大型風(fēng)電機組塔筒應(yīng)力監(jiān)測點的選取與預(yù)警

尹少平，馮 沫，王靈梅，郭躍年

(1.山西大學(xué) 控制理論與控制工程學(xué)院，太原 030013；2.國家電投集團 山西新能源有限公司，太原 030001)

0 引言

隨著低速風(fēng)電機不斷發(fā)展，塔筒加長已成為大勢所趨。風(fēng)電機組塔筒是重要的承載部件，塔筒的性能直接影響了風(fēng)力發(fā)電機運行的穩(wěn)定性和可靠性，風(fēng)電機組塔筒監(jiān)控也成為日益突出的問題，塔筒應(yīng)力監(jiān)測已成為行業(yè)研究熱點。張照煌[1]基于ANSYS有限元軟件對風(fēng)電機組塔架進行了受力分析和疲勞計算；田章超[2]基于物聯(lián)網(wǎng)的風(fēng)電桿塔傾斜沉降監(jiān)測預(yù)警系統(tǒng)；周博[3]基于曹力ANSYS有限元軟件對在役風(fēng)電塔筒的靜動態(tài)模擬與安全評估研究；得出了風(fēng)電機模態(tài)和受力分析；李婷婷[4]采取利用加權(quán)均值數(shù)據(jù)融合和置信區(qū)間數(shù)據(jù)校驗的數(shù)據(jù)預(yù)處理方法對風(fēng)電塔筒的傾斜、沉降現(xiàn)場多傳感器數(shù)據(jù)進行初步整合，提出了基于多傳感器數(shù)據(jù)融合的風(fēng)電塔筒傾斜沉降監(jiān)測預(yù)警算法；陳長征[5]按照GL規(guī)范基于UG軟件對1.5 MW進行了塔筒和葉片受力分析；郭鵬[6]根據(jù)風(fēng)電機搖擺的力度,設(shè)計了簡單風(fēng)電傾斜預(yù)警系統(tǒng)。但這些都進行風(fēng)電機組塔筒位移和基地沉降的監(jiān)測，缺少對風(fēng)電機組塔筒最重要的應(yīng)力監(jiān)測。而塔筒應(yīng)力往往最能準(zhǔn)確地反映塔筒的實際狀況。但進行塔筒應(yīng)力監(jiān)測，目前存在以下兩個問題：1)風(fēng)電機組塔筒往往高達(dá)80多米，如何合理選取應(yīng)力檢測點成為實際中一大問題；2)風(fēng)電機組工況復(fù)雜難以采用固定閾值方法進行故障預(yù)警[7-10]。

針對上訴問題1)，本文首先采用Pearson軟件進行塔筒模態(tài)和受力分析，并和現(xiàn)場實驗進行對比的方法得出塔筒應(yīng)力最大點。針對問題2)，本文通過建立塔筒異常狀態(tài)識別模型解決這一問題，其思想如下：首先將風(fēng)電機組及其部件的工作狀態(tài)分為正常運行狀態(tài)和異常狀態(tài)；其次利用正常運行狀態(tài)下數(shù)據(jù)樣本對運行參數(shù)進行建模，所建模型稱為參數(shù)的正常行為模型(簡稱參數(shù)模型)；然后用參數(shù)模型對狀態(tài)參數(shù)進行預(yù)測，獲得參數(shù)預(yù)測值與實際值的殘差，當(dāng)狀態(tài)參數(shù)發(fā)生異常時，參數(shù)模型的預(yù)測值將偏離實際值，異常越嚴(yán)重，出現(xiàn)偏離的情況越多；最后通過對殘差進行數(shù)據(jù)分析，判定風(fēng)機組塔筒是否出現(xiàn)異常。本文塔筒應(yīng)力預(yù)測參數(shù)模型本文采用能夠快速收斂的灰色神經(jīng)網(wǎng)路。而針對風(fēng)電機狀態(tài)參數(shù)多，全部作為預(yù)測模型的輸入并將影響模型計算速度，采用pearson相關(guān)系數(shù)法選取和塔筒應(yīng)力相關(guān)較強的風(fēng)電機組參數(shù)作為預(yù)測模型的輸入，提高模型的計算速度。

