BP神經網絡在風電塔筒裂紋AE源定位中的應用

張鵬林，常 海，楊 杰，劉志濤

（1.蘭州理工大學 省部共建有色金屬先進加工與再利用國家重點實驗室，甘肅 蘭州 730050；2.蘭州理工大學材料科學與工程學院，甘肅 蘭州 730050）

BP神經網絡在風電塔筒裂紋AE源定位中的應用

張鵬林1，常 海2，楊 杰1，劉志濤1

（1.蘭州理工大學 省部共建有色金屬先進加工與再利用國家重點實驗室，甘肅 蘭州 730050；2.蘭州理工大學材料科學與工程學院，甘肅 蘭州 730050）

針對常規無損檢測方法難以對在役風電塔筒進行實時監測及檢測效率低等問題，為實現在役風電塔筒的在線監測和塔筒裂紋源的定位。該文提出一種聲發射檢測技術與BP神經網絡相結合的智能定位方法，研究聲發射傳感器分布對智能定位輸出結果的影響。研究結果表明：該方法可有效解決風電塔筒裂紋聲發射源的定位問題，為在役風電塔筒運行過程中的實時在線監測提供可靠依據；對于焊接結構對稱且具有多條環焊縫的風電塔筒，聲發射傳感器的分布位置應避開塔筒構件的對稱位置，以此提高智能定位輸出結果的準確性，為在役風電塔筒檢測時聲發射傳感器的合理、有效布置提供參考。

聲發射檢測；風電塔筒；神經網絡；AE源定位

0 引 言

風電塔筒作為風電機組的主要支撐設備，將機艙和葉片托舉到所需的高度來獲取足夠的風能，以此來保證風機的正常運轉。由于風電機組運行的外部環境較為惡劣，塔筒長期承受風載荷、塔筒自重、機艙和葉片的重力以及高空葉片旋轉所產生的周期性激勵，使得風電塔筒某些區域易出現疲勞裂紋，從而導致其結構失效，嚴重威脅著風電機組的運轉安全[1]。聲發射（acoustic emission，AE）是指材料或構件內部局部位置在外力和內力作用下，產生變形或有裂紋形成時，所釋放出的瞬時彈性波現象[2]。對于在役風電塔筒而言，在復雜的受力狀態下產生裂紋時，常常伴隨有聲發射現象，利用聲發射技術對在役風電塔筒裂紋的產生和發展過程進行在線動態監測，可以對裂紋產生的聲發射源進行有效定位[3]。

目前，對在役風電塔筒的實時在線監測在國內尚屬空白。由于風電塔筒構件體型較大，常規的無損檢測方法因其自身的局限性，只能對塔筒的關鍵部位進行定期檢測，很難對其進行大面積的實時檢測。而且，常規的檢測方法對塔筒這種大型構件檢測時，必須在其停機的情況下進行，且檢測成本較高。

近年來，隨著聲發射檢測技術的發展，國內外學者對聲發射源的定位進行了深入研究。盡管研究領域各不相同，但其對聲發射源的定位方法基本一致，主要包含時差定位和區域定位。時差定位是指同一聲發射源所發出的AE信號到達不同傳感器的時間差，經波速、傳感器間距參數的測量與算數運算，能夠確定AE源的坐標和位置的方法[4]。但是，時差定位很容易丟失一些低幅度的信號，且波速、衰減、波形、構件的形狀等易變量對AE信號定位的準確性又有很大影響，因而，在實際應用中很難得到滿意的結果。雖然區域定位簡便、速度較快，但其定位粗略。而神經網絡的結構具有并行分析和自適應的能力，具有較高的容錯能力和學習能力。

針對上述現狀，并結合風電塔筒的結構及易產生裂紋的部位，本文提出一種將BP神經網絡應用于在役風電塔筒裂紋聲發射源定位的方法，并通過模擬試驗驗證了該定位方法的可行性。

