论文部分内容阅读
风力发电机的叶片是由复合材料制成的薄壳结构。叶片在生产和使用过程中容易出现脱层现象，为确保风机的使用安全和质量，对复合材料进行脱层检测变得尤为重要。本文研究了基于自适应滤波原理的信号降噪方法，基于功率谱估计、小波变换、小波包变换、Hilbert-Huang变换等现代信号处理方法的复合材料脱层特征提取技术，研究了基于BP神经网络的脱层识别方法。 首先，对信号进行趋势项的消除、端点检测和降噪等预处理。为了降低噪声对振动信号的影响，采用自适应抵消器对信号降噪。为了提高端点检测的抗噪性，本文结合对数能量和短时过零率提出了一种新的端点检测方法，并且实验数据验证了新方法的优越性。 其次，研究了频谱分析与小波分析在复合材料脱层检测中的应用。对振动信号进行功率谱估计，提取频谱重心、均方频率和频率方差三个参数作为判断有无脱层的特征参数，提取了小波包节点0相对能量比、小波包节点1相对能量比和小波包能量熵3个特征参数。 然后，研究了EMD在复合材料脱层检测中的应用。针对EMD虚假分量的问题，本文将K-L散度和遗传算法相结合，有效地识别了虚假分量。并在此基础上，提取了IMF2相对能量比、IMF3与IMF4相对能量比之和2个特征参数。 最后，研究了用BP神经网络对复合材料脱层检测的方法。将频谱重心、均方频率、频率方差、小波包节点0相对能量比、小波包节点1相对能量比和IMF2相对能量比总共6个特征参数作为BP神经网络的输入向量，对复合材料有脱层与无脱层进行分类，其平均识别率分别为：98.55％和97.09%。将小波包能量熵和小波包节点能量相对比作为特征向量，用BP神经网络对脱层深度0mm、5mm、10mm三种情况分类，其识别正确率分别为：93.3%，100%，94%。应用上述方法能成功地对复合材料有无脱层进行判别，并能有效地识别脱层深度。