杜永峰，侯 斌，李万润，刘 鹏

（1.兰州理工大学 防震减灾研究所，兰州 730050；2.甘肃省土木工程防灾减灾重点实验室，兰州 730050；3.兰州理工大学 西部土木工程防灾减灾教育部工程研究中心，兰州 730050）

世界各国都加紧致力于新能源（尤其是清洁可再生能源）的开发利用。风能作为一种清洁可再生能源，以其资源丰富、分布广泛和价格优惠等优势而获得了较快的发展。根据世界风能协会的报道，截至2013年底，全世界的风力发电总装机容量达到了318 529 MW，从2008～2013年全球风电总装机容量分别为120 894，159 742，196 944，236 749，282 275，318 529MW［1］。中国更是继续在世界风能发展中发挥领军作用，2013年，中国（不包括台湾地区）新增装机容量16 089MW，占世界新增装机容量的45%，累计装机容量91 413 MW。新增装机和累计装机两项数据均居世界第一［2］。

区别于其他常规电站，风力发电场一般位于远离城市的山区、戈壁、海洋等环境相对恶劣的区域，这使得风力发电设施发生损坏的可能性大大增加。虽然风力发电机的任何一个部件都有可能出现破坏，但较为常见的还是叶片和塔筒的损坏［3－4］。叶片作为风力发电机的一个非常关键的部件，它的造价要占到整个风机造价的15%～20%［5］。而且一旦出现较大损伤，维修起来非常困难，维修所花费的时间也很长。更严重的是，如果叶片在出现微小损伤后没有被及时修补，等到它折断或者严重弯曲以后，由于转动质量的不平衡性，极有可能造成整个风机毁灭性的破环［6］。

能解决上述问题，提高风机叶片耐久性的最好方法就是使用各种结构健康监测（SHM）技术，对叶片状态进行实时监测。通过健康监测，可避免微小损伤的继续发展，将问题处理在萌芽状态，防止发生破坏性的不可修复的损坏。同时，通过实时监测得到的数据，可以为新一代风机叶片的设计提供具有实际价值的参考信息［7］。

Lamb波是一种在板类结构（波长与板厚相近）中传播的弹性波，它在传播的过程中，结构的任何不连续性（如裂纹、分层、通孔等损伤）都会对其产生影响，使其表现出能量衰减、模式转换、频谱变化等特征，可以利用这些特征，来识别结构中损伤的有无。这就是通常所说的Lamb波或者导波检测技术的基本原理，其不仅可以同时检测结构内部和表面的损伤，而且利用少量传感器就可以检测较大范围。基于这些特性和优点，Lamb波非常适合应用于风机叶片的结构健康监测中［8－9］。

1 Lamb波损伤检测

1.1 Lamb波基本理论

Lamb波的概念最早由H.Lamb在1917年提出。在无限均匀、各向同性弹性介质中，只存在纵波和横波两种波，二者分别以各自的特征速度传播而无波形耦合。而在板中则不然，在板的某一点上激励声波，声波传播到板的上、下界面时，将会在交界面处多次反射回板中，从而沿着平行板面的方向传播。被反射时伴随着模式转换，并且会发生相互干涉，经过在板内传播一段时间之后，因叠加而产生波包，即所谓板中Lamb波的模式。本质上，Lamb波是在具有两个平行平面的结构中由横波和纵波相互耦合而产生的一种弹性波［10］。

Lamb波在板中传播时，板中质点产生振动，其振动方式十分复杂，随各种参数（频率、板厚等）的变化而变化。根据薄板两表面质点的振动相位关系，可以把Lamb 波的模式分为对称（symmetric modes）和反对称（anti－symmetric modes）两种，对称波又可分为S0，S1，…，Sn等多个模式，反对称波又分为A0，A1，…，An等多个模式，即是Lamb波的多模式特性。对称模式和反对称模式可分别表达如下：

式中：h、k、cL、cT、cp、ω分别为板 厚、波 数、纵波波速、横波波速、相速度和圆频率。

从式（1），（2）可以看出，波速与频率相关，即Lamb波的速度随频率的变化而发生改变，这也是Lamb波的另一个重要特性——频散，且各个模式都存在频散现象［11－12］。

