉片的損傷會(huì)導(dǎo)致其頻率減小。

當(dāng)葉片發(fā)生損傷時(shí)， 葉片發(fā)出的振動(dòng)信號(hào)會(huì)有微小差別， 通過對(duì)比可以發(fā)現(xiàn)葉片的損傷。 通常葉片出現(xiàn)損傷時(shí)， 振動(dòng)應(yīng)力的持續(xù)時(shí)間較長， 振動(dòng)頻率會(huì)有小幅降低［17］。 在傳統(tǒng)的機(jī)械測(cè)試分析領(lǐng)域， 時(shí)域分析和頻域分析是故障診斷的常用方法， 通?？梢允褂么祟惙椒▽?duì)風(fēng)機(jī)葉片的振動(dòng)情況進(jìn)行分析， 實(shí)現(xiàn)對(duì)葉片結(jié)構(gòu)的損傷識(shí)別和預(yù)警。 但是通過時(shí)域信號(hào)不易深入分析信號(hào)的主要成分， 而在頻域上分析更能明確區(qū)分正常信號(hào)與故障信號(hào)。 頻域分析可以根據(jù)頻譜的變化異同來判斷風(fēng)機(jī)葉片損傷與否。 對(duì)采集的時(shí)域信號(hào)數(shù)據(jù)進(jìn)行頻域分析， 可以分析出頻率成分、 相位、 幅值等變化情況。 損傷信號(hào)與正常信號(hào)所呈現(xiàn)出來的頻率幅值和周期性存在差異， 可以分析其特征進(jìn)而對(duì)風(fēng)機(jī)葉片損傷進(jìn)行判斷。 一般來說， 對(duì)結(jié)構(gòu)的振動(dòng)加速度信號(hào)進(jìn)行頻域分析可以得到結(jié)構(gòu)振動(dòng)的頻率成分。但有研究表明： 在低頻振動(dòng)情況下， 通過對(duì)結(jié)構(gòu)應(yīng)變信號(hào)進(jìn)行傅里葉變換也可以獲得結(jié)構(gòu)振動(dòng)的頻率組成。 風(fēng)機(jī)葉片振動(dòng)是一種低頻振動(dòng)， 所以文中直接使用光纖光柵傳感器監(jiān)測(cè)的應(yīng)變時(shí)域信號(hào)進(jìn)行傅里葉變換得到頻率信息。 若原始應(yīng)變時(shí)域信號(hào)為X（t）， 其傅里葉變換可表示為

式中：t表示時(shí)間；f表示頻率。 則幅值譜表示為

式中：X（k）表示幅值的模值， 代表著信號(hào)的有效成分以及線性頻率分布。 在實(shí)際測(cè)試中， 每個(gè)風(fēng)機(jī)葉片的根部粘貼了4 個(gè)光纖光柵傳感器， 采樣頻率設(shè)定為10 Hz。 圖1 所示為其中一個(gè)傳感器采集得到的葉片正常狀態(tài)和發(fā)生裂紋損傷狀態(tài)時(shí)的應(yīng)變時(shí)域信號(hào)。

圖1 應(yīng)變時(shí)域信號(hào)Fig.1 Strain time domain signal： （a） normal state； （b）damaged state

圖2 應(yīng)變RMS 值Fig.2 Strain RMS value： （a） normal state； （b）damaged state

從圖1 中可以直觀地觀察到風(fēng)機(jī)葉片應(yīng)變信號(hào)的幅值大小和變化規(guī)律。 損傷狀態(tài)下， 應(yīng)變的值比正常狀態(tài)下的值稍大， 這是因?yàn)槿~片出現(xiàn)了微裂紋所致，但是從時(shí)域波形變化特征中不易觀察出損傷特征。 這時(shí)可以通過計(jì)算信號(hào)的均方根均值（RMS） 來觀察其幅值特征。 離散信號(hào)x1、x2、x3、 …、xn的均方根均值的計(jì)算方法為

