风力机叶片健康状态监测及预警研究_余建国.pdf

【74】第45卷 第02期 2023-02收稿日期：2021-04-22基金项目：江西省高校人文社会科学研究项目（GL1544）作者简介：余建国（1979-），男，湖北安陆人，副教授，硕士，研究方向为企业信息化，生产计划与调度。通讯作者：欧阳丁杰（1997-），女，河北廊坊人，硕士研究生，研究方向为企业信息管理。风力机叶片健康状态监测及预警研究Research on the health status detection and early warning of wind turbine blades余建国，欧阳丁杰*YU Jian-guo，OUYANG Ding-jie*（江西理工大学 机电工程学院，赣州 341000）摘 要：随着风电产业的迅速发展，风机装机容量逐渐增加，叶片的长度也随之增长，所以风电机组产生故障的机率越来越大。因此，对风力机叶片进行健康状态监测及预警研究，在叶片发生故障前进行处理。首先，提取叶片正常和异常状态下的特征参数，利用BP神经网络建立叶片健康状态预测模型，其次，采用Power Designer建模软件建立系统物理数据模型，并对系统架构进行设计，最后，将训练好的神经网络模型，运用在风机叶片健康状态监测及预警平台中，对叶片进行实时监测并预测叶片未来时刻的运行状态，提高风机叶片健康状态监测及预警的信息化水平。关键词：风力机叶片；BP神经网络；Power Designer；状态预测；系统开发中图分类号：TP393 文献标志码：A 文章编号：1009-0134(2023)02-0074-040 引言我国是资源大国，风能资源非常丰富，据统计，我国陆地和近岸海域的风能资源合计高达1000GW，我国的风电产业相比于发达国家起步较晚，但在国家政策的支持以及研究人员的不懈努力下，我国无论是从新增装机容量还是累计装机容量都稳居世界首位。中国的风电产业发展迅速，但对于风机叶片健康状态监测及预警的研究还存在较大的优化空间1。风力机的叶片由于常年暴露在外面，所以极易发生腐蚀，出现裂纹甚至是叶片坠落，叶片成本约占风力机总成本的20%左右2,3,关乎风力机的总体效益。近年来，由于对风电机组监测技术的不到位，导致全球各地的风场风机事故频繁发生，2010年2月，左云大唐风电场风机由于螺栓断裂导致坍塌。2015年11月，洪斯吕克风电场风机由于叶片损坏导致坠毁。风力机叶片在运行过程中存在很大的安全隐患，所以，对叶片进行健康状态监测及预警的研究非常必要。1 风力机叶片健康状态监测现状从上世纪60年代开始，国外对于风力机叶片的监测技术开始发展，Bend等4通过对风机叶片的监测技术进行研究，结果表明对海上风机叶片进行监测的可行性。Chang-Hwan Kim等5通过对比应变片和光纤光栅传感器，结果表明用光纤光栅传感器监测叶片状态较为准确。KIM等6运用光纤光栅传感器对叶片的运行状态进行监测。M.J.Blanch团队7,8运用声发射技术对叶片进行实时监测，实验结果表明，声发射技术能够有效的识别叶片故障。Kramer SGM9利用光纤传感网络传回来的数据，监测雷电对叶片的影响。国内对于风力机叶片健康状态监测以及预警的研究尚处于初始阶段，目前主要是对风力机叶片的监测方法提出了构想10。乌建中等11运用短时傅里叶变换（STFT）对风力机叶片不同裂纹程度的振动信号进行统计，结果证明利用STFT可以对风机叶片的裂纹进行监测。张保钦等12运用三轴加速度传感器模型数据融合的办法，开发出风机叶片振动实时监测系统。邹洁等人13把光纤光栅传感器安装在风力机叶片内进行试验，分析发现通过监测波长可以判断叶片状态。根据上述研究，国内外对风力机叶片健康状态监测技术的研究成果相对较多，而对于风机叶片健康状态预警的研究还存在较大的优化空间。本文通过和叶片正常运行状态的数据进行比较，定量的判断风力机叶片当前的运行状态，同时，对叶片可能发生的故障进行预警，延长风机的使用寿命，减少维修成本。2 BP神经网络预测2.1 神经网络的设计BP（Back Propagation）神经网络发展迅速、功能强大，如今被大多数研究人员广泛应用，神经网路结构由三层神经元组成，分别为输入层、隐含层和输出层，结构如图1所示。图1 神经网络模型结构图第45卷 第02期 2023-02【75】1）确定输入层与输出层BP神经网络的输入层与输出层一般介于1,n之间，没有硬性要求。2）选择传递函数常用的传递函数包括logsig型传递函数和tansig型传递函数，这两种函数属于S型函数,S型函数根据数值的大小，可以对缩放系数进行合理调整，所以一般会采用S型函数处理输入输出之间的逼近关系。3）选择隐含层隐含层由公式(1)来确定，其选择无特别要求，最终能使训练误差最小即可。