Lamb波的多模式和频散特性使得信号的复杂程度大大增加，因此，通常会选取特定的激励频率来减少激发出的Lamb波模式，实际检测中一般选用基本模式S0和A0［13］。

1.2 Lamb波换能器

激励和接收Lamb波的换能器有很多种，例如压电换能器、磁致伸缩换能器、LBU（laser－based ultrasonics）和光纤传感器等。其中，压电换能器由于其有可以同时进行电能和机械能之间相互转换的特性以及较高的能量转换效率和低功耗、频响范围宽、尺寸制作灵活等优点，而成为导波检测中最常用的换能器。目前应用最多的压电材料是压电陶瓷（PZT）和压电聚合物（PVDF）两类，压电陶瓷（PZT）是一种脆性材料，在使用过程中需要特别注意，避免发生碎裂；相反，压电聚合物薄膜（PVDF）的柔韧性较好，操作方便，但由于其逆压电性能较弱，一般只用做传感器［11，14－15］。另外，磁致伸缩换能器在Lamb波检测中也有着较为广泛的应用。

1.3 激励信号参数

1.3.1 频率

最佳中心频率可以通过分析频散曲线和试验来确定。频散曲线表示的是脉冲频率和波速之间的相互关系，不同中心频率的激励信号会激发出不同的Lamb波模式，在较低频率下可激发的Lamb 波传播模式相对较少，有利于响应信号的分析处理。同时，低频所对应的波速也较小，有利于激发信号和接收信号的区分。但是，在低频下频散曲线的上升下降变化快，即波速对频率变化敏感，这给波传播时间的计算造成困难。较高激发频率下则与上述情形相反［16］。在确定了激振频率的大致范围以后，通过试验观察，响应信号幅值最大情况下所对应的频率即为最佳中心频率［11］。

1.3.2 幅值

理论上，增大激励信号的幅值可提高信号的信噪比（SNR），以便获得更清楚更干净的信号。但是驱动电压的幅值也不能无限增大，那会导致信号发生漂移现象，不利于数据采集系统的信号接收。另外对于一个结构健康监测系统来说，它必须尽量满足低功耗要求，这样才具有发展潜力［17］。

1.3.3 周期数

确定一个合适的周期数必须从频域和时域两个方面综合考虑。Lamb波信号的周期数越多，其频带越窄，而频带越窄，信号的发散现象就越小。但是，如果信号周期数多，信号的长度必然增长，在边界反射较多的情况下，信号容易发生混叠，造成模式识别困难。因此，信号的周期数不能太短，也不能太长［17－18］。

1.3.4 波形

激励信号一般选取正弦信号，因为它是周期性的、平滑的。同时，对正弦信号加窗可以缩小带宽和减少能量泄漏［19］。

1.4 Lamb波信号处理和损伤特征提取

能否对所采集到的Lamb波信号进行正确、有效地处理和解释直接决定着基于Lamb波的结构健康监测的应用效果。但是，由于受信号采集过程中采集系统外部和内部各种因素的影响，采集到的信号中必然夹杂着许多不能反映结构真实状态的成分，从而导致损伤特征提取困难，影响识别效果。因此，就需要对接收信号做预处理和去噪，剔除混杂在信号中的干扰和噪声。信号预处理主要包括采样数据标定、消除趋势项和采样数据的平滑处理等，Lamb 波检测中通常利用小波变换去除噪声［9，11，20－22］。

特征值是从信号中提取的一些特征参数，这些参数须能够很好地表征待测结构的不同状态。在导波检测中，根据特征值所处域的不同，可以将损伤特征提取的方法分为三类：时域分析法、频域分析法和时频域分析法。

1.4.1 时域分析法

时域信号分析方法主要包括时域信号波形参数及时域信号统计参数的提取，这些参数主要有信号到达时间、峰值、能量、均值、均方值、方差等［10］。VALDES等［23］利用Lamb波信号的到达时间来定位复合材料梁中的分层损伤，PARK 等［24］运用时域信号的互相关分析来确定基准信号和接收信号的线性相关程度。