1 BP神經網絡

BP神經網絡是眾多神經網絡模型中應用最廣泛的一種，它是一類具有三層或三層以上的神經網絡，由輸入層、隱含層（一層及以上）和輸出層構成，其網絡模型如圖1所示。

BP神經網絡又被稱為誤差逆向傳播神經網絡，其學習過程包括正向傳播和逆向傳播。當對一學習樣本提供網絡后，網絡間以前饋的方式進行正向傳播，得到隱含層與輸出層的輸出。

圖1 BP神經網絡結構圖

隱含層輸出：

輸出層輸出：

式中：wij、νjt——輸入層至隱含層、隱含層至輸出層的連接權值；

θj、γt——隱含層和輸出層各單元的輸出閥值；

f——傳遞函數，連接權值wij、νjt和輸出閥值θj、γt的取值為區間（-1,1）內的隨機數。

給定一組測試輸入樣本 Pk=（x1，x2，…，xn），神經網絡按式（1）和式（2）計算得到實際輸出 Ct=（y1，y2，…，ym）。利用網絡的實際輸出 Ct=（y1，y2，…，ym）與目標樣本 Tk=（s1，s2，…，sm）計算出網絡誤差 E，本文中定義誤差E的計算公式為

如果誤差E大于預先設定的極小值，網絡按逆向傳播。在返回的過程中，為了減少目標輸出與實際誤差的差值，網絡會逐層修正各個神經元連接的閥值和權值[5-6]，直到網絡收斂，并滿足精確度要求為止。

其中，i、t=1，2，…，m；α、β 為修正量因子，取值區間在（0，1）；dt為輸出層各單元的一般化誤差，取為dt=（yt-ct）·ct（1-ct）；ej為隱含層各單元的一般化誤差，取為

在此過程中，隨著這種逆向誤差傳播修正的不斷進行，神經網絡對輸入樣本響應的正確率也會不斷上升。本實驗采用BP神經網絡來實現塔筒裂紋源定位的流程，如圖2所示。

圖2 神經網絡定位流程圖

2 實驗方案與衰減分析

2.1 裂紋聲發射源信號采集實驗方案

依據在役風電機組運行過程中塔筒復雜的載荷分布及焊縫裂紋的產生部位，為了能夠采集到實際工況下的裂紋源信號，對其進行定位，本實驗以酒泉水電四局在建的3WM風電機組的下段塔筒為實驗平臺，實驗中采用斷鉛法模擬塔筒裂紋聲發射源信號的產生（即：以30°角，在塔筒環焊縫及法蘭上折斷φ0.5mmHB型鉛筆進行斷鉛試驗）。此外，在該平臺上進行了塔筒衰減特性的研究。根據風電塔筒裂紋產生的部位及衰減特性，以相鄰傳感器的中點為斷鉛點，依次在每個環焊縫上確定了3個斷鉛點，具體的斷鉛位置如圖3所示。

圖3 斷鉛點位置

1）第3環焊縫（距塔筒底部法蘭7.6m處，距傳感器分布位置10mm）。

2）第4環焊縫（距塔筒底部法蘭10 m處，距傳感器分布位置2.41m）。

3）第5環焊縫（距塔筒底部法蘭12.4m處，距傳感器分布位置4.81m）。

4）塔筒上端法蘭（距塔筒底部法蘭14.6m處，距傳感器分布位置7.21m）。

風電塔筒由上、中、下三段組成，各段使用Q345E鋼經卷制焊接而成，且段與段之間采用法蘭進行連接。因此，塔筒呈軸對稱結構，且具有多條環焊縫。通過對塔筒倒塌事故和受力分析，結果發現，引起塔筒倒塌的主要缺陷為疲勞裂紋，且多位于塔筒中部以上的環焊縫和法蘭。所以，3個傳感器依次分布在距塔筒第3條焊縫10 mm的圓環上，相鄰傳感器之間的夾角為120°（見圖4），采用北京聲華興業科技有限公司生產的SAEU2S聲發儀采集裂紋源聲發射信號，傳感器采用SR150N型諧振式傳感器，前置放大器選用PAI寬帶型放大器。

