風電機組在線狀態監測與數據分析系統設計

鄭啟山 朱少紅 陳長紅 常海青 晏錫忠 魏晨曦

關鍵詞：風電塔筒；葉片缺陷；傾斜；變形；螺栓疲勞；數據分析

1 引言

在能源危機和環境危機日益嚴重的情況下，我國國土資源遼闊，利用風力資源實現發電的技術前景廣闊。風力發電在我國的能源結構中占比較大，因此，其運行狀態是否正常或安全是風電場設備重點管理的內容。風電塔筒作為風電機組的支撐系統，支撐著機艙和葉輪的工作[1]，在長期的機械振動工作過程中，風電塔筒會受到地質條件、溫度、風向、暴雨等外界環境因素的影響，在風速、重力等作用下導致塔筒發生傾斜、變形和連接螺栓斷裂的情況。此外，風機葉片在風吹、日曬、雨淋、雷擊等惡劣環境影響下會出現裂紋、劃痕、侵蝕等缺陷[2]。

風電場通常選址在荒無人煙的野嶺或海上，整個風電機組的設備運行狀態和安全依靠人工巡檢或定期維護，長期屬于無人值守的狀態，無法實時掌控其設備運行狀態和安全情況，且風機葉片處于高空，人工檢測的難度大，不易實現[3]。因此，對風機葉片的缺陷及其塔筒的傾斜、變形進行實時監測，以及對塔架螺栓的疲勞情況進行評估十分重要，避免風電機組由于外界惡劣環境因素發生的安全問題。

本文提出風電機組在線狀態檢測與數據分析系統，主要包括葉片缺陷檢測、塔筒監測、無線自組網模塊、數據分析平臺模塊，實現在線實時監測風電機組運行，保障風電機組安全。

2 系統結構

風電機組在線狀態檢測與數據分析系統主要包括葉片缺陷檢測、塔筒監測、無線自組網模塊、數據分析平臺4大模塊，系統功能如圖1所示。

如圖1所示，葉片缺陷監測模塊采用基于深度學習的目標檢測算法進行葉片缺陷目標檢測，主要包括葉片數據采集和AI缺陷識別兩部分；葉片數據采集由無人機拍照來實現，AI缺陷識別由相應的算法來實現。塔筒監測模塊分為塔筒傾斜監測、變形監測、螺栓疲勞預測部，分別由傾角傳感器、超聲傳感器等采集模塊采集數據，并對數據進行分析和計算，生成傾斜角度、變形位移和疲勞度預測數據，實現塔筒實時監測；無線自組網模塊在軟件上設計了MAC協議、網絡層協議、低功耗優化3部分，硬件平臺主要由自組網網關和自組網無線傳輸模塊組成；數據分析平臺根據傳感器上傳的風電塔筒運行數據、故障數據等，建立軟件平臺進行系統數據分析。

葉片缺陷監測部分是在風機停止工作后，由無人機對風機葉片進行航拍，無人機獲取的照片存儲到無人機的內部存儲設備中，待飛行結束后由存儲設備中導入到數據分析平臺上，通過相應的AI算法來對照片進行識別處理。

每段塔筒的法蘭連接處部署相應的螺栓監測傳感器，同時每段的螺栓傳感器配備有相應的通道擴展器，傳感器與擴展器直接連接，多個通道擴展器以串聯的方式連接。通道擴展器與超聲測量模塊之間以RS485方式連接，超聲測量模塊與自組網網關通過以太網或者RS485的形式進行數據的傳輸。

塔筒的傾斜、變形監測傳感器由傾角傳感器實現，根據監測需求安裝在塔筒的不同段數上，并與自組網網關通過RS485總線進行數據的傳輸。

自組網網關將采集的數據通過以太網協議或者RS485協議，發給自組網無線模塊。無線模塊將數據通過自組網的多個節點，最終傳輸至中控室的數據分析平臺上展示。

3 風電監測系統組成

風電監測系統的整體連接圖如圖2所示。

其中，葉片缺陷監測是在風機停止運行后，由無人機對風機葉片進行航拍獲取照片，然后存儲到無人機的內部存儲設備中，待飛行結束后由存儲設備導入數據分析平臺，通過YOLOv5算法對照片中的信息進行識別和缺陷檢測處理。

