【好文推荐】基于工作模态分析的风电机组叶片裂纹损伤在线监测研究

引

引文信息

吴宇辉, 张扬帆, 高峰, 等. 基于工作模态分析的风电机组叶片裂纹损伤在线监测研究[J]. 中国电力, 2023, 56(10): 106-114.

WU Yuhui, ZHANG Yangfan, GAO Feng, et al. Research on Online Monitoring of Crack Damage of Wind Turbine Blades Based on Working Modal Analysis[J]. Electric Power, 2023, 56(10): 106-114.

摘要

针对风电机组叶片裂纹损伤发生概率高且难以发现的问题，通过叶片振动信号采集与分析来进行叶片裂纹损伤的在线监测。首先，基于工作模态分析理论构建了基于传递率的叶片模态参数在线识别方法，并搭建叶片振动物理实验台用于该方法的实验验证，通过与传统力锤激振法的实验结果对比，验证了该模态参数识别方法的准确性；然后，以某5 MW风电机组作为仿真算例，进行了叶片裂纹损伤故障仿真，并通过工作模态分析获取了损伤故障特征；最后，将叶片振动信号、模态参数和机组运行数据融合为多源数据集，结合LightGBM算法进行了叶片裂纹损伤故障诊断，诊断结果表明：LightGBM算法较常规机器学习算法能够取得更好的诊断效果，而且在数据集中融入叶片模态参数可明显增加诊断算法的准确率，从而提高叶片裂纹损伤的在线监测准确性。

结论

1）对实际运行的风电机组叶片进行模态分析，应采用无需人工激励的工作模态分析方法，基于传递率的工作模态分析方法不要求激励满足白噪声特性，更加适合用于叶片的在线模态参数识别。2）叶片振动信号会随风速发生变化，在线识别的叶片模态参数在整个运行范围内也会随机组运行状态的变化而发生改变，因此叶片裂纹损伤监测中还应考虑模态识别结果与运行参数之间的变化关系，将代表机组运行状态的重要运行参数同时作为数据源，可很好地解决此问题。

3）对于应用机器学习算法进行叶片裂纹损伤故障在线监测，只采用机组运行参数和常规机器学习算法很难保证获得较高的准确率，在数据集中融入叶片模态参数，基于LightGBM集成学习算法进行叶片裂纹损伤故障诊断，能进一步提高诊断正确率。

欢迎点击文后“阅读原文”跳转期刊官网，获取更多信息！

 往期回顾 

编辑：于静茹

策划：蒋东方

审核：方彤

声明

根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。