风电叶片在线检测技术研究进展
风电机组状态检测技术研究现状及发展趋势
风电机组状态检测技术研究现状及发展趋势近年来，风电机组状态检测技术得到了广泛的关注和应用。
风电机组的状态检测技术是指对风电机组运行中的各种指标进行监测，对风机的健康状况进行诊断和预测，并针对异常情况进行智能化分析与处理。
其目的在于确保风电机组的安全可靠运行，提高发电效率和降低维护成本。
目前，风电机组状态检测技术主要包括传统的机械监测技术和基于数据采集与分析的智能化检测技术。
机械监测技术是最早开发的风电机组状态检测技术，该技术主要通过机械传感器、温度匹配器、厚度计等物理装置检测机组螺栓、轴承、齿轮的磨损、松动、裂纹等异常情况，实现对风机机械部件的监测与维护。
机械监测技术的优点在于成熟可靠、维护简单，但由于其只能检测机械部件的运行情况，无法获取全面的风机工况信息，无法适应风机多变的运行环境和维护需求。
基于数据采集与分析的智能化检测技术是风电机组状态检测技术的新发展趋势，其主要通过传感器采集风机多变的运行信息，结合云计算、人工智能等技术，对风机各部分进行智能化分析，并给出风机状态的分析报告。
该技术通过分析模型预测，可实现风机故障的早期预警和健康状态诊断。
智能化检测技术的优势在于能够全方位、高精度、实时化的获取风机的状态信息，提高了风机预警的准确性和时效性。
同时，基于数据分析的智能化检测技术是随着人工智能、机器学习深入研究和发展，未来可应用到整个风电场的运行监测和管理，并且有望增加预测能力和降低维护成本。
此外，随着风力发电示范工程的发展，风电机组状态检测技术的发展也呈现出以下趋势：首先，大数据技术的应用将进一步提高风电机组状态检测技术的智能化水平。
通过对大量数据的分析，将经验知识、专家诊断等人类不可知的信息变为可见的高级特征，提高风机维护的准确性和效率。
其次，人工智能、深度学习的应用反向推动了传感器技术的发展。
如卫星云图检测、风场监测等技术的发展，使得智能化传感器技术得以应用到风电机组的运行监测和诊断上。
基于光纤传感技术的风力发电机叶片健康监测研究
基于光纤传感技术的风力发电机叶片健康监测研究随着全球对环境和可再生能源的日益关注，风力发电成为了一种备受关注的清洁能源。
风力发电机是将风能转化为电能的设备，其中叶片是其最重要的组成部分。
然而，叶片随着使用时间的增加、气候变化等因素的影响，会产生疲劳损伤，这不仅影响了发电机的效率，也会导致安全隐患。
为了提高风力发电机的安全性和效率，研究基于光纤传感技术的风力发电机叶片健康监测变得越来越重要。
一、光纤传感技术在风力发电机叶片健康监测中的应用光纤传感技术是一种新型的传感技术，主要通过光的特性来进行测量和监测。
在风力发电机叶片健康监测中，光纤传感技术可以通过在叶片表面或内部嵌入光纤传感器来实现实时监测叶片的应变、振动和温度等指标，进而评估叶片的健康状态。
光纤传感技术具有高精度、抗干扰能力强、快速响应等优点，可以精确地测量叶片的变化，监测到较小的损伤，有利于及时采取维护措施。
二、光纤传感技术在风力发电机叶片健康监测中的应用现状目前，国内外学者对光纤传感技术在风电领域的应用进行了大量研究。
比如，荷兰代尔夫特理工大学开发了一种基于光纤传感技术的叶片应变监测系统，通过在叶片表面和内部嵌入光纤传感器来实现叶片的应变监测；美国通用电气公司和挪威的NARC公司也开发了类似的系统。
国内的应用研究也日益活跃。
比如，华南理工大学开发了一种基于光纤传感技术的叶片振动监测系统，利用光纤传感器实现对叶片振动的实时监测。
北京航空航天大学也开展了基于光纤传感技术的风电叶片应变监测研究，通过在叶片表面和内部嵌入光纤传感器进行应变监测。
三、未来光纤传感技术在风力发电机叶片健康监测中的发展趋势随着光电技术的不断发展和进步，光纤传感技术在风电领域的应用也将进一步拓展。
