BP神经网络在风电塔筒裂纹AE源定位中的应用

材料或构件内部局部位置在外力和内力作用下，产生变形或有裂纹形成时，所释放出的瞬时弹性波现象[2]。對于在役风电塔筒而言，在复杂的受力状态下产生裂纹时，常常伴随有声发射现象，利用声发射技术对在役风电塔筒裂纹的产生和发展过程进行在线动态监测，可以对裂纹产生的声发射源进行有效定位[3]。

目前，对在役风电塔筒的实时在线监测在国内尚属空白。由于风电塔筒构件体型较大，常规的无损检测方法因其自身的局限性，只能对塔筒的关键部位进行定期检测，很难对其进行大面积的实时检测。而且，常规的检测方法对塔筒这种大型构件检测时，必须在其停机的情况下进行，且检测成本较高。

近年来，随着声发射检测技术的发展，国内外学者对声发射源的定位进行了深入研究。尽管研究领域各不相同，但其对声发射源的定位方法基本一致，主要包含时差定位和区域定位。时差定位是指同一声发射源所发出的AE信号到达不同传感器的时间差，经波速、传感器间距参数的测量与算数运算，能够确定AE源的坐标和位置的方法[4]。但是，时差定位很容易丢失一些低幅度的信号，且波速、衰减、波形、构件的形状等易变量对AE信号定位的准确性又有很大影响，因而，在实际应用中很难得到满意的结果。虽然区域定位简便、速度较快，但其定位粗略。而神经网络的结构具有并行分析和自适应的能力，具有较高的容错能力和学习能力。

针对上述现状，并结合风电塔筒的结构及易产生裂纹的部位，本文提出一种将BP神经网络应用于在役风电塔筒裂纹声发射源定位的方法，并通过模拟试验验证了该定位方法的可行性。

2 实验方案与衰减分析

2.1 裂纹声发射源信号采集实验方案

依据在役风电机组运行过程中塔筒复杂的载荷分布及焊缝裂纹的产生部位，为了能够采集到实际工况下的裂纹源信号，对其进行定位，本实验以酒泉水电四局在建的3 WM风电机组的下段塔筒为实验平台，实验中采用断铅法模拟塔筒裂纹声发射源信号的产生（即：以30°角，在塔筒环焊缝及法兰上折断？准0.5 mmHB型铅笔进行断铅试验）。此外，在该平台上进行了塔筒衰减特性的研究。根据风电塔筒裂纹产生的部位及衰减特性，以相邻传感器的中点为断铅点，依次在每个环焊缝上确定了3个断铅点，具体的断铅位置如图3所示。

风电塔筒由上、中、下三段组成，各段使用Q345E钢经卷制焊接而成，且段与段之间采用法兰进行连接。因此，塔筒呈轴对称结构，且具有多条环焊缝。通过对塔筒倒塌事故和受力分析，结果发现，引起塔筒倒塌的主要缺陷为疲劳裂纹，且多位于塔筒中部以上的环焊缝和法兰。所以，3个传感器依次分布在距塔筒第3条焊缝10 mm的圆环上，相邻传感器之间的夹角为120°（见图4），采用北京声华兴业科技有限公司生产的SAEU2S声发仪采集裂纹源声发射信号，传感器采用SR150N型谐振式传感器，前置放大器选用PAI宽带型放大器。

2.2 塔筒声发射源信号衰减特征

为提高神经网络对塔筒裂纹源定位的精确度，对塔筒环焊缝进行了声发射信号的衰减研究和AE传感器分布位置的优化，衰减特性曲线如图5、图6所示。通过前期研究发现，声发射信号在塔筒中的传播距离约8 m，未经过第3条焊缝时，AE的幅值、能量及RMS等特征值呈下降趋势，而上升计数呈上升趋势，符合其衰减规律。但是，随着AE信号经过环焊缝条数的增多，信号的波形在传播过程中发生了转换，使其特征参数发生突变，导致突变结果呈无规律性，这种变化会使得裂纹源定位不准确。研究过程中，为了避免AE信号波形转换对BP神经网络定位的影响，并结合塔筒产生裂纹的部位，故将AE传感器布置于第3环焊缝处。

