文献类型：期刊文章

作　　者：贾辉[1,2] 张磊安[2] 王景华[2] 黄雪梅[2] 于良峰[3]

Jia Hui;Zhang Leian;Wang Jinghua;Huang Xuemei;Yu Liangfeng(Zibo Technician College,Zibo 255000,China;School of Mechanical Engineering,Shandong University of Technology,Zibo 255000,China;Shandong CRRC Wind Power Co.,Ltd.,Jinan 250104,China)

机构地区：[1]淄博市技师学院,山东淄博255000 [2]山东理工大学机械工程学院,山东淄博255000 [3]山东中车风电有限公司,山东济南250104

出　　处：《可再生能源》

基　　金：国家自然科学基金项目(52075305);山东省自然科学基金项目(ZR2019MEE076);山东省高等学校青创科技支持计划项目(2019KJB031);周村区校城融合发展项目(2020ZCXCZH01)。

年　　份：2022

卷　　号：40

期　　号：1

起止页码：67-72

语　　种：中文

收录情况：BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、IC、RCCSE、ZGKJHX、核心刊

摘　　要：为研究风电叶片玻璃纤维复合材料在疲劳工况下的损伤模式,文章基于声发射技术提出了一种主成分聚类分析和BP神经网络相结合的材料损伤识别模型。首先,采集损伤声发射信号,并提取相关参数进行分析,对不同疲劳损伤进行分类;其次,对数据进行主成分分析,以降低噪声信号,去掉冗余信息;再次,对主成分进行聚类分析,将样本分簇并找出各簇与损伤之间的对应关系;最后,基于BP神经网络建立损伤识别模型,并基于试验数据对识别网络进行测试训练。训练结果表明,识别模型对3种未知类型疲劳损伤的识别率均高于90%,对未知损伤具有较好的识别能力。

关 键 词：风电叶片 损伤识别 声发射 主成分分析 聚类分析  BP神经网络

分 类 号：TK83]