基于風機塔筒傾覆監測系統的研究與應用

李文明, 張云

(五凌電力有限公司，湖南 長沙 410000)

隨著新能源市場的版圖擴大，風力發電裝機容量的不斷增長，風電項目建設逐漸向內陸三、四類地區發展，風電機組的塔筒、葉片也越來越高、長，風機塔筒傾斜和倒塔等重大事故時有發生，對發電企業的安全生產造成嚴重威脅。部分公司已建立相應的人工智能監測系統對該類事故進行在線監測和早期預警，但由于系統多樣且存在不穩定性，系統監測數據是否與實際相符需要長期應用驗證，導致問題無法提前被預知發現，問題突發時運維人員很難在極短的時間解決問題、排除故障，因此必須依據長期應用效果對人工智能監測系統進行檢測，確保系統長時間穩定運行，提高系統的準確性和有效性，對風電相關系統選擇方面及運維人員后期的維護工作起到指導作用。

1 塔筒傾覆人工智能監測系統簡介

風電機組基礎松動、不均勻沉降，塔筒變形、連接開裂等劣化過程是造成塔筒傾覆事故的本質隱患。塔筒傾覆人工智能監測系統基于KxM工業智能平臺建立[1-3]，主要由傳感器、通信模塊、服務器和工業智能軟件系統組成，傳感器采集的信號經通信模塊傳輸至服務器，服務器上運行的工業智能軟件對綜合塔筒傾斜、基礎水平、風速、風向、功率等關聯信息[4-6]。運用機器學習算法構建設備模型，通過模型特征值的變化檢測設備的異常進行在線分析和處理，實時計算與塔筒傾覆相關的劣化過程的特征指標，自動檢測指標的異常狀態并在監視終端頁面中顯示報警內容[7-9]，如圖1所示。

圖1 塔筒傾覆人工智能監測系統Fig.1 Tower overturning artificial intelligence monitoring system

2 研究過程

2.1 實驗法檢測

以塔筒基礎不均勻沉降為檢測標準，利用理論計算值與實驗測試值對比的方式驗證該系統的準確性[10-12]。具體實驗方法為:傳感器與和傳感器安裝底板之間塞入一個標準塞尺，塞尺的厚度為0.1mm、0.2mm、0.3mm、0.4mm和0.5mm，塞尺的使用方法是將塞尺平直的塞入到安裝傳感器一端兩個螺絲的外部，且與兩個螺絲平行。使傳感器產生一定的傾斜角度來模擬基礎不均勻沉降的效果，然后根據測試系統輸出結果和實際塞入的塞尺厚度形成的角度計算得出基礎不均勻沉降的高度值是否具有一致性和準確性。

角度計算方法、傳感器安裝方式和直尺安裝方式分別如圖2、圖3和圖4所示。

圖2 塞尺安裝形成角度示意圖Fig.2 Schematic diagram of the installation angle of the feeler gauge

圖3 塔筒底座傾角傳感器安裝圖Fig.3 Installation diagram of the inclination sensor of the tower base

圖4 塞尺驗證方式示意圖Fig.4 Schematic diagram of feeler gauge verification method

圖中α角為人為設置的基礎不均勻沉降傾斜角度，來模擬基礎不均勻沉降故障。

任意選取兩臺風機09號、10號進行盲測，按照上圖所示將各部分安裝完畢，系統會在5分鐘后自動診斷出基礎不均勻沉降故障的實測值報警。同時，五小時左右自動診斷出基礎不均勻沉降故障的緩變量報警。兩周左右自動診斷出基礎不均勻沉降故障的特征值報警。

理論值計算原理：此次試驗采用的傳感器長度為89.5mm，塞尺厚度為H，α角為加墊片后的傳感器傾斜角度，根據三角函數理論[13-15]，如公式(1)所示：

sinα=H/89

(1)

如圖4所示，若基礎出現不均勻沉降，由于傳感器安裝在基礎環上，傳感器隨著基礎環的下沉而發生傾斜，而傳感器對向位置處有螺栓固定，整個基礎環不會發生完全正比例變形，根據材料力學理論，只能發生0.7D(基礎環直徑)的正比例變形，設傳感器的傾斜角度為α，則計算下沉量如公式(2)所示。

L=0.7×D×tg×α

L=0.7×D×tg[arcsin(H/92)]

(2)

L為塔筒基礎沉降量；

α為加墊片后的傳感器傾斜角度；

D為塔筒底部直徑4200mm；

0.7為系數。

按上述公式可推算出不同塞尺厚度所對應的理論傾角值和基礎不均勻沉降量。

09號、10號兩臺風機分別使用0.1mm、0.2mm、0.3mm、0.4mm、0.5mm、0.6mm厚度的塞尺進行試驗，試驗結果如表1所示。

表1 理論計算值與試驗實測值對比Tab.1 Comparison of theoretical calculation values and experimental values