1 塔筒模態(tài)分析和受力分析

1.1 塔筒模態(tài)計算與受力分析軟件介紹

ANSYS軟件是目前應(yīng)用最為廣泛的一種軟件。其應(yīng)用范圍已經(jīng)涉及到結(jié)構(gòu)力學(xué)、結(jié)構(gòu)動力學(xué)、熱力學(xué)、流體力學(xué)、電路學(xué)和電磁學(xué)等，并且可以實現(xiàn)各個領(lǐng)域內(nèi)的耦合，在各個的工業(yè)領(lǐng)域有廣泛的應(yīng)用。該軟件是由世界最大規(guī)模的有限元分析軟件的生產(chǎn)商一美國開發(fā)研制的。而ANSYS Workbench是ANSYS公司出品的一代仿真平臺。主要包括：結(jié)構(gòu)靜力學(xué)分析、結(jié)構(gòu)動力學(xué)分析、剛體動力學(xué)分析、結(jié)構(gòu)熱分析、流體動力學(xué)分析等功能。本文主要采用ANSYS Workbench的結(jié)構(gòu)動力學(xué)分析工能進行塔筒模態(tài)和應(yīng)力分析。

1.2 仿真模型建立

本文以山西省某風(fēng)電場風(fēng)電機塔筒研究對象，其具體風(fēng)電機塔筒數(shù)據(jù)如表1所示。

表1 風(fēng)電機塔筒數(shù)據(jù)

1.3 塔筒模態(tài)分析

本文在Proe軟件建立風(fēng)電機機組塔筒模型;在將建立好的風(fēng)電機組塔筒模型導(dǎo)入Ansys bench軟件；在Ansys bench軟件編寫塔筒模型材料的數(shù)據(jù)和劃分單元格；最后在Solution中點擊模態(tài)分析，最后得出塔筒模態(tài)分析結(jié)果。

1.4 塔筒受力分析

根據(jù)GL 2010認(rèn)證規(guī)范，由bladed軟件輸出塔筒頂端載荷值，共14個極限工況和70個疲勞工況，每個工況包括3個方向的力和3個方向的力矩。本文選取3個方向的力和3個方向的矩各個方向上的最大值和最小值共6種工況進行分析，如圖1所示。

圖1 塔筒頂部受力分析圖

2 數(shù)據(jù)前期處理

本文選取山西某風(fēng)電場的機組機型為1.5 MW水平軸雙饋型風(fēng)電機組。該機組額定功率為1.5 MW，切入風(fēng)速為3 m/s，額定風(fēng)速為15 m/s，切出風(fēng)速為25 m/s。本文首先按照5 min時間間隔采集2016年3月至2017年3月的塔筒應(yīng)力監(jiān)測數(shù)據(jù)。選擇對應(yīng)時間風(fēng)電監(jiān)測系統(tǒng)的監(jiān)測參數(shù)為該風(fēng)電機組狀態(tài)參數(shù)，如表2所示。參照風(fēng)機機組監(jiān)測系統(tǒng)中的故障信息，排除風(fēng)電機組故障時間內(nèi)的塔筒應(yīng)力數(shù)據(jù)和風(fēng)電機組狀態(tài)參數(shù)。將排除故障信息后的數(shù)據(jù)作為風(fēng)電機組塔筒應(yīng)力監(jiān)測的正常數(shù)據(jù)進行塔筒應(yīng)力預(yù)測。

風(fēng)電監(jiān)測系統(tǒng)具有數(shù)據(jù)量大和表示的物理單位不同的特點，如果全部作為塔筒應(yīng)力預(yù)測模型的輸入，必將影響預(yù)測模型的運算速度。如果在海量的數(shù)據(jù)中找到塔筒應(yīng)力相關(guān)性強的數(shù)據(jù)，作為灰色神經(jīng)網(wǎng)絡(luò)輸入量必將提升塔筒應(yīng)力預(yù)測效果。本文首先將風(fēng)電機組狀態(tài)參數(shù)進行歸一化處理，消去不同單位量的影響；其次采用Pearson相關(guān)系數(shù)方法分析塔筒應(yīng)力和風(fēng)電機組狀態(tài)參數(shù)各個參數(shù)的相關(guān)性，選取相關(guān)性最強的五因素作為塔筒應(yīng)用預(yù)測模型的輸入量，解決大量參數(shù)作為輸入時，預(yù)測模型的復(fù)雜度和運算緩慢的問題。

表2 部分風(fēng)電監(jiān)測系統(tǒng)數(shù)據(jù)

2.1 數(shù)據(jù)歸一化處理

針對不同單位的量風(fēng)電監(jiān)測系統(tǒng)數(shù)據(jù)，首先采用歸一化處理，將數(shù)據(jù)限制在-1～1。為后面數(shù)據(jù)處理的方便，其次保正后續(xù)程序運行時收斂加快。

