格罗宁根大学利用3D打印与机器学习开发低成本风机叶片故障检测技术

2025年7月17日，南极熊获悉，荷兰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机叶片的故障。该研究通过使用PLA材料制作的NREL 5MW叶片的缩放复制品，成功模拟了各种损坏场景。

△NREL 5MW风机叶片比例缩放图

风力涡轮机叶片在承受持续的机械应力和恶劣环境条件下，早期损伤检测显得尤为重要，它确保了结构的完整性和降低了维护成本。然而，传统的检测方法往往成本高昂且费时费力。在本项研究中，研究人员利用拓竹3D打印机，制造了一个300毫米长的NREL 5MW叶片比例模型，并在叶片的关键区域（如根部、跨中和过渡区）引入了五种不同类型的裂纹损伤。

△比例缩放的NREL 5MW叶片的几何形状

为了评估这些损伤对结构性能的影响，研究团队采用了有限元法(FEM)进行模拟，并通过实验模态分析验证了结果。实验使用锤击试验装置进行。研究结果表明，振动模式3、4和6的共振频率对结构异常特别敏感。与未受损的叶片相比，这些模式的频率出现了高达3 Hz的偏移。

△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

特征提取和机器学习

研究人员从时域和频域提取了特征，并通过方差分析（ANOVA）筛选出具有最高统计显著性的特征。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、SVM、KNN和朴素贝叶斯分类器。其中，KNN和SVM分类器的准确率最高，超过了94%。

本研究将3D打印技术、仿真和机器学习相结合，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。研究团队计划将此方法扩展到多叶片系统和更复杂的故障配置中，并致力于将它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

3D打印在风能研究中的应用

此外，3D打印技术正日益成为延长风力涡轮机部件使用寿命的有力工具。例如，在一个近期案例中，一个退役的风力涡轮机叶片通过增材制造技术被改造成为一座模块化的人行天桥。该项目不仅展示了如何利用可重复使用的叶片材料和3D打印连接器来构建可持续的民用基础设施，还进一步强调了风能与数字制造技术的融合潜力。

随着增材制造技术在大型风电部件中的应用日益普及，对于故障检测和设计优化的数字工具的研究在可再生能源领域变得愈发重要。