通過對(duì)比正常狀態(tài)與損傷狀態(tài)應(yīng)變數(shù)據(jù)的均方根值發(fā)現(xiàn)， 正常狀態(tài)下RMS 分布均勻， 當(dāng)風(fēng)機(jī)葉片發(fā)生損傷后， RMS 會(huì)出現(xiàn)局部增大。 以上正常狀態(tài)與損傷狀態(tài)下的應(yīng)變時(shí)域數(shù)據(jù)經(jīng)過傅里葉變換后得到的頻譜如圖3 所示。

圖3 損傷狀態(tài)下的應(yīng)變信號(hào)頻域Fig.3 Frequency domain of strain signal： （a） normal state；（b） damaged state

從圖3 可以看出： 頻域分析對(duì)時(shí)域信號(hào)進(jìn)行了頻率劃分， 頻域的總頻響函數(shù)能清楚顯示被激起的模態(tài)以及每一階模態(tài)對(duì)應(yīng)的頻率， 這樣就可以根據(jù)特征頻率來識(shí)別葉片的損傷情況。 正常狀態(tài)和損傷狀態(tài)的特征頻率如表1 所示。

表1 正常狀態(tài)和損傷狀態(tài)下風(fēng)機(jī)葉片的模態(tài)頻率與幅值Tab.1 Modal frequency and amplitude of fan blades under normal and damaged state

從表1 中可知， 當(dāng)葉片結(jié)構(gòu)受到損傷時(shí)， 前4 階模態(tài)頻率都發(fā)生了一定幅度的減小， 這與風(fēng)機(jī)葉片的損傷理論一致， 即前4 階模態(tài)頻率的下降可以作為風(fēng)機(jī)葉片發(fā)生損傷的判斷依據(jù)， 對(duì)葉片損傷進(jìn)行預(yù)警。

3 風(fēng)機(jī)葉片振動(dòng)模態(tài)分析

當(dāng)風(fēng)機(jī)葉片的固有頻率與激振力的頻率一致時(shí)便會(huì)發(fā)生共振， 造成風(fēng)機(jī)葉片加速損傷， 破壞整個(gè)系統(tǒng)的穩(wěn)定性。 共振也是葉片損傷的主要原因之一， 因此需要避免共振的發(fā)生， 也需要在共振發(fā)生的第一時(shí)間預(yù)警。 文中對(duì)整個(gè)葉片模型進(jìn)行有限元模態(tài)分析， 確定葉片系統(tǒng)的固有頻率和振型。 通過光纖光柵傳感器監(jiān)測(cè)數(shù)據(jù)計(jì)算葉片的激振力振動(dòng)頻率， 當(dāng)此頻率與葉片固有頻率一致時(shí)發(fā)出共振預(yù)警。

為了提取風(fēng)機(jī)葉片結(jié)構(gòu)的固有頻率和振型， 對(duì)式（17） 所示特征方程求解可得到各階頻率和模態(tài)：

式中：ωi為特征值對(duì)應(yīng)結(jié)構(gòu)的各階固有頻率；φi為特征向量對(duì)應(yīng)某個(gè)振動(dòng)頻率的振動(dòng)模態(tài)。 有限元分析軟件ABAQUS 提供了兩類方法對(duì)方程進(jìn)行求解，即直接求解法和向量迭代求解法， 其中向量迭代法可以求解較大結(jié)構(gòu)系統(tǒng)的少數(shù)特征值問題， 故文中采用向量迭代法的Lanczos 求解器。

在ABAQUS 中設(shè)置風(fēng)機(jī)葉片的材料為玻璃鋼，取徑向泊松比μ1＝0.212、 周向泊松比μ2＝0.479、 軸向泊松比μ3＝0.326、 密度ρ＝1 730.000 kg/m3。 采用殼單元建立風(fēng)機(jī)葉片模型， 得到風(fēng)機(jī)葉片結(jié)構(gòu)模態(tài)振型如圖4 所示。