2.2 相關(guān)性研究

本文采用Pearson相關(guān)性公式，得出和塔筒應(yīng)力相關(guān)性較強的5的風(fēng)電機組狀態(tài)參數(shù)作為輸入量。Pearson相關(guān)系數(shù)法用來描述兩組線性的數(shù)據(jù)一同變化移動的趨勢。當(dāng)兩個變量的線性關(guān)系增強時，相關(guān)系數(shù)趨于1或-1；當(dāng)一個變量增大，另一個變量也增大時，表明它們之間是正相關(guān)的，相關(guān)系數(shù)大于0；如果一個變量增大，另一個變量卻減小，表明它們之間是負(fù)相關(guān)的，相關(guān)系數(shù)小于0；如果相關(guān)系數(shù)等于0，表明它們之間不存在線性相關(guān)關(guān)系。

Pearson相關(guān)性公式:

3 灰色神經(jīng)網(wǎng)絡(luò)運行塔筒應(yīng)力預(yù)測

灰色神經(jīng)網(wǎng)絡(luò)模型是在分析灰色系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的特征的基礎(chǔ)上,把2種技術(shù)有機融合,建立的計算模型,充分利用了兩者在信息表現(xiàn)上存在的相似性及模型特點上存在的互補性,能彌補單純使用灰色模型或單純使用神經(jīng)網(wǎng)絡(luò)解決問題的不足。另外,利用神經(jīng)網(wǎng)絡(luò)對灰微分方程的參數(shù)進行白化,能彌補灰色系統(tǒng)在參數(shù)白化上的不足。

3.1 灰色神經(jīng)網(wǎng)絡(luò)模型原理

灰色神經(jīng)網(wǎng)絡(luò)模型首先對原始數(shù)據(jù)序列做一次累加，使累加后的數(shù)據(jù)呈現(xiàn)一定規(guī)律，然后用典型曲線擬合該曲線。設(shè)有時間數(shù)據(jù)序列x(0)：

對x(0)作一次累加得到新的數(shù)據(jù)序列x(1)，新的數(shù)據(jù)序列x(1)第t項為原始數(shù)據(jù)序x(0)列前t項之和，即:

根據(jù)新的數(shù)據(jù)序列x(1)，建立白化方程，即:

該方程的解為:

3.2 灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型建立

圖2 灰色神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

以本文為例，基于灰色神經(jīng)網(wǎng)絡(luò)的塔筒應(yīng)力預(yù)測算法流程如圖3所示。步驟如下：

1)考慮到塔筒應(yīng)力預(yù)警在實際應(yīng)用中需要快速得出預(yù)測值作為塔筒應(yīng)力閾值，故本案例選取輸入風(fēng)電機組狀態(tài)參數(shù)為5維，輸出塔筒應(yīng)力預(yù)測值為1維，所以本文灰色神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為1-1-6-1，即LA層有1節(jié)點，LB層有1個節(jié)點，LC層有6個節(jié)點；

2)選取塔筒應(yīng)力Pearson相關(guān)性最強的5個風(fēng)電機組狀態(tài)參數(shù)作為預(yù)測模型的輸入，輸出為塔筒應(yīng)力預(yù)測值。

3)從1年內(nèi)的風(fēng)電機組正常運行數(shù)據(jù)中隨機選擇2 000個數(shù)據(jù)。按3：1的比例，隨機劃分為1 500個訓(xùn)練數(shù)據(jù)和500個測試數(shù)據(jù)，進行模型訓(xùn)練和驗證。

圖3 灰色神經(jīng)網(wǎng)絡(luò)流程圖

4 基于灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型的塔筒應(yīng)力預(yù)警方法

風(fēng)電機組塔筒預(yù)警是當(dāng)監(jiān)測量超過一定數(shù)值，進行數(shù)字預(yù)警方法。利用前期風(fēng)電機組正常數(shù)據(jù)建立的灰色神經(jīng)網(wǎng)絡(luò)進行塔筒應(yīng)力預(yù)測模型的訓(xùn)練，后期采用訓(xùn)練后的預(yù)測模型進塔筒應(yīng)力預(yù)測，當(dāng)塔筒監(jiān)測值大于預(yù)測值+130%訓(xùn)練誤差，風(fēng)電機組塔筒監(jiān)測系統(tǒng)進行故障報警；當(dāng)塔筒應(yīng)力監(jiān)測值小于等于預(yù)測值+130%訓(xùn)練誤差，風(fēng)電機組塔筒狀態(tài)視為正常狀態(tài)。

