风电机组叶片的无人机除冰控制系统设计与优化

针对内蒙古等北方高寒地区风电机组叶片覆冰问题,提出风电机组叶片的无人机除冰喷射控制系统。基于STM32F103基础,设计无人机除冰控制系统,从除冰剂喷射控制、传感器采集数据实时监测、遥控操作及装置安全控制等功能需求出发,制定系统方案并完成除冰控制系统总体设计,针对试验中流量控制存在的问题对除冰控制系统的PWM驱动控制部分进行软硬件优化,采用离散式PID控制算法,负反馈闭环控制系统提高流量精度和除冰效率。完成除冰控制装置整合及系统调试,搭建实验平台,选择八旋翼无人机载具并进行参数设置及飞行测试,最终完成整个除冰无人机设备整合,实现精准局部除冰。

基于多传热模型数值仿真的风电机组叶片气热防除冰性能强化

风电机组叶片结冰给风电场的运行安全和发电效益带来双重困扰,迫切需求对结冰较严重的风电机组进行除冰。气热除冰是一种叶片主动抗冰技术,热风热量通过导热—对流综合作用由叶片内表面向外表面传递,融化其上覆冰层。单纯从传热流程来看,气热除冰过程中的热对流和热传导流程并不十分复杂,可以通过系统实验和数值模拟2种方法研究其流动传热特性。然而,实验所需条件较为苛刻,实验成本也较高。针对此问题,基于k-ε湍流模型、速度—压力耦合算法及壁面函数等技术建立风机叶片内、外两侧流动与传热耦合模型,分析导热—对流综合作用下的气热防除冰效果,避免传统数值模型只考虑单侧流动与传热的分离式缺陷,能准确获取特定工况下叶片内腔速度场、温度场、压力场以及叶片外壁温度分布,为合理的除冰系统设计及运行控制提供技术指导。研究结果表明:在不同的送风风速下,叶片表面温度分布呈现两端高、中间低的趋势,且随着风速提升,温度不均衡现象得到了明显改善。当送风风速小于15 m/s时,叶片大部分区域表面温度低于0℃,送风风速增大到20 m/s时表面温度低于0℃区域面积显著减少。

风力发电机组叶片疲劳失效的研究进展

提升风力发电机组叶片的抗疲劳性能对风电机组的长寿命服役与可靠性运行具有重要意义,已成为当前的研究热点。本文较全面地综述了风力发电机叶片的抗疲劳技术相关研究,总结了叶片疲劳载荷的计算方法,分析了影响叶片疲劳性能的各种因素,介绍了叶片疲劳探伤技术,阐述了叶片寿命预测和叶片优化设计的相关研究进展。叶片疲劳载荷分析是评估风力机叶片疲劳失效的重要手段,该分析能为制定针对性的维护计划和改进设计提供关键依据;叶片材料、褶皱、外界环境等因素对叶片抗疲劳性能的影响巨大;叶片疲劳探伤技术在叶片健康监测和维护中起着至关重要的作用;基于Palmgren-Miner线性理论的疲劳寿命预测可有效提高叶片的可靠性;通过采用先进的设计方法和结构改进,可以降低叶片的疲劳应力,提高叶片的强度和使用寿命。

基于迁移学习的风电机组叶片损伤检测与分析

针对风电机组叶片损伤成因复杂、故障识别效率低、精度不足等问题,提出一种基于迁移学习改进的DenseNet网络(DenseNet-TL)的风电机组叶片损伤检测方法。建立DenseNet-TL数学模型,提升特征提取能力,在该模型下对风电机组叶片图像进行识别分析,以确定叶片的损伤状态。以某风场数据集进行离线训练和测试,结果表明:与AlexNet、ResNet模型进行对比,该模型可有效节省训练时间、提高模型的泛化能力,训练准确度平均值达到90%以上,验证了该方法的有效性和精确性。

