风电叶片疲劳加载多点振幅采集系统设计及应用*

冯忠彬 张磊安 孔晓佳 姚锦恺

(1.山东省黄河计量研究院，济南 250100；2.山东理工大学机械工程学院，淄博 255049)



风电叶片疲劳加载多点振幅采集系统设计及应用*

冯忠彬1张磊安2孔晓佳2姚锦恺2

(1.山东省黄河计量研究院，济南 250100；2.山东理工大学机械工程学院，淄博 255049)

随着叶片尺寸的增大，对兆瓦级风力机叶片的验证等相关领域的研究变得越来越重要。针对目前单点疲劳加载测试系统存在弯矩分布精度误差较大的问题，本文设计了风电叶片疲劳加载多点振幅采集系统。采用虚拟仪器LabVIEW软件开发上位机界面，为了去除采集信号中的噪声信号，通过平方根自适应滤波QR-RLS算法进行滤波。最后，将设计的采集系统应用于aeroblade45.3-2叶片，试验结果表明该系统稳定且滤波效果满足试验要求。这不仅从一定程度上提高了叶片疲劳测试精度，而且为叶片进一步的优化设计提供了详实的数据和试验基础。

风电叶片；疲劳加载；多点振幅采集；滤波算法；疲劳试验

0 引言

叶片是风力发电机组的核心部件[1]，随着风力机逐渐向兆瓦级大功率方向发展，叶片尺寸随之增大，因而对叶片的强度和刚度提出更加苛刻的要求，对兆瓦级风力机叶片的验证等相关领域的研究变得十分重要[2]。目前，国内外风力机叶片疲劳性能试验普遍以设计方提供的理论弯矩分布曲线和振动次数为依据，沿叶片展向约70%处施加单点激励使其与叶片共振，按照等幅加载模式(应力比R=-1)和等效振动次数完成疲劳测试[3]。但是采用这种测试方法弯矩分布精度误差较大，造成疲劳寿命测试结果严重失真[4]。

针对以上不足，为了让试验弯矩更好地拟合理论弯矩，本文设计了一套风电叶片疲劳加载多点振幅采集系统，并对采集到的信号进行了滤波处理。实验结果表明该系统能够实时采集并显示振幅信号，满足数据采集和滤波的要求，为提高试验弯矩分布精度以及后续叶片的优化设计提供坚实的理论和试验依据。

1 多点振幅采集系统概述

1.1 系统整体概述

在垂直于叶片振幅采集点的地面分别安装四个激光测距仪，以此来测量叶片不同位置处的振幅。激光测距仪将采集到的四个振幅通过RS485总线实时传送给上位机。风电叶片疲劳加载多点振幅采集系统结构如图1所示。

图1 系统结构图

1.2 通信

上位机应用虚拟仪器软件LabVIEW搭建风电叶片疲劳加载多点振幅采集系统平台，并将各采集点的振幅波形图表、振动次数显示以及数据存储等以图形化控件形式显示在用户界面上。上位机与激光测距仪采用串口通信模式，上位机中的COM口、波特率、奇偶校验、数据位以及停止位设置要与激光测距仪协调一致。系统采用的激光测距仪型号为Leuze ODSL 30/D485-30M-S12，通信协议选择16位数字量传输模式，RS485数字量输出，测量的有效距离为0～30m，精度为1mm。通信协议如图2所示。

图2 通信协议

2 LabVIEW设计模块

多点振幅采集系统上位机采用图形化编程语言LabVIEW编程，其主要包括以下功能模块：与激光测距仪通信模块，数据处理及滤波模块，实时显示模块，数据库记录模块。

2.1 数据采集模块

数据采集的准确性及实时性至关重要，以往的VISA读取函数的输入参数设定了需要读取的字节数，但是如果要读取的字节数大于接收缓冲区中已经接收的字节数时，读函数一直处于等待状态，直到超时发生。若读函数一直等待，则会阻塞读线程，导致线程中的其他操作无法进行。因此，本程序在执行读操作前，先要判断接收缓冲区中的字节数，Bytes at Port属性节点返回输入缓冲区已存在的字节数，这样就会读取缓冲区中所有字节，保证数据不会遗漏以及各线程的通畅。

