《Bioengineering》:Acoustic and Vibration Fusion-Based Fault Diagnosis for Wind Turbine Blades: A Review from Blade Structure, Fault Modes to Intelligent Diagnosis Methods
风力机叶片(WTBs)对风能捕获和能量转换至关重要,因此其状态决定机组效率与安全性。叶片长期承受持续气动载荷和恶劣环境,常出现表面侵蚀、裂纹和分层,并可能发展为结构失效。随着风电快速扩张,传统单模态监测(single-modality monitoring),如振动或空气声(airborne acoustic)传感,在信息完整性和抗干扰性方面的局限日益显现。因此,多模态融合(multimodal fusion)诊断受到关注。由于多数研究侧重单一传感模态,且缺乏将损伤机制、信号响应与融合策略系统关联的综述,本文综述风力机叶片(WTBs)的声-振融合(acoustic-vibration fusion)故障诊断。研究从叶片材料与结构特征出发,表征典型损伤模式及其演化;首先回顾单模态检测方法并指出其在复杂工况下的局限,从而确立多模态融合的必要性;随后系统总结数据级、特征级和决策级的信号处理技术、诊断模型与融合策略;比较不同方法在特征表征能力、抗干扰性和工程适用性方面的差异;最后,针对复杂环境下数据获取挑战及数字孪生(digital twin)动态预警的新兴作用,展望未来研究方向。
2. 风力机叶片的损伤机制与失效模式(Damage Mechanisms and Failure Modes of WTBs)
风力机叶片(WTBs)状态直接影响发电效率与运行安全,分析叶片材料属性、常见损伤模式及其成因是故障诊断研究的基础。
2.1. 叶片材料与结构特征(Blade Material and Structural Characteristics)
现代大型风力机叶片(WTBs)主要由纤维增强复合材料(fiber-reinforced composite materials)构成,基体多为环氧树脂,增强纤维按部位性能需求选用玻璃纤维或碳纤维;碳纤维因高比强度和高比模量常用于超长叶片主梁帽。结构上多采用由吸力面/压力面壳体、剪切腹板等组成的薄壁箱形构型,壳体常含轻木或聚酯泡沫夹芯,因而形成多层、异质内部结构。
2.2. 典型损伤类型及成因(Typical Damage Types and Causes)
叶片损伤分为结构性与非结构性损伤,主要成因包括气动载荷、环境侵蚀、疲劳累积和意外冲击,常见缺陷有表面侵蚀与腐蚀、裂纹、分层、覆冰和雷击损伤。
2.2.1. 前缘侵蚀与腐蚀(Leading-Edge Erosion and Corrosion)
前缘侵蚀与腐蚀主要发生于叶片前缘,源于长期受粉尘和雨水等环境作用,导致表面胶层分层并暴露复合材料;表面粗糙度增加会改变气动外形、损害结构完整性并降低发电效率。
2.2.2. 裂纹(Cracks)
裂纹主要源于长期疲劳损伤和局部应力集中,宏观上呈横向或纵向;裂纹破坏气动表面并激发异常气动噪声,同时降低局部刚度、降低固有频率并改变振动模态。
2.2.3. 分层(Delamination)
分层常由制造缺陷、雷击冲击波或极端载荷下屈曲引起,削弱层间黏结;其增加阻尼、降低局部刚度并改变弹性波传播,严重降低抗压强度并促进压缩侧局部屈曲,极端情况下可导致叶片失效。
2.2.4. 覆冰(Icing)
覆冰多在寒冷潮湿条件下由液滴在叶片表面凝结形成,改变气动外形、增加质量并破坏转子动平衡,从而提高疲劳载荷并产生显著低频振动;振动谱中常表现为倍频分量幅值异常升高,覆冰变化也可通过声发射(AE)传感监测。
2.2.5. 雷击损伤(Lightning Damage)
风力机常位于平原、山地和海上等暴露区域,叶片作为机组最高部件易受雷击;雷击损伤多集中于叶尖外三分之一,雷电流瞬时高温使叶片内空气快速膨胀并产生机械冲击,造成叶尖裂纹、蒙皮分层甚至烧蚀。
3. 叶片故障诊断的发展过程(The Development Process of Blade Fault Diagnosis)