风轮不平衡载荷下超大型风电机组叶片颤振极限研究

以IEA Wind 15 MW参考风电机组为研究对象,基于非线性时域气弹耦合分析工具,研究风剪切、偏航入流、质量不平衡3种不平衡载荷单一或共同作用时,超大型风电机组叶片的颤振极限。结果表明,单一不平衡载荷作用时,风剪切和±15°以内的偏航角会增大临界颤振速度,而质量不平衡会降低临界颤振速度,且质量偏重时颤振速度下降更加明显。3种不平衡载荷共同作用时,临界颤振速度的最大值和最小值都出现在剪切系数为0.3时;最大值总是在偏航角为非负值时取得,最小值在偏航角为-20°时取得;质量不平衡对临界颤振速度的影响与其单一作用时的规律一致。因此,在进行气弹稳定性分析时,应考虑多种风轮不平衡载荷共同作用,尤其是叶片质量偏重和偏航角度为-20°时这种最不利的情况。

基于气动噪声信号检测模型与无线传感的风电机组叶片故障诊断方法

为避免风电机组叶片故障导致的风力发电厂安全运行的问题,提出了基于气动噪声信号检测模型与无线传感的风电机组叶片故障诊断方法,以精准诊断叶片故障。在分析气动噪声信号的基础上,构建基于无线传感的智能监测终端,采集气动噪声信号,将采集信号输入气动噪声信号检测模型中,标准化处理气动噪声信号后,利用ITD方法将信号分解为多个PRC分量,求出气动噪声信号PRC分量能量,重构特征向量并进行PCA降维处理。将降维后的特征向量作为支持向量机数据基础,通过支持向量机对特征向量实施分类,完成风电机组叶片故障诊断。经实验验证:该方法对气动噪声信号特征提取明显,可准确诊断出风电机组叶片故障,分类识别精度高达93%,且诊断结果与实际分类结果基本相同,对风电机组叶片故障诊断的效果较好。

风电机组叶片无损检测技术综述

随着风力发电技术的不断发展,风电机组叶片趋于大型化,风电机组叶片健康检测与故障诊断对提升风电机组可靠性、设备人员安全性和电力系统稳定性具有重要意义。针对目前多数风电场采用的望远镜观察和人工吊篮/蜘蛛人检查的巡检方式存在安全性差、检测效率低等问题,很多学者对采用机器代替人工的叶片无损检测技术展开研究,本文综述了基于声学、光学、热力学的无损检测技术的研究现状和工作原理,并说明其能够检测的缺陷类型和使用条件。

风电机组叶片雷击风险分布特征分析

随着风电产业的快速发展,风电机组的安全性和可靠性日益受到关注。雷击是风电机组运行过程中常见的自然灾害。阐述了几点防护建议,包括采用高抗雷性材料、优化叶片形状及使用有效的防雷涂层,介绍了几种雷击风险检测方法,通过建立风电机组模型、分析雷击暂态效应、采集与验证实地数据的研究方法,分析了风电机组叶片雷击风险分布特征,以期深入研究风电机组叶片雷击风险的分布特征。

风电机组叶片内腔检查方法的技术分析及其对运行安全的影响

伴随着现代社会的不断发展和进步,为我国风力发电事业的全面发展创造了巨大空间。如果风力发电机组叶片初期的细小裂纹和划痕无法及时发现并修复,那么在雨雪、风沙自然环境因素下以及荷载持续变化的应力作用下,其划痕和裂缝病害面积就会持续扩张,使损伤问题愈发严重,甚至叶片的实际应用性能也会大打折扣,无法保障发电机组的切实发电效率,为企业带来巨大的经济损失。为此,相关技术人员要将叶片作为风力发电机组检修维护工作的重要部分,针对其内腔开展检查分析工作,有效维护风电发电机组的运行稳定性和安全性。而针对叶片内腔开展检查工作,便能及时准确地把握潜在故障和风险问题,提高风电机组叶片故障检修工作的整体效率和准确性。当前较为主流的风电机组叶片内腔检查方法,主要包含了目视检查法和机械世界检查技术等等。

