文/烽火纪史

编辑/烽火纪史

<<·——前言——·>>

检测风力涡轮机的故障并在发生故障时进行控制，是降低风能成本并提高其在电网中渗透的重要方面。改进故障检测与隔离（FDI）和容错控制（FTC）应该提高可靠性，降低运营和维护成本，特别是在风力涡轮机安装在较难到达的地点，如海上等情况下。

然而，现代兆瓦级风力涡轮机的复杂性使得将先进的FDI和FTC方法从控制理论领域转移到控制应用中变得困难，并且如何模拟真实的故障或可用于使用的传感器和模型也并不总是清楚。

过去几年，风力涡轮机的FDI和FTC引起了迅速增长的兴趣，风力涡轮机叶片传感器和执行器通常是FDI和FTC研究的重点。一种基于H-infinity的FDI技术，用于检测和估计叶片弯曲力矩传感器和偏航执行器故障的大小，使用叶根弯曲传感器测量数据结合卡尔曼滤波器和CUSUM算法来检测偏航不对齐。

基于模型和系统识别技术来处理偏航执行器故障，研究人员开发了一种用于检测附加和乘法执行器故障的技术，并提供了风力涡轮机叶片偏航执行器故障的模拟结果，在刀片负载测量故障的情况下进行FTC。

风力涡轮机发电机和变流器系统的FDI和FTC，研究人员使用未知输入观测器来将故障隔离为基于执行器或传感器的故障，其中未知输入是风速。探讨了基于模型和信号的FDI方法，用于双馈感应发电机（DFIG）传感器故障。着重于隔离和重构。

我们提出的挑战与之前的挑战有几个不同之处，首先，它使用了基于风力涡轮机建模软件FAST的高保真度、更真实的风力涡轮机模型。FAST是由美国国家可再生能源实验室（NREL）国家风能技术中心设计的一种风力涡轮机气动弹性模拟器，广泛用于研究风力涡轮机控制系统。

由于全球风力涡轮机研究人员都使用FAST平台，基于这个平台的结果更有可能被风力涡轮行业采纳，而不是基于较简单模型的结果。与原始基准挑战中的风力涡轮机模型相比，基于FAST的模型包含了更高保真度的风力涡轮机结构行为模型，具有高达24个自由度。FAST还允许使用更加真实的“全场”风输入，这些输入在转子平面上空间上变化。

每个平面由一组三维风速向量组成，向涡轮机推进，形成对涡轮机的真实湍流输入。我们预计，使用这种真实风输入情况的FAST模型将导致一个更复杂的挑战，因为涡轮机的非线性气动行为被更充分地建模，同时故障、传感器和执行器之间的更复杂关系被模拟。

<<·——基准模型描述——·>>

在公共领域中提供了几个不同规模的真实和复合风力涡轮机的FAST模型，其中包括美国国家可再生能源实验室（NREL）的5兆瓦“基准涡轮机”，由复合材料构成，代表了实际的大型公用事业涡轮机。

这是一个三叶片、可变速、全幅叶片偏航控制的涡轮机，提供了陆上和海上版本，其中包括四种不同的海上结构。涡轮机的轮毂高度为89.6米，叶片半径为63米。额定转速为12.1转每分钟。模型中还附带了一个基准控制器，包括PI偏航控制器和Kw力矩控制器。

最大偏航速率限制为8度/秒，在这个风力涡轮机FDI和FTC挑战中，我们在Simulink环境中增加了各种故障，将在第一部分中详细描述。FAST可以使用均匀或全场湍流风输入文件，其中湍流文件由NREL的TurbSim软件生成。TurbSim使用几种大气湍流模型来产生湍流。

在挑战提供的风输入文件中，90米轮毂高度处的平均风速分别为11、14和17米/秒，并使用EC von Karman湍流模型生成风输入文件。图1显示了14米/秒风速文件中的轮毂高度测量。额外的风输入文件将用于测试挑战结果。

图1

图2显示了基于Simulink的模型的主要组件，基准反馈环路使用传感器信息作为偏航、力矩和偏航控制器的输入。在Simulink环境中实现了叶片驱动、发电机和偏航驱动的执行器模型。故障显示影响了执行器和传感器。

图2

请注意，所有故障都在Simulink中实现，对FAST底层代码没有进行任何更改。图2还显示了一个FDI子系统块，将用于进行FDI。FTC可以在FDI子系统内以及在偏航、力矩和偏航控制器中实现。

与原始的FDI，FTC基准挑战相比，该模型提供了一个更简单的平台，以便不是风力涡轮机系统专家的研究人员可以轻松确定通常可用于使用的传感器和执行器信号。要求研究人员在指定的块内完全实现FDI和FTC解决方案，也将使测试和公平比较解决方案更加容易。

<<·——传感器型号——·>>

在这个增强版的基准模型中，传感器通过在Simulink中添加带限白噪声块的信号来建模，这些噪声块由噪声功率参数化，并与FAST提供的实际变量相结合。这些随机噪声块代表测量噪声，可能是由于测量原理或系统中的电气噪声引起的。在基准模型中提供的传感器列在表格1中。

表1

更详细的传感器模型，例如加入低通滤波或时间延迟，原则上也可以考虑，然而，通常情况下，测量噪声被认为是非故障风力涡轮机传感器的最大问题，因此这个挑战的传感器模型重点关注测量噪声。

