一种基于RBF神经网络的风电机组叶片寿命预测方法与流程

一种基于rbf神经网络的风电机组叶片寿命预测方法
技术领域
1.本发明涉及风力发电技术领域，具体涉及风电机组叶片寿命预测领域。


背景技术：

2.叶片是风电机组的关键大部件，其运行情况直接影响机组的运行安全和发电效益，近年来机组各类运行事故频繁发生，并且呈现出扩大和加重的趋势，尤以与机组叶片有关的事故较为集中，部分故障还造成了机组倒塔等重大安全事故，造成了不小的经济损失。相对准确地评估叶片寿命，在寿命即将到期前，针对性地开展全面检测，增加监测频率，及时发现隐患，提前做好修复和备件准备工作，对提高机组安全水平、发电收益具有十分重要的意义。
3.当前，国内外已有部分学者开展了相关研究，开展的研究主要呈现以下几个思路，在研究方法上主要基于s-n曲线和miner线性准则等方法；在影响因素上主要考虑风载带来的气动载荷、重力载荷、惯性力载荷三种主要载荷的分布情况进行寿命预测。相关研究取得不同程度的成果，但存在几个方面的不足，一是s-n曲线的拟合公式选取还缺乏理论支撑，更多的依靠经验选取，同时 miner线性损伤累计理论对剩余强度的估算与实际情况存在偏差；二是对有关影响因素考虑不足，包括运行环境影响因素(风沙、雨滴)、极端运行工况(极端风速总持续时长、紧急停机次数、叶片原始缺陷。因此总体上叶片的预测寿命与实际寿命还有一定程度的偏差。
4.风电机组叶片是一种典型的聚合物基纤维增强复合材料，当前主流兆瓦级机组叶片采用的是玻璃纤维与增强环氧树脂等主要材料混合构成的复合体，其物理、力学性能存在较大分散性，疲劳性能与传统金属材料性能存在明显不同，复合材料具有多种组分，力学性能存在着各向异性。同时风力机叶片是一个外形复杂的曲面结构，其各处受力性质也不相同，叶片失效的原因并不单一，也不仅仅受叶片载荷影响，各影响因素与寿命之间的机理关系并不清晰，因此从机理角度着手测算叶片寿命难度较大，且预测结果与实际情况多有出入。
5.叶片疲劳寿命的影响机理表明叶片失效是一个比较典型的非线性耦合过程。本研究首先对影响叶片疲劳寿命的影响因素进行分析，理清各因素与寿命之间的影响关系，以此构建基于rbf神经网络的预测模型，以各影响因素为输入，叶片寿命损耗时长为输出的映射模型，再收集国内风场相关案例，整理后作为该神经网络的训练样本进行训练，最后选取典型机组某支叶片作为验证对象，带入该模型对模型预测精度进行验证，研究取得预期效果。


