论文部分内容阅读
风电叶片是风电机组中能量转换的关键部件,长期运行在复杂多变的工况下,极易发生变形过大和前后缘开裂故障,进而导致叶片折断、叶筒相撞乃至倒塔、电网烧毁等恶性事故,因此,开展在役叶片故障预测与健康管理(Prognostics and Health Management,PHM)方面的研究是十分必要的。状态监测和预测是PHM的首要环节,但现有技术难以实现在役叶片性能状态的实时监测和预测,致使后续的健康评估、故障识别和预测、健康管理决策等环节的研究也停滞不前。为解决这一问题,本文借助课题组建造的液压激振式疲劳试验台和山东德州某风机制造厂的65k W风电样机,采用工况逼近思想间接实现了在役叶片的状态监测和预测,结合其典型故障模式和工况特点给出了一套相对完整的在役叶片PHM方法,并以65k W叶片为例对该方法的合理性和准确性进行了验证,主要贡献如下:(1)提出在役叶片抗弯刚度的实时监测和预测方法。通过工况逼近实验,获得疲劳载荷、低速冲击载荷、环境温度及风速分布共同作用下叶片的抗弯刚度退化规律,并据此构造出抗弯刚度退化公式,运用该公式对叶片不同服役阶段的抗弯刚度退化量进行分析,分析结果与实测结果相符且满足精度要求,验证了工况逼近方法的合理性和公式的准确性。(2)提出在役叶片前后缘抗裂韧度的实时监测和预测方法。通过工况逼近实验,获得各级拉裂载荷下前后缘抗裂韧度的退化规律以及环境温度对抗裂韧度检测值和退化速率的影响规律,并据此构造出抗裂韧度退化公式,运用该公式对叶片不同服役阶段的抗裂韧度退化量进行分析,分析结果与实测结果相符且满足精度要求,验证了工况逼近方法的合理性和公式的准确性。(3)提出在役叶片健康评估及剩余健康寿命(Remaining Healthy Life,RHL)预测方法。基于灰色关联度(Grey Relation,GR)模型提出在役叶片多权重模式健康评估方法,运用该方法对叶片不同服役阶段的健康状况进行实时评估,准确识别出叶片非健康运行状态,成功触发故障识别和预测机制。所提出的方法可为不同的评估需求提供备选模式,且为缺乏经验的评估者提供可信的评估区间。(4)提出在役叶片故障识别与趋势预测方法。根据静载标定记录编制故障字典并构造故障点火路线图,结合服役工况和性能状态实现故障状态识别。运用局部比对(Local Alignment,LA)法和马尔可夫过程(Markov process,MP)实现10min和24h故障预测,并基于风速和温度统计结果实现长期故障趋势预测。运用该方法对在役叶片不同服役阶段的故障状态进行分析,并根据故障趋势预测结果对在役叶片剩余使用寿命(Remaining Useful Life,RUL)进行了预测。分析结果与实测记录吻合,验证了该方法的合理性和准确性,从而间接验证了健康评估模型的准确性。(5)提出在役叶片健康管理决策方法。针对现有决策模型缺乏量化依据和映射关系的现状,制定了指标量化规则,并基于层次分析-模糊决策(Analytic Hierarchy Process-Fuzzy,AHP-F)模型在决策目标与备选策略之间建立起明确的映射关系,实现准确的健康管理决策。运用该方法对叶片不同服役阶段的健康管理策略进行优选。结果表明:日常保养模式在叶片服役超6年后便不再适用,必须开展以健康评估和故障预测为基础的健康管理决策,以避免主观判断对决策结果的不利影响。最后,基于Lab VIEW软件设计出健康管理界面,以动态显示在役叶片PHM的相关结果。