由上表可知，在2臺風機的基礎傾角傳感器底部塞入不同厚度的塞尺后所得人工干預數值和理論值基本一致，且裝完墊片后，數據系統會自動分析采集到的人工干預數據，在小于5分鐘的時間內自動診斷出基礎不均勻沉降故障的實測值報警。同時，小于五小時內自動診斷出基礎不均勻沉降故障的緩變量報警。從數據分析可知該系統從理論上來說是準確可靠的，且其能自動對外部干擾因素做出分析及應對，穩定性較高。

2.2 直接檢測

直接檢測不同于實驗法為直接采用沉降儀器對一臺已經發生傾斜的風機19號進行測量，而不是模擬不同的沉降量[16-18]，以測量的數據和時間與同一時期監測系統開始監測的數據和時間作為基礎，比對每一次人工測量的數據和時間與在線監測系統監測的數據和時間，確定在線監測系統監測到的數據與人工監測的數據是否一致，并進行相應的趨勢性分析。

19號風機在2020年3月由監測系統測得數據及趨勢圖6所示。

圖5 下沉量計算圖示Fig.5 Calculation diagram of subsidence amount

圖6 19號風機基礎不均勻沉降量趨勢圖Fig.6 Trend diagram of uneven settlement of No.19 fan foundation

從表2和圖5中可以看出在3月下旬基礎在線監測系統測試的不均勻沉降量最大值為0.732mm，平均值為0.4mm。塔筒傾斜率計算如公式(3)所示。

ΔS=S1-S2

tanθ=ΔS/L

(3)

S1、S2為基礎不均勻沉降值；

θ為基礎不均勻沉降引起的傾斜角；

ΔS為基礎不均勻沉降均差值；

L為兩監測點的直線距離(4200mm)。

將基礎在線監測系統測試的不均勻沉降量最大值0.732mm代入公式可得塔筒傾斜率為0.00017，傾斜率標準值為0.004。

根據3月監測19號風機各靜力水準儀測點基礎沉降數據均值，共4個點I1、I2、I3、I4，其中I1與I3相對，I2與I4相對。測點I1、I2、I3、I4的基礎不均勻沉降均值分別為2.250mm、0.898mm、0.190mm、0.113mm，且相對兩測點直線距離為16m，由公式(3)計算可得測點I1與I3之間的塔筒傾斜率為0.000152，I2與I4之間的塔筒傾斜率為0.000049，此兩值均遠小于標準值，風機運行時穩定性良好。人工監測計算與智能系統監測塔筒傾斜率對比如表2所示。

表2 人工監測與智能系統監測塔筒傾斜率對比表Tab.2 Comparison table of tower tilt rate between manual monitoring and intelligent system monitoring

從表中可以看出19號風機人工監測計算數據與智能系統測得數據基本一致，系統監測數據略大，說明此系統在實際環境中應用良好，且系統內部能做出相應數據修正，避免了人為誤差因素，其準確性得到進一步驗證體現。

2.3 多故障對比檢測分析

在以單故障條件檢測該人工智能系統數據準確性的基礎上，取1臺已有傾斜度的風機19號，隨機抽取3臺正常的風機09號、10號、23號，將系統部署的全部故障條件基礎不均勻沉降值、基礎松動值、塔筒垂直度及塔筒結構松動作為參照[19-21]，利用其特征值與實測值在相同時間段(本次取6個月)的對比進一步對系統的長時間趨勢性進行檢測。實測值受風機工況影響比較大，系統的特征值是由大數據算法模型生成，排除了風機工況的影響，特征值的變化反映了事物的本質變化，與系統部署各故障變化大致成正比關系。

2.3.1 基礎不均勻沉降分析

基礎不均勻沉降實測值是由安裝在基礎環上的傾斜傳感器測試的傾斜信號計算出的數值，其值的變化可反映基礎結構載荷的差異、地質差異、風機基礎環的水平度變化等。

09號、10號、19號、23號四臺風機基礎不均勻沉降的實測值與特征值相互對比如圖7所示，其平均值、最大值、最小值對比如表3所示。

(a)實測值(a)Measured value

(b)特征值(b)Eigenvalues

表3 風機基礎不均勻沉降量對比表Tab.3 Comparison table of uneven settlement of fan foundation

從圖中可知4臺風機整體趨勢均比較穩定，實測值與特征值在6個月時間內均無超標現象。4臺風機基礎不均勻沉降按從優到劣排序為10號、09號、23號、19號，19號風機實測最大值為2.53mm。由于為一臺機，排除地質差異影響，說明其風機基礎結構載荷、風機基礎環的水平度已發生變化，且特征值最大為1.73mm，說明該變化已產生實質性作用，現場驗證19號風機確已產生傾斜度，實際風機基礎環的水平度發生偏移，說明該系統在一定時間內對基礎不均勻沉降趨勢分析較為準確。