尤其是光纤传感器的制造工艺和技术已经有了很大的提升，在光纤传感器的灵敏度、分辨率和可靠性等方面均得到了大幅提高。
未来，基于光纤传感技术的风力发电机叶片健康监测将呈现以下发展趋势：1.集成化监测系统的设计将得到更为广泛的应用。
风力发电叶片缺陷检测与修复技术研究
风力发电叶片缺陷检测与修复技术研究随着全球对可再生能源的需求不断增长，风力发电已经成为一种受到广泛关注并且得到快速发展的清洁能源形式。
风力发电机的核心部件之一就是叶片，而叶片的缺陷会严重影响发电效率和设备的整体运行性能。
因此，风力发电叶片缺陷检测与修复技术对于提高叶片的质量和延长使用寿命至关重要。
风力发电叶片主要面临以下几种类型的缺陷：磨损、损伤、龟裂和腐蚀。
这些缺陷可能由于设计不当、材料质量问题、自然灾害或长期使用等原因导致。
因此，科学研究人员和工程师们积极探索各种叶片缺陷检测与修复技术，以降低风力发电的成本并提高可靠性。
在叶片缺陷检测方面，目前已经出现了多种方法和技术。
其中，无损检测技术是最为常见的一种。
其基本原理是通过利用声波、电磁波或热辐射等物理信号对叶片进行扫描和分析，以检测叶片表面和内部的缺陷。
例如，超声波检测技术可以通过测量声波在材料中的传播速度和反射情况来检测叶片的内部缺陷。
红外热成像技术则可以通过检测叶片表面的温度分布来发现潜在的龟裂和损伤。
此外，还有X射线检测、磁粉检测和激光扫描等方法都可以用于叶片缺陷的检测。
除了无损检测技术，还有一些新兴的技术也被应用于风力发电叶片缺陷检测中。
例如，机器视觉技术可以利用摄像头和图像处理算法来分析叶片的表面图像，从而检测出表面的缺陷和磨损情况。
这种技术具有高效、快速、非接触等优点，可以提高缺陷检测的准确性和效率。
在叶片缺陷修复方面，目前也有多种修复技术被广泛使用。
对于小型的表面磨损和损伤，常见的修复技术包括抛光、涂层和粘接等。
通过抛光可以去除叶片表面的磨损层，从而恢复其光滑性和表面质量。
涂层技术可以通过在叶片表面施加一层保护性涂层来减轻磨损和腐蚀的影响。
粘接技术则可以用于连接和修补叶片上的小型损伤，例如龟裂和划痕。
对于较大和严重的叶片缺陷，更高级的修复技术则会被应用。
例如，纤维增强复合材料的修复技术可以通过将额外的纤维增强层添加到损伤区域来增加叶片的强度和刚度。
风力发电叶片损伤检测与诊断技术综述
风力发电叶片损伤检测与诊断技术综述随着对可再生能源的需求不断增加，风力发电作为其中的重要组成部分，受到了广泛关注和应用。
然而，在风力发电系统中，叶片的损伤问题成为影响其可靠性和功率输出的重要因素之一。
因此，风力发电叶片的损伤检测与诊断技术的研究和发展变得至关重要。
风力发电叶片损伤的形式多样，包括裂纹、磨损、剥落、腐蚀等。
这些损伤可能导致叶片的结构破坏、强度降低和性能下降，进而影响整个风力发电系统的运行效率和安全性。
因此，及时准确地检测和诊断这些叶片损伤，对于风力发电系统的正常运行和维护至关重要。
针对风力发电叶片损伤检测与诊断的需求，研究人员提出了多种技术与方法。
其中，无损检测技术成为了当前研究的热点之一。
无损检测技术通过对叶片进行非接触式的物理量测量或表面成像，来获取叶片内部或表面的信息，从而实现对叶片损伤的检测和诊断。
图像处理技术在风力发电叶片损伤检测中得到了广泛应用。
通过获取叶片的图像数据，并利用图像处理算法提取与损伤相关的特征信息，可以实现对叶片表面的损伤进行高效准确的检测和诊断。
图像处理技术具有操作简便、实时性强的特点，因此在实际应用中具有很大的潜力。
此外，声波检测技术也被广泛用于风力发电叶片损伤的检测与诊断。
该技术通过解析叶片振动时的声波信号，并利用信号处理和模式识别技术对信号进行分析和诊断。