隐含层的节点数公式为：knma=+(1)式中：K隐含层节点数 n输入节点数 m输出节点数 a1-12的整数4）确定初始权值神经网络的训练过程其实就是通过不断改变阈值和权值，使最后的结果最优，初始权值不会太大，一般在（-1，1）之间。5）确定学习速率学习速率设置过高会使整个系统运行时失稳；过低会增加训练时间，导致收敛很慢，所以一般范围在（0.01，0.08）之间。6）误差的确定误差值设定过小，虽然精度很高，但是会导致训练过程很复杂，误差值设定过大，预测结果就会不准确，所以要不断对比训练结果，最后训练误差满足需求或者训练已达上限就会停止。其基本的训练过如下：（1）构建网络层。确定维数n、隐层节点L和输出层。（2）网络初始化。传递函数、权值、阈值和训练次数的确定。（3）处理数据。确定试验样本数和测试样本数并对数据进行归一化处理。（4）计算隐层输出H。(2)（5）计算输出层O。(3)（6）计算误差。(4)（7）权值与阈值的计算。(5)(6)(7)(8)（8）将样本数据导入神经网络进行训练，训练后的误差接近目标误差，则停止，否则重复步骤3到步骤7，直到接近目标误差或达到训练上限为止14。2.2 神经网络的预测选定一组时间序列X1,X2,X3.Xn,利用前面n个时间序列值对Xn+1进行预测，预测值与实际值之间具有某种函数关系，表达式为：Xm+1=f(Xm,Xm-1,.X1)，从而使预测问题变为函数的逼近问题15。无论叶片出现裂纹还是叶根处螺栓松动，这些故障都会通过叶片的振动幅值和振动频率表现出来，所以通过叶片的振动频率和振动幅值可以判断当前叶片的运行状态，本文以1.5m长叶片作为对象，叶片的振动幅值量作为特征量，将45组样本数据导入BP神经网络进行训练，最后用5组数据作为输出，来检验训练误差是否为最小。训练样本如表1所示。表1 45组时间序列训练样本数据组别振动幅值量(dm)数据组别振动幅值量(dm)数据组别振动幅值量(dm)11.302160.532310.92721.301170.514320.95131.297180.497330.95841.231190.496340.95651.203200.454350.95561.187210.456360.95470.987220.497370.95380.904230.499380.92190.876240.521390.934100.767250.614400.945110.734260.712411.011120.654270.751421.032130.617280.801431.047140.583290.854441.141160.554300.917451.150 通过对神经网络进行多次调整，神经网络训练参数如图2所示，训练次数为17次，训练时间为5s。初始误差为0.0590，训练后的误差为2.4610-8，基本接近目标误差0。初始梯度为0.178，训练后梯度为7.2810-6，基本接近目标梯度1.010-7。Mu值为1.010-7，验证失败次数为6次。神经网络预测结果如图3所示，训练结果对比如表2所示，训练后误差为2.4610-8，基本接近目标误差0，说明【76】第45卷 第02期 2023-02神经网络模型构建很好。将训练好的神经网络模型，运用在风机叶片健康状态监测系统中，对叶片进行实时监测并预测叶片未来时刻的运行状态。表2 训练结果对比第46组第47组第48组第49组第50组实际值1.0051.0221.0411.0521.061预测值1.0051.0141.0151.0141.015图2 网络训练参数图3 网络预测结果3 系统设计3.1 系统功能设计风机叶片健康状态监测平台模块化功能如下所示：1）用户登录系统：用户通过注册登录，进入风机叶片健康状态监测平台的主界面，对系统进行访问。2）人员信息管理系统：该模块包括风场工作人员、质量管理中心相关负责人以及相关领导的基本信息。3）风场信息管理系统：该模块包含风场地址、风场名称、风机总台数、风机机型、机位号、风险等级等基本信息。4）数据采集系统：计算机通过读取传感器传回的叶片振动数据，为监测系统提供数据来源。5）数据储存系统：此监测平台需要长期对叶片的振动幅值进行监测，因此系统会积累大量的监测数据。6）数据通讯系统：将采集到的叶片振动数据传到监测中心，实现网络上信息资源的共享。7）故障预报警系统：叶片的振动幅值可以从侧面反映风机叶片的健康状态，当预测出叶片的振动幅值超出正常范围，风场工作人员就可以提前对叶片进行维修。3.2 系统数据库设计本文的风机叶片健康状态监测平台主要包括：用户登录系统、人员信息管理系统、风场信息管理系统、数据采集系统、数据储存系统、数据通讯系统、故障预报警系统等几个部分，基于此建立系统的数据库模型。