收稿日期：2021-11-23

基金項(xiàng)目：國(guó)家重點(diǎn)研發(fā)計(jì)劃（2020YFB1506600；2020YFB1506604）

通信作者：高 峰（1976—），男，博士、講師，主要從事風(fēng)力發(fā)電機(jī)組狀態(tài)監(jiān)測(cè)與控制優(yōu)化方面的研究。gaofeng@ncepu.edu.cn

DOI：10.19912/j.0254-0096.tynxb.2021-1434 文章編號(hào)：0254-0096（2023）04-0052-08

摘 要：該文利用Bladed軟件模擬葉片覆冰和破損故障，通過(guò)對(duì)比和分析風(fēng)電機(jī)組葉片故障與正常時(shí)的運(yùn)行數(shù)據(jù)，發(fā)現(xiàn)葉片故障狀態(tài)時(shí)的機(jī)組運(yùn)行參數(shù)變化特征；然后利用葉片振動(dòng)信號(hào)，基于葉片工作模態(tài)分析理論識(shí)別出葉片模態(tài)參數(shù)，根據(jù)模態(tài)參數(shù)的變化揭示了兩種故障對(duì)葉片振動(dòng)影響的區(qū)別；最后將所識(shí)別的葉片模態(tài)參數(shù)與風(fēng)電機(jī)組的運(yùn)行參數(shù)組成多源數(shù)據(jù)，采用LightGBM框架下的分類決策樹算法實(shí)現(xiàn)了對(duì)葉片故障狀態(tài)的有效判斷和識(shí)別。

關(guān)鍵詞：風(fēng)力發(fā)電機(jī)組葉片；損傷檢測(cè)；故障分析；學(xué)習(xí)算法；覆冰；LightGBM

中圖分類號(hào)：TM614 文獻(xiàn)標(biāo)志碼：A

0 引 言

葉片故障不但會(huì)影響風(fēng)電機(jī)組的發(fā)電效率，嚴(yán)重時(shí)甚至?xí)鹬卮笫鹿省Ｒ虼?，葉片狀態(tài)監(jiān)測(cè)與故障診斷已成為風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)研究領(lǐng)域非常值得關(guān)注的熱點(diǎn)問(wèn)題［1-2］。葉片常見故障主要包括破損、覆冰、螺栓失效與變槳故障等，對(duì)葉片各類故障實(shí)現(xiàn)準(zhǔn)確狀態(tài)監(jiān)測(cè)的難度各不相同。變槳故障一般可由數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)（supervisory control and data acquisitim，SCADA）數(shù)據(jù)直接進(jìn)行預(yù)報(bào)和診斷，目前監(jiān)測(cè)技術(shù)已較成熟。其他葉片故障則多依靠增加額外設(shè)備進(jìn)行監(jiān)測(cè)，對(duì)于葉片螺栓失效是在變槳輪轂內(nèi)安裝對(duì)螺栓進(jìn)行監(jiān)測(cè)的聲發(fā)射、應(yīng)變等傳感器，因安裝此類傳感器比較容易且處于機(jī)艙環(huán)境內(nèi)，已開始在實(shí)際機(jī)組中應(yīng)用并取得較好的監(jiān)測(cè)效果；而對(duì)于破損與覆冰故障，因缺少直接監(jiān)測(cè)葉片的手段，其故障狀態(tài)不易準(zhǔn)確判別。

