本文主要研究风电叶片脱层的无损检测。风电叶片作为风力发电设备较为重要的一部分,其成本较高,及时发现风电叶片的损伤是增加风力发电设备寿命、降低维护成本的有效手段。目前所制风电叶片的材质基本为复合材料,即本文主要研究复合材料脱层的无损检测。首先介绍了风电叶片损伤的常见类型,综述了国内外对复合材料无损检测使用的方法和现状。当叶片存在脱层缺陷时,构件缺陷处刚度下降,敲击叶片,接触持续时间增大,接触产生的声音频率更低。针对上述特点,本文设计了针对构件的无损检测系统,同时采集敲击时产生的力信号和声音信号。对力的持续时间进行分析,研究了敲击力的持续时间与缺陷大小、深度的关系。对声音信号分析,脱层与否对声音信号的频谱分布有较大影响。在声音信号预处理的部分,采用多项式二乘法消除趋势项,采用改进的谱减法对声音信号进行降噪,在此基础上基于短时能量进行端点检测。截取有效声音信号段后,采用功率谱估计、小波变换、小波包变换等现代信号处理方法对信号进行复合材料脱层特征量的提取。确定了功率谱估计中频率重心、均方频率、频率方差三个参数能够作为判断复合材料有无脱层的特征量;小波包分析中小波包节点0相对能量比、小波包节点1相对能量比和小波包能量熵三个特征参数能够作为判断复合材料有无脱层的特征量。最后,研究了用BP神经网络对复合材料脱层检测的方法。基于声音信号频谱分析与小波包分解6个参数作为特征量的有脱层判定正确率为93.35%,无脱层判定正确率为88.62%。基于声音信号和振动信号共7个特征量的有脱层判定正确率为94.72%,无脱层判定正确率为91.58%。实验结果表明,应用上述方法能对复合材料有无脱层进行有效判别,并能一定程度识别脱层深度和面积,能够较好的识别深度小于等于20mm的缺陷,缺陷的面积也能够得到较好的识别。