本系统采用Power Designer建模软件，它是一个功能齐全且方便应用的建模工具，它可以根据不同的模型开发出不同的环境，模块之间既相互独立也相互联系。采用Power Designer设计的风机叶片健康状态监测平台物理数据模型（部分模块模型）如图4所示。登录信息登录编号员工代号姓名性别角色权限联系方式注册时间numeric(20)numeric(20)varchar(20)varchar(1)varchar(20)numeric(20)date员工账号员工代号用户名账号密码更改密码numeric(20)varchar(20)varchar(20)numeric(20)权限设置序号一级权限一级权限描述二级权限二级权限描述审核人审核时间numeric(20)varchar(20)varchar(20)varchar(20)varchar(20)varchar(20)date工作人员信息员工代号角色编号员工姓名员工性别组代号婚否籍贯所在风场numeric(20)numeric(20)varchar(20)varchar(1)numeric(20)varchar(1)varchar(20)varchar(20)角色管理组代号序号角色编号组名称组备注numeric(20)numeric(20)numeric(20)varchar(20)varchar(20)相关负责人信息员工代号员工姓名风场名称登录编号员工性别婚否籍贯负责的风场numeric(20)varchar(20)varchar(20)numeric(20)varchar(1)varchar(1)varchar(20)varchar(20)风场信息风场地址风场名称风机总台数风机机型机位号风险等级varchar(20)varchar(20)numeric(20)varchar(20)char(20)varchar(10)员工角色分配角色编号组代号员工代号员工姓名主要工作numeric(20)numeric(20)numeric(20)varchar(20)varchar(20)风机信息所在风场风机型号机位号风险等级生产厂家相关负责人varchar(20)numeric(20)numeric(20)varchar(10)varchar(20)varchar(20)数据采集工作人员姓名风场名称风机机型机位号日期风险等级排查记录表叶片数据varchar(20)varchar(20)varchar(20)numeric(20)datevarchar(10)numeric(1000)数据储存风场名称风机台数风机型号风险等级工作人员员工代号相关负责人排查记录表叶片数据varchar(20)numeric(50)varchar(20)varchar(20)varchar(20)numeric(20)varchar(20)varchar(20)numeric(1000)故障预报警风场名称风机型号机位号工作人员日期故障类型员工代号相关负责人风险等级备注varchar(20)varchar(20)varchar(20)varchar(20)datevarchar(20)numeric(20)varchar(20)varchar(20)varchar(20)故障类型风机型号机位号生产厂家故障类型备注varchar(20)varchar(20)varchar(20)varchar(20)varchar(20)部门管理风机型号部门名称负责人联系电话部门地址numeric(20)varchar(20)varchar(20)numeric(20)varchar(20)图4 物理数据模型3.3 系统架构设计系统综合运用Access数据库管理系统以及计算机技术16，设计风机叶片健康状态监测平台，该平台分为：服务层、业务层、访问层和资源层四层结构,如图5所示。服务层的主要作用是为系统提供数据存储。业务层是在java的基础上主要包括用户登录系统、人员信息管理系统、风场信息管理系统、数据采集系统、数据储存系统、数据通讯系统以及故障预报警系统。访问层采用AOP编程框架对数据资源进行第45卷 第02期 2023-02【77】管理。资源层中ORM可以把数据库中表的概念与面向对象的概念一一对应。资源层ResourcesORM框架映射AccessOracleDB2Mysql其他访问层HibernateAOP编程框架JDBCJNDIJTAHQLJMS其他服务层Service用户登录系统人员信息管理系统风场信息管理系统数据采集系统数据储存系统JavaBeans组件技术业务层Spring数据通讯系统故障预报警系统云服务器云数据库服务器代理服务器图5 系统架构图4 系统开发风机叶片健康状态监测平台的开发设计主要运用java技术、CSS层叠样式表、SQL查询语言以及HTML超文本标记语言。