目前，國(guó)內(nèi)外葉片覆冰監(jiān)測(cè)的方法主要分為兩類：第1類方法基于SCADA數(shù)據(jù)［3-6］、第2類方法則利用成像技術(shù)［7-8］。前者一般使用前期故障數(shù)據(jù)和機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)覆冰狀態(tài)的有效識(shí)別，所建模型往往個(gè)體針對(duì)性強(qiáng)而泛化能力差；后者因成本昂貴而應(yīng)用較少。另一方面，葉片破損監(jiān)測(cè)方法多樣，根據(jù)是否在葉片上安裝所需傳感器，主要分為以下3類：第1類方法基于SCADA數(shù)據(jù)對(duì)葉片破損進(jìn)行狀態(tài)監(jiān)測(cè)［9-10］，這類方法無(wú)需為葉片安裝任何傳感器，但訓(xùn)練模型需要大量破損運(yùn)行數(shù)據(jù)，對(duì)于新建風(fēng)電場(chǎng)和新型機(jī)組不易獲取所需故障數(shù)據(jù)；第2類方法是通過(guò)圖像處理、X射線等無(wú)損檢測(cè)技術(shù)進(jìn)行葉片故障監(jiān)測(cè)［11-12］，這些無(wú)損檢測(cè)手段雖然實(shí)現(xiàn)了對(duì)葉片的非接觸式監(jiān)測(cè)，但往往需要人工作業(yè)或使用無(wú)人機(jī)參與信號(hào)采集，因此現(xiàn)階段更適合于葉片的定期檢測(cè)與檢修；第3類方法通過(guò)在風(fēng)電機(jī)組葉片上安裝傳感器，利用測(cè)量信號(hào)對(duì)葉片破損進(jìn)行監(jiān)測(cè)，安裝何種傳感器以及對(duì)測(cè)量信號(hào)如何進(jìn)行處理成為研究重點(diǎn)，傳感器主要包括聲發(fā)射傳感器［13-14］、應(yīng)變傳感器［15-16］和振動(dòng)傳感器［17-21］。但目前大多只針對(duì)葉片的單一故障診斷進(jìn)行研究，而同時(shí)對(duì)多種故障進(jìn)行判別和區(qū)分的較少，這樣在實(shí)際應(yīng)用中往往易造成誤判和漏判。本文通過(guò)對(duì)葉片覆冰和破損故障進(jìn)行仿真，發(fā)現(xiàn)葉片故障時(shí)振動(dòng)信號(hào)存在較常規(guī)運(yùn)行參數(shù)更為明顯的變化特征，因此基于工作模態(tài)分析理論對(duì)葉片發(fā)生破損和覆冰故障時(shí)的模態(tài)參數(shù)進(jìn)行辨識(shí)和分析，最后將風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)和識(shí)別的葉片模態(tài)參數(shù)組成多源數(shù)據(jù)，通過(guò)LightGBM框架下的分類決策樹算法有效識(shí)別和區(qū)分葉片正常、覆冰和破損狀態(tài)。

1 風(fēng)電機(jī)組葉片故障的運(yùn)行特征分析

由于兆瓦級(jí)風(fēng)力發(fā)電機(jī)組葉片尺寸大、質(zhì)量重，對(duì)其進(jìn)行覆冰和破損實(shí)驗(yàn)難度大且費(fèi)用較高。實(shí)驗(yàn)室中小型風(fēng)電機(jī)組又不能真實(shí)地模擬實(shí)際大型機(jī)組運(yùn)行。葉片覆冰故障與破損故障現(xiàn)象有時(shí)較為相似，例如有時(shí)都會(huì)引起功率的下降和振動(dòng)的增加，但二者本質(zhì)不同，覆冰主要是葉片質(zhì)量發(fā)生變化并影響葉片氣動(dòng)受力，而破損則是葉片質(zhì)量基本無(wú)變化，主要引起葉片自身剛度、阻尼等特性參數(shù)發(fā)生變化。Bladed軟件可提供接近實(shí)際機(jī)組的仿真平臺(tái)，它擁有豐富的葉片信息參數(shù)，包括長(zhǎng)度、厚度、剛度、質(zhì)量、空氣動(dòng)力翼型等，供用戶自行設(shè)置，可方便地實(shí)現(xiàn)葉片各種故障的模擬與仿真。

1.1 葉片覆冰故障的機(jī)組運(yùn)行特征分析

本文以Bladed軟件中2 MW機(jī)組為仿真算例，首先對(duì)風(fēng)電機(jī)組其中一個(gè)葉片進(jìn)行覆冰故障模擬，由機(jī)組仿真運(yùn)行數(shù)據(jù)發(fā)現(xiàn)，覆冰會(huì)對(duì)風(fēng)電機(jī)組功率等部分運(yùn)行參數(shù)造成一定影響。圖1為覆冰前后的功率和轉(zhuǎn)速對(duì)比。這是由于葉片覆冰會(huì)顯著改變?nèi)~片自身質(zhì)量和氣動(dòng)特性，進(jìn)而造成機(jī)組功率、轉(zhuǎn)速、槳距角、轉(zhuǎn)矩等機(jī)組運(yùn)行數(shù)據(jù)明顯變化，自身質(zhì)量變化造成風(fēng)輪轉(zhuǎn)動(dòng)慣量增加，葉片覆冰后其功率和轉(zhuǎn)速變化均表現(xiàn)出更大的慣性，而覆冰也造成葉片氣動(dòng)特性的改變，圖2為覆冰前后升阻力系數(shù)對(duì)比曲線，可見葉片覆冰后升力系數(shù)下降，阻力系數(shù)升高，這是造成機(jī)組平均功率下降與發(fā)電量減少的主要原因。因此，在未發(fā)生葉片破損的情況下，基于機(jī)組常規(guī)SCADA數(shù)據(jù)即可對(duì)覆冰進(jìn)行狀態(tài)判別。