1.4.2 频域分析法

频域分析法主要是通过傅立叶变换，将监测到的信号从时域变换到频域，进行频域特征提取。TAYLOR 等［25］首先利用快速傅立叶变换（FFT）将接收到的信号从时域转换到频域，然后计算信号在特定频率范围内的能量，以此为参数来识别风机叶片中的损伤。

1.4.3 时频分析法

为了克服单独时域或者频域分析的缺点，就需要引进时频联合分析的方法，这些方法主要有：短时傅立叶分析（STFT）［26］、WVD 分 布［27］、小波变换（WT）分析［28］和希尔伯特－黄变换（HHT）［29］等。

1.5 Lamb波损伤检测算法

损伤检测是依据所建立的信号特征与缺陷之间的对应关系，由Lamb波信号中所提取的信息推断出缺陷的参数，如位置、形状和严重程度等，这种检测损伤的推断过程是一个典型的逆过程。近几年来用于诊断、分类和识别领域的逆算法迅速发展起来，这些算法主要有基于TOF（Time of Flight）的三角定位算法［30－31］、时间反转算法［32－34］、Lamb波层析成像技术［35］、基于可能性评估的损伤诊断技术［36－38］、基于相控阵的损伤识别方法［39－40］、基于损伤指数（Damage Index，DI）的推断方法［41－42］和人工智能技术［43－45］等。

一般来说，基于TOF 的三角定位算法多被应用于定位简单结构损伤的二维位置。基于DI的推断方法可以应用于复杂结构的损伤检测，并可用于评估损伤的严重程度。时间反转方法和基于相控阵的损伤检测方法还可以有效地提高导波信号的信噪比（SNR），提高损伤检测的精度，并且时间反转方法不依赖于基准波信号，大大避免了环境因素的变化对检测精度的影响。基于成像技术的损伤识别方法的明显优点是可以直观地描绘缺陷。人工智能技术包括人工神经网络（ANN）、遗传算法（GA）和贝叶斯推理（BI），实际案例已经证明了其检测损伤的有效性，但是该技术的计算过程较为复杂。总之，无论运用何种损伤检测算法，核心工作都是把从传感器网络中所提取的信号特征进行有效的分析和数据融合［46］。

2 Lamb波检测法在风机叶片结构健康监测中的应用

2.1 风力发电机叶片

风力发电机是把风能转化为机械能，再把机械能转化为电能的动力机械。国内外风力机的结构形式繁多，根据风轮的结构及其在气流中的位置大体上可分为两大类：垂直轴风力机和水平轴风力机，目前应用较多的是水平轴风力发电机。一般情况下，一个水平轴风力发电机有三个叶片，这三个叶片是风轮最主要的组成部分，是风力发电机源动力输入的首要载体，它们不仅决定了风轮性能的好坏，而且还决定了风力发电机组整体性能的好坏和利用价值。风机叶片的性能主要由两个方面的因素决定：叶片结构和组成材料［5，47］。

叶片剖面基本上采用蒙皮加主梁的构造形式。主梁可采用整体箱型梁形式，也可用双槽钢形式或加强肋结构。在后缘空腹处，采用夹层结构。叶片大部分弯曲荷载由主梁承担，蒙皮起气动外形作用，并可承担部分荷载。除此以外，叶片尺寸大小也是叶片结构设计中需要着重考虑的一个重要问题。为了提高风能利用率，获得更好的经济效益，风力机的单机容量越来越大，叶片尺寸规模也相应增长。叶片的尺寸增大以后，其所承受的荷载水平、与机箱和塔筒等之间的相互作用也更趋复杂，这些都会对叶片的服役安全产生重要影响［5，48］。

叶片的组成材料对叶片的性能也有着非常重要的影响，比如影响叶片的重量、叶片的损伤机理以及疲劳寿命等。叶片发展初期，由于叶片较小，有木叶片、布蒙皮叶片、钢梁玻璃纤维蒙皮叶片、铝合金叶片等等。随着叶片向大型化方向发展，复合材料逐渐取代其他材料而成为大型叶片的唯一可选材料。玻璃纤维增强塑料（GFRP）是现代风机叶片最普遍采用的复合材料，GFRP以其低廉的价格，优良的性能占据着大型风机叶片材料的统治地位［5，49］。