叶片故障诊断由人工巡检发展到自动检测和智能诊断:早期依赖技术人员登塔巡检、望远镜目视及敲击判断空鼓或分层,费时费力且依赖主观经验; supervisory control and data acquisition(SCADA)可依据功率、风速、转速和温度等参数推断叶片健康,成本低但采样频率低且受环境强烈影响,对早期小裂纹或局部气动不平衡不敏感;振动检测可在线识别严重结构故障,但对早期小裂纹不敏感且易受噪声干扰;声发射(AE)检测灵敏度高,可实时记录裂纹扩展等活性缺陷的动态能量释放,但其与麦克风测得的空气声属不同物理响应;光纤布拉格光栅(FBG)传感器具有抗电磁干扰、耐腐蚀和高精度特点,适合长期应变监测,但安装复杂、维护困难且光纤易断;超声检测分辨率和穿透性强,常用于内部缺陷识别,但多需停机接触检测且厚复合材料中衰减严重;基于无人机(UAV)的机器视觉可安全直观定位表面损伤,但无法揭示内部缺陷且受光照和天气影响,仍偏离线巡检。随着失效模式和运行环境复杂化,单一模态检测在信息完整性和抗干扰性方面局限日益明显,空气声与振动信号的互补物理响应为融合诊断提供了依据,但叶片专用直接证据仍相对有限。
4. 复杂风场条件下风力机叶片声振智能诊断方法演化(Evolution of Acoustic-Vibration Intelligent Diagnostic Methods for WTBs Under Complex Wind-Field Conditions)
与常规旋转机械相比,叶片具有尺寸大、柔性显著、多层异质材料及工况高度变化等特点,其空气声和振动响应既反映结构状态,也受风速、气动载荷、湍流和环境噪声影响。叶片故障诊断需在复杂非平稳环境中检测弱特征、表征多尺度损伤并识别变工况状态,通常通过空气声与振动信号的同步采集、信号处理、特征提取和融合评估实现。
4.1. 风力机叶片故障诊断的关键问题(Key Issues in WTB Fault Diagnosis)
4.1.1. 非平稳风场条件下的时变响应(Time-Varying Responses Under Nonstationary Wind-Field Conditions)
叶片持续受随机风速、湍流扰动和周期性交变载荷作用,其空气声与振动响应呈显著非平稳和非线性;同一故障在不同工况下可表现不同谱分布和能量特征,风速变化引起气动载荷、转速、振动频率、模态响应和气动噪声同步变化,使基于固定频率假设的方法稳定性下降。为分析非平稳信号,研究由快速傅里叶变换(FFT)等频域方法转向短时傅里叶变换(STFT)、小波变换(WT)及经验模态分解(EMD)、变分模态分解(VMD)等自适应模态分解;VMD在复杂风场下具有较好的模态稳定性和噪声鲁棒性。
4.1.2. 早期弱损伤的低信噪比问题(Low Signal-to-Noise Ratio Problem of Early Weak Damage)
叶片故障通常由局部轻微损伤逐渐发展,早期前缘侵蚀、微裂纹、局部分层或胶层缺陷仅引起整体刚度和动态响应的弱变化,损伤信号幅值低、持续时间短,易被运行和环境噪声掩盖;空气声受风噪、机舱机械噪声和背景噪声污染,振动信号受转速波动、载荷变化和塔架传递振动影响,降低故障指标信噪比并妨碍早期损伤信号分离。
4.1.3. 多尺度损伤演化与单模态信息不足(Multi-Scale Damage Evolution and Lack of Single-Modality Information)
叶片损伤呈显著多尺度和阶段性演化,早期多为局部前缘表面侵蚀、局部裂纹萌生或小层间缺陷,随后可发展为分层、胶接脱粘、裂纹扩展乃至整体刚度退化;各阶段空间尺度、物理机制和信号响应不同,单一信息源难以完整表征叶片状态,单模态诊断在复杂工况下可能导致漏检、误分类或严重度评估不准。
4.1.4. 动态风场变化下的跨工况泛化(Cross-Condition Generalization Under Dynamic Wind-Field Changes)
叶片长期运行于动态环境,不同时间、风场和机组间工况差异显著;风速、载荷、温度、湿度、叶片几何、材料结构和传感器布置变化会改变采集信号分布,使基于单一工况或特定风场训练的特征受限于该分布。工况变化时即使健康状态不变,信号特征也可能显著不同;故障样本稀缺时模型易将正常工况变化误判为故障或将早期损伤视为常规波动,因此需提升跨风速、载荷、风场及机型条件的泛化性和鲁棒性。