根據塔筒的段數將塔筒分為Ⅰ段、Ⅱ段、Ⅲ段等，每段塔筒的法蘭連接處部署相應的螺栓監測傳感器，同時每段的螺栓傳感器配備有相應的通道擴展器，傳感器與擴展器直接連接，多個通道擴展器以串聯的方式連接。通道擴展器與超聲測量模塊之間是以RS485方式進行連接，超聲測量模塊與自組網網關通過以太網或者RS485的形式進行數據的傳輸。

塔筒的傾斜和變形監測由傾角傳感器完成。根據實際需求安裝在塔筒各段的中心處，傾角傳感器與自組網網關通過RS485總線進行數據的傳輸。

自組網網關將采集的數據通過以太網協議或者RS485協議，發給自組網無線模塊。無線模塊將數據通過自組網的多條路由節點，最終傳輸至中控室的數據分析平臺展示。

4 硬件設計

4.1 傾角傳感器設計

采用傾角傳感器來監測塔筒的傾斜和變形[4]。傾角傳感器由3軸加速度傳感器芯片和單片機組成，單片機用來采集3軸加速度傳感器芯片的數據，并將數據以RS485總線協議轉發出去。傾角傳感器的設計框圖如圖3所示。

如圖3所示，其中單片機通過SPI協議或者I2C協議來采集3軸加速度傳感器芯片的數據，然后將數據通過UART 口轉發出去，UART 口轉發的數據經RS485收發器轉換為符合RS485總線協議的數據。自組網網關通過RS485協議采集相關的數據，通過無線網絡傳輸到中控室。

4.2 螺栓應力測量裝置

螺栓應力測量裝置包括螺栓測量采集、螺栓應力標定、螺栓數據處理和螺栓測量輸出等4個模塊。圖4為螺栓應力測量裝置設計圖。

其中，螺栓測量采集模塊用于完成多路時間測量傳感器信號的切換、溫度補償校準和納秒時間戳測量；螺栓應力標定模塊用于在非緊固狀態下對螺栓進行納秒級時間戳測量工作，配合外部設備對螺栓進行加力，以此完成螺栓應力標定參數的生成；螺栓數據處理模塊用于對螺栓測量采集模塊的測量結果與螺栓應力標定參數進行必要的處理，然后計算出納秒級時間戳、納秒級時間差、毫米級螺栓測量長度、微米級螺栓伸長量以及螺栓應力；螺栓測量輸出模塊用于通過多種通信方式輸出螺栓數據處理計算后的數據，并保存歷史數據。

4.3 無線自組網模塊

無線自組網部分采用Sub 1G自組網模塊之間進行數據交互，通過采集各風電機組的傾斜、變形、螺栓數據，利用自組網模塊的多跳路由傳輸至中控室。

Sub1G自組網模塊采用OFDM 調制解調技術和MIMO技術，具有傳輸距離長、低功耗、抗干擾性強的特點，可實現自組網模塊多跳穩定傳輸數據1.5 km，且便于安裝，如圖5所示為無線自組網模塊設計圖。

無線自組網模塊具備以下功能：

1） 在該無線自組網模塊的射頻發射鏈路與天線之間以及接收鏈路與天線之間增加濾波器，有效抑制帶外干擾多系統性能的影響，組網技術解決了回傳和接入的信道干擾問題，大大提高了網絡性能；

2） 采用Sub 1G頻段實現遠距離通信，利用OFDM 能夠提高頻譜利用率和多徑衰落能力的機制，提高數據傳輸的速率；

3） 配置SNOW3G、AES128、ZUC等加密算法實現數據安全加密的無線自組網系統。

5 軟件設計

5.1 葉片缺陷監測算法

葉片缺陷監測的實現主要通過大疆無人機采集風機葉片數據作為圖像采集的模型數據集，然后利用PhotoShop模擬風機葉片缺陷，并采用數據增強技術擴充數據集，最后利用YOLOv5算法處理采集的風機葉片缺陷數據集，檢測出有缺陷的圖像[5]。