风机叶片健康状态监测平台对于降低风机叶片风险隐患具有重要意义，目前企业主要依赖人工巡检的方式，目视法不仅会引起视觉疲劳，也会由于主观因素影响监测效果，因此风机叶片健康状态监测平台的开发必不可少。如图6所示为PC端开发结果。图6 PC端开发结果5 结语本文主要围绕风力机叶片健康状态监测及预警展开研究，主要成果如下：1）本文以1.5m长风力机叶片为研究对象，叶片的振动幅值量作为特征量，根据全球风力手册中规定的对于风力机不同长度的叶片允许的振动幅值范围，建立风力机叶片故障预警模型，预测叶片未来时刻的运行状态。2）将45组样本数据导入BP神经网络进行训练，利用matlab建立风力机叶片健康状态预测模型，训练后的误差为2.4610-8，基本接近目标误差0，说明神经网络模型的训练效果非常好，能够提前对叶片的振动幅值进行预测。3）设计并开发风力机叶片健康状态监测平台，对叶片进行实时监测并预测未来数据，避免叶片故障和事故的发生。参考文献：1 辛华.中国风电发展路线图2050J.精细与专用化学品,2011,19(12):27.2 陈云花.基于振动测试的大型风力发电机组运行状态监测研究D.内蒙古科技大学,2009.3 王之华,王志新.大型风力发电机组状态监测与控制技术研究J.机电一体化,2008,14(11):41-43+50.4 Bent F S,Lars L,Peter S,et al.Fundamentals for remote structural health monitoring of wind turbine bladeA preprojectR.Roskilde:Riso National Labor-atory,2002.5 C.H.kim,I.Paek,N.Yoo.Monitoring of small wind turbine blade using FBG SensorsC.Control Automation and Systems(ICCAS),2010 International Conference on,2020,1059-1061.6 KIM S W,KIM E H,RIM M S,et al.Structural performance tests of down scaled composite wind turbine blade using embedded fiber brag grating sensorsJ.International Journal of Aeronautical and Space Sciences,2011,12:346-353.7 Blanch M.J,Dutton A.G.Acoustic emission monitoring of fied tests of an operating wind turbineJ.Key Engineering Materials,2003,27(18):475-482.8 Joosse P.A,Blanch M.J,Dutton A.G.Acoustic emission monitoring of small wind turbine bladesJ.Journal of Solar Energy,2002,12(9):1-13.9 Kramer S G M.Fiber Optic Sensor Network For Lightning Impact Localization And Classification In Wind TuribinesC.Proceedings Of IEEE Icmeiis06,Heidelberg(Germany),September 2006,2:173-178.10韩敬宇.基于声发射技术的风电叶片裂纹无线监测系统研究D.北京化工大学,2010.11乌建中,陶益.基于短时傅里叶变换的风机叶片裂纹损伤检测J.中国工程机械学报,2014,12(2):180-183.12张保钦,雷保珍,赵林惠,等.风机叶片故障预测的振动方法研究J.电子测量与仪器学报,2014,28(3):285-291.13邹洁,何超,朱永凯.基于FBG和小波包能量谱的风机叶片无损检测J.电子测量技术,2015,38(3):133-138.14张星昌.前馈神经网络的新学习算法研究及其应用J.控制与决策,1997(3):213-216.15王秋香,于德介.设备状态的多项式神经网络迭代多步预测法J.计算机仿真,2010,27(3):179-181,262.16田家旗.Java开发语言的开发平台与J2EE编程技术问题研究J.信息技术与信息化,2016(4):112-113.