在以上理論的基礎(chǔ)上，提出基于灰色神經(jīng)網(wǎng)絡(luò)的塔筒應(yīng)力預(yù)警方法，如圖4所示，具體過程如下：

圖4 塔筒應(yīng)力預(yù)警方法流程圖

1)選取風(fēng)電機組前一個月內(nèi)的運行正常狀態(tài)數(shù)據(jù)，作為灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型的訓(xùn)練數(shù)據(jù)。

2)對以上風(fēng)電監(jiān)測系統(tǒng)數(shù)據(jù)進行數(shù)據(jù)歸一化和相關(guān)性研究，確定灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型的5個輸入?yún)?shù)。

3)將訓(xùn)練數(shù)據(jù)進行灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型的訓(xùn)練，獲取訓(xùn)練誤差。

4)將正常運行的風(fēng)電機組數(shù)據(jù)進行塔筒應(yīng)力預(yù)測，并和時時監(jiān)測數(shù)據(jù)進行比較。

5)當(dāng)監(jiān)測數(shù)據(jù)大于預(yù)測值+130%訓(xùn)練誤差，風(fēng)電機組塔筒故障報警。

6)當(dāng)監(jiān)測數(shù)據(jù)小于等于預(yù)測值+130%訓(xùn)練誤差，風(fēng)電機組塔筒狀態(tài)正常。

5 驗證與分析

5.1 塔筒應(yīng)力監(jiān)測點的選取

通過ANSYS軟件按照1.33、4階模態(tài)，進行塔筒模態(tài)分析和受力分析。模態(tài)分析進行前5階模態(tài)分析，由于其3、4階模態(tài)所處的狀態(tài)為風(fēng)電機運行的風(fēng)速內(nèi)且3、4階模態(tài)互相對應(yīng)。所以按照其3階模態(tài)進行分析，分析結(jié)果如圖6，從圖5中可以清楚地看出在塔筒工作風(fēng)速下的3階塔筒模態(tài)時，在2處變行最大；同時由圖7受力分析可知塔筒在受力情況下，一般受力由2處逐漸向1、3處擴展。故在塔筒監(jiān)測時應(yīng)在塔筒2處設(shè)立應(yīng)力監(jiān)測點。

圖6 塔筒3階模態(tài)分析結(jié)果

圖5 塔筒監(jiān)測示意圖

圖7 按照圖FX最大計算結(jié)果

5.2 實驗平臺搭建及驗證

實驗選取山西省某風(fēng)電場運行狀態(tài)良好的風(fēng)電機組，按照圖5所示部位在1、2、3處垂直方向和塔筒底部安裝塔筒應(yīng)變傳感器，并選取其中風(fēng)電機組運行良好的1個月的數(shù)據(jù)進行數(shù)據(jù)分析。從圖8可以明顯的看出在相同風(fēng)電機組工況下，風(fēng)電機組塔筒2處受力明顯高于其他部位。

圖8 額定風(fēng)速時4處迎風(fēng)的監(jiān)測點應(yīng)變值比較

5.3 塔筒應(yīng)力預(yù)警

5.3.1 預(yù)警數(shù)據(jù)的選取

選取風(fēng)電機組1年的正常運行數(shù)據(jù)中隨機選擇2 000個數(shù)據(jù)的狀態(tài)數(shù)據(jù)作為預(yù)警模型的驗證數(shù)據(jù)。按3：1的比例，隨機劃分為1 500個訓(xùn)練數(shù)據(jù)和500個測試數(shù)據(jù)，進行實驗驗證。

5.3.2 預(yù)警相關(guān)數(shù)據(jù)前處理

按照歸一化Pearson相關(guān)性公式分析得出預(yù)測模型的輸入量。由表3可知，通過計算得到塔筒應(yīng)力相關(guān)性較強的風(fēng)機參數(shù)為：振動x軸、電機軸承b溫度、風(fēng)速2、齒輪箱冷卻水溫度、用功功率。將其作為灰色神經(jīng)網(wǎng)絡(luò)輸入量。

5.3.3 誤差的計算

由圖9可知塔筒應(yīng)力預(yù)測誤差，隨著訓(xùn)練次數(shù)的增加呈現(xiàn)逐漸減小的過程。本文選取后100組訓(xùn)練誤差的平均值作為驗證中采用的誤差值。本文訓(xùn)練誤差e=4。

