风力发电机组部件疲劳损伤预估及在线预测应用研究

黄 蓉，文登宇，董竹林

（1.明阳智慧能源集团股份公司，广东 中山 528437；2.台山核电合营有限公司，广东 江门 529228）

0 引言

疲劳损伤是机械结构部件和零件的主要失效形式。机械部件会受到不同强度的周期性波动载荷，建立部件可靠的累积损伤模型，可以有效提高机械部件疲劳寿命的预测进度[1]。很多学者对疲劳寿命预测进行了多方面的研究。文献[2]基于疲劳驱动力能量损伤参数，对相邻载荷的交互因子修正，建立了非线性疲劳寿命预测模型。文献[3]通过建立齿轮箱的多体动力学模型，使用Miner疲劳损伤理论，对齿轮箱的长期疲劳损伤做出估计。文献[4]提出了一种基于临界正应力的多轴疲劳寿命预测方法。

风载是风电机组的外部载荷来源，由于风的随机性，风电机组的受载状态很复杂，载荷交变特性明显[5]，因此需要对在役机组关键部件进行疲劳损伤预测，为机组安全稳定运行的控制策略提供依据。文献[6]采用联合仿真的虚拟疲劳分析方法对2 MW风力机液压变桨执行机构进行疲劳寿命分析，可指导液压变桨执行机构的设计。文献[7]利用FAST软件研究风力发电机组在IEC疲劳工况下叶片、塔筒疲劳载荷的分布及变化规律。文献[8]运用有限元数法和多体动力学仿真软件Bladed获得疲劳载荷谱并依据线性Miner准则计算出变桨螺栓20 a设计寿命的损伤值。

本文基于雨流计数法和Palmgren-Miner线性累积损伤理论，对在役机组各部件的疲劳损伤进行预估计算。结合机组实际运行数据和部件疲劳损伤的预估值，采用神经网络算法和K-Fold算法建立疲劳损伤预测模型，利用此模型可有效预测同一风场其他非标杆机组的部件损伤，为基于载荷寿命评估的柔性功率控制，优化动态功率调节控制提供可靠依据。

1 风力发电机组疲劳损伤预估

风力发电机组的使用寿命主要取决于主要零部件的疲劳寿命，如叶片、塔筒、轮毂、偏航等。为了估算各个部件的疲劳寿命，需要获取其相应的载荷幅值，进而获得应力幅值分布，再结合疲劳寿命曲线进行寿命估算。

疲劳损伤计算步骤主要包括：不同风况的运行时间序列、采用改进的雨流计数法计算相关疲劳载荷、提取关键部件的平均应力和循环次数SN曲线[10]、利用损伤理论计算部件疲劳损伤。疲劳损伤计算流程如图1所示。

图1 疲劳损伤计算流程Fig.1 Steps of fatigue damage calculation

1.1 雨流计数法

雨流计数法是目前在疲劳设计和疲劳试验中应用最广泛的一种计数方法。雨流计数法对封闭的应力-应变迟滞回线逐个计数，能够比较全面地反映随机载荷的全过程。

雨流计数法的输出结果为以循环均值、幅值进行分区的循环个数，可进一步计算等效疲劳载荷。

式中：m为S-N曲线的反斜率；f为等效疲劳载荷的频率；T为原始载荷历程的时长；ni为Si载荷循环幅值区间内的循环个数。

1.2 疲劳损伤估计

疲劳损伤预估可根据Palmgren-Miner线性累积损伤准则进行计算，当累积疲劳损伤值等于1时，部件发生疲劳破坏，即：

式中：ni为第i个载荷循环幅值区间内的循环个数，由雨流计数法得到；Ni为对应的疲劳破坏循环次数，由S-N曲线得到。

S-N曲线的经验公式为

式中：Su为部件的极限载荷。

2 风力发电机组疲劳损伤在线预测

每个风电场选择一台机组作为标杆机组，在标杆机组的叶根、塔筒顶部、塔筒底部安装光纤载荷传感器，测量3个部件的弯矩载荷。全场机组均需配备风速风向仪和机舱加速度传感器，以测量风速、机舱前后加速度和机舱侧向加速度。每个风电场的升压站安装一台高性能服务器，以采集、存储全场机组的运行数据。运行数据包括发电机功率、发电机转速、桨距角、机舱前后加速度和塔架侧向加速度。

首先，基于标杆机组安装的载荷传感器获取准确的部件载荷，经过雨流计算得到各部件的疲劳损伤值。然后，以机组的运行数据作为输入，各部件的疲劳损伤值作为输出，训练优化神经网络模型，以此来预测非标杆机组的部件疲劳损伤。

神经网络模型将训练集的实例特征向量传入，经过加权求和后根据非线性方程转化得到输出，并通过误差逆传播学习算法反复修正每层网络的权值及阈值，使训练样本的输出与实际值的误差最小。采用神经网络预测疲劳损伤的原理如图2所示。

图2 神经网络原理图Fig.2 Neural network schematic diagram

在训练过程中，经常会出现过拟合的问题，即模型可以很好地匹配训练数据，却不能准确地预测训练集外的数据。若此时就使用测试数据来调整模型参数，会影响最终评估结果的准确性。在机器学习建模过程中，通常是将数据分为训练集和测试集。测试集是与训练集独立的数据，完全不参与训练，用于最终模型的评估。