after blade icing

1.2 葉片破損故障的機(jī)組運(yùn)行特征分析

葉片振動(dòng)模型一般將葉片簡(jiǎn)化為一個(gè)中空的懸臂梁結(jié)構(gòu)，將空氣動(dòng)力學(xué)特性和翼型參數(shù)相近的葉素組合為一個(gè)葉片單元，當(dāng)把各種載荷作為激勵(lì)作用于葉片時(shí)，即如式（1）中的葉片單元?jiǎng)討B(tài)響應(yīng)矢量模型：

[Mx+Cx+Kx=F（t）] （1）

因此，可依據(jù)破損故障對(duì)葉片單元質(zhì)量[M]、剛度[K]、阻尼[C]的影響關(guān)系來(lái)模擬葉片破損故障對(duì)葉片振動(dòng)的影響。

本文仿真實(shí)例中葉片被分成9個(gè)單元（圖3），通過(guò)對(duì)每個(gè)葉片單元結(jié)構(gòu)與氣動(dòng)特性參數(shù)的損傷狀態(tài)設(shè)置來(lái)模擬葉片裂紋損傷。圖4為機(jī)組葉片破損程度下機(jī)組功率和轉(zhuǎn)速的變化情況，可看出葉片破損對(duì)機(jī)組的功率和轉(zhuǎn)速影響不明顯。因此，只基于包含常規(guī)機(jī)組運(yùn)行參數(shù)的SCADA數(shù)據(jù)進(jìn)行破損監(jiān)測(cè)難度較大，往往需要破裂程度非常嚴(yán)重時(shí)才能監(jiān)測(cè)到，而且不易與覆冰區(qū)分，將葉片嚴(yán)重破損誤判為覆冰極易造成嚴(yán)重后果。

2 葉片故障的振動(dòng)信號(hào)特性分析

傳統(tǒng)風(fēng)電機(jī)組健康狀態(tài)監(jiān)測(cè)系統(tǒng)一般只能監(jiān)測(cè)發(fā)電機(jī)、齒輪箱等部件，很難監(jiān)測(cè)葉片狀態(tài)。在葉片中嵌入傳感器是實(shí)現(xiàn)葉片監(jiān)測(cè)的重要發(fā)展方向，而本文通過(guò)對(duì)比不同故障的葉片振動(dòng)仿真信號(hào)并建立葉片工作模態(tài)分析方法，可為葉片嵌入振動(dòng)傳感器來(lái)進(jìn)行葉片健康監(jiān)測(cè)提供方法指導(dǎo)?？紤]到葉片振動(dòng)信號(hào)采集頻率遠(yuǎn)遠(yuǎn)高于風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)，難以與其他數(shù)據(jù)直接融合來(lái)進(jìn)行葉片狀態(tài)的判別，本文基于滑動(dòng)窗口數(shù)據(jù)連續(xù)識(shí)別葉片模態(tài)參數(shù)來(lái)代替葉片振動(dòng)信號(hào)，與機(jī)組常規(guī)運(yùn)行數(shù)據(jù)組成多源數(shù)據(jù)用于葉片故障狀態(tài)判別。

