基于機器學習預(yù)測3D打印風力渦輪機葉片制造缺陷

2025年7月16日，南極熊獲悉，來自格羅寧根大學的研究人員開發(fā)了一種低成本、可擴展的方法，利用 3D打印模型、振動分析和機器學習來檢測風力渦輪機葉片的故障。這項研究展示了如何使用 PLA 制造的 NREL 5MW 葉片的縮放復(fù)制品來模擬損壞場景，并使用支持向量機和 K 最近鄰算法對結(jié)構(gòu)故障進行準確分類，準確率超過 94%。

△NREL 5MW 葉片幾何尺寸縮放圖。圖片來自格羅寧根大學。

風力渦輪機葉片承受著持續(xù)的機械應(yīng)力和惡劣的環(huán)境條件，因此早期損傷檢測對于確保結(jié)構(gòu)完整性和降低維護成本至關(guān)重要。傳統(tǒng)的檢測方法通常成本高昂且勞動密集。在本研究中，研究人員使用Bambu Lab 的 3D打印機制造了一個 300 毫米的 NREL 5MW 葉片比例模型，并在葉片根部、跨中和過渡區(qū)等關(guān)鍵區(qū)域引入了五種類型的裂紋損傷。

△比例縮放的 NREL 5MW 葉片的幾何形狀。

為了評估故障對結(jié)構(gòu)的影響，研究團隊進行了有限元法 (FEM) 模擬，并使用錘擊試驗裝置通過實驗?zāi)�態(tài)分析驗證了結(jié)果。研究發(fā)現(xiàn)，振動模式 3、4 和 6 的共振頻率對結(jié)構(gòu)異常尤為敏感。與健康葉片相比，這些模式的頻率偏移高達 3 Hz。

△歸一化振型突出顯示了多種損傷場景以及傳感器和撞擊位置。圖片來自格羅寧根大學。

特征提取和機器學習

研究人員從時域和頻域中提取特征，并通過方差分析（ANOVA）篩選出統(tǒng)計顯著性最高的特征。這些特征隨后被用于訓練多種機器學習模型，包括隨機森林、支持向量機、K最近鄰和樸素貝葉斯分類器。其中，KNN和SVM的分類準確率最高，超過94%。

研究結(jié)合了3D打印、仿真和機器學習，為風力渦輪機葉片的結(jié)構(gòu)健康監(jiān)測提供了一種可重復(fù)且經(jīng)濟有效的方法。研究團隊計劃將這一方法擴展到多葉片系統(tǒng)和更復(fù)雜的故障配置，旨在將其集成到實時監(jiān)測系統(tǒng)中，以實現(xiàn)預(yù)測性維護。

△用于故障分類的特征值密度分布。圖片來自格羅寧根大學。

3D打印在風能研究中的應(yīng)用

這項研究與風能研究的最新發(fā)展相一致，包括NREL的MADE3D 項目，重在探索增材制造如何增強渦輪葉片的結(jié)構(gòu)和空氣動力學性能。

此外，3D打印正越來越多地被用于延長風力渦輪機部件的生命周期。在最近的一個案例中，一個退役的風力渦輪機葉片被利用增材制造技術(shù)改造成一座模塊化人行天橋。項目展示了如何利用重復(fù)使用的葉片材料和3D打印連接器構(gòu)建可持續(xù)的民用基礎(chǔ)設(shè)施，進一步凸顯了風能與數(shù)字制造的融合。

隨著增材技術(shù)在大型風電部件中的應(yīng)用越來越廣泛，用于故障檢測和設(shè)計優(yōu)化的數(shù)字工具研究對可再生能源領(lǐng)域變得越來越重要