基于机器学习预测3D打印风力涡轮机叶片制造缺陷

2025年7月16日，南极熊获悉，来自格罗宁根大学的研究人员开发了一种低成本、可扩展的方法，利用 3D打印模型、振动分析和机器学习来检测风力涡轮机叶片的故障。这项研究展示了如何使用 PLA 制造的 NREL 5MW 叶片的缩放复制品来模拟损坏场景，并使用支持向量机和 K 最近邻算法对结构故障进行准确分类，准确率超过 94%。

△NREL 5MW 叶片几何尺寸缩放图。图片来自格罗宁根大学。

风力涡轮机叶片承受着持续的机械应力和恶劣的环境条件，因此早期损伤检测对于确保结构完整性和降低维护成本至关重要。传统的检测方法通常成本高昂且劳动密集。在本研究中，研究人员使用Bambu Lab 的 3D打印机制造了一个 300 毫米的 NREL 5MW 叶片比例模型，并在叶片根部、跨中和过渡区等关键区域引入了五种类型的裂纹损伤。

△比例缩放的 NREL 5MW 叶片的几何形状。

为了评估故障对结构的影响，研究团队进行了有限元法 (FEM) 模拟，并使用锤击试验装置通过实验模态分析验证了结果。研究发现，振动模式 3、4 和 6 的共振频率对结构异常尤为敏感。与健康叶片相比，这些模式的频率偏移高达 3 Hz。

△归一化振型突出显示了多种损伤场景以及传感器和撞击位置。图片来自格罗宁根大学。

特征提取和机器学习

研究人员从时域和频域中提取特征，并通过方差分析（ANOVA）筛选出统计显著性最高的特征。这些特征随后被用于训练多种机器学习模型，包括随机森林、支持向量机、K最近邻和朴素贝叶斯分类器。其中，KNN和SVM的分类准确率最高，超过94%。

研究结合了3D打印、仿真和机器学习，为风力涡轮机叶片的结构健康监测提供了一种可重复且经济有效的方法。研究团队计划将这一方法扩展到多叶片系统和更复杂的故障配置，旨在将其集成到实时监测系统中，以实现预测性维护。

△用于故障分类的特征值密度分布。图片来自格罗宁根大学。

3D打印在风能研究中的应用

这项研究与风能研究的最新发展相一致，包括NREL的MADE3D 项目，重在探索增材制造如何增强涡轮叶片的结构和空气动力学性能。

此外，3D打印正越来越多地被用于延长风力涡轮机部件的生命周期。在最近的一个案例中，一个退役的风力涡轮机叶片被利用增材制造技术改造成一座模块化人行天桥。项目展示了如何利用重复使用的叶片材料和3D打印连接器构建可持续的民用基础设施，进一步凸显了风能与数字制造的融合。

随着增材技术在大型风电部件中的应用越来越广泛，用于故障检测和设计优化的数字工具研究对可再生能源领域变得越来越重要