4.2. 复杂工况下的深层特征学习方法(Deep Feature Learning Methods for Complex Operating Conditions)
4.2.1. 面向局部异常感知的卷积特征学习(Convolutional Feature Learning for Local Anomaly Perception)
卷积神经网络(CNN)通过卷积核自动学习局部信号模式,适合捕捉裂纹扩展、瞬态冲击和局部高频异常;一维卷积神经网络(1D-CNN)可直接处理原始传感器时间序列,减少对手工特征的依赖;二维卷积神经网络(2D-CNN)可处理时频谱图、小波时频图和梅尔谱图等图像化表示,利用频带间空间相关性提高识别精度。但CNN依赖局部感受野,难以充分捕捉长期依赖和全局动态变化。
4.2.2. 面向时变动态响应的时间序列建模方法(Time-Series Modeling Methods for Time-Varying Dynamic Responses)
循环神经网络(RNN)用于表征空气声和振动信号随工况演化的过程,长短期记忆(LSTM)网络可缓解传统RNN梯度消失问题并学习长程时间依赖;LSTM适合建模风速变化下的时变动态响应,并可捕捉裂纹扩展引起的振动能量累积和气动异常动态演化。CNN-LSTM混合模型通常由CNN提取局部空间特征,再由LSTM建模时间依赖,以兼顾局部故障检测和全局动态分析。
4.2.3. 面向复杂风场环境的全局关联建模(Global Correlation Modeling for Complex Wind-Field Environments)
Transformer模型利用自注意力机制直接关联序列不同位置,可动态分配全序列时间位置的重要性,适合捕捉风速波动和载荷变化引起的长程动态依赖,并在复杂非平稳环境中聚焦关键故障区域;CNN–Transformer混合模型可平衡局部异常检测与全局时间关联建模。但Transformer通常依赖大规模训练数据和较强计算资源,而真实风场故障样本常较稀缺,因而推动迁移学习和无监督学习发展。
4.2.4. 面向跨工况与小样本问题的特征迁移方法(Feature-Transfer Methods for Cross-Condition and Small-Sample Problems)
迁移学习通过共享预训练模型参数,将已有工况或任务知识迁移至新工况,以缓解风速、载荷和环境差异引起的协变量偏移,提高复杂风场下模型泛化能力,并减少对大量标注故障数据的依赖;自编码器及其变体通过编码-重构获得低维表示,可用于无监督特征学习和信号降噪,抑制复杂噪声背景中的冗余信息并增强故障相关特征。上述研究涉及叶片图像、SCADA或多元运行数据及叶片振动信号等不同信息源和被监测部件,应视为特定诊断方法示例而非等效的声-振多模态诊断证据。
4.2.5. 单模态深度诊断的性能局限(Performance Limitations of Single-Modality Deep Diagnosis)
尽管深度学习显著提升了叶片故障特征提取和非线性建模能力,但仅依赖空气声或振动单一信息源仍不足以完整表征叶片损伤演化全过程;CNN、LSTM和Transformer等模型虽增强特征学习能力,却仍受单模态信号限制,难以同时捕捉局部气动异常和整体结构退化;复杂风场中持续变化的工况还会引起信号分布漂移,即使结合迁移学习,单模态模型跨工况泛化仍易退化。
4.3. 声振多模态融合诊断方法(Acoustic-Vibration Multimodal Fusion Diagnosis Method)
4.3.1. 空气声与振动信号特征的互补性(Complementarity of Acoustic and Vibration Signal Characteristics)
叶片损伤涉及材料退化、气动变化和结构属性变化等复杂物理过程,不同传感模态可捕捉不同方面,为声-振融合提供物理基础;但现有研究尚不足以建立“空气声总对应早期损伤、振动总对应晚期损伤”的普适损伤演化序列。空气声主要反映气动变化、机械相互作用和表面相关扰动引起的声辐射,表面侵蚀等可通过气流特性和噪声辐射影响空气声响应;裂纹、分层和胶接脱粘等结构损伤可改变局部刚度、阻尼和模态特征,从而影响振动响应。两种模态的相对敏感性取决于损伤机制、传感器配置和运行工况,而非固定早晚序列。