2.1 不同工況下葉片位移信號(hào)的對(duì)比

為進(jìn)一步分析葉片故障對(duì)機(jī)組運(yùn)行和葉片振動(dòng)的影響，本文進(jìn)行不同程度的葉片覆冰和破損故障模擬。在GH Bladed軟件中，通過(guò)葉片附加質(zhì)量來(lái)表示葉片上的冰堆積，并且根據(jù)德國(guó)勞埃德船級(jí)社規(guī)范計(jì)算葉片結(jié)冰時(shí)的冰質(zhì)量。由于葉片覆冰會(huì)造成葉片單元質(zhì)量、剛度和阻尼等結(jié)構(gòu)參數(shù)的變化，同時(shí)對(duì)氣動(dòng)性能的影響也會(huì)使葉片單元在同樣風(fēng)況下所受激勵(lì)發(fā)生改變，根據(jù)式（1），葉片單元的動(dòng)態(tài)響應(yīng)必然會(huì)發(fā)生一定的變化。因?qū)嶋H中葉片覆冰一般較均勻，因此仿真中在所有葉片單元上進(jìn)行均勻覆冰，根據(jù)覆冰質(zhì)量分為輕微、中度和嚴(yán)重3個(gè)等級(jí)，其中輕微覆冰質(zhì)量為70 kg，中度覆冰質(zhì)量為105 kg，嚴(yán)重覆冰質(zhì)量為140 kg；而實(shí)際中葉片破損一般出現(xiàn)在局部，即某個(gè)葉片單元，其長(zhǎng)度、深度、形狀雖無(wú)規(guī)律，但隨著故障發(fā)生時(shí)間的增加其損傷程度會(huì)不斷加深，可將破損長(zhǎng)度、深度、形狀上的不同等效為某個(gè)葉片單元的剛度和阻尼系數(shù)下降百分比，本文仿真對(duì)葉片第4單元進(jìn)行破損仿真，其中輕微、中度和嚴(yán)重破損剛度和阻尼系數(shù)分別下降15%、30%和45%。圖5為葉片在正常、覆冰和破損3種狀態(tài)下的葉尖位移信號(hào)對(duì)比，可知葉片破損時(shí)位移信號(hào)會(huì)增大，而覆冰時(shí)位移信號(hào)會(huì)減小。圖6a為葉片第4單元不同故障程度時(shí)的葉尖位移信號(hào)對(duì)比，隨著葉片破損程度的增加，葉片的位移信號(hào)逐漸變大；圖6b為葉片不同覆冰程度時(shí)的葉尖位移信號(hào)對(duì)比，隨著葉片覆冰程度的增加，葉片位移逐漸減小，這有利于對(duì)葉片覆冰與破損狀態(tài)的區(qū)分。

2.2 風(fēng)電機(jī)組葉片工作模態(tài)分析

對(duì)于實(shí)際運(yùn)行中風(fēng)電機(jī)組的葉片，很難對(duì)其施加人為激勵(lì)，再通過(guò)響應(yīng)信號(hào)進(jìn)行試驗(yàn)?zāi)B(tài)分析，因此在外界自然激勵(lì)條件下，只需測(cè)量葉片響應(yīng)信號(hào)的工作模態(tài)分析法更加適用于風(fēng)電機(jī)組葉片。工作模態(tài)分析中可將響應(yīng)之間的互相關(guān)函數(shù)代替?zhèn)鹘y(tǒng)時(shí)域模態(tài)分析法中的自由振動(dòng)響應(yīng)或脈沖響應(yīng)函數(shù)。葉片在風(fēng)力激勵(lì)下兩點(diǎn)水平振動(dòng)之間的互相關(guān)函數(shù)與脈沖響應(yīng)函數(shù)有相似的表達(dá)式，因此通過(guò)計(jì)算葉片上兩點(diǎn)之間響應(yīng)的互相關(guān)函數(shù)后，即可獲得葉片系統(tǒng)的脈沖響應(yīng)函數(shù)，本文算例采用NExT（natural excitation technique）法獲取模態(tài)參數(shù)辨識(shí)所需的脈沖響應(yīng)函數(shù)。NExT法僅適用于激勵(lì)為白噪聲的情況，例如環(huán)境激勵(lì)（如風(fēng)力、交通、地脈動(dòng)等）下大型結(jié)構(gòu)（如大壩、橋梁、風(fēng)力發(fā)電機(jī)組等）的動(dòng)力特性的測(cè)試分析，本文算例測(cè)量葉片上不同兩點(diǎn)的水平振動(dòng)信號(hào)，這樣去除了重力對(duì)振動(dòng)的影響，從而滿足了NExT法的適用條件。

設(shè)葉片上由q點(diǎn)力引起的p點(diǎn)位移頻響函數(shù)的表達(dá)式為：

[Hpq（jω）=r=1NArpqjω-sr+Anrpqjω-s*r]" （2）

式中：[Arpq]——第[r]階模態(tài)相應(yīng)的留數(shù)，與模態(tài)振型有關(guān)；[N]——系統(tǒng)的自由度數(shù)；[j]——虛數(shù)，即[-1]；[*]——復(fù)數(shù)共軛；[sr]——頻響函數(shù)第[r]階模態(tài)的極點(diǎn)，與模態(tài)頻率和阻尼比有關(guān)，[sr]可表示為：

[sr=-ωrξr+jωr1-ξ2r]"""""" （3）

式中：[ωr]——固有頻率；[ξr]——阻尼比。

當(dāng)rgt;N時(shí)，令[Arpq=Anrpq，][sr=s*r，]經(jīng)整理后，式（2）可寫成：

[H（ω）=r=12NArjω-sr] （4）

對(duì)式（4）進(jìn)行逆快速傅里葉變換（fast Fourier transform，F(xiàn)FT），便獲得相應(yīng)的脈沖響應(yīng)函數(shù)：