风电机组叶片故障仿真与状态判别研究

该文利用Bladed软件模拟叶片覆冰和破损故障,通过对比和分析风电机组叶片故障与正常时的运行数据,发现叶片故障状态时的机组运行参数变化特征;然后利用叶片振动信号,基于叶片工作模态分析理论识别出叶片模态参数,根据模态参数的变化揭示了两种故障对叶片振动影响的区别;最后将所识别的叶片模态参数与风电机组的运行参数组成多源数据,采用LightGBM框架下的分类决策树算法实现了对叶片故障状态的有效判断和识别。

基于HSCA-YOLOv7的风电机组叶片表面缺陷检测算法

叶片是风电机组的关键部件之一,易受到自然环境因素的影响,出现胶衣脱落、裂纹、腐蚀等损伤,影响风力发电效率及风电机组运行安全。针对航拍风电机组叶片图像缺陷尺度不一、定位不准确、检测精度低等问题,提出了一种HSCA-YOLOv7的风电机组叶片缺陷检测算法。首先根据无人机采集的风电机组叶片图像,制作叶片数据集,采用Mosaic、MixUp方法进行数据扩增;然后将不同膨胀率的深度可分离卷积引入改进空间金字塔池化(improved spatial pyramid pooling,ISPP)模块,减少池化操作带来的细节损失;提出混合空间通道注意力(hybrid spatial channel attention,HSCA)机制,捕获全局视觉场景上下文,增大目标特征与环境语义差异,解决航拍叶片图像缺陷尺度不一的问题;采用Focal EIoU损失函数,解决预测框长宽被错误放大的问题,提高模型对叶片缺陷的定位能力。实验结果表明,所提算法的均值平均精度、均值平均召回率分别达到83.64%、71.96%,与YOLOv7基线算法相比分别提高3.37%、5%。

风电机组叶片损伤故障检测技术研究进展

风力发电规模稳步增长的同时,风电机组叶片损伤故障检测技术也应得到相应发展。对风电机组叶片典型故障的产生原因及其类型进行了总结归纳;其次回顾了声发射、超声波、振动、红外热成像以及计算机视觉等五种检测技术的工作原理,并分别对其特点进行了对比分析;最后为助力实现风电行业高质量可持续发展,探讨了未来风电机组叶片损伤故障检测技术的发展趋势。

风电机组叶片损伤检测技术研究与进展

叶片是风电机组的关键组件,其性能优劣将影响整个系统。风力发电机工作环境复杂,叶片很容易受到损伤,未被及时发现的表面损伤如裂纹等扩展可能会导致对结构造成不可逆损坏,甚至会导致塔架的损坏。因此,叶片的损伤检测对于保障风电机组安全高效工作与降低运维成本有着重要意义。文中全面介绍风力发电机叶片损伤原因和损伤类型,对现有叶片检测技术进行分析简述,探讨现有方法的优缺点和研究热点,在此基础上,介绍配有多种传感器的机器人复合检测技术及检测技术中常用的数据分析算法。同时,给出各种检测方法在风力发电机组叶片损伤检测工程应用的建议。最后,指出风电机组叶片损伤检测技术的未来发展趋势。

大型在役风电机组叶片电热防覆冰关键技术研究与应用

电热技术具有结冰环境和结冰类型适用范围广泛、防覆冰效果显著等优势,成为风电机组叶片防覆冰技术研究热点。以1.5 MW风电机组为例,介绍了电热防覆冰技术原理、系统整体架构设计、系统电气设计、加热结构设计、结冰检测及控制系统设计,阐述了电热内外部施工工艺流程和关键工序,实践证明:采用电热设计和施工方案可以满足在役风电机组叶片防覆冰技改要求,防覆冰效果明显。该电热防覆冰技术设计和施工方案可为大量在役覆冰机组工程实施提供参考。

