格羅寧根大學(xué)利用3D打印與機器學(xué)習(xí)開發(fā)低成本風(fēng)機葉片故障檢測技術(shù)

2025年7月17日，南極熊獲悉，荷蘭格羅寧根大學(xué)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(xué)習(xí)來檢測風(fēng)機葉片的故障。該研究通過使用PLA材料制作的NREL 5MW葉片的縮放復(fù)制品，成功模擬了各種損壞場景。

△NREL 5MW風(fēng)機葉片比例縮放圖

風(fēng)力渦輪機葉片在承受持續(xù)的機械應(yīng)力和惡劣環(huán)境條件下，早期損傷檢測顯得尤為重要，它確保了結(jié)構(gòu)的完整性和降低了維護成本。然而，傳統(tǒng)的檢測方法往往成本高昂且費時費力。在本項研究中，研究人員利用拓竹3D打印機，制造了一個300毫米長的NREL 5MW葉片比例模型，并在葉片的關(guān)鍵區(qū)域（如根部、跨中和過渡區(qū)）引入了五種不同類型的裂紋損傷。

△比例縮放的NREL 5MW葉片的幾何形狀

為了評估這些損傷對結(jié)構(gòu)性能的影響，研究團隊采用了有限元法(FEM)進行模擬，并通過實驗?zāi)�態(tài)分析驗證了結(jié)果。實驗使用錘擊試驗裝置進行。研究結(jié)果表明，振動模式3、4和6的共振頻率對結(jié)構(gòu)異常特別敏感。與未受損的葉片相比，這些模式的頻率出現(xiàn)了高達3 Hz的偏移。

△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

特征提取和機器學(xué)習(xí)

研究人員從時域和頻域提取了特征，并通過方差分析（ANOVA）篩選出具有最高統(tǒng)計顯著性的特征。這些特征隨后被用于訓(xùn)練多種機器學(xué)習(xí)模型，包括隨機森林、SVM、KNN和樸素貝葉斯分類器。其中，KNN和SVM分類器的準確率最高，超過了94%。

本研究將3D打印技術(shù)、仿真和機器學(xué)習(xí)相結(jié)合，為風(fēng)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。研究團隊計劃將此方法擴展到多葉片系統(tǒng)和更復(fù)雜的故障配置中，并致力于將它集成到實時監(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

3D打印在風(fēng)能研究中的應(yīng)用

此外，3D打印技術(shù)正日益成為延長風(fēng)力渦輪機部件使用壽命的有力工具。例如，在一個近期案例中，一個退役的風(fēng)力渦輪機葉片通過增材制造技術(shù)被改造成為一座模塊化的人行天橋。該項目不僅展示了如何利用可重復(fù)使用的葉片材料和3D打印連接器來構(gòu)建可持續(xù)的民用基礎(chǔ)設(shè)施，還進一步強調(diào)了風(fēng)能與數(shù)字制造技術(shù)的融合潛力。

隨著增材制造技術(shù)在大型風(fēng)電部件中的應(yīng)用日益普及，對于故障檢測和設(shè)計優(yōu)化的數(shù)字工具的研究在可再生能源領(lǐng)域變得愈發(fā)重要。