声波检测技术具有非接触、快速、灵敏的优势，在叶片的表面和内部损伤检测中取得了显著的成果。
此外，红外热成像技术也被应用于风力发电叶片的损伤检测与诊断。
该技术利用红外热像仪对叶片进行扫描，通过测量叶片表面温度的分布来识别叶片的损伤位置。
红外热成像技术具有无接触、高效、准确的特点，在叶片损伤检测中具有广阔的应用前景。
风力发电叶片损伤检测与诊断技术的研究还面临一些挑战。
首先，不同类型的叶片损伤可能需要不同的检测与诊断方法，因此需要选择合适的技术进行应用。
其次，风力发电叶片通常处于高海拔、恶劣气候条件下，这给损伤检测与诊断带来了一定的困难。
风电叶片故障分析技术研究现状
风电叶片故障分析技术研究现状发布时间：2023-03-30T06:16:59.626Z 来源：《福光技术》2023年4期作者：杨广福[导读] 风电叶片各部件在黏结过程中可能产生缺陷，如内部气泡、虚粘、空粘等。
因此，叶片健康监测已经引起全世界科研人员的关注。
四川省能投会东新能源开发有限公司四川省凉山彝族自治州 615200摘要：叶片作为大型风力发电机组的关键部件，对于风力涡轮机的可靠性至关重要。
文中回顾了检测叶片性能的3种主要技术和方法：红外热成像、光纤光栅传感及超声检测。
关键词：风机涡轮机叶片；热成像；光纤传感；超声探测；风电叶片各部件在黏结过程中可能产生缺陷，如内部气泡、虚粘、空粘等。
因此，叶片健康监测已经引起全世界科研人员的关注。
无损检测技术能够在叶片结构不受损坏、不降低性能的前提下表征其内部的质量情况，根据叶片具体的结构特点、材料特性、工况条件等合理选取适用于风力发电机组叶片的损伤故障诊断方法，当前主要包括红外热成像技术、光纤光栅传感技术、超声检测等。
1 对风力发电叶片进行运行状态监测的意义1.1 获取实际承受载荷情况在叶片设计阶段，叶片载荷状况可以由空气动力学模型计算得到，可通过叶片试验和载荷特性反映出叶片设计强度是否满足设计要求的理论值。
在实际运行过程中，叶片受各种不确定性外界环境影响所承受的载荷值，与模型计算得出的理论值都会存在偏差，理论载荷是否准确会直接影响到对叶片运行安全性的评估。
通过收集叶片运行载荷数据，可用于理论模型的评估和修正，提高叶片设计质量和可靠性。
1.2 及时发现叶片运行状态的异常（1）风轮运行动平衡监测，可以实时显示三支叶片的动平衡数据，测量偏航角度的改变、风剪切和叶片局部质量的增加对风轮出力的影响（2）覆冰监测，能够发现覆冰并及时告知，避免覆冰后引起叶片局部较高的应力水平，防止冰层脱落对风轮造成破坏，覆冰消除后及时开机运转。
（3）叶片结构破坏监测，实时显示出叶片结构的变化如叶片后缘开裂的变化，防止叶片损坏区域扩大化。
基于智能化检测的风电叶片结构健康监测研究
基于智能化检测的风电叶片结构健康监测研究第一章智能化检测技术概述风电叶片结构健康监测是风电场运行维护工作中的一个重要环节。
常规的检测方法往往需要人工干预，成本高且不够准确。
随着科技的不断进步，智能化检测技术在风电叶片结构健康监测中得到越来越广泛的应用。
智能化检测技术包括传感器技术、网络技术、机器学习技术等，可以实现高精度、实时监测和数据采集，提高风电场运行效率和安全性。
第二章传感器技术在风电叶片结构健康监测中的应用传感器技术是智能化检测技术的重要组成部分。
目前，常用于风电叶片结构健康监测的传感器有加速度计、压力传感器、应变计等。
加速度计可以用于检测叶片振动情况，压力传感器可以检测叶片表面的气动压力变化，应变计可以检测叶片结构的变形情况。
这些传感器可以实现对风电叶片结构健康状态的实时监测和数据采集，从而确定合适的维护措施。
同时，在传感器技术的支持下，数据的处理和分析变得更加准确和精细。
第三章网络技术在风电叶片结构健康监测中的应用网络技术是智能化检测技术的另一个重要组成部分。
