一种风电叶片连接处细小缺陷的检测方法和装置以及设备

技术特征：
1.一种风电叶片连接处细小缺陷的检测方法，其特征在于，包括：计算涡流阵列传感器的最优工作频率β(σ,l1)；通过最优工作频率β(σ,l1)获取不同风电叶片疲劳数据序列，将所述风电叶片疲劳数据序列转换为等距序列，并提取其中点值数据；基于所述不同风电叶片疲劳数据序列构建疲劳寿命监测化模型；采用深度学习网络及中点值数据对构建的疲劳寿命监测化模型进行训练；根据所述训练后的疲劳寿命监测化模型，来对所述风电叶片连接处细小缺陷进行预测。2.如权利要求1所述的风电叶片连接处细小缺陷的检测方法，其特征在于，所述计算涡流阵列传感器的最优工作频率β(σ,l1)，包括：推导出磁矢b的空间扩散方程，基于该空间扩散方程确定磁矢b的解析通解；基于定磁矢b的解析通解在层状介质空间内计算磁场强度q以及p截面处的电磁场量边界条件；利用磁场强度q以及电磁场量边界条件得到最优工作频率β(σ,l1)。3.如权利要求1所述的风电叶片连接处细小缺陷的检测方法，其特征在于，所述通过最优工作频率β(σ,l1)获取不同风电叶片疲劳数据序列，将所述风电叶片疲劳数据序列转换为等距序列，并提取其中点值数据；包括：利用设定最优工作频率β(σ,l1)的涡流列阵传感器检测不同风电叶片疲劳数据；每一风电叶片疲劳数据形成一序列s
(0)
＝(g1、g1、g1、
…
g
i
)；并判断该序列是否为等距序列，若是则提取该序列的中点值数据；若否，则构建微分方程将该序列转换为等距序列再提取该序列的中点值数据。4.如权利要求1所述的风电叶片连接处细小缺陷的检测方法，其特征在于，所述采用深度学习网络及中点值数据对构建的疲劳寿命监测化模型进行训练，包括：采用最小二乘法对所述不同风电叶片疲劳数据序列进行消除趋势处理，和采用深度学习网络对所述经消除趋势处理的不同风电叶片疲劳数据序列中的异常序列进行打标，和从所述经消除趋势处理的不同风电叶片疲劳数据序列中提取不同风电叶片疲劳数据序列的序列特征，并从特征向量中提取出均值、方差、峭度以及最大值作为深度学习网络的训练输入的方式，以及采用所述均值、方差、峭度以及最大值作为训练输入的深度学习网络对所述构建的疲劳寿命监测化模型进行训练，以及利用所述中点值数据与所述疲劳寿命监测化模型分析的结果做差反向传播至所述深度学习网络更新深度学习网络参数，经过有限次数迭代更新从而生成疲劳寿命监测化模型。5.一种风电叶片连接处细小缺陷的检测装置，其特征在于，包括：分析模块、数据库模块、构建模块、深度学习模块以及预测模块；分析模块：计算涡流阵列传感器的最优工作频率β(σ,l1)；数据库模块：通过最优工作频率β(σ,l1)获取不同风电叶片疲劳数据序列，将所述风电叶片疲劳数据序列转换为等距序列，并提取其中点值数据；构建模块：基于所述不同风电叶片疲劳数据序列构建疲劳寿命监测化模型；深度学习模块：采用深度学习网络及中点值数据对构建的疲劳寿命监测化模型进行训练；预测模块：根据所述训练后的疲劳寿命监测化模型，来对所述风电叶片连接处细小缺
陷进行预测。6.如权利要求5所述的风电叶片连接处细小缺陷的检测装置，其特征在于，所述分析模块具体用于：推导出磁矢b的空间扩散方程，基于该空间扩散方程确定磁矢b的解析通解；基于定磁矢b的解析通解在层状介质空间内计算磁场强度q以及p截面处的电磁场量边界条件；利用磁场强度q以及电磁场量边界条件得到最优工作频率β(σ,l1)。7.如权利要求5所述的风电叶片连接处细小缺陷的检测装置，其特征在于，所述数据库模块，具体用于：利用设定最优工作频率β(σ,l1)的涡流列阵传感器检测不同风电叶片疲劳数据；每一风电叶片疲劳数据形成一序列s
(0)
＝(g1、g1、g1、
…
g
i
)；并判断该序列是否为等距序列，若是则提取该序列的中点值数据；若否，则构建微分方程将该序列转换为等距序列再提取该序列的中点值数据。8.如权利要求5所述的风电叶片连接处细小缺陷的检测装置，其特征在于，所述深度学习模块，具体用于：采用最小二乘法对所述不同风电叶片疲劳数据序列进行消除趋势处理，和采用深度学习网络对所述经消除趋势处理的不同风电叶片疲劳数据序列中的异常序列进行打标，和从所述经消除趋势处理的不同风电叶片疲劳数据序列中提取不同风电叶片疲劳数据序列的序列特征，并从特征向量中提取出均值、方差、峭度以及最大值作为深度学习网络的训练输入的方式，以及采用所述均值、方差、峭度以及最大值作为训练输入的深度学习网络对所述构建的疲劳寿命监测化模型进行训练，以及利用所述中点值数据与所述疲劳寿命监测化模型分析的结果做差反向传播至所述深度学习网络更新深度学习网络参数，经过有限次数迭代更新从而生成疲劳寿命监测化模型。9.一种风电叶片连接处细小缺陷的检测设备，其特征在于，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至4中任一项所述的风电叶片连接处细小缺陷的检测方法。10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的风电叶片连接处细小缺陷的检测方法。

技术总结
本发明公开了一种风电叶片连接处细小缺陷的检测方法和装置以及设备。其中，所述方法包括：计算涡流阵列传感器的最优工作频率；通过最优工作频率获取不同风电叶片疲劳数据序列，将风电叶片疲劳数据序列转换为等距序列，并提取其中点值数据；通过不同风电叶片疲劳数据序列构建疲劳寿命监测化模型；采用深度学习网络及中点值数据对疲劳寿命监测化模型进行训练；根据训练后的疲劳寿命监测化模型，来对风电叶片连接处细小缺陷进行预测。本发明利用最优工作频率确保了数据的准确度、中点值在训练过程中用于反向更新深度学习网络确保模型的收敛速度以及准确率。利用上述技术手段提高模型准确率，使其能实现通过涡流阵列传感器来监测细小结构缺陷。监测细小结构缺陷。监测细小结构缺陷。


技术研发人员：胡蕴章 张旻澍 周伟杰 寇天豪
受保护的技术使用者：厦门理工学院
技术研发日：2022.09.27
技术公布日：2022/12/30