对于从串口接收缓冲区接收到的数据，首先要根据通信协议进行数据分离，然后要将分离出的有效数据转化为实际距离。转化格式如式(1)所示，数组转化为实际距离的LabVIEW程序框图如图3所示。

GA=(Reading[0]>>2)+(Reading[1]>>2)*64+((Reading[2]>>2)&0x0F)*4096

(1)

图3 数组转化为实际距离程序

2.2 数据记录模块

为了方便用户调用数据，需要对数据进行记录。在设计的采集系统中，需要记录的参数有：时间、振幅1、振幅2、振幅3、振幅4,以及振动次数。由于叶片疲劳检测一般要持续两三个月，所以需要具有足够存储空间的数据库来实现。数据会以设定的每40ms的速度将数据记录到数据库1中，当数据库1记满1G的容量时，自动跳转到数据库2记录。

要使用LabSQL访问数据库，首先要在LabVIEW中安装LabSQL工具包。LabSQL ADO functions可分为Command VIs、Connection VIs、Recordset VIs、SQL Execute.vi、SQL Fetch Data(GetString) .vi和SQL Fetch Data.vi。实现此模块的编程如下：1)Microsoft Access创建两个数据库源文件，设置好数据库名称和相应字段；2) 使用ADO Connection Creat.vi创建对象；3)利用ADO Connection Open.vi建立与设定的相应路径的数据库的连接；4)使用SQL Execute.vi来执行数据库操作。

3 平方根自适应滤波QR-RLS算法

通过激光测距仪采集来的信号往往掺杂着噪声信号，甚至有时由于噪声信号太多以至于淹没了有效信号，因此滤波是极为必要的。

3.1 自适应滤波器

传统的IIR和FIR滤波器是时不变的，即在处理输入信号的过程中滤波器的参数是固定的。当环境发生变化时，滤波器可能无法实现原先设定的目标。而自适应滤波器则不同，系统可以根据当前自身的状态和环境调整自身的参数以达到预先设定的目标[5-6]。自适应滤波器的系数是根据输入信号，通过自适应算法自动调整的。

3.2 平方根自适应滤波器

卡尔曼滤波器的平方根变形为导出平方根自适应滤波算法提供了总体框架。根据卡尔曼变量与递归最小二乘(RLS)变量之间的一一对应关系，平方根自适应滤波算法采用指数加权递归最小二乘估计。

RLS估计中两个重要的平方根自适应滤波算法为QR-RLS算法和逆QR-RLS算法。这一术语的得来是因为该算法的导出传统上都依赖于一种或另一种形式的正交三角形化的过程，这一过程在矩阵代数中称为QR分解。将QR分解应用在自适应滤波中是因为其良好的数值特性。

矩阵A(n)的QR分解可以写为:

(2)

式中：Q(n)为单位矩阵，R(n)为上三角矩阵，O为零矩阵。由于变换中大量使用Q和R，故称其为“QR分解”。基于QR分解的自适应RLS滤波算法也称为“QR-RLS算法”。

3.3 QR-RLS算法

QR-RLS算法，或者更确切地说是基于QR分解的RLS算法，其名字来源于以下考虑:在自适应滤波算法的有限脉冲响应(FIR)实现中，通过直接处理经QR分解的输入数据矩阵来完成最小二乘权向量的计算，而不像标准RLS算法那样通过处理输入数据的(时间平均)相关矩阵来完成权向量计算的。因此，QR-RLS算法在数值上比标准的RLS算法更稳定。

假设对输入数据进行预加窗，数据矩阵定义为：

(3)

其中M为FIR滤波器系数的数目(即滤波器阶数)。相应地，输入数据的自相关矩阵定义为：

(4)

(5)

式(5)矩阵称为指数加权矩阵，l 为指数加权因子。

(6)

其中z(n)为期望响应d(n)与输入数据向量u(n)之间时间平均互相关向量。设Φ(n)表示为：

Φ(n)=Φ1/2(n)ΦH/2(n)