圖4 模態(tài)分析結(jié)果Fig.4 Modal analysis results： （a） the first－order； （b） the second－order； （c） the third－order； （d） the fourth－order

葉片系統(tǒng)的1—4 階固有頻率如表2 所示。

表2 葉片系統(tǒng)的固有頻率 單位： HzTab.2 Natural frequency of blade system Unit： Hz

從圖4 可以看出： 葉片系統(tǒng)的1 階模態(tài)振型以單個(gè)葉片的擺振為主， 2 階模態(tài)振型以單個(gè)葉片的揮舞擺振相互耦合構(gòu)成， 3 階模態(tài)振型以單個(gè)葉片的揮舞為主， 4 階模態(tài)振型以單個(gè)葉片的扭轉(zhuǎn)為主。 風(fēng)機(jī)葉片在工作狀態(tài)下主要受到垂直于葉片表面的風(fēng)載荷， 故葉片的擺振是造成葉片斷裂損傷的主要原因。 而當(dāng)外界激振力頻率與葉片的固有頻率相等時(shí)， 葉片發(fā)生共振， 葉片的擺振將會(huì)更加劇烈。 表2 中， 經(jīng)過有限元模態(tài)分析得到葉片在1 階模態(tài)時(shí)發(fā)生上下彎曲振動(dòng)（擺振）， 其1 階固有頻率為0.350 9 Hz。 由第2 節(jié)的頻域分析可知， 正常狀態(tài)下風(fēng)機(jī)葉片的1 階模態(tài)頻率為0.167 Hz， 但它隨著風(fēng)速和偏航角度的變化而變化，如果變化接近其1 階固有頻率則有共振的風(fēng)險(xiǎn)， 此時(shí)應(yīng)及時(shí)預(yù)警， 通過調(diào)整偏航角度來避免共振發(fā)生。

4 基于卷積神經(jīng)網(wǎng)絡(luò)的損傷識(shí)別方法

上述時(shí)頻域分析方法及有限元分析準(zhǔn)確率較高，且不需要故障信號(hào)作為樣本， 但過程繁瑣， 在風(fēng)機(jī)葉片設(shè)計(jì)時(shí)可以參考使用。 近年來， 隨著深度學(xué)習(xí)逐步應(yīng)用到機(jī)械結(jié)構(gòu)故障診斷領(lǐng)域， 診斷準(zhǔn)確性和效率不斷提高。 但深度學(xué)習(xí)必須要有充足的正、 負(fù)樣本量，而在風(fēng)機(jī)的正常運(yùn)行周期內(nèi)很難獲得足夠的負(fù)樣本。當(dāng)風(fēng)電場(chǎng)經(jīng)過長時(shí)間的運(yùn)行， 積累了足夠量的負(fù)樣本以后， 便可以結(jié)合深度學(xué)習(xí)方法進(jìn)行損傷識(shí)別。

卷積神經(jīng)網(wǎng)絡(luò)是一種在深度學(xué)習(xí)中常用的方法，其模型結(jié)構(gòu)如圖5 所示。 文中將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到風(fēng)機(jī)葉片系統(tǒng)的損傷識(shí)別中進(jìn)一步提高識(shí)別效率， 建立數(shù)學(xué)模型表述如下：

圖5 卷積神經(jīng)網(wǎng)絡(luò)模型Fig.5 Convolution neural network model

其中：Xt：t＋k－1表示經(jīng)過時(shí)間步處理的時(shí)間序列，k表示卷積核大小；WT為共享權(quán)重參數(shù)；b為共享偏置；f（?）為激活函數(shù)， max（?）為最大池化函數(shù)。共享權(quán)重和共享偏置的設(shè)置可以減少模型的訓(xùn)練參數(shù)， 使網(wǎng)絡(luò)的學(xué)習(xí)模式具有平移不變性， 提高了模型訓(xùn)練時(shí)對(duì)數(shù)據(jù)的利用效率， 從而提高模型訓(xùn)練速度和泛化能力。 激活函數(shù)引入了非線性因素， 增強(qiáng)了模型的表達(dá)能力。 最大池化函數(shù)在保證卷積層特征完整性的情況下可降低模型的計(jì)算量。