圖4 傳感器分布

2.2 塔筒聲發射源信號衰減特征

為提高神經網絡對塔筒裂紋源定位的精確度，對塔筒環焊縫進行了聲發射信號的衰減研究和AE傳感器分布位置的優化，衰減特性曲線如圖5、圖6所示。通過前期研究發現，聲發射信號在塔筒中的傳播距離約8m，未經過第3條焊縫時，AE的幅值、能量及RMS等特征值呈下降趨勢，而上升計數呈上升趨勢，符合其衰減規律。但是，隨著AE信號經過環焊縫條數的增多，信號的波形在傳播過程中發生了轉換，使其特征參數發生突變，導致突變結果呈無規律性，這種變化會使得裂紋源定位不準確。研究過程中，為了避免AE信號波形轉換對BP神經網絡定位的影響，并結合塔筒產生裂紋的部位，故將AE傳感器布置于第3環焊縫處。

圖5 幅值、能量衰減特征曲線

圖6 上升計數、RMS衰減特征曲線

對于結構高度對稱的風電塔筒，由于其對稱性，會使對稱部位產生的AE信號的特征值存在相似性，導致對裂紋源定位的精準度產生影響。因此，單組AE傳感器不能對其整段進行檢測，且AE傳感器應避免布置在風電塔筒對稱處的環焊縫上。

3 BP神經網絡的設計與分析

3.1 初始值的選取

由于神經網絡劃分的區域呈現非線性，初始值的選取對于網絡的訓練和學習是否能夠達到局部最小和收斂影響很大[7]。所以，在初始值的選取時，需要考慮其在輸入累加時使各個神經元的狀態值接近于零值，權值與閥值一般是隨機選取，取值范圍一般在[0，1][8]。

3.2 輸入層的設計

輸入神經元特征參數的選取會對輸出結果產生較大的影響。由于采集到聲發射信號的特征參量較多，AE特征參數的選取成為難點。此外，聲發射特征參數合理、有效地選取對神經網絡的優化和輸出結果的準確性影響很大。

根據采集數據的表示方式和前期的實驗結果，以及大量的相關文獻可知，AE參數中的幅值、振鈴計數、持續時間、能量、RMS和ASL 6個參數組合的相關性較好[9]，且網絡的定位結果較為準確。因此，在此次網絡的智能定位中分別選取了3個AE傳感器的6個特征參數做為BP神經網絡輸入層的神經元個數。由于初始值的設定是0～1之間的小數，與原始數據特征參數之間相差懸殊，如果直接使用，測量數值較大的波動性會使網絡的訓練及學習時間延長、速度減慢，壟斷了神經網絡的學習過程，使得較小變化值的變化不能被反映，因此需要對輸入樣本進行歸一化處理，使其變化范圍在[0，1]，從而使那些較大的輸入值可以落在傳遞函數梯度大的地方[10-11]。歸一化后的輸入樣本如表1所示 （篇幅所限僅以1個傳感器數據為例）。

表1 BP神經網絡定位的輸入樣本

3.3 隱含層的設計

BP神經網絡結構中，對于任何在其閉區間內的一個連續函數都可以用單隱含層的BP網絡來逼近，因此三層BP網絡就可以完成任意的n維到m維的映射[12-13]。所以本次研究采用的BP神經網絡結構為三層神經網絡。

隱含層神經元數目的選擇是一個復雜的問題，在理論上沒有較為明確的計算公式，它的確定需要根據設計者的經驗和多次實驗來確定。在本實驗中，通過采用增加隱含層神經元個數的方法，探討輸出結果誤差的變化，以確定最佳的隱含層神經元個數。本實驗中輸入單元數為6個，輸出層神經元數為4個。根據經驗式（5）可以計算出，隱含層神經元個數的取值范圍是[4，14]之間的常數。實驗設計一個隱含層神經元個數可變的BP神經網絡，通過對輸出誤差的對比分析，確定了最佳的隱含層神經元個數，并且發現隱含層神經元個數對網絡性能具有很大影響。以網絡輸出結果均方誤差作為考察指標，當隱含層個數為12時，網絡的誤差最小，準確率最高，因此確定隱含層單元數為12個。經驗公式如下：