通过互联网和传感器的连接，可以在全国各地实现对风电叶片结构的监测和数据采集。
这种方式可以减少对人工干预的需要，也可以方便灵活地进行数据管理和分析。
第四章机器学习技术在风电叶片结构健康监测中的应用机器学习技术是智能化检测技术的核心部分。
风力发电系统中通过机器学习技术，可以实现对系统各个部件的协同控制，以及对故障和损耗的实时监测和诊断。
机器学习技术需要大量的数据支持，通过传感器技术和网络技术获得的数据可以满足这一需求。
同时，机器学习技术可以将数据分析和处理的过程自动化，极大地提高了风电叶片结构健康监测的效率和准确性。
第五章结论智能化检测技术是风电叶片结构健康监测中的重要手段。
传感器技术、网络技术和机器学习技术的应用，可以实现对风电叶片结构状态的实时监测和数据采集，提高风电场运行效率和安全性。
此外，未来智能化检测技术还将继续发展，运用更多的新技术和新思维，推动风电叶片结构健康监测的高效化和智能化。
风力发电机状态监测和故障诊断技术的研究与进展
风力发电机状态监测和故障诊断技术的研究与进展一、本文概述随着全球能源结构的转型和可再生能源的大力发展，风力发电作为一种清洁、可再生的能源形式，其地位日益凸显。
风力发电机（Wind Turbine，WT）作为风力发电系统的核心设备，其运行状态和性能直接影响到整个风电场的发电效率和经济效益。
因此，对风力发电机进行状态监测和故障诊断技术的研究，对于保障风电系统的安全稳定运行、提高发电效率、延长设备寿命具有重要的理论和实践价值。
本文旨在全面综述风力发电机状态监测和故障诊断技术的研究现状与发展趋势。
文章首先介绍了风力发电机的基本结构和工作原理，分析了风力发电机运行过程中可能出现的故障类型及其成因。
然后，重点阐述了当前风力发电机状态监测和故障诊断的主要技术方法，包括基于振动分析的故障诊断、基于声学信号的故障诊断、基于电气参数的故障诊断等。
对近年来新兴的和大数据技术在风力发电机故障诊断中的应用进行了详细介绍。
本文还总结了风力发电机状态监测和故障诊断技术的发展趋势和挑战，包括技术方法的创新、多源信息融合技术的应用、智能化和自动化水平的提升等。
文章展望了未来风力发电机状态监测和故障诊断技术的发展方向，以期为我国风电行业的健康发展提供理论支持和技术指导。
二、风力发电机的基本原理与结构风力发电机是一种将风能转化为机械能，再进一步转化为电能的装置。
其基本原理基于贝茨定律，即风能转换效率的理论最大值约为16/27，约为3%。
风力发电机主要由风轮、发电机（包括装置）、调向器（尾翼）、塔架、限速安全机构和储能装置等构件组成。
风轮是风力发电机的主要部件，一般由2-3个叶片组成。
风轮受风力作用而旋转，将风能转化为机械能。
风轮的转速随风速的变化而变化，为了保证发电机能够在风速变化的情况下稳定工作，需要通过增速机构提高风轮的转速。
发电机则将风轮旋转的机械能转化为电能。
发电机的类型有很多，如永磁发电机、电励磁发电机等，其选择取决于风力发电机的具体设计需求和运行环境。
小型风力发电机叶片的红外无损检测研究
引用格式：王晨, 顾永强. 小型风力发电机叶片的红外无损检测研究[J]. 中国测试，2023, 49(7): 35-40. WANG Chen, GU Yongqiang. Research on infrared nondestructive detection of small wind turbine blades[J]. China Measurement & Test, 2023, 49(7):35-40. DOI: 10.11857/j.issn.1674-5124.2022010030小型风力发电机叶片的红外无损检测研究王 晨， 顾永强(内蒙古科技大学土木工程学院，内蒙古 包头 014010)摘 要: 为获得风力发电机叶片现场红外无损检测的最佳光照条件，该文以赋有不同损伤类型及不同损伤程度的2 kW 小型风力发电机叶片为研究对象，利用被动式红外热成像检测方式，在夏季光照充足的室外条件下对损伤叶片进行自然激励，采集红外热像图。