技术实现要素：

6.本发明所指的叶片寿命，是指设备的自然寿命即设备从投入服役开始，不含服役周期内临时退出服役的时间长度，至其达到物理磨损极限，不能继续使用(叶片失效)为止，所指的寿命损耗时长是指叶片提前失效达不到额定寿命而缺少的时长，其物理意义为叶片
因各种外部、内部因素对叶片寿命影响的量化表征。本发明提出一种基于rbf神经网络的风电机组叶片寿命预测方法，基本思路为对叶片疲劳寿命的影响因素进行量化，作为rbf神经网络输入变量，叶片寿命损耗时长作为输出，将样本库输入神经网络模型进行训练，模型训练完毕后，将预测数据输入模型，模型的预测结果为叶片寿命损耗时长，以该叶片的设计寿命减去叶片寿命损耗时长即为叶片余寿。研究方法属于非线性映射类型，适用于机组叶片寿命预测这类非线性问题，主要内容包括以下几个部分：风电机组叶片寿命影响因素的分析、因素量化、模型构建与验证。
7.步骤1：分析叶片寿命影响因素。叶片寿命直接影响因素及失效过程可大致分为以下几类：
8.1)叶片疲劳，叶片主要承力、受力结构部位长期经受交变载荷作用，交变载荷的每个循环周期都会对材料造成结构损伤，降低了材料的应力强度极限，研究表明每次交变载荷所产生的损伤所造成的累积效应并非呈现线性关系，即大小不同的载荷作用到材料上，其加载次序对损伤的累积效果是不同的 [13]。当某次应力载荷超过材料的剩余应力强度极限时，就会发生力学结构损坏，出现断裂、折断等失效事故。
[0009]
2)叶片自身缺陷，叶片投运前自身的内、外部缺陷在投入运行后逐步扩散、演变、发展导致的结构损坏。比如表面麻坑，在麻坑处风蚀将逐步剥落叶片表面的漆面、胶衣，进而伤及壳体，风沙抽磨在叶片壳体表面形成的裂纹，复合材料气泡破碎形成沙眼、叶片承力结构体存在的气穴等这些不联系界面构成了应力集中区，造成裂纹持续扩大，最终导致失效。
[0010]
3)极端外力作用，叶片遭受运行条件以外的极端外力，比如极端风速产生的极端风载造成叶片折断，或是雷击释放的巨大能量造成叶片内部气体高温膨胀，造成的叶片失效损坏。雷击造成的失效往往还与叶片表面粗糙度有关，当叶片表面存在积尘腐蚀，雷雨天气下，表面污物、积尘容易感应出静电荷，雷击时容易造成误导现象，有时产生“一雷两孔”的情况。
[0011]
综上，从疲劳强度角度出发，叶片自身缺陷和叶片疲劳寿命设计情况是疲劳强度的主要考虑因素，极端外力是否导致叶片失效，主要与叶片应力硬度相关。
[0012]
具体的可以分为以下类别的因素：
[0013]
1)运行环境，包括风沙、降雨情况、湍流强度、极端风速、扫风面切变情况、雷暴频率等；
[0014]
2)运行工况，包括紧急停机情况、超速运行情况、总转动行程、总发电量、运行时间、投运时间等。
[0015]
风沙、降雨对叶片表面磨蚀影响比较明显，特别是叶尖部位，该区域线速度较大，雨滴和风沙持续刮擦叶片表面的漆衣、涂层，损坏叶片壳体保护涂层，涂层脱落后磨蚀将加速对壳体特别是前后缘的腐蚀作用，往往导致叶尖折断、前后缘开裂。
[0016]
湍流强度影响叶片疲劳寿命，若风电机组运行现场湍流强度超过叶片设计承受强度，将加速叶片的疲劳寿命损耗。
[0017]
极端风速，所谓的极端风速是指风速未达到机组生存风速，但超过了叶片局部承力结构应力强度极限，造成结构体细微损伤，降低叶片的应力强度极限。本文定义机组切出风速至生存风速之间的风速为极端风速。
[0018]
扫风面切变过大时，单支叶片一个旋转周期在叶片整个弦面上造成多次交变载荷，加大疲劳损耗。
[0019]
雷暴频率用多年平均雷暴小时表示，叶片投入运行一段时间后往往在腔体内存有积水，若雷电击中叶片且未沿着引雷通道下行，那么雷击积聚的热量易造成叶片腔体内部的水蒸发导致腔体内部气压过高，叶片承力薄弱部位炸裂。
[0020]
机组运行过程中的紧急停机会造成机组载荷短时间内发生剧烈变化，给叶片根部和塔筒底部带来巨大的载荷冲击，容易造成叶片挥舞方向的弯矩达到或超过极限，叶片越长影响越大，紧急停机前机组出力越大影响越大。
[0021]
机组转轮超速对叶片也有不可忽视的破坏作用，转速过高叶片承受的离心力越大，损耗叶片剩余应力强度极限。
[0022]
总转动行程是指叶片转动的总圈数，叶片每转一圈都要经受不同的载荷变化，载荷的变化降低了叶片的疲劳寿命极限，损耗了疲劳寿命。
[0023]
总发电量对应的叶片出力做功情况，发电量越大表明叶片做功时间或受力结构经受的累积载荷越高，叶片损坏、寿命到期的可能性更高。
[0024]
运行时间是指机组处于有出力状态的总时长，运行时间越长，机组经受的累计疲劳载荷越大，叶片疲劳失效的可能性越大。
[0025]
投运时间是指机组投入运行服役的总时长，投运时间越长，机组经受的运行载荷和自然环境造成的累计损伤越大，叶片疲劳失效的可能性也越高。
[0026]
步骤2：根据以上分析，对影响因素进行量化使之成为变量，提取这些变量作为神经网络模型的输入量，模型输出定义为叶片的自然寿命。如前所述，叶片寿命受自然环境、运行工况影响，以表1中的指标对以上影响因素进行定义。
[0027]
表1风电机组叶片影响因素分类与定义
[0028]
[0029][0030]