验证数据取自训练数据，但不参与训练，这样可以相对客观地评估模型对于训练集之外数据的匹配程度。模型的验证数据的评估常用的是交叉验证，又称循环验证。将原始数据分成K组（KFold），将每个子集数据分别做一次验证集，其余的K-1组子集数据作为训练集，这样会得到K个模型。这K个模型分别在验证集中评估结果，最后的误差加权平均就得到交叉验证误差。交叉验证有效利用了有限的数据，并且评估结果能够尽可能接近模型在测试集上的表现，可以作为模型优化的指标使用。

3 仿真计算分析

3.1 疲劳损伤预估计算

采用风速为4～20 m/s时仿真湍流风正常发电工况的部件疲劳损伤值，图3为不同部件的载荷时序图。

图3 不同部件的载荷时序图Fig.3 Load timing diagram for different components

3.2 疲劳损伤预测模型

3.2.1 输入变量选择

本文选取了10 min内的风速最大值、风速变化范围（最大值减去最小值）、功率平均值、发电机转速最小值、桨距角最大值、桨距角变化范围、塔架前后加速度标准差和塔架侧向加速度标准差8个变量作为神经网络模型的输入[10]。输出为叶根Mx损伤值、叶根My损伤值、叶根摆振损伤值、叶根挥舞损伤值、轮毂Mz损伤值、轮毂My损伤值、塔基Mx损伤值、塔基My损伤值、塔顶Mx损伤值和塔顶My损伤值。

由于选取了8个输入变量和18个输出变量，因此神经网络输入层的单元个数为8个，输出层的单元个数为18个。理论上并没有明确规定隐藏层的个数，可以根据实验测试误差以及精确度来确定隐藏层的个数和单元数。本文隐藏层选取一层，单元个数为50。

3.2.2 仿真结果

选取某风场标杆机组采集的部件载荷数据和相关运行变量数据，采用神经网络算法建立疲劳损伤预测模型，训练结果如图4所示。

图4 损伤预测值与实际值对比图Fig.4 Comparison diagram of damage prediction value and actual value

各部件疲劳损伤预测值与实际值的对比预测误差见表1。

表1 各部件载荷疲劳损伤预测误差Table 1 Prediction error of the load and fatigue damage of each component %

由表1可知，采用神经网络算法对各项疲劳损伤的预测精度均较高，满足风电场对疲劳损伤的预测精度设计要求，可采用该训练模型对非标杆机组进行疲劳损伤预测。

4 现场测试

选择某风电场标杆机组的叶片1根部、叶片2根部、叶片3根部、塔顶和塔基5个部位各安装4个光纤载荷传感器，每个光纤载荷传感器均输出一个CAN帧值给主控，每个部位的4个CAN帧值经过换算后得到摆振、挥舞两个方向的弯矩，载荷采样周期最高为100 Hz。

由CAN帧值计算摆振和挥舞两个方向的弯矩。

测量波长值=CAN帧值/4 096+1 552，单位为nm。

传感器的应变值εi为

式中：λi为4个传感器的测量波长，i=1，2，3，4；λ0，i为偏移波长；kepsilon为放大系数，由传感器供应商提供。

弯矩=系数矩阵·应变。

根据上述步骤，可以由5个部位20个传感器的数据得到10个弯矩载荷，即叶根1摆振弯矩、叶根1挥舞弯矩、叶根2摆振弯矩、叶根2挥舞弯矩、叶根3摆振弯矩、叶根3挥舞弯矩、塔顶摆振弯矩、塔顶挥舞弯矩、塔底摆振弯矩和塔底挥舞弯矩。

叶根面内、面外弯矩分别为

式中：Minplane，i为3个叶片的面内弯矩；Moutplane，i为3个叶片的面外弯矩；βi为3个叶片的桨距角；i=1，2，3。

旋转坐标系下的轮毂弯矩为

式中：My，rotate为旋转坐标系下的轮毂俯仰弯矩；Mz，rotate为旋转坐标系下的轮毂偏航弯矩。

塔筒弯矩为

将标杆机组上获取的各部件载荷数据和现场运行数据采用K-Fold交叉验证选取最优的训练样本，以该样本的疲劳损伤实际值来评估模型预测其他风机疲劳损伤的性能。神经网络算法预测疲劳损伤的误差如表2所示。

表2 现场测试各部件载荷疲劳损伤预测误差Table 2 Prediction error of the load and fatigue damage of each component %

续表2

由表2可以看出，叶根Mx方向的疲劳损伤预测误差精度相对其他部件较差，但整体上误差值在合理范围内，说明预测模型是准确有效的。

5 结论

本文采用雨流计数法对风力发电机组的叶片、轮毂、塔架等部件的疲劳损伤值进行预估，并根据标杆机组采集的实时运行数据和部件载荷数据应用神经网络算法和K-Fold算法建立疲劳损伤的预测模型，预测误差精度在3%以内，以较低的硬件成本获取了全场机组准确的疲劳损伤值。