研究结果表明光照强度对损伤检测有着极大的影响，并且得到风机叶片三种典型损伤的最佳检测光照条件，其中异物附着和面部损伤在午间光照强度达到1 000 W/m 2及以上检测效果最佳，而裂纹损伤在晴朗的午后光照强度为900 W/m 2左右检测效果佳，从而证明利用太阳辐射作为发射源的被动式红外热成像检测技术来检测风机叶片损伤的方法在一定光照强度范围之内是可行的。
关键词: 风力机叶片; 无损检测; 红外热成像; 损伤中图分类号: TK83; TB9文献标志码: A文章编号: 1674–5124(2023)07–0035–06Research on infrared nondestructive detection of small wind turbine bladesWANG Chen, GU Yongqiang(School of Civil Engineering, Inner Mongolia University of Science and Technology, Baotou 014010, China)Abstract : In order to obtain the best lighting conditions for on-site infrared nondestructive testing of wind turbine blades, this paper takes 2 kW small wind turbine blades with different damage types and different damage degrees as the research object, and uses passive infrared thermal imaging detection method to perform natural excitation on damaged blades under outdoor conditions with sufficient light in summer, and collect infrared thermal images. The research results show that the light intensity has a great impact on the damage detection, and the best light conditions for the detection of three typical damage of fan blades are obtained.Among them, foreign body attachment and facial damage have the best detection effect when the light intensity reaches 1 000 W/m 2 or above at noon. The crack damage detection effect is good when the light intensity is about 900 W/m 2 in a clear afternoon, which proves that the passive infrared thermal imaging detection technology using solar radiation as the emission source to detect