式中：M——輸出神經元個數；

N——輸入單元個數；

a——[0，10]之間的常數。

3.4 輸出層的設計

為了對風電塔筒焊縫裂紋進行準確定位，將定位輸出設置為第3環焊縫、第4環焊縫、第5環焊縫和上端法蘭4個部位。BP神經網絡的輸出向量如表2所示。

表2 BP神經網絡的期望輸出向量

3.5 網絡的訓練與測試

網絡的訓練過程是一個不斷修正權值和閥值的過程，通過調整使得網絡的輸出誤差達到最小，以滿足實際應用的需求[14]。由于三層神經網絡就可以很好地解決風電塔筒裂紋源的定位問題，所以此次實驗采用三層神經網絡結構模型，網絡的學習與訓練采用Matlab 7.0神經網絡工具箱來完成。

由于網絡輸入向量為歸一化數值，其范圍在[0，1]之間，因此采用S型正切函數tansing和對數函數logsig，分別作為神經網絡中隱含層神經元和輸出層神經元的傳遞函數，這是由于輸出模式為0～1，正好滿足網絡的輸出要求[15-16]。

訓練函數trainlm采用收斂速度較快的Levenberg-Marquardt反傳算法對網絡結構進行訓練。學習函數采用learngdm函數，該函數為梯度下降動量學習函數。性能函數采用均方誤差（MSE）函數，來計算網絡的誤差。BP神經網絡參數設置如表3所示。通過正交實驗和誤差分析，確定出網絡的最佳訓練參數，訓練參數如表4所示。網絡的學習速率為0.001時，經過1000次訓練后BP網絡對函數的逼近效果最好，網絡輸出結果的誤差最小，而且網絡經過296次訓練就達到了目標誤差0.001，訓練誤差曲線如圖7所示。

表3 BP神經網絡參數

表4 訓練參數

圖7 網絡訓練的誤差曲線

BP神經網絡經上述設置訓練結束后，從不同位置產生的裂紋源AE信號中，隨機選擇100組特征數據作為測試樣本，輸入測試樣本見表5（篇幅所限僅以8組數據為例），經測試可得到BP網絡實際輸出向量如表6所示。通過對BP神經網絡實際輸出與期望輸出的比較，按照歐式范數理論，這8次測試結果的誤差分別為 0.0023，0.0000，0.0098，0.0023，0.0006，0.0002，0.0000，0.0050，其誤差均非常小，且在這100次測試的實際輸出結果中有5組與期望輸出不同，正確率接近95%。由此可見，將BP神經網絡應用于在役風電塔筒裂紋源的定位具有可行性，能夠滿足其對裂紋源的定位要求。

表5 BP神經網絡的測試樣本

表6 BP神經網絡實際輸出向量

4 結束語

通過對風電塔筒進行斷鉛模擬聲發射裂紋源信號和衰減研究，并結合風電塔筒的結構及裂紋產生的部位，本文提出一種基于BP神經網絡的塔筒缺陷聲發射源的智能定位方法，研究表明：

1）該方法實現了塔筒聲發射源信號特征參數與缺陷部位非線性映射的一一對應關系，并通過模擬試驗驗證了該方法的可行性和準確性，為在役風電塔筒的實時在線監測提供了依據。

2）通過該方法與常規檢測方法的結合，可以有效地提高聲發射檢測技術對于在役風電塔筒的檢測效率，降低其檢測成本，避免在役風電塔筒倒塌事故的發生。

3）對于高度對稱的焊接結構件，若要對其運行過程中產生的聲發射源進行定位，提高智能定位的準確性，AE傳感器的布置應避免分布在焊接結構件的對稱中心位置處，這也為塔筒傳感器合理、有效的布置提供了一種優化方法。

4）由于BP神經網絡的學習和記憶具有不穩定性，隨著樣本的增加，網絡的訓練需要從零開始，因此，如何使網絡的學習和記憶性能達到穩定，還需要更為深入的研究。

[1]張鵬林，桑遠，趙志強，等.聲發射技術在Q345E鋼拉伸損傷破壞中的應用研究[J].甘肅科學學報，2015，27（2）：83-87，133.

