风电叶片是风力发电的核心部件,由于风电叶片结构复杂、工艺繁多、不可避免的会在其生产过程中产生缺陷,缺陷的存在会严重影响风电叶片的使用性能。典型的叶片缺陷包括夹杂缺陷与褶皱缺陷,夹杂缺陷的产生机制是由于在加工过程中掺入夹杂物而产生,褶皱缺陷的产生是由于在铺层过程中出现褶皱。这两种缺陷对于叶片的力学性能的影响程度极大,夹杂缺陷和褶皱缺陷会造成风电叶片的力学强度下降。不同褶皱高宽比和夹杂缺陷层数对于风电叶片的影响差异很大,其对叶片的性能影响评估显得格外重要。目前常规超声无损检测法不能对缺陷的种类进行有效识别,而缺陷种类的不确定会导致后续的缺陷修复没有数据依据,极大增加了修复的成本,因此工业上迫切需要能够对风电叶片的缺陷类别进行区分的方法。本文初步研究了这两种缺陷对于风电叶片力学性能的影响,并基于小波包分析与BP神经网络相结合实现了对风电叶片典型缺陷类型的模式识别。主要研究的内容如下:(1)对具有夹杂缺陷和褶皱缺陷的实验样品进行了拉伸压缩实验,以评估不同高宽比和不同夹杂厚度对叶片性能的影响。实验结果表明褶皱缺陷高宽比在0.08范围时,褶皱缺陷对风电叶片造成的影响在安全范围内,当褶皱高宽比大于0.08时其力学性能下降显著,需要对其进行修补。当夹杂缺陷的厚度低于2层时其力学强度下降不太明显,但是当具有3层夹杂缺陷时其力学性能下降迅速下降,需要对其缺陷进行重点关注。(2)为了能够找到实现缺陷识别的方法,对褶皱和夹杂两种缺陷样品进行了超声检测,对缺陷信号进行频谱分析和小波包分解。结果表明,不同的缺陷能谱系数分布不同,可以将能谱系数作为特征参量,区分不同的缺陷。(3)构建BP神经网络,以能谱系数矩阵作为BP神经网络的输入向量,输入到BP神经网络中进行训练、验证和测试。实验结果表明:运用BP神经网络与小波包分析相结合的分析方法使对风电叶片缺陷种类智能识别成为了可能,最后通过对BP神经网络的期望误差和训练次数的优化实现了风电叶片缺陷识别率的提高,其识别率为92.8%。