fan blade damage is feasible within a certain light intensity range.Keywords : wind turbine blade; nondestructive detection; infrared thermal imaging; damage收稿日期: 2022-01-06；收到修改稿日期: 2022-03-24基金项目: 内蒙古自治区自然科学联合基金(2018LH05008)作者简介: 王 晨（1997-），男，山西晋城市人，硕士研究生，专业方向为风机叶片的损伤检测。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
南 京 工 业 职 业 技 术 学 院 学 报Journal of Nanjing Institute of Industry Technology 第18卷第2期2018年6月Vol.18,No.2Jun.,2018风电叶片在线检测技术研究进展吴国中，李 镇 ，宋增禄（南京工业职业技术学院 电气工程学院，江苏 南京 210023） 摘 要：就风电设备运行过程中风机叶片的在线检测技术进行了讨论。
叶片在线检测主要有两大类，分别是以应变、声发射等传感器检测为核心的侵入式检测和以图像检测为代表的非侵入检测，探讨了这两种检测模式中风电叶片损伤检测的实验手段以及损伤特征提取和识别的算法。
关键词：风电；叶片；在线检测中图分类号：TP273 文献标识码：A 文章编号：1671-4644（2018）02-0004-05风电技术在展现出其独特优势的同时也存在一些问题。
由于风力发电场通常位于较偏远的陆地、海岸或者海上，环境恶劣且无人值守，其运行状态的监测面临较大挑战。
目前已有的在线监测、控制、调度技术为风电场的正常平稳运行提供了一定的保障，但是由于风电系统的复杂性、可靠性以及环境等各方面因素的影响，现有在线监控系统在风机状态信息检测的实时性、完备性、准确性等方面仍显不足，其中一个突出问题表现在风电叶片状态检测方面。
风电叶片是风力发电机的关键部件，叶片状态的检测以及寿命预测对提高风机工作效率、保障风机正常工作具有重要意义。
本文将集中讨论风机叶片部分在线检测技术的研究进展。
1 侵入式检测技术叶片在线检测主要分为两类，一类是侵入式的检测，即传感器网络需要内嵌在叶片中；另一类是非侵入式的检测，即采用光学或图像等方式实现非接触式的检测。
1.1 基于应变的检测应变片在风电叶片在线检测中有较多应用。
风电叶片在实际运行过程中会承受不同方向的载荷，导致叶片产生应变，应变的累积可能会导致叶片的宏观形变和开裂，因此在叶片的脆弱部位以及容易产生应力集中的部位，可以设置应变传感器以检测叶片的应变，从而可以直接反应叶片状态。
Jargensen 等人在2004年曾采用上百片应变传感器检测长达25米的叶片轴向应变。
应变检测是一项比较成熟的技术［1］，可以用于叶片的离线和在线测试，但是也有一些局限性。
应变传感器容易失效，容易受到环境的影响甚至引起雷击，并且有的情况下不能准确反映叶片失效状况。
FBG传感器是针对传统应变传感器的不足，在风电叶片检测中引入的光纤传感器，以检测叶片的应变。
较常用的是布拉格光纤光栅，其原理是利用纤芯内空间相位周期性分布的光栅形成一个窄带滤波器或反射镜，滤波器或反射镜中心频率会随外部应变而产生漂移，将频率漂移转换为应变可以准确、稳定、可靠地检测叶片的应变和疲劳状态。
2007年郭等人最早利用FBG传感器网络检测叶片状态数据并应用无线技术上传［2］，这种技术逐步发展并在一些大型风机上得到应用。
FBG传感器稳定性对于叶片状态的长期检测是很有优势的，其不足在于成本高而且设备体积大，一定程度上限制了其在叶片在线检测中的应用。