[2]周杰，毛漢領，黃振峰，等.金屬疲勞斷裂的聲發射檢測技術[J].中國檢測，2007，20（3）：7-9.

[3]單珂.基于聲發射技術的風機葉片材料裂紋損傷的識別研究[D].南京：南京航空航天大學，2015.

[4]沈功田，耿榮生，劉時風.聲發射源定位技術[J].無損檢測，2002，24（3）：114-117.

[5]賈振元，馬建偉，劉巍，等.多幾何要素影響下液壓閥件特性的混合神經網絡預測模型[J].機械工程學報，2010，16（2）：126-131.

[6]王光研.基于RBF神經網絡的旋轉機械故障診斷[D].北京：北京信息科技大學，2007.

[7]劉勝，方亮，葛亞明，等.基于神經網絡的襟翼舵升力系數預報[J].哈爾濱工程大學學報，2002，38（21）：83-87.

[8]郭晶，孫偉娟.神經網絡理論與Matlab 7實現[M].北京：電子工業出版社，2005：99-108.

[9]閆小青.金屬材料損傷過程聲發射特征參數及損傷模型研究[D].南昌：南昌大學，2012.

[10]葉詠弘，張慧，張鐵華，等.基于神經網絡的無陀螺捷聯慣導系統姿態預測[J].中國慣性技術學報，2008，18（2）：159-164，170.

[11]劉建.BP神經網絡在雷達測軌數據異常值處理中的應用[J].飛行器測控學報，2009，16（2）：32-35.

[12]肖建清，丁德馨，徐根，等.便攜式人工神經網絡在砼疲勞壽命預測中的應用[J].華南大學學報，2009，10（1）：96-100.

[13]吳松林，張福明，林曉東.基于小波神經網絡的滾動軸承故障診斷[J].空軍工程大學學報，2008，6（1）：50-55.

[14]SUN Y，PENG D R，ZHANG R W.Mine fire safety assessment based on BP neural network[J].Industrial Safety and Environmental Protection，2011（1）：38-40.

[15]張紅軍.一種新的前反饋神經網絡訓練算法及其在控制中的應用[D].大連：大連理工大學，2002.

[16]李森林，鄧小武.基于二參數的BP神經網絡算法改進及應用[J].河北科技大學學報，2010，18（5）：447-450.

（編輯：李妮）

Application of BP neural network in localization of crack acoustic emission source in wind vane tower barrel

ZHANG Penglin1， CHANG Hai2， YANG Jie1， LIU Zhitao1
（1.Lanzhou University of Technology，State Key Laboratory of Advanced Processing and Recycling of Nonferrous Metals，Lanzhou 730050，China；2.School of Materials Science and Engineering，Lanzhou University of Technology，Lanzhou 730050，China）

As the conventional nondestructive testing can hardly have real-time monitoring of the wind vane tower barrel in service and the testing efficiency is low，to have online monitoring of the condition of wind vane tower barrel in service and locate the crack source of the tower barrel，this paper puts forward an intelligent localization method combining with acoustic emission testing technique and BP neural network and studies the influences of the distribution of acoustic emission sensors on the intelligent localization of output results.The results show that this method can locate the crack acoustic emission （AE） source in wind vane tower barrel effectively and can be used for the real-time online monitoring of the wind vane tower in service.For wind vane tower barrels with symmetrically welded structure and several circumferential welds，the distribution of acoustic emission sensors should avoid the symmetric position of tower barrel components to improve the accuracy of the intelligent localization of output results，providing a basis for the rational and effective arrangement of acoustic emission sensors on wind vane tower barrels in service.

acoustic emission detection； wind vane tower barrel； neural network； localization of AE source

A

1674-5124（2017）09-0106-06

10.11857/j.issn.1674-5124.2017.09.019

2017-02-09；

2017-03-19

國家自然科學基金地區項目（51161012）；甘肅省教育廳碩導基金項目（A2014-28）

張鵬林（1973-），男，甘肅白銀市人，副研究員，博士，主要從事無損檢測新技術、無損評價等方面的研究。