作者；郑晓敏
近年来，人工智能识别方法在风机叶片损伤识别中得到应用。文献[3]使用人工神经网络实现叶片不同损伤等级的识别；文献[4]~[8]提取叶片声发射信号的特性差别信息，建立模式识别模型实现模式识别。本文针对裂纹损伤和边缘损伤，选用支持向量机( suppot vector machine，SVM)进行损伤识别。果蝇优化算法(fruit fly optimization algorithm，FOA)，具有适应性强和速度快的特点，且在煤矿开采、轴承故障诊断、船舶操纵预报等领域得到应用，在风机叶片损伤识别中还未得到应用。本文使用果蝇优化算法( FOA)优化风机叶片损伤识别模型，并从叶片损伤声发射信号采集和数据模式识别两部分进行研究，其中数据采集部分通过硬件完成，模式识别通过SVM实现。
1 声发射信号采集
风机叶片直接面对风能，将风能转换为自身旋转的机械能，是风力发电过程中最重要的一步，因此，检测叶片的状态特征信息是监测其健康状况的关键问题。材料或结构在外力作用下，其异常部位因应力集中而产生变形或者断裂等，并伴随能量的快速释放，产生瞬态弹性波现象，称为声发射( acoustic emission，AE)。与振动信号相比，声发射信号的幅值大小和自身能量变化有关，与振动状态无关，所以本文使用声发射技术采集叶片损伤声发射信号，避免因振动因素对损伤识别产生影响。信号采集的硬件系统结构图如图1所示。
其中图1(a)所示的是位于叶片上的声发射信号采集和无线发送结构图，图1(b)所示的是位于机舱中的信号无线接收以及和位于地面的上位机通信部分结构图。
传感器选用北京声华SR150M声发射传感器，模数转换选用维斯特公司的USB2.0数据采集卡，无线收发模块选用JASK1000无线开发板，无线接收与上位机通过RS-485通信，上位机通过串口接收数据并处理数据。实验对象是长度为1.5 m的小型玻璃钢叶片，实验的采样频率是500 kHz，采样点数是4 096，对裂纹损伤和边缘损伤两类故障分别采集300组数据。人为模拟两类损伤。对于裂纹损伤，先人为在叶片上制造一条裂纹，然后在裂纹处施加压力，使其出现细小裂纹，产生声发射信号并采集。对于边缘损伤，使用外力挤压叶片边缘，使之产生塑性变形，产生声发射信号并采集。选取两类损伤具有代表性的声发射信号，其波形如图2所示。其中图2(a)为裂纹损伤声发射波形，图2(b)为边缘损伤声发射波形。
2果蝇优化算法
果蝇优化算法( FOA)是台湾潘文超博士于2011年提出的一种基于果蝇觅食行为推演出寻求全局最优化的方法，是群体智能的一种新方法，属于演化式计算范畴，亦属于人工智能领域。FOA在应用上无领域限制，使用上非常灵活。
果蝇寻优流程图如图3所示。本文使用果蝇优化算法优化支持向量机参数。
果蝇以其超强的嗅觉和视觉优于其他物种，可以大范围内搜寻空中的食物气味，然后飞近食物后依靠敏锐的视觉发现食物。一个个体发现食物位置则果蝇群体将全部朝着这个方向飞去，最终找到食物。搜寻步骤如下。
从图4中可以发现，两类损伤信号的声发射频率主要集中在[0，250 kHz]，而实验采样频率量程为500 kHz，即故障频率主要在前半段，得出故障信号的能量主要集中在前半部分。
根据对信号包络谱的分析，将提取信号的前半段能量特征作为支持向量机的输入。使用db5小波对故障信号进行4层分解，得到16个频段，提取前8个频段的8个能量值作为一组支持向量机的输入。能量值通过式(2)求得。
式中：n为采样点数；j=1，2，…，7。
利用能量特征向量建立支持向量机模型。本文针对叶片裂纹损伤和边缘损伤两类故障，选用二分类支持向量机。支持向量机分类思想是将输入的特征向量通过决策面函数映射到高维空间，在高维空间中求出最大间隔分类面，实现模式识别。实现模式识别的关键是决策面函数的构造。决策面函数为：
式中：C为冗余参数；b通过使式(6)成立的样本xj（即特征向量数据）求得。
将裂纹损伤作为一类故障，标签设定为1；将边缘损伤作为二类故障，标签设定为2。模式识别使用LIBSVM工具箱，实验对两类损伤分别采集300组数据，通过数据处理分别提取出300组特征向量，其中200组作为训练集，建立支持向量机模型，剩余100组作为测试集，测试模型预测的准确率。使用粒子群优化算法（particle swarm optimization，PSO）对支持向量机参数(c，g)进行求取，粒子群种群数量为20，迭代次数为100，利用求取的参数建立支持向量机模型，并测试模型分类的准确率。分类的结果为185/200，准确率为92.5%；使用粒子群优化算法求取的支持向量机参数(c，g)分别为(57. 224 2，0.01)。两类损伤各自的误判结果如表1所示。
从图5可以看出，果蝇寻优在第3次迭代时，均方根误差收敛到最小，即第3次迭代时的浓度值最佳，对应的位置最优，求出的参数(c，g)分别为(52. 021 7，0. 03)，优化后的分类结果为191/200，准确率为95.5%。果蝇优化后的两类损伤各自误判结果如表2所示。
从表2可以看出，参数优化后，两类损伤故障的误判数明显减少。使用果蝇优化算法优化支持向量机参数与使用粒子群优化算法优化相比，前者优化后能减少误判数，显著提高模式识别的准确度。
4结束语
本文利用声发射技术监测叶片状态，使用无线通信方式传输信号。实验结果表明，系统信号采集和无线传输可靠；同时无线技术解决了有线检测的缠线问题，为旋转部件状态监测提供方法。
本文利用故障信号的能量特征建立支持向量机模型，利用果蝇优化算法优化支持向量机参数，并与粒子群优化算法优化相比较。结果表明，使用果蝇优化算法优化参数，增加了损伤分类的准确度，提高了模式识别的准确率，能够完成对叶片损伤的识别。
5摘要：为提高风机叶片裂纹损伤和边缘损伤识别的准确率，提出使用果蝇优化( FOA)算法和支持向量机(SVM)相结合的方法。使用硬件系统采集两类损伤故障的声发射信号，然后对信号进行小波处理，提取能量特征，根据能量特征信息，建立支持向量机模型，测试其准确率；采用果蝇优化算法优化支持向量机参数，使模型损伤识别更准确，并将优化后模型识别结果与粒子群优化( PSO)算法优化支持向量机后的识别结果相比较。仿真结果表明，使用果蝇优化算法优化后的支持向量机模型的识别精度更高，能够准确地实现对风机叶片损伤的识别。
