格羅寧根大學利用3D打印與機器學習開發(fā)低成本風機葉片故障檢測技術

2025年7月17日，南極熊獲悉，荷蘭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葉片的縮放復制品，成功模擬了各種損壞場景。

△NREL 5MW風機葉片比例縮放圖

風力渦輪機葉片在承受持續(xù)的機械應力和惡劣環(huán)境條件下，早期損傷檢測顯得尤為重要，它確保了結構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構性能的影響，研究團隊采用了有限元法(FEM)進行模擬，并通過實驗模態(tài)分析驗證了結果。實驗使用錘擊試驗裝置進行。研究結果表明，振動模式3、4和6的共振頻率對結構異常特別敏感。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

特征提取和機器學習

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練多種機器學習模型，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、仿真和機器學習相結合，為風力渦輪機葉片的結構健康監(jiān)測提供了一種可重復且經濟有效的方法。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)預測性維護。

△用于故障分類的特征值密度分布

3D打印在風能研究中的應用

此外，3D打印技術正日益成為延長風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，一個退役的風力渦輪機葉片通過增材制造技術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使用的葉片材料和3D打印連接器來構建可持續(xù)的民用基礎設施，還進一步強調了風能與數(shù)字制造技術的融合潛力。

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