风力发电机组在工作过程中，叶片要承受强风载荷、砂粒冲刷、紫外线照射、大气氧化与腐蚀、雷击等外界因素的作用。在这些因素的单独或综合作用下，叶片容易出现表层膨胀剥离、胶合层脱粘、层合板分层等多种形式的损伤。较易出现这些损伤的位置主要有：①叶片根部。②距叶片根部30%～35%和70%叶片长度位置处。③弦长最大位置处。④主梁和主梁帽外层［3，50］。

因此，在将Lamb波方法应用于风机叶片的结构健康监测时，应根据叶片的实际结构形式和组成材料特性以及叶片的常见损伤形式和易损部位，合理选用和优化布置换能器，合理优化激励信号，合理选取信号处理方法和损伤识别算法。

2.2 应用现状

近年来，国内外相关学者相继开展了Lamb波检测技术在风电叶片的早期损伤预报和结构健康监测方面的研究工作。

休斯顿大学的宋钢兵和哈尔滨工业大学的李惠等人［51］设计了一个基于压电陶瓷的风机叶片结构健康监测无线传感网络（WSN）。该无线传感网络由嵌入式压电陶瓷（PZT）传感器和无线通信系统组成，工作时，电脑通过无线节点控制其中一个压电陶瓷（PZT）片来激励产生特定的Lamb波，再由分布在叶片其他位置处的压电陶瓷（PZT）片接收响应信号，然后将接收到的信号由传感器节点通过无线通信系统传送到电脑进行分析处理。为了准确地评估风机叶片的损伤状态和损伤程度，还提出了一个基于小波包分析的损伤指标和损伤矩阵。最后，通过试验验证了所提方法的有效性。但是在试验过程中只是对简单的人工模拟的沟槽损伤进行了识别。

TAYLOR［25，52］等人为了测试所提出的风机叶片结构健康监测系统的性能，对一个CX－100型叶片进行了将近三个月、850万次的疲劳加载试验，在整个疲劳加载过程中，该结构健康监测系统对测试叶片的实时状态持续进行监测。此风机叶片结构健康监测系统主要是基于三种方法设计而成的，这三种方法分别是模态分析、Lamb波检测和散射波场法。其中Lamb波检测中所用的信号分析和处理方法是主成份分析（PCA）和接收信号能量分析，测试结果表明，PCA 方法可以很好地识别和定位完全型的损伤，但对于过渡阶段的损伤识别效果不佳；信号能量分析方法对完全型损伤的识别效果也较好，但由于基准数据测量受环境工况变化影响，湮没了某些由于结构损伤而造成的接收信号能量的变化，使得对于一些较小的、处于过渡阶段的损伤的识别效果也欠佳。

RAIŠUTIS等人［53］首先利用数值方法绘制出了试验风机叶片结构板的频散曲线，根据该频散曲线选取290kHz作为激振频率，然后利用Lamb波损伤成像技术对人工模拟的两个直径分别为19mm和49mm 的圆形损伤进行了检测。检测结果表明，该技术不但可以识别出模拟损伤的几何形式，而且还可以估算出损伤的大概尺寸。

LIGHT－MARQUEZ等［54］提出了三种基于压电传感器的风机叶片结构健康监测方法，分别是Lamb波法、频响函数法和基于时间序列分析的方法。为了验证和对比这三种方法，从9m 长CX100型叶片上截取了1 m 的一段进行了试验研究。在Lamb波方法中，开发了一个用户界面来控制激励信号的参数，并在叶片表面粘贴了四个压电片来激励和接收Lamb 波。由于该叶片截面形式较为复杂，只能通过试验来确定激励信号的最优频率，测试时损伤由一块粘贴于叶片表面的工业腻子来模拟。在确定了最优频率以后，为了使得试验更接近真实情况，进行了多种环境和工况下的基准信号采集，随后进行了损伤检测。检测过程中将采集到的损伤信号和之前的基准信号先转换到频域，然后对它们进行频域互相关分析，还设计了一个损伤指标，该损伤指标是用1减去互相关函数的最大值，试验结果证明该指标能够较好地表征结构中的损伤情况。整个试验研究说明，这三种方法都能够有效识别叶片结构中的损伤，相较于其他两种方法，Lamb波方法只能识别位于作动传感路径上或者附近的损伤，这一特性也可用来确定损伤的位置。