4.3.2. 数据级融合方法(Data-Level Fusion Methods)
数据级融合是较低层级融合,在信号预处理后对信号进行时间对齐并拼接不同模态通道,形成统一输入,从而尽可能保留原始物理信息并直接学习模态间耦合关系;常用端到端深度学习结构包括CNN、1D-CNN和Transformer。但数据级融合要求精确时间同步,麦克风与振动传感器在采样频率、传播速度、噪声特性和安装位置方面差异可削弱多模态对应关系,真实风场中噪声和干扰进一步影响数据质量,因此其效果强烈依赖高质量采集、精确同步和合理传感器布置。
4.3.3. 决策级融合方法(Decision-Level Fusion Methods)
决策级融合中各模态独立完成故障识别,再融合各模态输出形成最终诊断决策,对数据同步约束较少,模块独立性和工程灵活性较高,更适合麦克风和振动传感器安装位置、采样频率和数据长度不同的现场条件;常用概率加权、投票、贝叶斯推断和Dempster-Shafer(D-S)证据理论。复杂风场中该策略可提供较强鲁棒性,但若某一模态严重退化或不可用,最终性能可能下降;且其仅在结果层融合,对模态间深层耦合利用有限,信息利用效率通常低于特征级融合。
4.3.4. 特征级融合方法(Feature-Level Fusion Methods)
特征级融合先分别提取空气声和振动特征,再在统一特征空间中融合以实现多模态故障信息协同表征;需注意“融合”并不必然等同声-振多模态融合,本节涉及多模态传感、单一物理模态的多种表示或特征以及多传感器测量等不同信息集成,只有物理上不同信息源的组合才视为直接多模态证据。传统特征级融合依赖手工特征,如时域统计指标、频域能量、模态参数和空气声频谱特征,并结合支持向量机(SVM)或随机森林(RF)分类;深度学习方法采用双通道CNN、CNN-LSTM、多输入Transformer和深度耦合自编码器等,并在中间层或高层语义空间融合。注意力机制可动态重加权不同模态和特征区域,跨注意力可促进模态间信息交换,增强跨模态协同表征。特征级融合在信息利用和抗噪性之间较平衡,但增加跨模态深度交互建模复杂度,且并非在所有工况下必然提升性能。
5. 总结与未来展望(Summary and Future Prospects)
5.1. 总结(Summary)
单模态检测在复杂工况下存在信息完整性和鲁棒性局限,空气声可反映气动扰动和表面相关损伤变化,振动可表征刚度、阻尼和模态等结构动力学变化,但两者相对敏感性取决于损伤机制、传感器配置和工况,不能普适地对应特定损伤演化阶段;其互补使用可能比单一模态更完整表征叶片状态。故障诊断算法正由手工特征工程和浅层分类器转向自适应深层特征学习,多模态诊断中特征级融合可整合模态特定表示,数据级和决策级策略在不同传感与工程约束下仍适用,代表性融合结构从特征拼接发展到注意力、跨注意力和Transformer交互网络。实际应用仍面临真实风场故障数据有限、环境干扰复杂、跨工况泛化和不同工况验证不足等挑战,数字孪生辅助动态预警是叶片健康管理的有前景方向,但仍在物理建模、多源数据更新、不确定性评估和验证方面需进一步发展。
5.2. 未来研究展望(Future Research Outlook)
未来需关注高质量数据获取与复杂条件下跨工况泛化:真实风场早期弱故障样本稀缺,损坏叶片真实工况数据采集成本高,未来应构建更接近物理运行环境的实验平台,引入多类型、多通道传感器阵列以产生高质量标注数据,并发展结合迁移学习和自编码器的无监督/半监督故障检测方法,以应对风速、载荷、温度和湿度持续变化引起的协变量偏移。数字孪生动态预警技术是整合多源信息和动态叶片状态评估的前瞻方向,但其用于叶片内部损伤重构和早期预警仍需研究:需建立描述叶片结构退化、运行工况与可测响应关系的物理或动态模型;利用空气声、振动、应变、温度等监测数据更新数字模型以及时反映物理叶片变化;在状态评估中考虑风速、载荷、环境、模型参数和传感器测量等不确定性;并使用不同工况下独立实验或真实风场数据验证数字孪生可靠性。因此,内部损伤重构和动态预警目前应视为研究目标而非已充分证明的能力,未来应聚焦物理模型构建、多源数据更新、不确定性评估和跨工况验证。