提前 15-20 天，显著提升了风电场叶片

作　　者： 杨巨山；王群星；齐龙

摘　　要： 风电场叶片在运行过程中会产生特定的声发射信号，这些信号包含了叶片结构健康状态的重要信息，通过多传感器融合技术采集叶片声发射数据，利用时频域特征提取方法获取关键声学特征参数。建立基于深度学习的声发射特征识别算法，实现对不同类型叶片缺陷的精确分类，构建长短期记忆网络故障预测模型，结合声发射特征变化趋势和运行工况参数，实现叶片故障的早期预警。实验结果表明，所提出的特征识别方法在多种故障类型检测中准确率达到 92% 以上，故障预测模型的预测精度为 89.5%，预警时间提前 15-20 天，显著提升了风电场叶片的故障检测能力和运维效率。

来　　源： 《信息产业报道》 2025-12