[h（t）=Rer=12NAresrt]""" （5）

式中：[Re]——取復(fù)數(shù)的實(shí)部。獲取葉片脈沖響應(yīng)函數(shù)后再運(yùn)用時(shí)域模態(tài)識(shí)別中的復(fù)指數(shù)法可對(duì)模態(tài)參數(shù)識(shí)別。由于實(shí)測(cè)得到的脈沖響應(yīng)函數(shù)是離散時(shí)間序列，設(shè)[Δt]為離散數(shù)據(jù)的時(shí)間間隔，在[tk=kΔt]時(shí)刻，脈沖響應(yīng)函數(shù)為：

[hk=h（kΔt）=r=12NAresrtk=r=12NAresrkΔt=r=12NArVkr"""""， k=0，1，2，???，L]""""""""""""""""" （6）

式中：[Vkr=esrkΔt]；[L+1]——實(shí)測(cè)信號(hào)的脈沖響應(yīng)函數(shù)的數(shù)據(jù)長(zhǎng)度，且[L+1]比[2N]大得多。

對(duì)于式（6），[hk]的值是已知的，問(wèn)題是求解[Ar]與[Vkr]。求解的方法是將[Vkr]看作是一個(gè)具有實(shí)系數(shù)[βk]（自回歸系數(shù)）的2N階多項(xiàng)式的根，即：

[k=02NβkVk=r=1N（V-Vr）（V-V*r）=0]"""""" （7）

為計(jì)算自回歸系數(shù)[βk]，需要構(gòu)造一個(gè)方程組，按每次取數(shù)時(shí)向后偏移一個(gè)[Δt]的方式，依次從實(shí)測(cè)[hk]取[2N+1]個(gè)數(shù)據(jù)，構(gòu)成一組方程組，縮寫為：

[hM×2Nβ2N×1=h′M×1]""""" （8）

一般情況下，由于[Mgt;2N]，可采用偽逆法求方程組的最小二乘解，即：

[β=（hTh）-1（hTh′）]"""" （9）

將得到的[β]增加一個(gè)元素[β2N=1]，并代入式（7），解得[Vr]，為多項(xiàng)式結(jié)構(gòu)，它的系數(shù)來(lái)源于[βk]，至此可求出模態(tài)頻率[ωr]和阻尼比[ξr]，即：

[Rr=lnVr=srΔtωr=RrΔtξr=11+Im（Rr）Re（Rr）2]""""" （10）

為計(jì)算模態(tài)振型，先將[Vr]代入式（6）求出各響應(yīng)測(cè)點(diǎn)的留數(shù)。針對(duì)具體情況來(lái)說(shuō)，本文在同一葉片上設(shè)置兩個(gè)位移信號(hào)采集點(diǎn)，當(dāng)求解葉片第[k]階模態(tài)振型時(shí)，對(duì)比兩個(gè)位置的留數(shù)的絕對(duì)值，假設(shè)其中較大者的值為[Akm]，則這一階的歸一化復(fù)振型向量為：

[Φk=[Ak1 Ak2]T/Akm]"""" （11）

將以上模態(tài)參數(shù)識(shí)別方法應(yīng)用于風(fēng)電機(jī)組葉片時(shí)，無(wú)需進(jìn)行人為激勵(lì)即可實(shí)現(xiàn)模態(tài)參數(shù)識(shí)別，屬于典型的葉片工作模態(tài)分析方法。

2.3 不同工況下葉片模態(tài)參數(shù)的對(duì)比

本文算例中使用葉片第4與第9單元的位移采集信號(hào)，其中第4單元信號(hào)作為參考點(diǎn)，然后使用NExT法求解兩組數(shù)據(jù)的互相關(guān)函數(shù)，最后使用復(fù)指數(shù)法求解葉片在不同損傷程度時(shí)的模態(tài)參數(shù)。表1為不同覆冰程度下葉片的模態(tài)參數(shù)值。由表1可推斷，葉片模態(tài)參數(shù)與覆冰程度間無(wú)顯著關(guān)聯(lián)。這是由于覆冰使葉片的質(zhì)量和剛度同時(shí)增加，因此模態(tài)參數(shù)如何變化取決于覆冰的質(zhì)量和分布狀況。

表2為葉片不同損傷程度的模態(tài)參數(shù)。由表2可得，一、二階模態(tài)頻率的變化與葉片損傷輕重程度無(wú)顯著關(guān)聯(lián)，隨著損傷程度增加，三～五階模態(tài)頻率總體上越來(lái)越小，葉片損傷越嚴(yán)重，同階模態(tài)頻率減小的幅度越大。