MAKAYA 等［55］通过试验研究和理论分析说明了Lamb波在不同特性的复合材料板中的传播特性以及Lamb波法识别叶片不同材料胶合处脱胶损伤的可行性。试验时选取了两块玻璃纤维增强复合材料（GFRP）板和一个风机叶片实物模型作为试验试件，第一块GFRP 板是准各向同性板，第二块是双向板，而叶片实体模型由玻璃纤维增强复合材料（GFRP）和碳纤维增强复合材料（CFRP）两种材料组成。研究过程中首先通过试验测定的方法绘制出了两块GFRP板的频散曲线，发现在0～300kHz范围内，双向GFRP 板中激发出的Lamb波模式要多于准各向同性GFRP 板；在准各向同性GFRP 板中，Lamb波基本模式S0和A0与纤维取向独立无关，而在双向GFRP板中则不然，S0模式受纤维取向的影响。在叶片实体模型的翼梁帽处人工模拟了一个250mm×250mm 的脱胶损伤，试验结果表明利用Lamb波损伤成像方法能够很好地识别该损伤。

3 结语

（1）风机叶片结构的几何形式和材料特性复杂，其所处的自然环境相对恶劣，这些都给监测信号带来诸多困难，所以今后在信号处理算法和传感器封装方法方面要进一步加强研究。

（2）信号的无线传输和监测系统的能量采集供应方面也需要进行研究。

（3）在状态识别过程中，通过严格的统计分析建立合理的阈值是非常必要的。

（4）Lamb波法是一种局部的损伤识别方法，在使用过程中，须和其他方法（例如声发射、振动分析等）结合使用，以便实现对整个叶片的全局监测。

（5）损伤后的风机叶片一般通过机械紧固或者在损坏处粘贴金属或复合材料板的方式进行修补，但是目前缺乏快速有效的修补效果检测评价方法，今后在此方面也需要加强研究。

［1］WWEA.Key statistics of world wind energy report 2013［EB／OL］［2014－12］.http：／／www.wwindea.org／home／index.php.

［2］CWEA.2013年中国风电装机容量统计［R］.中国可再生能源学会风能专业委员会，2014.

［3］CIANG C C，LEE J R，BANG H J.Structural health monitoring for a wind turbine system：a review of damage detection methods［J］.Measurement Science and Technology，2008，19（12）：1－20.

［4］Caithness Windfarm Information Forum.Accident statistics ［EB／OL］.［2014－12］.http：／／www.caithness windfarms.co.uk／.

［5］YANG B，SUN D.Testing，inspecting and monitoring technologies for wind turbine blades：A survey［J］.Renewable and Sustainable Energy Reviews，2013，22：515－526.

［6］陈雪峰，李继猛，程航，等.风力发电机状态监测和故障诊断技术的研究与进展［J］.机械工程学报，2011（9）：45－52.

［7］GHOSHAL A，SUNDARESAN M J，SCHULZ M J，et al.Structural health monitoring techniques for wind turbine blades［J］.Journal of Wind Engineering and Industrial Aerodynamics，2000，85（3）：309－324.

［8］解维华，汤珺，张博明，等.基于Lamb的金属薄板损伤主动监测技术研究［J］.压电与声光，2008（3）：349－352.

［9］RAGHAVAN A，CESNIK C E S.Review of guidedwave structural health monitoring［J］.Shock and Vibration Digest，2007，39（2）：91－116.

［10］袁慎芳.结构健康监控［M］.北京：国防工业出版社，2007.

［11］SU Z，YE L，LU Y.Guided Lamb waves for identification of damage in composite structures：A review［J］.Journal of Sound and Vibration，2006，295（3）：753－780.

［12］KESSKER S S，SPEARING S M，SOUTIS C.Damage detection in composite materials using Lamb wave methods［J］.Smart Materials and Structures，2002，11（2）：269－276.

［13］LIU X，ZHOU C，JIANG Z.Damage localization in platelike structure using built－in PZT sensor network［J］.Smart Structures and Systems，2012，9（1）：21－33.