1.2 基于声发射的检测基于声发射检测叶片失效的研究已经比较广泛。
声发射是材料中局域源快速释放能量产生瞬态弹性波的现象，叶片在外部载荷作用下产生形变，使结构内部形成应力，由于叶片应力集中而产生各种失效，如纤维断裂、微裂纹等，从而导致局域快速释放能量。
用于声发射检测的传感器由压电传感器、放大器和数模转换器以及信号处理单收稿日期：2018-04-23基金项目： 江苏风力发电工程技术中心2016年度开放基金（编号：ZK16-03-05）；江苏省品牌专业资助项目（编号：PPZY2015B189）作者简介：吴国中（1974-），男，南京工业职业技术学院副教授，工学硕士，研究方向：自动化控制及检测技术。
5第18卷第2期元组成。
在叶片的声发射测试系统方面，Rumsey等人采用了24只AE传感器进行叶片测试［3］。
基于声发射进行裂纹检测的一个优势是可以识别出裂纹的扩展行为，通过大量采样获得叶片裂纹声发射信号参数［4］，按照叶片无裂纹、 萌生裂纹、 扩展裂纹和断裂四个阶段划分声发射源的四个模式，通过构建BP 神经网络对叶片裂纹阶段进行模式识别，识别准确率可以达到 90%以上。
通常初始裂纹的识别具有较高难度，基于卷积混合模型极小化改进代价函数可以实现初始裂纹特征的盲提取［5］。
在叶片声发射信号处理方面，一般采用小波尺度谱进行分析，采用优化小波重分配尺度谱的方法可清晰准确地提取风电机组叶片裂纹声发射信号的时频特征，能够识别风电机组叶片不同阶段裂纹故障［6］。
基于AE对叶片的疲劳检测实验，并用模糊计算的方法能够对多个裂纹进行识别和评价［7］。
声发射信号是一种高频的声波，它的幅值大小只与裂纹产生和扩展过程的能量释放相关，不会受到叶片宏观振动影响，因此利用声发射信号检测叶片的裂纹产生和扩展具有较高的抗干扰性和准确性。
声发射检测也有一些技术局限，第一，由于其振动频率高，其传播损耗大，所以声发射传感器需要布置在发射源附近，而叶片失效是不可准确预计的，因此需要密集布置传感器；第二，声发射信号是一种瞬时的暂态信号，要捕获这些信号需要具有很高的采样率，对信号采集和处理系统要求较高；第三，声波具有各向异性特性，因此声发射传感器的朝向会影响探测灵敏度，当声发射信号振动方向与传感器不匹配时，甚至无法探测，如果采用正交方式布置传感器可以避免这一问题，但是会导致系统更加复杂。
1.3 基于振动模态的检测基于振动模态检测的原理是叶片出现损伤时其刚度会发生变化，从而导致结构振动模态变化，对叶片结构震动模态分析就可以获得叶片损伤情况。
震动模态的检测主要是利用三轴加速度计测试叶片各部位的加速度分布［8］。
Hackell 和 Rolfes 在2013年提出了基于24个加速度传感器数据进行自动模态识别的方法，使用了持续17个月的检测数据进行验证［9］。
2014年乌建中等采用短时傅里叶变换的方法分析断裂前后振动信号时域与频域的变化特征提取裂纹信息，取得了较好的检测效果［10］。
1.4 主动式探伤检测前面介绍的检测手段都是对叶片应变或者裂纹产生、扩展行为的被动测量，通过侦听超声波或者测量应变来检测叶片失效或损伤状态。
基于声波在结构中的传播特性随结构变化的原理逐步发展出主动式叶片探伤检测手段。
基于PZT陶瓷的主动式探伤手段是最常见的形式，其原理是基于PZT逆压电效应制作贴片激励器布置在叶片一侧，在叶片另一侧布置基于PZT压电效应的传感器。
激励贴片产生震动，震动经叶片截面传播至传感器，当截面产生应变或者裂纹时振动波会受到反射，传感器接收到的震动强度会发生变化，以此可以探查叶片损伤状况。
2008年Kirikera 采用PZT激励贴片和传感器贴片构成探测网络对9米长风电叶片进行损伤检测，具有检测、定位损伤的能力［11］。