表3為葉片在不同風(fēng)速下其模態(tài)參數(shù)的變化。從表3可看出，本文算例葉片的二階模態(tài)頻率有隨風(fēng)速增大而增大的趨勢(shì)，而其他階模態(tài)頻率無(wú)明顯變化規(guī)律。這是由于額定風(fēng)速以上的變槳控制使葉片槳距角加大，增大了葉片俯仰振動(dòng)方向上的剛度，從而影響了識(shí)別的葉片模態(tài)參數(shù)。

3 基于LightGBM的風(fēng)電機(jī)組葉片狀態(tài)識(shí)別

根據(jù)上文，葉片覆冰會(huì)明顯影響機(jī)組常規(guī)運(yùn)行參數(shù)，葉

片破損則一般影響較小，而葉片覆冰與破損都會(huì)使葉片的模態(tài)參數(shù)發(fā)生變化，破損的葉片模態(tài)變化單向且明顯，而覆冰模態(tài)參數(shù)變化方向無(wú)規(guī)律，且變化量相對(duì)較小。本文融合的多源數(shù)據(jù)包含了這些可用于判別和區(qū)分葉片故障狀態(tài)的特征信息，因此非常適合采用數(shù)據(jù)結(jié)合機(jī)器學(xué)習(xí)的故障診斷方法，但由于風(fēng)電機(jī)組在不同風(fēng)速范圍內(nèi)控制律不同，風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)也在不同風(fēng)況下分布規(guī)律不同，因此不能使用包含多種風(fēng)速區(qū)間的自然風(fēng)況下的風(fēng)電機(jī)組運(yùn)行參數(shù)進(jìn)行故障診斷。本文通過(guò)GH Bladed軟件分別仿真葉片正常、輕微覆冰、嚴(yán)重覆冰、輕微破損、嚴(yán)重破損5種工況的風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)。運(yùn)行數(shù)據(jù)包括機(jī)組功率、發(fā)電機(jī)轉(zhuǎn)速、葉片槳距角、軸功率、轉(zhuǎn)子轉(zhuǎn)速、偏航誤差、平均偏航角、葉片槳距角。同時(shí)將葉片的葉尖位移信號(hào)進(jìn)行葉片工作模態(tài)分析得到模態(tài)參數(shù)。然后將風(fēng)電機(jī)組的運(yùn)行數(shù)據(jù)與葉片一～三階模態(tài)參數(shù)進(jìn)行融合，共17個(gè)特征構(gòu)建表征葉片狀態(tài)的多源信息集合。再將數(shù)據(jù)在風(fēng)速0.5 m/s的區(qū)間長(zhǎng)度基礎(chǔ)上進(jìn)行數(shù)據(jù)劃分，得到的每組數(shù)據(jù)近似服從正態(tài)分布，故障判別在每組數(shù)據(jù)中分別進(jìn)行，這樣可提高數(shù)據(jù)處理速度和效率，也降低了建模難度。本文算例使用相同的訓(xùn)練集進(jìn)行訓(xùn)練，相同的測(cè)試集進(jìn)行評(píng)估，最終根據(jù)模型的訓(xùn)練時(shí)間與精度確定最終的算法模型，圖7為算法流程，具體算法步驟如下：

1）采集一段時(shí)間的葉片振動(dòng)信號(hào)數(shù)據(jù)通過(guò)NExT和復(fù)指數(shù)法將信號(hào)處理為葉片模態(tài)參數(shù)；

2）將與振動(dòng)信號(hào)處于同一窗口的機(jī)組運(yùn)行參數(shù)，包括功率、發(fā)電機(jī)轉(zhuǎn)速、軸功率、轉(zhuǎn)子轉(zhuǎn)速、偏航誤差、平均偏航角、葉片槳距角和葉片模態(tài)參數(shù)組成多信息源數(shù)據(jù)；

3）將多源數(shù)據(jù)依據(jù)風(fēng)速以0.5 m/s為間隔進(jìn)行數(shù)據(jù)劃分后輸入模型中，最后統(tǒng)計(jì)所有數(shù)據(jù)點(diǎn)的分類結(jié)果并進(jìn)行表決，即分類點(diǎn)數(shù)最多的類別為葉片本時(shí)段狀態(tài)。

