基于振动监测的风力发电机叶片故障诊断方法研究

In order to guarantee the wind turbines operating safely, wind turbine blades vibration signal is detected to analyze the vibration feature, then a wind turbine blades fault diagnosis system based on vibration feature is created. A new fault feature called Average Energy Flow (AEF) is proposed, AEF has an actual physical meaning and it can classify the fault mode and locate the fault device. The researching works focus on the fixed wind turbine velocity nowadays, then it means this kind of fault diagnosis system does not meat the actual situation--the wind velocity varies frequently. In order to deal with this problem a wind turbine blades fault diagnosis system based on different wind modes with an extreme temperature compensation is investigated, at the same time, an adaptive threshold is adopted to improve the flexibility of the diagnosis system. This fault monitoring and diagnosis system can be employed to increase the reliability and maintainability of wind turbines.

本项目针对大型风力发电机组安全运行的需要，研究复杂工况下大型风力发电机叶片振动信号的特性及基于振动信号的叶片故障诊断。提出一种新的故障特征量——平均能流密度（Average Energy Flow, AEF），该特征量是一种具有实际物理意义、本质上具有区分故障类型、定位故障位置的特征量；针对目前叶片故障诊断系统多工作于固定风速的弊端，提出建立带极端天气补偿的不同风速模式的分区叶片故障诊断系统，同时，该系统采用自适应阈值，进一步提高诊断系统的适应性。本项目可为提高大型风电系统的可靠性、可维护性和安全稳定运行提供理论基础和技术支持。

风电叶片是风电系统各部件的平均排除故障时长中耗时最长的部件，一旦叶片出现故障，导致机组停运的时间最久，带来的直接与间接损失巨大。本项目致力于研究风机叶片的故障诊断技术，减小风机运维成本、增强风电机组稳定发电能力。项目完成的主要工作如下：（1）提出基于平均能流密度（AEF）的特征提取方法：叶片具有多种振动方式，不同的振动方式对应着不同的叶片状态；伴随振动的传播还有能量的传播，因此，能量的传播情况也能代表叶片的状态。振动信号经离散傅立叶变换等一系列变换能够获得振动信号的AEF。不同频率、不同故障下的AEF有所差别，根据振动信号的AEF值就可以检测出是否有故障产生。（2）提出基于自适应熵小波包变换（ApEn-WPT）的特征提取方法，基于交叉验证粒子群核极限学习机（CPSO-KELM）的故障分类方法。采用ApEn对WPT进行自适应阈值选取，ApEn-WPT对振动信号进行滤波，提取振动信号中的故障特征值，改善WPT自适应能力差、对系统复杂度有依赖性、转换过程易丢失有效信息的缺陷。提取后的特征送入CPSO-KELM分类器。采用CPSO算法求解KELM的罚函数C和核函数g。CPSO-KELM对故障进行检测与分类。（3）开发了基于无线传输的风机叶片振动数据采集系统，采用组态王软件建立上位机监控系统。（4）建立了基于MWorks的风力发电系统仿真模型。面向对象的建模方式更符合人类对实际系统的认知过程，器件模块的重复利用率和扩展能力强，模块间传递的是物理量，利于实现多系统融合建模。（5）初步建立了基于图像的叶片故障诊断系统：硬件上采用开放的无人机平台，搭载树莓派开发系统，系统扩展性强；软件上采用Python语言编写基于图像边缘检测的叶片故障检测，并采用LSSVM作为故障的分类器，对检测出的故障进行后续分类。初步结果表明该系统能够检测出风机叶片表面的掉漆、划痕、边缘开裂等故障。