［14］RAGHAVAN A，CESNIK C E S.Review of guidedwave structural health monitoring［J］.Shock and Vibration Digest，2007，39（2）：91－116.

［15］李传兵，廖昌荣.压电智能结构的研究进展［J］.压电与声光，2002（1）：42－46.

［16］KESSLER S S，SPEARING S M，SOUTIS C.Damage detection in composite materials using Lamb wave methods［J］.Smart Materials and Structures，2002，11（2）：269－278.

［17］李迎.复合材料无损检测中Lamb波的优化［J］.声学技术，2011（3）：232－236.

［18］YUAN S，XU Y，PENG G.New developments in structural health monitoring based on diagnostic Lamb wave［J］.Journal of Material Science ＆Technology，2004，20（5）：490－496.

［19］KESSKER S S，SPEARING S M，SOUTIS C.Optimization of lamb wave methods for damage detection in composite materials［J］.Technology Laboratory for Advanced Composites Department of Aeronautics and Astronautics Massachusetts Institute of Technology，SHM－2001，2001.

［20］YU L，BAO J，GIURGIUTIU V.Signal processing techniques for damage detection with piezoelectric wafer active sensors and embedded ultrasonic structural radar［C］.［S.l］：［s.n］，2004：492－503.

［21］RIZZO P，SCALEA F L.Discrete wavelet transform to improve guided－wave－based health monitoring of tendons and cables［C］.［S.l］：［s.n］，2004：523－532.

［22］KERCEL S W，KLEIN M B，POUET B F.Wavelet and wavelet－packet analysis of Lamb wave signatures in laser ultrasonics［C］.［S.l］：［s.n］，2000：308－317.

［23］VALDES S H D，SOUTIS C.A structural health monitoring system for laminated composites［J］.Proceedings of DETC，2001：2013－2021.

［24］PARK S，ANTON S R，KIM J K，et al.Instantaneous baseline structural damage detection using aminiaturized piezoelectric guided waves system［J］.KSCE Journal of Civil Engineering，2010，14（6）：889－895.

［25］TAYLOR S G，JEONG H，JANG J K，et al.Full－scale fatigue tests of CX－100wind turbine blades.Part II：analysis［C］.SPIE Smart Structures and Materials＋Nondestructive Evaluation and Health Monitoring.International Society for Optics and Photonics，2012.

［26］MAHADEV P S，VINU K R，BALASUBRAMANIAM K，et al.Imaging of defects in composite structures using guided ultrasonics［C］.［S.l］：［s.n］，2003：700－703.

［27］PROSSER W H，SEALE M D，SMITH B T.Time–frequency analysis of the dispersion of lamb modes［J］.Journal of the Acoustical Society of America，1999，105（5）：2669－2676.

［28］LEMISTRE M，BALAGEAS D.Structural health monitoring system based on diffracted lamb wave analysis by multiresolution processing［J］.Smart Materials and Structures，2001，10（3）：504－511.

［29］OSEGUEDA R A，KREINOVICH V，NAZARIAN S，et al.Detection of cracks at rivet holes in thin plates using Lamb－wave scanning［C］.NDE for Health Monitoring and Diagnostics.International Society for Optics and Photonics，2003：55－66.

［30］DIAMANTI K，SOUTIS C，HODGKINSON J M.Lamb waves for the non－destructive inspection of monolithic and sandwich composite beams［J］.Composites Part A：Applied science and manufacturing，2005，36（2）：189－195.

［31］HARRI K，GUILLAUME P，VANLANDUIT S.Online damage detection on a wing panel using transmission of multisine ultrasonic waves［J］.NDT＆E International，2008，41（4）：312－317.

［32］PARK H W，SOHN H，LAW K H，et al.Time reversal active sensing for health monitoring of a composite plate［J］.Journal of Sound and Vibration，2007，302：50－66.

［33］WANG C H，ROSE J T，CHANG F K.A synthetic time－reversal imaging method for structural health monitoring［J］.Smart Materials and Structures，2004，13：415－423.

［34］XU B，GIURGIUTIU V.Single mode tuning effects on Lamb wave time reversal with piezoelectric wafer active sensors for structural health monitoring［J］.Journal of Nondestructive Evaluation，2007，26：123－134.

