基于风机旋转角频波动特性的叶片质量不平衡故障诊断新方法

针对风力发电机叶片质量不平衡(MI)故障诊断中电流、振动信号易受干扰及风速时变特性导致特征提取困难的问题，研究人员创新性地提出基于旋转角频(RAF)波动特性的诊断方法。通过建立等效风(EW)模型和角域重采样去趋势(ARDT)算法，成功从时变RAF中分离出周期性故障特征(1/(2π) rad-1)，诊断精度显著优于传统电流分析法，为大型风电机组安全运维提供了新思路。

　　

随着全球风电装机容量突破1021GW，风机运维成本已占风电场总收益的20%-30%，其中13.4%的停机故障源于叶片问题。叶片质量不平衡(Mass Imbalance, MI)作为典型故障，传统诊断方法依赖扭矩传感器或易受工频干扰的电流/振动信号，且在随机风速和最大功率点跟踪(MPPT)策略下，时变旋转角频(Rotational Angular Frequency, RAF)中的故障特征更难识别。更棘手的是，风剪切(Wind Shear, WS)、塔影效应(Tower Shadow, TS)形成的等效风(Equivalent Wind, EW)会产生3P波动，与MI故障的1P特征相互耦合。

针对这些难题，中国某高校研究团队在《Renewable Energy》发表研究，创新性地以RAF为分析对象，建立了包含EW、随机风和MPPT控制的RAF波动模型。通过理论推导发现：MI故障会在RAF中产生周期性角域波动(特征频率1/(2π) rad^-1)，据此提出角域重采样去趋势(Angular Resampling and De-trending, ARDT)方法，成功实现时变工况下的故障特征提取。

关键技术包括：1) 建立三叶片EW解析模型，量化WS/TS对RAF的影响；2) 将MI故障等效为虚拟质量块，推导其产生的附加转矩T_MI=mgr_Rsin(θ_w+θ₀)；3) 开发ARDT算法，通过角域映射重构周期性特征；4) 搭建双馈风机实验平台验证方法有效性。

【Theory of the EW model】
基于大气边界层理论，建立包含高度相关风速梯度和塔筒阻塞效应的EW模型。推导显示：对于直径310m的巨型风机，EW会引起RAF中显著的3P波动分量。

【Fluctuation characteristics of RAF with blade MI fault】
将MI故障建模为半径r_R处的质量块m，其重力产生的周期性转矩使RAF叠加1P波动。关键发现：该波动在角域呈现严格周期性，特征频率恒定为1/(2π) rad^-1，与风速时变性无关。

【Simulation model construction method】
通过简化MPPT控制策略，构建包含J=6.8×10⁵ kg·m²转动惯量的仿真模型。仿真表明：ARDT能有效分离RAF中随机风(宽带频谱)、EW(3P)和MI故障(1P)三类分量。

【Experimental verification】
在双馈风机实验平台上，人为设置m=0.5kg的MI故障。实测数据经ARDT处理后，1P分量信噪比较传统电流分析法提升12dB，验证了方法的优越性。

该研究突破传统故障诊断对稳态工况的依赖，首次系统阐释时变RAF中MI特征的角域不变性。提出的ARDT方法无需加装扭矩传感器，为大型风电机组智能运维提供了新范式。研究结果对降低风机运维成本、提升电网稳定性具有重要价值，尤其适用于当前单机容量达26MW的超大型海上风机。