叶片是风力机获取风能的关键部件,在叶片的生产过程中,往往因为其制作工艺的特殊,自动化程度不高,使生产出来的叶片存在内部缺陷,如褶皱、分层、缺胶等。由于这些随机分布的工艺缺陷存在,导致复合材料的疲劳破坏通常从缺陷处开始,并在随机交变应力作用下逐步扩展贯通成为宏观裂纹,继而逐步扩展到界面上引发疲劳损伤,对叶片结构造成破坏。考虑风电场大多位于偏远地区,存在维护、监测困难的问题,如果早期损伤未被及时发现,有可能在恶劣工况下发展为恶性事故而造成巨大的经济损失。因此,研究风力机叶片的损伤演化识别,对于保障叶片长时间安全运行具有重要意义。本文研究采用声发射技术对叶片复合材料损伤演化状态进行识别和预测,为风力机叶片健康状态监测提供新思路,论文的主要研究内容如下:(1)以损伤力学理论为基础,通过分析不同阶段损伤演化的能量耗散,建立了风力机叶片复合材料的损伤演化模型,从而明晰声发射能量耗散和复合材料损伤演化规律的关系。通过复合材料层合板Lamb理论讨论了不同类型的Lamb频散控制方程以及频散特性。利用声发射断铅实验分析了不同Lamb波传播方式,并讨论了不同损伤程度对Lamb波的影响,为损伤演化过程中声发射信号波形分析提供理论依据。(2)依据风电发电机组风轮叶片质量标准中对叶片质量影响最大的褶皱和分层工艺缺陷,针对性的建立了GFRP复合材料声发射实验平台,并详细阐述了实验步骤和人工缺陷制作方法。实验分析了分层缺陷位置、大小和不同高宽比褶皱缺陷对复合材料力学性能的影响。使用聚类分析算法识别了复合材料损伤模式,并利用电镜扫描验证的损伤模式识别的正确性。通过对不同缺陷复合材料的声发射特征分析,明晰了缺陷类型和几何参数对叶片损伤规律的影响,为缺陷复合材料损伤模式识别和状态监测提供依据。(3)褶皱缺陷在损伤演化过程中,由于损伤模式的多样性使得观测AE信号源的数目小于声发射源信号数目,本文提出一种改进的K-means欠定盲源分离方法,有效提取了褶皱缺陷损伤演化过程中基体开裂,纤维剥离,界面分层和纤维断裂的频率特征,最后计算并分析疲劳损伤演化中各类损伤特征的声能耗散趋势。研究结果表明,褶皱缺陷在稳定损伤阶段,纤维及纤维束纵向所产生的纤维剥离是能量耗散的主要来源,失稳破坏阶段出现的裂纹和脱粘以及纤维断裂为主要的声发射激励源,并呈现高幅值能量释放的态势,从而明晰了褶皱缺陷的损伤演化机理。(4)针对叶片层合板分层缺陷损伤演化中多组分材料所导致交叉项干扰问题,提出了一种基于自适应VMD-WVD时频分析方法,通过利用交替方向乘子法迭代搜索求取增广Lagrange函数的鞍点,获取声发射模态分量和中心频率。实验结果表明,通过二维时频分布相关系数和时频分辨率对算法性能进行评价,该方法使得交叉项干扰有效降低,还能保证较高的时频聚集性和时频分辨率,能够细致地刻画声发射信号在时频平面上所发生的变化过程,表征分层缺陷损伤的复杂动态过程。(5)考虑叶片复合材料在应力达到最大之前便已经发展为宏观失效,造成失稳破坏的识别和预测难度较大。针对该问题,提出一种基于声发射信号聚类分析和神经网络的复合材料失稳破坏前兆特征识别和预测方法,通过对比每种声发射信号类型的时序演化特征,筛选出合适的前兆特征信号建立神经网络预测模型。结果表明,该方法相比于声发射积累能量和积累计数等参数可有效的对其失稳破坏状态进行识别和预测。