Fig.7 Algorithm flow chart

本文算例中先將葉片正常、嚴(yán)重覆冰、嚴(yán)重破損的數(shù)據(jù)各12000個(gè)樣本點(diǎn)進(jìn)行數(shù)據(jù)劃分，劃分后的數(shù)據(jù)集共有36000個(gè)樣本點(diǎn)，然后用數(shù)據(jù)集分別對(duì)支持向量機(jī)（support vector machine，SVM）、K最鄰近（K-nearest neighbor，KNN）、線性回歸（linear regression，LR）、LightGBM決策樹模型進(jìn)行訓(xùn)練，每個(gè)葉片狀態(tài)再分別仿真3600個(gè)樣本點(diǎn)數(shù)據(jù)作為測(cè)試集，模型測(cè)試集的準(zhǔn)確率與模型的訓(xùn)練時(shí)間如表4所示，對(duì)比后發(fā)現(xiàn)LightGBM框架下的決策樹算法效果最好，不但所有測(cè)試集數(shù)據(jù)的分類正確率均最高，而且葉片狀態(tài)表決結(jié)果全部正確，而其他算法只有覆冰故障判別效果較好。

根據(jù)表4統(tǒng)計(jì)結(jié)果，本文選取LightGBM中的分類決策樹作為判別模型算法，基于多信息源數(shù)據(jù)對(duì)葉片狀態(tài)進(jìn)行判斷和識(shí)別。為驗(yàn)證算法在葉片故障狀態(tài)較輕微時(shí)的有效性，將葉片正常（12000個(gè)樣本）、輕微覆冰（12000個(gè)樣本）與輕微破損數(shù)據(jù)（12000個(gè)樣本）組成數(shù)據(jù)集，共36000個(gè)樣本點(diǎn)，進(jìn)行BINS劃分和模型訓(xùn)練，對(duì)葉片每個(gè)狀態(tài)下的數(shù)據(jù)集按照時(shí)間順序選取后3600個(gè)數(shù)據(jù)點(diǎn)作為測(cè)試集。表5為葉片不同狀態(tài)時(shí)，在每個(gè)風(fēng)速區(qū)間內(nèi)數(shù)據(jù)經(jīng)模型分類后的統(tǒng)計(jì)結(jié)果。雖然對(duì)測(cè)試數(shù)據(jù)的分類正確率總體稍有下降，但根據(jù)分類數(shù)據(jù)點(diǎn)數(shù)進(jìn)行葉片狀態(tài)的表決，葉片各種狀態(tài)的判別結(jié)果均正確。

4 結(jié) 論

本文主要研究風(fēng)力發(fā)電機(jī)組葉片故障數(shù)據(jù)特征與判別方法，主要針對(duì)難以區(qū)分的葉片覆冰與破損提出故障狀態(tài)判別方法，并進(jìn)行仿真驗(yàn)證，主要得出如下結(jié)論：

1）通過(guò)對(duì)比和分析葉片覆冰與破損故障的機(jī)組運(yùn)行數(shù)據(jù)以及葉片振動(dòng)信息，發(fā)現(xiàn)葉片覆冰對(duì)機(jī)組常規(guī)運(yùn)行數(shù)據(jù)影響較破損大，而振動(dòng)信號(hào)的變化則是破損大于覆冰。

2）建立一種適合于風(fēng)電機(jī)組葉片的工作模態(tài)分析方法，即利用葉片上的兩點(diǎn)振動(dòng)信號(hào)，先應(yīng)用NExT法求取兩信號(hào)的互相關(guān)函數(shù)，再結(jié)合復(fù)指數(shù)分析來(lái)識(shí)別葉片模態(tài)參數(shù)，并發(fā)現(xiàn)了所識(shí)別葉片模態(tài)參數(shù)與葉片故障狀態(tài)和機(jī)組工況之間的變化規(guī)律。

3）用基于滑動(dòng)窗口數(shù)據(jù)連續(xù)識(shí)別葉片模態(tài)參數(shù)代替葉片振動(dòng)信號(hào)，可與機(jī)組常規(guī)運(yùn)行數(shù)據(jù)組成多源數(shù)據(jù)，通過(guò)對(duì)多源數(shù)據(jù)應(yīng)用LightGBM框架下的分類決策樹算法實(shí)現(xiàn)了葉片故障狀態(tài)的有效判別。

［參考文獻(xiàn)］

［2］"""" DU Y， ZHOU S X， JING X J， et al. Damage detection techniques for wind turbine blades： a review［J］. Mechanical systems and signal processing， 2020， 141： 106445.

［3］"""" 龔妙， 李錄平， 劉瑞， 等. 基于運(yùn)行參數(shù)特征的風(fēng)力機(jī)葉片覆冰診斷方法［J］. 動(dòng)力工程學(xué)報(bào)， 2019， 39（3）： 214-219.