对于结构高度对称的风电塔筒，由于其对称性，会使对称部位产生的AE信号的特征值存在相似性，导致对裂纹源定位的精准度产生影响。因此，单组AE传感器不能对其整段进行检测，且AE传感器应避免布置在风电塔筒对称处的环焊缝上。

3 BP神经网络的设计与分析

3.1 初始值的选取

由于神经网络划分的区域呈现非线性，初始值的选取对于网络的训练和学习是否能够达到局部最小和收敛影响很大[7]。所以，在初始值的选取时，需要考虑其在输入累加时使各个神经元的状态值接近于零值，权值与阀值一般是随机选取，取值范围一般在[0，1][8]。

3.2 输入层的设计

输入神经元特征参数的选取会对输出结果产生较大的影响。由于采集到声发射信号的特征参量较多，AE特征参数的选取成为难点。此外，声发射特征参数合理、有效地选取对神经网络的优化和输出结果的准确性影响很大。

根据采集数据的表示方式和前期的实验结果，以及大量的相关文献可知，AE参数中的幅值、振铃计数、持续时间、能量、RMS和ASL 6个参数组合的相关性较好[9]，且网络的定位结果较为准确。因此，在此次网络的智能定位中分别选取了3个AE传感器的6个特征参数做为BP神经网络输入层的神经元个数。由于初始值的设定是0～1之间的小数，与原始数据特征参数之间相差悬殊，如果直接使用，測量数值较大的波动性会使网络的训练及学习时间延长、速度减慢，垄断了神经网络的学习过程，使得较小变化值的变化不能被反映，因此需要对输入样本进行归一化处理，使其变化范围在[0，1]，从而使那些较大的输入值可以落在传递函数梯度大的地方[10-11]。归一化后的输入样本如表1所示（篇幅所限仅以1个传感器数据为例）。

3.5 网络的训练与测试

网络的训练过程是一个不断修正权值和阀值的过程，通过调整使得网络的输出误差达到最小，以满足实际应用的需求[14]。由于三层神经网络就可以很好地解决风电塔筒裂纹源的定位问题，所以此次实验采用三层神经网络结构模型，网络的学习与训练采用Matlab 7.0神经网络工具箱来完成。

由于网络输入向量为归一化数值，其范围在[0，1]之间，因此采用S型正切函数tansing和对数函数logsig，分别作为神经网络中隐含层神经元和输出层神经元的传递函数，这是由于输出模式为0～1，正好满足网络的输出要求[15-16]。

训练函数trainlm采用收敛速度较快的Levenberg-Marquardt反传算法对网络结构进行训练。学习函数采用learngdm函数，该函数为梯度下降动量学习函数。性能函数采用均方误差（MSE）函数，来计算网络的误差。BP神经网络参数设置如表3所示。通过正交实验和误差分析，确定出网络的最佳训练参数，训练参数如表4所示。网络的学习速率为0.001时，经过1 000次训练后BP网络对函数的逼近效果最好，网络输出结果的误差最小，而且网络经过296次训练就达到了目标误差0.001，训练误差曲线如图7所示。

BP神经网络经上述设置训练结束后，从不同位置产生的裂纹源AE信号中，随机选择100组特征数据作为测试样本，输入测试样本见表5（篇幅所限仅以8组数据为例），经测试可得到BP网络实际输出向量如表6所示。通过对BP神经网络实际输出与期望输出的比较，按照欧式范数理论，这8次测试结果的误差分别为0.002 3，0.000 0，0.009 8，0.002 3，

0.000 6，0.000 2，0.000 0，0.005 0，其误差均非常小，且在这100次测试的实际输出结果中有5组与期望输出不同，正确率接近95%。由此可见，将BP神经网络应用于在役风电塔筒裂纹源的定位具有可行性，能够满足其对裂纹源的定位要求。

