摘要
及时检测叶片结构退化对风力涡轮机的可靠性至关重要，因为非计划性故障导致了大约25%的停机时间。传统的基于分布式振动、应变或声发射传感的叶片状态监测方法往往存在硬件复杂度高且数据处理要求大的问题。因此，对叶片根部的载荷进行测量成为一种更具前景且更实用的结构性健康监测替代方案。本研究提出了一种基于物理原理的虚拟感知框架，该框架将高精度的空气弹性仿真与仅基于正常运行数据训练的机器学习算法相结合，用于检测叶片退化。该方法的前提是，在正常状态下，叶片的展向弯曲矩与顺向弯曲矩之间的关系在各种运行条件下保持一致，而结构退化会打破这种关联，导致其与所学到的相关性出现可测量的偏差。为实施这一理念，研究人员对NREL 5MW参考涡轮机进行了多种运行条件下的OpenFAST仿真，逐步引入刚度退化，从而形成了一套完整的数据集。随后使用随机森林模型，仅依据正常状态下的数据，通过展向载荷和结构参数来预测顺向弯曲矩，其在正常运行条件下具有很高的预测精度（R2 = 0.98；MAPE = 3.67%）。故障检测则是通过分析预测值与仿真值之间的差异来实现的，当存在退化现象时，这些差异会逐渐增大。所提出的框架在所有退化程度和运行条件下，整体分类准确率为88.9%，灵敏度为88.9%，精确率为96.0%，F1值为0.923，AUC值为0.951；而对于严重程度为20%的扭转刚度退化情况，其检测准确率为100%。值得注意的是，虽然结构退化会因空气弹性扭转效应而降低叶片的绝对载荷，但它会引发独特的载荷不对称模式，从而便于准确识别。该方法在所研究的各种风速条件下均表现出良好的泛化能力，无需重新训练。通过从现有的展向测量数据中重建未测量的顺向载荷，所提出的方法能够在不进行硬件改造的情况下，对现有风力涡轮机群实现可扩展的结构性健康监测，为基于物理原理的数字孪生技术发展提供了切实可行的路径。