利用YOLOv5算法處理風機葉片缺陷的流程如圖6所示。

為了提高YOLOv5 的檢測速度和精度，將YO?LOv5 的骨干網絡替換為MobileNetv2 網絡[6]，利用SPPFCSPC結構替代Neck網絡部分的C3結構，同時引入CBAM 注意力機制加強空間和通道維度的關鍵信息。

5.2 傾斜變形監測算法

5.2.1 傾斜計算

風電塔筒傾斜監測依靠傾角傳感器監測，通過3軸加速度傳感器芯片采集塔筒在x、y、z 軸方向的加速度值，利用加速度計算角度來實現風電塔筒傾斜角度的監測。

當傾角傳感器水平放置在風電塔筒內部中心點位時，x、y 方向的重力分量為0 g，而z 軸的重力分量為g。如圖7所示為傾角傳感器水平放置時的各軸方向。

如果塔筒傾斜，傾角傳感器的x、y、z 軸的方向會發生變化，如圖8所示。

5.2.2 變形位移計算

風電塔筒在長期的機械運行過程中，塔筒各段連接處會由于震動或是外界環境影響產生位移。采用3 軸加速度傳感器采集的加速度數據，二次積分得到的位移表示各段塔筒連接處的變形量[7]。由于加速度在時域中的積分計算會有累計誤差，考慮采用頻域積分實現加速度二次積分計算位移的方法。變形位移的計算流程如圖9所示。

頻域積分需要把傳感器在時域采樣得到的加速度離散值通過快速傅里葉變換轉到頻域，然后再利用傅里葉積分性質，實現加速度到位移的二次積分計算，同時進行濾波處理，最后通過傅里葉逆變換返回時域。

5.3 螺栓疲勞預測算法

螺栓疲勞預測算法主要預測風力發電機組所使用的高強度螺栓[8]，螺栓材料為42CrMoA鋼，性能等級為10.9級，型號為M36、M42、M48、M56、M64等，包括法蘭盤連接螺栓和葉根螺栓。軟件所設計的螺栓疲勞預測算法流程如圖10所示。

螺栓疲勞預測算法的詳細步驟如下：

1） 獲取應力譜：通過超聲探頭實時采集螺栓軸向力，再根據應力算法計算出螺栓應力[9]，得到螺栓的時間-應力歷程曲線，即螺栓應力譜；

2） 雨流計數法處理應力譜：首先，對應力譜進行預處理，濾除小載荷循環，使之表現出高階、少量的波浪特性；然后，采用雨流計數法處理后可得到周期應力譜，并記錄應力幅值、應力循環次數和應力循環平均值；

3） Goodman修正應力譜：采用Goodman模型對處理后的應力譜進行修正，將實際工作循環應力轉化為對稱循環應力[10]，獲得等效應力幅值和對應循環次數；

4） 利用材料S-N曲線，計算出螺栓各等效應力幅值對應的壽命；5） 構建疲勞預測模型：基于Miner線性累計損傷法則，構建螺栓疲勞預測模型，估算螺栓的累計疲勞損傷。

6 數據分析平臺

系統安裝于福建某風電場，通過數據分析平臺在中控室實現可視化數據展示，如圖11所示為數據分析平臺首頁大屏界面圖。

為了使葉片缺陷、傾斜、變形以及螺栓應力數據能夠實時且更清晰地展示，系統設計了三維分析界面，如圖12所示。

數據分析平臺實時監測的數據需要自動存儲或人工管理，因此，設計的管理界面可以實時監測數據的變化和管理數據的歷史值，如圖13所示為傾斜、變形實時監測與管理界面。

如圖14所示為螺栓應力實時監測與管理界面。

7 結論

風電機組在線監測系統是一種智能監測系統，通過利用傳感器和無人機采集風電塔筒和葉片上的數據，利用軟件算法分析和處理數據，再經過無線自組網絡傳輸至終端的數據平臺上展示風電機組數據。整個過程無須人參與，依靠自動化和智能化的實時監測風電機組的運行狀態，能有效地提高風電場運行人員監測的效率，同時能夠快速及時地發現風電場的安全隱患，避免危害發生。