风电叶片表面缺陷损伤风险判定方法

王俭; 方健豪; 王金袖; 赵一锋; 胡伟飞; 范佳

doi:10.19912/j.0254-0096.tynxb.2024-2333

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

风电叶片表面缺陷损伤风险判定方法

更新时间：2026-07-21

- 风电叶片表面缺陷损伤风险判定方法
- 风电叶片表面缺陷损伤风险判定方法
- 太阳能学报 2026年47卷第5期页码：258-267
- 作者机构：
- 作者简介：
- 基金信息：
  
  国家自然科学基金（52275275）;浙江省“尖兵领雁“项目（2023C01008）
- DOI：10.19912/j.0254-0096.tynxb.2024-2333
  中图分类号： TP391
- 网络首发：2026-06-04，
  
  纸质出版：2026
- 稿件说明：
移动端阅览
王俭, 方健豪, 王金袖, 等. 风电叶片表面缺陷损伤风险判定方法[J]. 太阳能学报, 2026,47(5):258-267.

王俭, 方健豪, 王金袖, et al. 风电叶片表面缺陷损伤风险判定方法[J]. 2026, 47(5): 258-267.
王俭, 方健豪, 王金袖, 等. 风电叶片表面缺陷损伤风险判定方法[J]. 太阳能学报, 2026,47(5):258-267. DOI： 10.19912/j.0254-0096.tynxb.2024-2333.

王俭, 方健豪, 王金袖, et al. 风电叶片表面缺陷损伤风险判定方法[J]. 2026, 47(5): 258-267. DOI： 10.19912/j.0254-0096.tynxb.2024-2333.

摘要

提出一种用于评估和量化风电叶片表面缺陷损伤风险的方案。该方法通过图像处理和分析技术

不仅能检测出风力机表面的缺陷

还能准确评估其对风力机运行的潜在影响

为风力机运维提供了一个有效的工具

帮助运维人员更好地理解和管理风力机表面的健康状况。构建一个实地采集的风电叶片表面缺陷图像数据集

以验证该方法的可行性。实验结果显示

对于裂缝缺陷

测试集的量化结果误差范围为0.01~0.21 m（0.43%~23.81%）

平均相对误差为7.24%。对于叶片前缘侵蚀

误差范围为0.00192~0.02940 m2（1.27%~30.18%）

平均相对误差为13.06%。对于油漆剥落

误差范围为0.00320~0.01729 m2（0.65%~22.81%）

平均相对误差为9.44%。结果表明

所提方法在实际应用中有效。

Abstract

This paper proposes a novel methodology to assess and quantify the risk of surface defects on wind turbine blades. Leveraging advanced image processing and analysis techniques

the approach not only detects surface defects but also accurately evaluates their potential impacts on wind turbine operation

providing an effective tool for condition-based maintenance. A field-collected dataset of wind turbine blade surface defect images was constructed in this paper to verify the feasibility of this method. Experimental results show that for crack defects

the error range in the test set was 0.01 m to 0.21 m （0.43% to 23.81%）

with an average relative error of 7.24%. For the blade leading edge erosion

the error range was 0.00192 m to 0.0294 m （1.27% to 30.18%）

with an average relative error of 13.06%. For the paint peeling

the error range was 0.00320 m to 0.01729 m （0.65% to 22.81%）

with an average relative error of 9.44%. These results indicate that the proposed method is effective for practical applications.

关键词

Keywords

references

张永贺, 吴砚辉, 马本言, 等. 基于深度学习的风机叶片缺陷识别[J]. 人工智能, 2024(3): 77-84.

YE X W, DONG C Z, LIU T.A review of machine vision-based structural health monitoring: methodologies and applications[J]. Journal of sensors, 2016, 2016: 7103039.

王宁, 王雁冰, 杨健, 等. 风机自主巡视的无人机控制策略研究[J]. 中国测试, 2023, 49(10): 156-162,171.

SHIHAVUDDIN A, CHEN X, FEDOROV V, et al.Wind turbine surface damage detection by deep learning aided drone inspection analysis[J]. Energies, 2019, 12(4): 676.

GOHAR I, HALIMI A, SEE J, et al.Slice-aided defect detection in ultra high-resolution wind turbine blade images[J]. Machines, 2023, 11(10): 953.

李哲, 李雨欣, 董秀芬, 等. 基于无人机的风机叶片智能巡检及缺陷检测[J]. 设备管理与维修, 2024(1): 152-157.

闫浩伟. 基于无人机的风机叶片表面缺陷自动检测方法[J]. 计算机测量与控制, 2024, 32(11): 72-79.

蒋兴群, 刘波, 宋力, 等. 基于改进YOLO-v3的风力机叶片表面损伤检测识别[J]. 太阳能学报, 2023, 44(3): 212-217.

邹龙洲, 王文韫, 郭迎福, 等. 基于改进YOLOv4的风力机叶片损伤检测方法[J]. 太阳能学报, 2024, 45(7): 718-723.

HE Y, NIU X B, HAO C P, et al.An adaptive detection approach for multi-scale defects on wind turbine blade surface[J]. Mechanical systems and signal processing, 2024, 219: 111592.

TENG S, CHEN G F.Deep convolution neural network-based crack feature extraction, detection and quantification[J]. Journal of failure analysis and prevention, 2022, 22(3): 1308-1321.

JI A K, XUE X L, WANG Y N, et al.Image-based road crack risk-informed assessment using a convolutional neural network and an unmanned aerial vehicle[J]. Structural control and health monitoring, 2021, 28(7): e2749.

张良, 王高峰, 杨锋平, 等. 基于数字图像的裂纹测量系统在X80管线钢全尺寸弯曲试验中的验证[J]. 工程力学, 2022, 39(11): 157-165.

邵勇, 张钰婷, 顾桂鹏, 等. 基于最小凸包的直齿圆柱齿轮检测方法研究[J]. 电子测量与仪器学报, 2017, 31(9): 1385-1393.

MA K, HAO P F, ZHANG H X, et al.A strip steel wave-edge detection algorithm based on convex hull detection[C]//Eleventh International Conference on Graphics and Image Processing (ICGIP 2019). Hangzhou, China, 2020: 38.

ZHANG T Y, SUEN C Y.A fast parallel algorithm for thinning digital patterns[J]. Communications of the ACM, 1984, 27(3): 236-239.

HU W F, FANG J H, ZHANG Y X, et al.Digital twin of wind turbine surface damage detection based on deep learning-aided drone inspection[J]. Renewable energy, 2025, 241: 122332.

王文胜. 宽幅光学遥感图像舰船飞机目标检测识别技术研究[D]. 长春: 中国科学院长春光学精密机械与物理研究所, 2018.

GRAHAM R L.An efficient algorith for determining the convex hull of a finite planar set[J]. Information processing letters, 1972, 1(4): 132-133.

关键, 伍僖杰, 丁昊, 等. 基于三维凹包学习算法的海面小目标检测方法[J]. 电子与信息学报, 2023, 45(5): 1602-1610.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

小型直线翼垂直轴风电叶片防除冰仿真研究

基于多尺度失效分析的含孔隙风电叶片主梁力学性能影响研究

基于模型实验的叶片覆冰对风力机气动性能影响研究

面向光伏组件缺陷检测的多源图像融合方法研究

大型风电叶片褶皱缺陷拉伸失效机理研究