一种混合分层健康监测解决方案，用于自主检测、定位和量化 tinyML 应用中复合材料风力涡轮机叶片的损伤

快速阅读: 据《Nature.com》最新报道，复合材料因优异性能被用于风力涡轮机叶片，但恶劣环境易致多种损伤。文中提出混合分层模型（HHMLM），用声发射数据统一识别、分类和定位损伤，准确率达96.4%，计算时间减少83.8%。此方案可提升叶片在役监测效率，具风电场应用潜力。

由于复合材料拥有卓越的强度重量比及操作上的灵活性，它们被广泛应用于风力涡轮机叶片。然而，风力涡轮机常在恶劣的环境条件下运行，这可能导致多种类型的损坏，包括摩擦、腐蚀、裂缝、裂纹以及分层。通过结构健康监测（SHM）实现早期检测，对于保持风力涡轮机的高效可靠运行、减少停机时间和维护成本、优化能源输出至关重要。

同时，对损伤检测和定位存在挑战，因为曲面复合材料具有各向异性特性、边缘反射和高次谐波的产生。以往的研究主要集中在利用深度学习方法进行损伤定位上，但这些模型计算成本较高，需要针对不同的任务（如损伤分类、定位和尺寸识别）分别训练多个模型。此外，由于声发射（AE）波形在最低采样率1MSPS下会产生庞大的数据量，需要借助tinyML技术的硬件实现实时的机器学习模型运行，以减少所需的云存储空间。tinyML硬件能够以低能耗高效运行机器学习模型。

本文提出了一种混合分层机器学习模型（HHMLM），利用声发射（AE）数据，通过单一统一模型识别、分类并定位不同类型损伤。AE数据使用单个传感器收集，损伤通过人工AE源（如铅笔芯折断）和低速冲击进行模拟，此外，模拟的前缘磨损类似于环境中的实际磨损。该HHMLM模型的整体准确率达到96.4%，计算时间低于单独的传统卷积神经网络（CNN）模型的83.8%。

开发的SHM解决方案为风力涡轮机叶片的在役监测提供了更高效且实用的方案，在风电场环境中具备未来结合无线传感器与tiny ML应用的潜力。

(以上内容均由Ai生成)