[发明专利]大型风力机叶片主梁内部缺陷类型红外自动识别方法

权利要求书

1.大型风力机叶片主梁内部缺陷类型红外自动识别方法，其特征在于，包括以下步骤：

S1在实验室内，获取环境温度、主梁样件厚度、热源距样件距离、样件表面风速以及含缺陷样件各缺陷部位热扩散系数的数据样本，对BP神经网络进行训练，建立这些参数与不同类型缺陷热扩散系数之间的非线性耦合关系，同时计算神经网络模型参数W_qβ，W_γ，β＝γ＝1,2,…,10，q＝1,2,…4；

S2用卤素灯热源持续照射风力机叶片表面；

S3利用红外热像仪采集和提取叶片有缺陷区域和无缺陷区域的表面温差曲线ΔT(τ)，τ＝1,2,…,N，N为采样点数，缺陷显影清晰后停止加热；

S4根据风力机叶片外形尺寸，记录当前照射位置叶片主梁厚度L；使用测温仪测量当前环境温度T；使用测风仪测量叶片表面平均风速V；借助激光测距仪，设定热源距离叶片距离保持在0.3m～1m范围内，记为D；

S5根据公式计算求得α_d，式中τ＝1,2,…,N，N为采样点数，T_max为ΔT(τ)的最大值，L为叶片厚度，α为无缺陷位置的热扩散系数，α_d为缺陷的热扩散系数，N为总采样点数,式中，m为级数运算符，且m＝1,2,3…,N；

S6按照BP神经网络计算方法，根据公式计算热扩散系数α_p，式中x_q＝[L V T D]^T，p＝1,2,…,n，n代表缺陷类型，W_qβ，,W_γ为S1得到的BP神经网络模型参数，x_β代表神经网络中输入层的加权计算结果；x_q代表环境因素列向量，q是输入神经元的编号，取值为q＝1,2,3,4；x_β′是神经网络输入层的输出结果；γ是隐含层神经元的编号，取值为γ＝1,2,…,10；

S7利用热扩散系数相对误差率计算公式求出Δα最小时对应的α_p，从而完成缺陷类型识别。

2.根据权利要求1所述的大型风力机叶片主梁内部缺陷类型红外自动识别方法，其特征在于，所述步骤S1包括以下步骤：

[a]根据公式L_i＝1+14×(i-1)，选取与叶片材质相同或相近，但具有不同厚度的层合板样件，标记为S_i，厚度为L_i，i＝1,2,…,5，在该公式中，厚度单位是毫米；

[b]标记热源照射面为前表面，在各样件后表面同时加工出想要识别的类型缺陷，包括褶皱、气泡、夹杂；

[c]利用温度控制设备，根据公式T_k＝10×(k-1)，k＝1,2,…,5，营造5组实验环境温度T_k，在该公式中，温度的单位是℃；

[d]利用风速调控装置，根据公式V_j＝2×(j-1)(j＝1,2,…,5)，生成5组平均风速为V_j的空气气流，在该公式中，风速的单位是米/秒；

[e]分别在风速为V_j，环境温度为T_k的实验条件下，用照射热源对S_i前表面进行持续加热，热源距S_i前表面的距离为D_p＝0.3+0.2×(p-1)，p＝1,2,3，在该公式中，距离的单位是米；

[f]利用红外热像仪采集和保存样件后表面的实时热图序列，记录为T_ijkp(τ)，τ＝0,1,2,…,N，N为最大采样点数，τ为时间序列，取正整数；i为样件编号，对应了当前样件厚度为L_i；j为风速编号，对应了当前样件表面平均风速为V_j；k为环境温度编号，对应了当前环境温度为T_k，p为热源距离编号，对应了当前照射距离为D_p；

[g]利用公式α_ijkpo＝0.14×L²/τ_m求解热扩散系数序列α_ijkpo，式中L为当前样件厚度，τ_m为后表面温升达到最大值的一半所用的时间，o是缺陷类型编号， o＝0时，计算结果表示材料热扩散系数；

[h]根据公式计算x_β，式中x_α＝[L_i V_j T_k D_p]^T，α＝1,2,3,4，β＝1,2,…,10，W_αβ初始值为1；

[i]将x_β代入公式计算x_β′；

[j]将x_β′代入公式式中W_γ初始值均为1，求得α_ijkp′；

[k]根据公式E＝α_ijkpo-α_ijkpo′，求得热扩散系数偏差E；

[l]根据公式ΔW_γ＝η·E·x_β′，计算ΔW_γ，η∈[0,1]；

[m]根据公式ΔW_αβ＝η·E·W_γ·x_β′·(1-x_β′)·x_α，计算ΔW_αβ，

[n]根据公式W_γ＝W_γ+ΔW_γ得到新的W_γ值；

[o]根据公式W_αβ＝W_αβ+ΔW_αβ得到新的W_αβ值；

[p]重复上述步骤，直到满足收敛条件记下W_αβ，W_γ。