文中通過光柵光纖傳感器采集到了足夠樣本量的正常和損傷2 種狀況下的應(yīng)變數(shù)據(jù)， 通過制作數(shù)據(jù)集來訓(xùn)練基于一維卷積神經(jīng)網(wǎng)絡(luò)的模型， 并對(duì)卷積神經(jīng)網(wǎng)絡(luò)識(shí)別的效果進(jìn)行評(píng)估。 將表征風(fēng)機(jī)葉片損傷的一維應(yīng)變信號(hào)輸入模型， 利用卷積層中的多尺度卷積結(jié)構(gòu)對(duì)原始應(yīng)變信號(hào)進(jìn)行卷積計(jì)算， 在池化層中對(duì)特征信息進(jìn)行提煉簡化， 從而實(shí)現(xiàn)風(fēng)機(jī)葉片的損傷識(shí)別。

風(fēng)機(jī)葉片在工作狀態(tài)下除了轉(zhuǎn)動(dòng)引起的振動(dòng)外，還有其他作用引起的多種振動(dòng)， 這些振動(dòng)信號(hào)疊加在一起形成了完整的應(yīng)變信號(hào)。 若直接把采集到的應(yīng)變時(shí)間序列數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練， 由于信號(hào)的組成較為復(fù)雜， 會(huì)導(dǎo)致模型訓(xùn)練準(zhǔn)確率較低。 在應(yīng)變數(shù)據(jù)頻域分析的過程中發(fā)現(xiàn)： 風(fēng)機(jī)葉片振動(dòng)的1 階模態(tài)頻率對(duì)整個(gè)結(jié)構(gòu)的穩(wěn)定性影響最大。 文中對(duì)應(yīng)變數(shù)據(jù)進(jìn)行處理， 提取出1 階模態(tài)頻率對(duì)應(yīng)的數(shù)據(jù)， 將其作為神經(jīng)網(wǎng)絡(luò)的輸入可以提高整個(gè)模型的準(zhǔn)確率。 分析正常風(fēng)機(jī)葉片應(yīng)變的時(shí)域信號(hào)得到振動(dòng)周期約為6 s， 即風(fēng)機(jī)在正常運(yùn)行下每6 s 采集到的數(shù)據(jù)特征幾乎一致。 為了保證神經(jīng)網(wǎng)絡(luò)提取到完整周期的特征信號(hào)， 文中取2 個(gè)周期的數(shù)據(jù)作為一個(gè)樣本， 采樣頻率為10 Hz， 即一個(gè)樣本有120 個(gè)數(shù)據(jù)。 數(shù)據(jù)集的組成如表3 所示。

表3 風(fēng)機(jī)葉片應(yīng)變數(shù)據(jù)集Tab.3 Fan blade strain data set

將一維卷積核在時(shí)間序列上滑動(dòng)提取數(shù)據(jù)， 每次處理2 個(gè)時(shí)間周期的數(shù)據(jù)， 可提取到應(yīng)變數(shù)據(jù)在前后時(shí)間段的變化關(guān)系， 使神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到更多的數(shù)據(jù)特征， 提高模型的準(zhǔn)確率。 一維卷積神經(jīng)網(wǎng)絡(luò)模型的工作原理如圖6 所示。

圖6 一維卷積神經(jīng)網(wǎng)絡(luò)的工作原理Fig.6 Working principle of 1D convolution neural network

