用单个传感器将风力轮机叶片的低速度冲击定位利用多级特征融合卷积神经网络

科学领域:

• 材料科学 材料科学 材料科学
• 结构健康监测 结构健康监测
• 人工智能的人工智能

背景情况:

• 冲击事件对复合结构的完整性构成重大威胁,例如风力轮机叶片,在制造,服务和维护期间.
• 有效地评估和定位影响对于确保这些结构的安全性和寿命至关重要.
• 现有的方法可能缺乏复杂复合材料所需的精度.

研究的目的:

• 为复合结构提出和验证一种新的单传感器冲击定位方法.
• 提高关键基础设施损害评估的准确性和效率.
• 为音响排放源区域定位提供强大的解决方案.

主要方法:

• 一个与卷积块注意模块集成的多尺度特征融合卷积神经网络 (CNN) 设计用于从单个传感器信号中进行自适应性特征提取.
• 使用完整的集体实证模式分解与自适应噪声来消除声辐射信号并提取内在模式功能.
• 分解信号被转换为灰度图像,以创建深度学习模型的数据集.

主要成果:

• 开发的深度学习模型展示了精确的区域级源本地化能力.
• 通过在风力轮机叶片杆模拟上使用钢球落下测试进行实验验证,显示了本地化准确度的显著改善.
• 该方法有效地从声辐射信号中提取丰富的特征信息.

结论:

• 拟议的单传感器深度学习方法为复杂的复合结构中的声辐射源区域定位提供了有希望的解决方案.
• 这种方法可以显著改善对风力轮机叶片等关键应用中的撞击损伤的评估和监测.
• 进一步的研究可以探索其在实时监控系统中的应用.