其中，多年平均大气沙尘质量浓度、多年平均降雨量、多年平均雷暴小时来自于当地气象观测数据，轮毂高度处切变指数来自于风场测风数据，平均湍流强度、极端风速、急停指数、超速指数、总行程、总发电量、运行时间这几类变量来自于风电机组控制系统。
[0031]
机组寿命损耗时长用叶片失效机组设计寿命减去失效叶片自然运行小时即可。
附图说明
[0032]
图1是风电机组叶片寿命预测模型构建流程图。
具体实施方式
[0033]
本发明主要包括以下四个步骤：
[0034]
s1、选择叶片寿命到期的机组，采集表1所列的11类变量及叶片寿命损耗时长(以小时为单位)，并进行归一化预处理；
[0035]
s2、将归一化后的数据进行匹配，以11类变量为输入，叶片寿命损耗时长为输出，
每组数为一个序列，作为样本数据库；
[0036]
s3、搭建rbf神经网络，利用s2步骤中已经分类号的样本数据库对rbf 神经网络进行训练、调参和验证，得到训练好的rbf神经网络模型；
[0037]
s4、利用s3步骤已经训练好的神经网络对样本数据库之外的叶片失效事故进行预测验证，输出预测的叶片寿命损耗时长(归一化后的)，并与实际数据比对。
[0038]
s5、一旦s4步骤预测误差符合预期，可以用来对实际运行的机组寿命进行评估，按照表1所列的11类变量进行数据收集、预处理，输入rbf神经网络，输出数据为叶片寿命损耗时长，以叶片对象的设计寿命减去此叶片寿命损耗时长得到叶片余寿。
[0039]
下面结合附图，对风电机组叶片寿命预测模型构建流程作详细说明。应强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。
[0040]
在收集模型原始数据时要考虑数据存在以下特点：
[0041]
1)对象机组从早期750kw、850kw到1.5mw、2mw、2.5mw以及3mw 多个级别，机组生产工艺有明显差异；
[0042]
2)投运风电场时间跨度较大，个别风场运行的机组已达其理论寿命；
[0043]
3)投运风场横跨整个中国，运行环境差异较大。
[0044]
这些情况的存在给模型构建带来以下几个方面的影响：
[0045]
1)由于运行机组数量众多，样本收集较为便利；
[0046]
2)机组运行环境、投运时间差别较大，有利于神经网络泛化能力的提高；
[0047]
3)由于机组特别是叶片的生产工艺存在明显差异，增大了模型的训练难度。
[0048]
步骤1：选择对象机组
[0049]
为满足工程实际应用需求，以对叶片寿命影响较大的生产工艺以及当前主流运行机组的容量级别归类，将样本选择范围界定在单机容量为1.5mw及以上，叶片采用环氧树脂和真空灌注为主要工艺的机组；同时将模型的训练精度适当降低，设定为0.5％。
[0050]
步骤2：收集原始数据
[0051]
按照前述界定范围标准，跟踪收集自2013年1月至2018年10月份国内投运的风电机组发生的机组安全事故共123起，其中96起事故的起因属于叶片失效故障，叶片失效的部位分布及主要原因如表2所示。
[0052]
表2叶片失效部位分布情况
[0053]
[0054]
表2的第5项失效事故与叶片本体无关，第6项与叶片疲劳极限和质量缺陷等因素无关的失效事故均除去后共计62起，所选事故机组分布在全国各地，投运机组运行时限在15～60个月。收集表1所列11项输入变量以及出现失效事故时叶片的寿命小时数相关数据，以其中60起叶片失效事故数据作为训练样本，剩余2起作为对模型验证的数据。
[0055]
步骤3：原始数据处理
[0056]
按照表1量化原始数据，由于量化后的输入数据量纲区别较大，为降低神经网络训练无法收敛的可能性，对输入样本采用最大-最小法进行归一化处理。
[0057]
步骤4：设定模型训练参数
[0058]
在matlab环境下，用神经网络构建rbf模型，调用newrb函数，调用格式为：[net，tr]＝newrb(p，t，goal，spread，mn，df)，其中p为10
×
60的输入矩阵， t为1
×
60的输出矩阵，选用高斯函数为训练函数，goal为均方误差，设定为 0.5％，其余参数取默认值，根据模型训练情况进行调整。
[0059]
步骤5：模型训练与预测验证。
[0060]
选取另两起事故数据作为模型测试样本，该两起事故分别发生在两台机组甲、乙上，两台机组采用的叶片均为原装，从未进行过更换和维修，甲乙机组均各损坏叶片一支，甲叶片损坏部位位于前缘，现象为前缘撕裂，从距叶尖 7.46米处至9.12米处；乙叶片损坏部位位于ps面距叶尖8.75米处，现象为叶尖部位横纹折断。两起事故均导致叶片无法继续运行，定性为失效。
[0061]
将甲、乙叶片的x＝[x1，x2...x
11
]输入变量按照前文要求进行预处理后输入到神经网络模型中，得出rbf神经网络模型输出，再将该输出作与前文相反的处理得到有量纲的具体值后与实际数据进行对比，见表3。
[0062]
表3神经网络测试输出与实际数据的对比
[0063][0064]
表3显示两测试样本的输出与实际数据的偏差均较模型训练阶段选择的误差大，但与实际寿命的预测误差未超过5％，基本得到了相对准确的总寿命预测。