2.3.2 基礎松動分析

基礎松動數值的變化可反映出風電機組整體的振動性、風機塔架傳到基礎的各類載荷和基礎環的連接、受力情況等[22-24]。

09號、10號、19號、23號四臺風機基礎松動的實測值與特征值相互對比如圖8所示，其平均值、最大值、最小值對比如表4所示。

(a)實測值(a)Measured value

(b)特征值(b)Eigenvalues

表4 風機基礎松動量對比表Tab. 4 Comparison table of basic looseness of fan

從圖中可知4臺風機基礎松動整體趨勢較為穩定，其中19號風機、23號風機在統計時間段起始及末端出產生波動，但23號相對值較小，其中19號風機基礎松動實測最大值為1.51%，特征最大值為3.70%，4臺放風機基礎松動按從優到劣排序為23號、09號、10號、19號。特征值變化及趨勢說明19號風機基礎受力已產生不均勻現象，風機塔架傳到基礎的各類載荷不平衡，實測值的大幅波動表明，面對變化中的風況，風電機組應對能力開始減弱，實際遠程監控數據顯示19號風機、10號風機振動值明顯高于其余兩臺風機，在對基礎松動的監測上進一步對系統做出驗證，系統能清晰且穩定反映出風機塔筒實際狀態，可用于提醒運維人員后續應加強對19號風機振動值的觀測，巡視需嚴密監視該機組的基礎環情況。

2.3.3 塔筒垂直度分析

塔筒垂直度可直接反應風電機組的傾斜程度，由于風機塔筒為上細下粗的結構，且由4節塔筒搭建而成，塔筒垂直度在一定程度上能反應各節塔筒圓心相對基礎環的偏離程度[25-26]。

09號、10號、19號、23號四臺風機塔筒垂直度的實測值與特征值相互對比如圖9所示，其平均值、最大值、最小值對比如表5所示。

(a)實測值(a)Measured value

(b)特征值(b)Eigenvalues

表5 風機塔筒垂直度對比表Tab.5 Comparison table of verticality of wind turbine tower

從圖中可知4臺風機整體趨勢較穩定，其中10號風機基礎松動實測最大值、平均值為10.4%、6.3%，特征值最大、平均分別為6.2%、5.9%，相對于其他3臺風機實測值、特征值都偏大，塔筒垂直度按照從優到劣排序為23號、09號、19號、10號，數值的變化說明10號風機塔筒傾斜程度相對于其他3臺風機要更加明顯，判斷該風機塔筒已有偏離基礎環圓心現象。實際19號風機傾斜程度更大，相比可知19號，以垂直度判斷的結果相對基礎沉降、基礎松動系統準確性降低，在運維過程中可不作為主要參照物理量。

2.3.4 塔筒結構松動分析

塔筒結構松動可直觀反映風電機組機械部分產生松動現象[27-28]，機組螺栓有變形、松動現象，螺栓發生松動現象會直接影響風機的扭矩系數及自鎖定能力，從而機組的振動值也會偏高。

09號、10號、19號、23號四臺風機塔筒垂直度的實測值與特征值相互對比如圖10所示，其平均值、最大值、最小值對比如表6所示。

(a)實測值(a)Measured value

(b)特征值(b)Eigenvalues

表6 風機塔筒結構松動對比表Tab.6 Comparison table of structural looseness of wind turbine tower

從圖表中可知4臺風機整體趨勢較為穩定，相對而言19號風機、23號風機基礎松動實測值變化幅度大，特征值在所取時間段初期產生波動，其中19號風機最大實測值、特征值分別為4.00、1.30，但其實測平均值相對較低為0.47，說明該風機實測值間極差較大，波動范圍大，特征值偏大說明該風機塔筒結構已發生松動現象。4臺風機塔筒結構松動按從優到劣排序為09號、23號、10號、19號，19號風機機械部分如部分螺栓已產生松動現象，說明該系統以塔筒結構松動值為依據判定準確性符合實際，其判定優先度要高于塔筒垂直度。

2.3.5 四故障對比分析

表7 部署故障測試與實際對比Tab.7 Deployment failure test and actual comparison

從表中可知智能監測系統部署的四種故障監測效果基本與實際相符，其中按監測效果從優至劣排序為塔筒結構松動、基礎松動、基礎不均勻沉降、塔筒垂直度，在實際的應用中根據各物理量的判定優先順序對運維工作起到一定指導作用，但在總體上還是能夠說明該系統在6個月時間內的預測及監測效果較為良好，能夠對運維人員起到有效的預警作用，可有效避免塔筒傾覆等事故的發生。

3 結論及展望

隨著風電的進一步發展，該基于KxM工業智能系統模式建立的塔筒傾覆系統具有良好的應用前景，且在該系統基礎上可增加大量拓展和人工智能模塊，如風機葉片裂紋，主軸彎曲，軸承開裂等智能預警系統，進一步加強運維人員對風機狀態的掌控，也在一定程度上減少風機相應的故障及事故。