圖6 中， 一維卷積神經(jīng)網(wǎng)絡(luò)的卷積層對(duì)輸入的時(shí)間序列數(shù)據(jù)進(jìn)行卷積提取特征， 池化層對(duì)輸入的特征值進(jìn)行壓縮， 丟棄影響較小的特征值， 一方面可以簡化網(wǎng)絡(luò)計(jì)算復(fù)雜度， 另一方面可以進(jìn)一步提取主要特征。 在全連接層連接所有的特征， 將輸出值送給分類器得到分類結(jié)果。 利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)機(jī)葉片進(jìn)行損傷識(shí)別的流程如圖7 所示。

圖7 風(fēng)機(jī)葉片卷積神經(jīng)網(wǎng)絡(luò)損傷識(shí)別流程Fig.7 Damage identification process of fan blade based on convolution neural network

將應(yīng)變信號(hào)集按7 ∶3 劃分， 其中70%用作訓(xùn)練集， 對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練， 另外30%用作模型的驗(yàn)證和測(cè)試。 將新的應(yīng)變信號(hào)輸入訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中， 可對(duì)風(fēng)機(jī)葉片損傷狀況及損傷程度進(jìn)行識(shí)別， 若識(shí)別結(jié)果為損傷則報(bào)警。 實(shí)驗(yàn)證明： 經(jīng)過對(duì)卷積神經(jīng)網(wǎng)絡(luò)的充分訓(xùn)練， 該模型在數(shù)據(jù)集上的分類準(zhǔn)確率可達(dá)到91%以上， 即基于應(yīng)變數(shù)據(jù)的一維卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)風(fēng)機(jī)葉片損傷識(shí)別的準(zhǔn)確率得到了提高， 且損傷識(shí)別的效率也有所提高， 對(duì)損傷的嚴(yán)重程度可以進(jìn)行更加細(xì)致的分類， 從而避免風(fēng)機(jī)葉片損傷未能及時(shí)維修帶來的損失。

5 結(jié)束語

基于光纖光柵傳感器采集得到的應(yīng)變數(shù)據(jù)， 文中采用4 種方法對(duì)風(fēng)機(jī)葉片進(jìn)行了損傷識(shí)別和預(yù)警。 在風(fēng)機(jī)葉片設(shè)計(jì)和正常運(yùn)行階段， 可以采用前3 種傳統(tǒng)方法對(duì)風(fēng)機(jī)葉片損傷進(jìn)行識(shí)別和預(yù)警。 隨著風(fēng)機(jī)運(yùn)行的時(shí)間越來越長， 負(fù)樣本量（即故障信號(hào)） 積累到一定程度， 使用第4 種深度學(xué)習(xí)方法進(jìn)行識(shí)別的效率更高。 在準(zhǔn)確率上， 這些方法相差不大， 但傳統(tǒng)故障診斷方法過程更加繁瑣， 效率不高。 故在風(fēng)機(jī)投入運(yùn)行一段時(shí)間后， 采集光纖光柵傳感器監(jiān)測(cè)的葉片應(yīng)變數(shù)據(jù)， 利用卷積神經(jīng)網(wǎng)絡(luò)的速度和效率優(yōu)勢(shì)進(jìn)行故障預(yù)警效果更好。 針對(duì)風(fēng)機(jī)葉片的損傷程度， 傳統(tǒng)方法識(shí)別較為困難， 但是文中通過深度學(xué)習(xí)方法實(shí)現(xiàn)了風(fēng)機(jī)葉片的損傷程度識(shí)別。 下一步研究可使用深度學(xué)習(xí)模型實(shí)現(xiàn)更加豐富的功能， 例如可增加對(duì)葉片覆冰的識(shí)別模型等， 或引入優(yōu)化算法提高模型準(zhǔn)確率， 使卷積神經(jīng)網(wǎng)絡(luò)在風(fēng)機(jī)葉片的損傷識(shí)別領(lǐng)域應(yīng)用更廣。 在實(shí)際應(yīng)用中， 可以綜合對(duì)比多種方法， 使識(shí)別結(jié)果更加準(zhǔn)確， 為風(fēng)機(jī)葉片系統(tǒng)的安全運(yùn)行提供更加可靠的預(yù)警方法。