(7)

在式(6)的两边乘以Φ-1/2(n)，可引入一个新的向量变量p(n)，定义为：

(8)

因此，通过传递Φ1/2(n)和p(n)，可将QR-RLS算法看作卡尔曼滤波器理论的平方根信息滤波形式。将平方根信息滤波算法转变为对应的QR-RLS算法的前后阵列变换为：

(9)

通常，Θ(n)为酉旋转量，它对前阵列中输入数据矩阵u(n)的元素进行运算，如将它们一一消除，即可产生后阵列顶行的零块顶。平方根自相关矩阵Φ1/2的下三角结构在变换前后得以正确保留。

在算出更新块Φ1/2(n)和pH(n)后，则可用如下公式来求最小二乘权向量：

(10)

利用Φ1/2(n)的下三角结构，用回代的方法可求出该方程的解。但是该计算只对n>M的时间可行，此时数据矩阵为A(n)，Φ1/2(n)是列满秩。

为了对QR-RLS算法进行初始化，可令Φ1/2(0)=δ1/2I和p(0)=0，其中δ为调节参数。QR-RLS算法的严格初始化发生在0≤n≤M阶段，此时后验估计误差e(n)为零。在n=M次迭代完成初始化，此时e(n)为非零值。

4 试验及结果分析

4.1 试验过程

对功率为2MW，长度为45.3m的大型风电叶片进行单点疲劳加载试验，叶片根部固定在疲劳加载支座上，分别在离叶片根部10m、18m、26m和36m处的地面上安装激光测距仪来测量叶片在各个采集点的振幅。

4.2 试验结果分析

采用设计的风电叶片疲劳加载多点振幅采集系统以及平方根自适应滤波QR-RLS算法进行滤波，试验中各采集点的振幅曲线如图4所示。

图4 疲劳加载试验各采集点振幅曲线

从图4中可以看出，利用平方根自适应滤波QR-RLS算法进行滤波，各采集点的振幅曲线平滑。从离叶片根部最近的采集点1一直到采集点4，采集点的振幅逐渐增大，频率一致，满足试验要求。利用该系统采集的试验曲线，可以让试验弯矩更好地拟合理论弯矩，从而提高风电叶片疲劳测试的精度。

5 结束语

针对单点疲劳加载系统存在弯矩精度分布误差大的问题，设计了一套风电叶片疲劳加载多点振幅采集系统，并研究了其滤波方法。上位机采用虚拟仪器LabVIEW软件进行编程，为去除采集信号中的噪声信号，采用平方根自适应滤波QR-RLS算法进行滤波。最后，将该系统应用于aeroblade45.3-2的大型风电叶片，试验结果表明该采集系统能够实时地显示各采集点的振幅，且滤波效果能满足试验要求。目前，该采集系统应用于疲劳试验两年有余，系统稳定，这不仅从一定程度上提高了叶片疲劳测试精度，而且为叶片进一步的优化设计提供了详实的数据和试验基础。

[1] 程明,张运乾,张建忠.风力发电机发展现状及研究进展[J].电力科学与技术学报,2009(3):2-9

[2] 陈绍杰,申振华,徐鹤山.复合材料与风力机叶片[J].可再生能源,2008(2):90-92

[3] 张磊安,黄雪梅,王娜,孔晓佳.风电叶片单点疲劳加载过程数值仿真与试验[J].振动、测试与诊断,2014(4):732-736，782

[4] 刘攀锋,张永明,张全成.风力发电机叶片的疲劳特性测试[J].理化检验(物理分册),2014(9):643-647

[5] 宋立业,王景胜,彭继慎.自适应滤波器的算法研究及DSP仿真实现[J].现代电子技术,2009(5):112-114，118

[6] 程玉柱,华晋,李赵春.自适应滤波器的算法比较研究[J].大庆师范学院学报,2008(2):23-26

国家自然科学基金(51305243,51405275)；中国博士后科学基金(2015M571840)；山东省自然科学基金(ZR2014EL027)

10.3969/j.issn.1000-0771.2015.11.05