基于PZT的主动式探测成本低、设置灵活方便，其不足在于只能沿截面方向检测，如果需要检测整个叶片，则需要部署密集的PZT贴片网络，实现有一定难度。
与PZT陶瓷类似，有压电材料纤维构成的复合材料（Macro-fiber composite， MFC）传感器也可以构成主动式检测系统。
2008年Rumsey采用1个MFC激励片和3个MFC传感器进行了实验，基于波传播特性变化研究了叶片的损伤［3］。
2 非侵入式在线检测技术侵入式的在线检测技术通过将传感器预嵌入叶片结构中，可以实时在线检测叶片的工作状态和损伤情况，相应的传感器和信号处理算法较为成熟，通过融合使用多种传感器，还可以克服各自的技术缺陷实现准确可靠的检测效果。
但是侵入式检测手段最大的问题在于传感器及其测试系统本身也有寿命和可靠性限制，由于其内嵌在叶片内部，一旦发生故障难以维修替换，而且侵入式的检测系统复杂、成本也较高。
因此发展非侵入式的叶片在线检测技术就具有十分重要的意义，近年来围绕非侵入式的在线检测技术开展了诸多研究。
主要的方式是基于图像识别的技术，也有基于振动的检测技术。
基于振动的检测是利用扫描激光多普勒振动测试仪（Scanning laser doppler vibrometer ， SLDV）测试叶片的振动幅度和频率［12］。
非侵入式吴国中，李 镇 ，宋增禄：风电叶片在线检测技术研究进展6南 京 工 业 职 业 技 术 学 院 学 报第18卷第2期在线检测技术研究更多集中在基于图像处理的检测方法，以下将对此作详细的介绍。
2.1 测试平台采用图像处理的方法可以直接获得叶片的表面甚至整个风机的结构状态，其系统有图像采集设备和图像处理设备构成。
通常是采用高清摄照相机获取叶片的图像，然后进行图像处理进行叶片失效特征特别是裂纹的识别。
风机的规模差异很大，部署区域也各不相同，针对这些不同情况图像采集和处理设备需要有相应的平台支撑。
（1）地面便携式平台应用最广泛的是地面便携式平台，这种平台结构简单，直接将图像采集设备部署在地面，对目标风机进行拍照然后利用算法分析风机叶片的形变。
这种直接测量平台成本低、部署方便。
2013年通用汽车公司报道了采用高速CCD摄像机组成的系统对风机叶片端部偏移进行测试的实验，如图1所示，测试系统距离风机30-40米，且与叶片旋转面位于相同平面，摄像机实时地获取风机图像并传给计算机进行处理［13］。
（2）攀爬机器人平台由于大功率风机往往塔高很高，基于地面移动平台的照相机由于成像质量和分辨率的限制，往往难以获得叶片结构的损伤细节，因此研究者提出了攀爬机器人平台，可以到达风机塔顶近距离对叶片进行拍照获取更加清晰的图像。
2012年通用电气公司采用攀爬机器人对300英尺高的风电塔叶片进行了检测，通用电气研发的爬墙机器人背部有摄像头，能够获取叶片的高清图像并进行无线传输［14］。
弗朗霍夫工业自动化研究所研制了一种能够自动定位叶片裂纹的机器人。
这些机器人主要不足是需要在叶片停转状态下才能识别裂纹。
（3）无人机平台在一些大型风电场，便携式平台或者攀爬机器人使用不便而且效率低下，而在海上风电场等应用场景，这些平台甚至无法使用。
针对这些问题，逐步开发了基于无人机平台的图像采集系统［15］，如图2所示。
无人机平台可以在更广泛的场景下应用，效率更高，也能以更高的频度对风机进行检测。
这方面已经进行了一些尝试，Cyberhawk 公司在2016年对商用风电场检测维护中使用了无人机进行了叶片表面状态的检测。
王龙等人2016年详细研究了基于无人机平台的风电叶片裂纹自动检测识别系统［15］。
这些新兴平台的研发极大地拓展了基于图像处理的叶片状态检测应用场景。
2.2 检测算法在利用各种平台获取了叶片图像后，需要进一步地提取、识别叶片的失效特征。
这方面的研究开展得比较深入，算法较为完备，主要算法应用为叶片形变、表面裂纹识别等。