表3 風(fēng)電監(jiān)測系統(tǒng)數(shù)據(jù)和塔筒應(yīng)力相關(guān)性

圖9 灰色神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差

5.3.4 基于灰色神經(jīng)網(wǎng)絡(luò)塔筒應(yīng)力預(yù)警

采用灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型對500組數(shù)據(jù)塔筒應(yīng)力數(shù)據(jù)進行預(yù)測。為使實驗數(shù)據(jù)避免出現(xiàn)別的風(fēng)電機組因素的影響，500組數(shù)據(jù)塔筒應(yīng)力數(shù)據(jù)大多分布在運行狀態(tài)的相似的6個小時段內(nèi)。分析結(jié)果如圖10所示，從圖中可以看出，灰色神經(jīng)網(wǎng)絡(luò)閾值能夠較為準(zhǔn)確的反映塔筒真實運行狀態(tài)，且閾值與塔筒應(yīng)力實際狀態(tài)的差較為相近，一旦塔筒出現(xiàn)嚴(yán)重變形其能及時進行塔筒預(yù)警。固定閾值預(yù)警方法存在以下問題，如果固定閾值設(shè)立過大往往不能起到閾值效果，如果固定閾值偏小往往出現(xiàn)較大概率的誤報警。

圖10 灰色網(wǎng)絡(luò)預(yù)警值

誤報警數(shù)閾值效果灰色神經(jīng)網(wǎng)絡(luò)閾值0優(yōu)固定閾值112良固定閾值20差

6 結(jié)論

1)由塔筒應(yīng)力現(xiàn)場監(jiān)測實驗得的結(jié)果可知(圖10)，當(dāng)風(fēng)速在正常風(fēng)速一下，其塔筒應(yīng)力最大點為圖5所示的2處，

符合軟件中塔筒模態(tài)分析和受力情況。證明ansys軟件中塔筒模型符合實際受力情況。證明通過ansys軟件選取塔筒應(yīng)力點方法可行性。

2)由表3可知，采用person相關(guān)系數(shù)法與灰色神經(jīng)網(wǎng)絡(luò)相結(jié)合的塔筒應(yīng)力預(yù)警方法比固定閾值預(yù)警方法更能準(zhǔn)確依據(jù)塔筒運行狀態(tài)設(shè)立合理閾值，其誤報警個數(shù)也為0。證明了通過該方法準(zhǔn)確的進行塔筒應(yīng)力預(yù)警。

[1] 戶秀妹，風(fēng)電機組塔架的損傷理論與振動監(jiān)測[D].華北電力大學(xué)：能源動力與機械工程學(xué)院，2013.

[2] 鄔春明,林 歡,田章超.基于物聯(lián)網(wǎng)的風(fēng)電桿塔傾斜沉降監(jiān)測預(yù)警系統(tǒng)[J].東北電力大學(xué)學(xué)報，2013，33(5)：22-27.

[3] 曹 力.基于ANSYS有限元軟件對在役風(fēng)電塔筒的靜動態(tài)模擬與安全評估研究[D].蘭州：蘭州理工大學(xué)，2013.

[4] 李婷婷.多傳感器節(jié)點數(shù)據(jù)融合在風(fēng)電塔筒監(jiān)測預(yù)警中的應(yīng)用[D].北京：東北電力大學(xué)，2015.

[5] 周 博，張士偉，陳長征，等.風(fēng)力機葉片多裂紋擴展聲發(fā)射信號的特征識別[J].儀器儀表學(xué)報,2015(1):110-117.

[6] 郭 鵬,徐 明,白 楠,等.基于SCADA運行數(shù)據(jù)的風(fēng)電機組塔架振動建模與監(jiān)測[J].中國機械工程,2013(5):128-135.

[7] 劉德順,戴巨川,胡燕平,等.現(xiàn)代大型風(fēng)電機組現(xiàn)狀與發(fā)展趨勢[J].中國機械工程,2013,01:125-135.

[8] 李其龍，王靈梅.大型風(fēng)電場智能維護系統(tǒng)研究[D]. 太原：山西大學(xué)，2016.

[9]XiangD，GeS.Amodeloffaultfeatureextractionbasedonwaveletpacketsampleentropyandmanifoldlearning[J].JournalofVibrationandShock，2014，33(11)：1-5.

[10]QiJD，LiS，ChenB.FeatureextractionofbearingvibrationsignalbasedonwaveletenergyMatrix[J].JournalofVibrationandShock，2013，32(21)：107-111.