风电机组叶片裂纹故障特征提取方法

为实现风电机组叶片及时有效地监测和维护,使用声发射技术采集疲劳裂纹信号,从而提取不同裂纹特征。鉴于尺度谱受到Heisenberg测不准原理的极限制约,时频聚集性不佳、干扰强的现象,提出风电机组叶片裂纹声发射信号的优化小波重分配尺度谱分析。基于Shannon熵理论计算裂纹萌生和预制裂纹再扩展的声发射信号的重分配尺度谱小波基函数带宽参数,得到最适合此两阶段裂纹声发射信号的Morlet小波基函数,计算优化基函数的小波重分配尺度谱,获得不同类型裂纹特征成分在时间尺度平面的高幅值能量分布。实验研究表明,优化小波重分配尺度谱的方法具有很好的时频聚集性和抗噪能力,实现了风电机组叶片裂纹声发射信号的时频特征清晰准确的提取,识别风电机组叶片不同阶段裂纹故障。进而可以采用该方法监测风电机组叶片在复杂环境中的退化状态。

基于CFD的大型风力发电机组叶片气动性能研究

为了研究大型风力发电机组叶片的气动性能,提出了基于CFD技术的叶片气动性能分析方法.该方法采用RANS方程结合SST湍流模型,以实现对大型风机叶片二维翼型气动性能和三维气动性能的分析预报.在此基础上,采用二维方法分析了NACA64-618翼型-180°～180°攻角下的气动性能,获得了其失速攻角,与试验数据的比较证明了该方法的准确性;建立了2MW大型风机三维叶轮模型,采用三维方法分析了其气动性能,与GHBladed软件计算结果比较证明了三维方法的可行性.最后,对2MW风机翼型进行了优化,改善了其气动性能.研究方法对于大型风机叶片的设计,优化及新翼型的开发具有重要参考价值.

基于WD-LSTM的风电机组叶片结冰状态评测

为有效识别叶片结冰状态,尽早采取除冰措施,提出基于小波去噪的长短期记忆神经网络(WD-LSTM)的评测方法。首先基于过采样与欠采样相结合的方法解决SCADA系统数据中的类别不平衡问题,通过对叶片结冰相关的26项指标进行分析,并从结冰机理和数据探索的角度筛选特征量,小波去噪处理后建立WD-LSTM模型,进一步完成模型的训练和测试。分别以15号和21号风电机组为例进行模型验证,通过与LSTM、概率神经网络(PNN)模型和BP神经网络模型进行对比。结果表明,WD-LSTM方法在风电机组叶片结冰评测中的准确率可达98%,优于其他方法。

某型风力发电机组叶片的双向流-固耦合探究

为探究风力发电机组叶片的压力、应力、应变与变形的分布特征,探明叶片的危险薄弱部位,揭示其分布特征的内在机制,基于ANSYS Workbench环境平台,采用双向流-固耦合方法对某型风力发电机组叶片的流场与固体场进行耦合计算,探究叶片在耦合场中的压力、应力、应变与变形规律,为叶片的结构优化设计制造与疲劳断裂寿命计算等提供理论方法支撑。结果如下:叶片在外界风速流场中的压力分布与实际工况相符;叶片的最大应力、应变位置位于叶片的根部,应力与应变呈现"根高尖低"的分布特点;最大变形位置位于叶片的尖端处,变形呈现"半径化梯度性减小"的分布特点。以上研究结果可为叶片的安全检查、定期维修与优化改进等提供参考,具有实际工程价值。

大型风电机组叶片的气热抗冰关键技术及工程应用实践

简要介绍了风电机组叶片的气热抗冰关键技术,并结合工程实践,证明了气热抗冰系统在我国南方和中西部山区风电场具有推广应用的技术可行性,同时分析了其经济效益和社会效益。

大型风力发电机组叶片故障诊断分析

大型风风力发电机组叶片长期运行在高空恶劣的自然环境下,承受随机交变的风载荷,叶片随时可能会出现噪声、振动、断裂、损伤等故障,造成机组不同程度的危害,因此通过无损检测技术和基于振动的模态分析损伤识别方法对叶片进行故障诊断分析,及时有效地发现故障并处理,保证叶片正常进行,对提高机组安全经济运行具有重要的意义。