4 结束语

通过对风电塔筒进行断铅模拟声发射裂纹源信号和衰减研究，并结合风电塔筒的结构及裂纹产生的部位，本文提出一种基于BP神经网络的塔筒缺陷声发射源的智能定位方法，研究表明：

1）该方法实现了塔筒声发射源信号特征参数与缺陷部位非线性映射的一一对应关系，并通过模拟试验验证了该方法的可行性和准确性，为在役风电塔筒的实时在线监测提供了依据。

2）通过该方法与常规检测方法的结合，可以有效地提高声发射检测技术对于在役风电塔筒的检测效率，降低其检测成本，避免在役风电塔筒倒塌事故的发生。

3）对于高度对称的焊接结构件，若要对其运行过程中产生的声发射源进行定位，提高智能定位的准确性，AE传感器的布置应避免分布在焊接结构件的对称中心位置处，这也为塔筒传感器合理、有效的布置提供了一种优化方法。

4）由于BP神经网络的学习和记忆具有不稳定性，随着样本的增加，网络的训练需要从零开始，因此，如何使网络的学习和记忆性能达到稳定，还需要更为深入的研究。

参考文献

[1] 张鹏林，桑远，赵志强，等. 声发射技术在Q345E钢拉伸损伤破坏中的应用研究[J]. 甘肃科学学报，2015，27（2）：83-87，133.

[2] 周杰，毛汉领，黄振峰，等. 金属疲劳断裂的声发射检测技术[J]. 中国检测，2007，20（3）：7-9.

[3] 单珂. 基于声发射技术的风机叶片材料裂纹损伤的识别研究[D]. 南京：南京航空航天大学，2015.

[4] 沈功田，耿荣生，刘时风. 声发射源定位技术[J]. 无损检测，2002，24（3）：114-117.

[5] 贾振元，马建伟，刘巍，等. 多几何要素影响下液压阀件特性的混合神经网络预测模型[J]. 机械工程学报，2010，16（2）：126-131.

[6] 王光研. 基于RBF神经网络的旋转机械故障诊断[D]. 北京：北京信息科技大学，2007.

[7] 刘胜，方亮，葛亚明，等. 基于神经网络的襟翼舵升力系数预报[J]. 哈尔滨工程大学学报，2002，38（21）：83-87.

[8] 郭晶，孙伟娟. 神经网络理论与Matlab 7实现[M]. 北京：电子工业出版社，2005：99-108.

[9] 闫小青. 金属材料损伤过程声发射特征参数及损伤模型研究[D]. 南昌：南昌大学，2012.

[10] 叶咏弘，张慧，张铁华，等. 基于神经网络的无陀螺捷联惯导系统姿态预测[J]. 中国惯性技术学报，2008，18（2）：159-164，170.

[11] 刘建. BP神经网络在雷达测轨数据异常值处理中的应用[J].飞行器测控学报，2009，16（2）：32-35.

[12] 肖建清，丁德馨，徐根，等. 便携式人工神经网络在砼疲劳寿命预测中的应用[J]. 华南大学学报，2009，10（1）：96-100.

[13] 吴松林，张福明，林晓东. 基于小波神经网络的滚动轴承故障诊断[J]. 空军工程大学学报，2008，6（1）：50-55.

[14] SUN Y， PENG D R， ZHANG R W. Mine fire safety assessment based on BP neural network[J]. Industrial Safety and Environmental Protection，2011（1）：38-40.

[15] 张红军. 一种新的前反馈神经网络训练算法及其在控制中的应用[D]. 大连：大连理工大学，2002.

[16] 李森林，鄧小武. 基于二参数的BP神经网络算法改进及应用[J]. 河北科技大学学报，2010，18（5）：447-450.

（编辑：李妮）

推荐访问： 神经网络 裂纹 风电 定位 BP

---