［35］张海燕，吕东辉，袁瀚贝.超声波检测中的兰姆波层析成像［J］.声学技术，2004，3（2）：138－145.

［36］WANG D，YE L，LU Y，et al.A probabilistic diagnostic algorithm for identification of multiple notches using digital damage fingerprints（DDFs）［J］.Journal of Intelligent Material Systems and Structures，2009，20（12）：1439－1450.

［37］WANG D，YE L，LU Y，et al.A damage diagnostic imaging algorithm based on the quantitative comparison of Lamb wave signals［J］.Smart Materials and Structures，2010，19（6）：1－12.

［38］WANG D，YE L，SU Z，et al.Probabilistic damage identification based on correlation analysis using guided wave signals in aluminum plates［J］.Structural Health Monitoring，2010，9（2）：133－144.

［39］孙亚杰，袁慎芳，蔡建.基于超声相控阵的材料结构健康监测实验研究［J］.宇航学报，2008，29（4）：1393－1396.

［40］孙亚杰，袁慎芳，邱雷，等.基于Lamb 波相控阵和图像增强方法的损伤监测［J］.航空学报，2009，30（7）：1325－1330.

［41］ZHAO X，GAO H，ZHANG G，et al.Active health monitoring of an aircraft wing with embedded piezoelectric sensor／ actuator network：I.Defect detection，localization and growth monitoring ［J］.Smart Materials and Structures，2007，16（4）：1208－1217.

［42］ZHAO X，QIAN T，MEI G，et al，Active health monitoring of an aircraft wing with an embedded piezoelectric sensor／actuator network：II.Wireless approaches ［J］.Smart Materials and Structures，2007，16（4）：1218－1225.

［43］LU Y，YE L，SU Z，et al.Artificial neural network（ANN）－based crack identification in aluminum plates with Lamb wave signals［J］.Journal of Intelligent Material Systems and Structures，2009，20：39－49.

［44］CHOU J H，GHABOUSSI J.Genetic algorithm in structural damage detection ［J］.Computers ＆Structures，2001，79（14）：1335－1353.

［45］WANG X，FOLIENTE G，SU Z，et al.Multilevel decision fusion in a distributed active sensor network for structural damage detection［J］.Structural Health Monitoring，2006，5（1）：45－58.

［46］苗晓婷.基于导波的结构健康监测中特征提取技术与损伤识别方法的研究［D］.上海：上海交通大学，2011.

［47］顾怡红.风力发电机叶片优化设计方法研究［D］.杭州：浙江大学，2014.

［48］陈余岳，张锦南.玻璃钢／复合材料风力机叶片的开发［J］.纤维复合材料，2007（4）：371－374.

［49］李军向，薛忠民，王继辉，等.大型风轮叶片设计技术的现状与发展趋势［J］.玻璃钢／复合材料，2008（1）：48－52.

［50］李成良，王继辉，薛忠民，等.大型风机叶片材料的应用和发展［J］.玻璃钢／复合材料，2008（4）：328－336.

［51］SONG G，LI H，GAJIC B，et al.Wind turbine blade health monitoring with piezoceramic－based wireless sensor network［J］.International Journal of Smart and Nano Materials，2013，4（3）：150－166.

［52］FARINHOLT K M，TAYLOR S G，PARK G，et al.Full－scale fatigue tests of CX－100 wind turbine blades.Part I：testing［C］.［S.l］：［s.n］，2012：1236－1243.

［53］RAIŠUTIS R，JASIŪNIENÉ E，Žukauskas E.Ultrasonic NDT of wind turbine blades using guided waves［J］.Ultrasound，2008，63（1）：7－11.

［54］LIGHT－MARQUEZ A，SOBIN A，PARK G，et al.Structural damage identification in wind turbine blades using piezoelectric active sensing［J］.Structural Dynamics and Renewable Energy，2011，3（2）：55－65.

［55］MAKAYA K，BURNHAM K，CAMPOS C.Assessment of defects in wind and tidal turbine bladesusing guided waves ［J］.Smart Materials and Structures，2011，16（4）：1211－1217.