基于機器學習預測3D打印風力渦輪機葉片制造缺陷
時間：2025-07-17 10:03 來源：南極熊 作者：admin 閱讀：次
2025年7月16日，來自格羅寧根大學的研究人員開發了一種低成本、可擴展的方法，利用 3D打印模型、振動分析和機器學習來檢測風力渦輪機葉片的故障。這項研究展示了如何使用 PLA 制造的 NREL 5MW 葉片的縮放復制品來模擬損壞場景，并使用支持向量機和 K 最近鄰算法對結構故障進行準確分類，準確率超過 94%。
△NREL 5MW 葉片幾何尺寸縮放圖。圖片來自格羅寧根大學。
風力渦輪機葉片承受著持續的機械應力和惡劣的環境條件，因此早期損傷檢測對于確保結構完整性和降低維護成本至關重要。傳統的檢測方法通常成本高昂且勞動密集。在本研究中，研究人員使用Bambu Lab 的 3D打印機制造了一個 300 毫米的 NREL 5MW 葉片比例模型，并在葉片根部、跨中和過渡區等關鍵區域引入了五種類型的裂紋損傷。
△比例縮放的 NREL 5MW 葉片的幾何形狀。
為了評估故障對結構的影響，研究團隊進行了有限元法 (FEM) 模擬，并使用錘擊試驗裝置通過實驗模態分析驗證了結果。研究發現，振動模式 3、4 和 6 的共振頻率對結構異常尤為敏感。與健康葉片相比，這些模式的頻率偏移高達 3 Hz。
△歸一化振型突出顯示了多種損傷場景以及傳感器和撞擊位置。圖片來自格羅寧根大學。
特征提取和機器學習
研究人員從時域和頻域中提取特征，并通過方差分析（ANOVA）篩選出統計顯著性最高的特征。這些特征隨后被用于訓練多種機器學習模型，包括隨機森林、支持向量機、K最近鄰和樸素貝葉斯分類器。其中，KNN和SVM的分類準確率最高，超過94%。研究結合了3D打印、仿真和機器學習，為風力渦輪機葉片的結構健康監測提供了一種可重復且經濟有效的方法。研究團隊計劃將這一方法擴展到多葉片系統和更復雜的故障配置，旨在將其集成到實時監測系統中，以實現預測性維護。
△用于故障分類的特征值密度分布。圖片來自格羅寧根大學。
3D打印在風能研究中的應用
這項研究與風能研究的最新發展相一致，包括NREL的MADE3D 項目，重在探索增材制造如何增強渦輪葉片的結構和空氣動力學性能。此外，3D打印正越來越多地被用于延長風力渦輪機部件的生命周期。在最近的一個案例中，一個退役的風力渦輪機葉片被利用增材制造技術改造成一座模塊化人行天橋。項目展示了如何利用重復使用的葉片材料和3D打印連接器構建可持續的民用基礎設施，進一步凸顯了風能與數字制造的融合。
隨著增材技術在大型風電部件中的應用越來越廣泛，用于故障檢測和設計優化的數字工具研究對可再生能源領域變得越來越重要。
(責任編輯：admin)
上一篇：First Light Fusion測試核聚變3D打印鉭靶，可承受437GPa的壓力
下一篇：沒有了
下一篇：沒有了
First Light Fusion測試核
實體模型的力量：查爾斯王
為每一位騎行者量身定制，
3D打印骨植入物實現定制化
Havaianas（哈瓦那）與Zel最新內容
Contour3D在悉尼
英國邁凱倫汽車與
越南Vinmec醫療集
麻省理工和馬薩諸
波士頓微制造推出
澳大利亞Conflux熱點內容