GONG M， LI L P， LIU R， et al. Diagnosis of ice accretion on wind turbine blades based on the features of operating parameters［J］."" Journal"" of"" Chinese"" Society"" of"" Power Engineering， 2019， 39（3）： 214-219.

［4］"""" YUN H G， ZHANG C K， HOU C G， et al. An adaptive approach for ice detection in wind turbine with inductive transfer learning［J］. IEEE"access， 2019， 7： 122205-122213.

［5］"""" CHEN L T， XU G H， ZHANG Q， et al. Learning deep representation of imbalanced SCADA data for fault detection of wind turbines［J］. Measurement， 2019， 139： 370-379.

［6］"""" SALEH S A， AHSHAN R， MOLONEY C R. Wavelet-based signal processing method for detecting ice accretion on" wind"" turbines［J］." IEEE" transactions" on" sustainable energy， 2012， 3（3）： 585-597.

［7］"""" MU?OZ C Q G， MáRQUEZ F P G， TOMáS G M S. Ice detection using thermal infrared radiometry on wind turbine blades［J］. Measurement， 2016， 93： 157-163.

［8］"""" RIZK P， SALEH N A， YOUNES R， et al. Hyperspectral imaging applied for the detection of wind turbine blade damage"" and"" icing［J］." Remote"" sensing"" applications： society and environment， 2020， 18： 100291.

［9］"""" REZAMAND M， KORDESTANI M， CARRIVEAU R， et al. A new hybrid fault detection method for wind turbine blades using recursive" PCA" and"" wavelet-based" PDF［J］. IEEE sensors journal， 2020， 20（4）： 2023-2033.

［10］""" WANG L， ZHANG Z J， XU J， et al. Wind turbine blade breakage monitoring with deep auto encoders［J］. IEEE transactions on smart grid， 2018， 9（4）： 2824-2833.

［11］""" HWANG S， AN Y K， SOHN H. Continuous line laser thermography for damage imaging of rotating wind turbine blades［J］. Procedia engineering， 2017， 188： 225-232.

［12］""" YU Y J， CAO H， YAN X Y， et al. Defect identification of wind turbine blades based on defect semantic features with transfer"" feature"" extractor［J］."" Neurocomputing，"" 2020， 376： 1-9.

［13］""" TANG J L， SOUA S， MARES C， et al. An experimental study of acoustic emission methodology for inservice condition monitoring of wind turbine blades［J］. Renewable energy， 2016， 99： 170-179.

［14］""" XU D， LIU P F， CHEN Z P， et al. Achieving robust damage mode identification of adhesive composite joints for wind turbine blade using acoustic emission and machine" learning［J］." Composite" structure，" 2020，" 236： 111840.

［15］""" OH K Y， PARK J Y， LEE J S， et al. A novel method and its field tests for monitoring and diagnosing blade health for wind" turbines［J］. IEEE" transactions" on" instrumentation and measurement， 2015， 64（6）： 1726-1733.

［17］""" DOWNEY A， UBERTINI F， LAFLAMME S. Algorithm for damage detection in wind turbine blades using a hybrid dense" sensor" network" with" feature" level" data" fusion［J］. Journal of wind engineering and industrial aerodynamics， 2017， 168： 288-296.

［18］""" GONZáLEZ A G， FASSOIS S D. A supervised vibration-based statistical methodology for damage detection under varying environmental conditions amp; its laboratory assessment with a scale wind turbine blade［J］. Journal of sound and vibration， 2016， 366： 484-500.

［19］""" JIANG S C， LIN P， CHEN Y M， et al. Mixed-signal extraction and recognition of wind turbine blade multiple-area damage based on improved Fast-ICA［J］. Optics， 2019， 179： 1152-1159.

［20］""" TCHERNIAK D， MOLGAARD L L. Active vibration-based structural health monitoring system for wind turbine blade： demonstration on an operating Vestas V27 WT［J］. Structural health monitoring， 2017， 16（5）： 536-550.

［21］""" GARCíA D， TCHERNIAK D. An experimental study on the data-driven structural health monitoring of large wind turbine blades using a single accelerometer and actuator［J］. Mechanical systems and signal processing， 2019， 127： 102-119.

RESEARCH ON FAULT SIMULATION AND STATE JUDGMENT OF

WIND TURBINE BLADES

Gao Feng，Zhang Hong，Xu Lin，Liu Juncheng

（School of Control and Computer Engineering， North China Electric Power University， Beijing 102206， China）

Keywords：wind turbine blade； damage detection； failure analysis； learning algorithms； icing； LightGBM