<<·——执行器型号——·>>

在这个基准模型中，考虑并建模了涵盖偏航、发电机和变流器系统的三个执行器。偏航执行器模型：液压偏航系统被建模成一个从偏航角度参考值，到实际偏航角度的闭环传递函数。它是一个活塞伺服系统，可以很好地通过二阶传递函数来建模。

每个偏航系统都与一个传递函数相关联，在没有故障的情况下，这三个传递函数是相同的。在无故障情况下，偏航执行器的动态特性由其中包含的液压油的刚度确定，但这个执行器通常是欠阻尼的。

当请求执行器移动时，叶片移动之前油中会产生压力。液压系统中始终会含有一些空气，这使得液压系统的欠阻尼性更加明显，而且系统的阻尼随着空气含量的增加而减小。

此外，对偏航执行器还有一些约束条件，包括将偏航角度限制在-2度至90度之间，将偏航率限制在-8度/秒至8度/秒之间。风力涡轮机的电气系统和电气系统控制器响应速度远快于基准模型中使用的频率范围。

在风力涡轮控制中，通常将发电机和变流器的控制回路与涡轮控制回路分开考虑，这是因为它们的时间常数相差较大。在风力涡轮的系统级别上，可以用一阶传递函数来模拟发电机和变流器的动态特性，发电机产生的功率由以下公式给出：

其中Tg表示发电机的效率，我们使用ng = 0.98。

在这个基准模型的背景下，发电机的拓扑结构可以是双馈感应发电机 (DFIG)，其中定子直接连接到电网，转子通过变流器连接；或者全尺寸变流器解决方案，其中发电机的定子和转子都通过变流器连接到电网。对于本挑战中的模型分辨率和所选故障，这两种拓扑结构都可以通过这个简单的模型来适当地表示。

偏航执行器模型与偏航和发电机，变流器模型不同，因为FAST模型包含了偏航动态，而偏航和发电机模型是在Simulink中实现的。FAST需要一个偏航角速度参考值作为输入。由于偏航控制器只提供偏航角速度，它要么是0弧度/秒，要么是一个常数偏航角速度，因此可以得出偏航执行器模型包含一个积分器。

换句话说，通过Simulink向FAST提供偏航角速度，将得到偏航角位置和偏航角速度的确定。兆瓦级风力涡轮机的偏航系统最大偏航速率小于1度/秒，因此不需要在模型中包含更高阶的动态特性。

偏航控制器：设计的偏航控制器是工业基准偏航控制器的简化版本。它基本上是一个开关控制器，通过偏航误差的符号确定方向，并以恒定的角速度运行。首先，测量的偏航误差 Eem 经过滤波：

因此，经过滤波的版本。如果偏航误差小于一个阈值，偏航参考角速度为零；如果偏航误差的大小大于阈值，则偏航参考角速度为一个常数值。换句话说：

一种先进的工业偏航控制器拥有许多像公式(4)这样具有不同时间常数的滤波器，它们被用于与本模型中的滤波器类似的方式。不同的阈值也用于不同的滤波器。如果一个滤波器的输出超过了它的阈值，偏航控制信号将会是活动的（非零）。

我们考虑传感器故障和执行器故障，大部分选定的故障都是基于公共领域和专有来源的研究，描述这些故障，并在可能的情况下提供数据来源以说明选择的原因。

<<·——传感器故障——·>>

传感器故障包括测量值卡住、与真实值相比的比例缩放或与真实值的偏差，如表格2中的故障1-6所示。当发生故障1时，2号叶片根部弯矩传感器的测量值被缩放了0.95倍。故障1出现在20秒到45秒之间。故障2导致塔顶加速度计在前后和左右方向上产生偏移量-0.5m/s。故障2出现在75秒到100秒之间。加速度计通常很难保持校准。

表2

故障3导致发电机转速传感器的测量值被缩放了0.95倍，故障3出现在130秒到155秒之间。故障4导致1号叶片的偏航角传感器卡住在1度的常数值。故障4在185秒到210秒之间持续。

在故障5发生时，发电机功率传感器的测量值被缩放了1.1倍，故障5出现在240秒到265秒之间。故障6模拟了低速轴编码器的位错误，该位错误是通过随机添加一个偏移量来模拟测量中存在错误的位。故障6出现在295秒到320秒之间。

<<·——执行器故障——·>>

涡轮机主要使用的执行器是叶片偏航驱动器、发电机转矩和偏航驱动器。在叶片偏航驱动器中存在两种故障，即故障7和故障8。这两种故障是通过更改相关叶片偏航驱动器模型中的参数和wn来建模的。

关于叶片偏航驱动器故障的动机主要是专有的执行器中的压力下降可能是由于液压系统泄漏导致的，使空气与油混合，从而使油比正常情况下更易压缩。这种增加的可压缩性会改变执行器的固有频率，并降低其阻尼比。虽然液压系统设计旨在避免泄漏并尽量减少空气含量，但无法完全消除。因此，空气含量始终是未知的。

为了模拟叶片偏航执行器的液压功率降低和增加的空气含量，在这些故障期间，会更改传递函数中的参数。

故障7在350秒至370秒之间线性引入，在370秒至390秒之间完全生效，并在390秒至410秒之间线性消除。故障8在440秒至465秒之间生效，并在1秒内线性引入和消除。故障9是由于转换器控制器初始化错误导致的发电机转矩偏移。这种故障可能发生在转换器转矩是基于转换器中的电流估计得出的情况下。

如果这个估计初始化不正确，将导致转换器转矩的偏移，进而导致发电机转矩的偏移。但是，在对FDI基准问题的贡献评估中发现，原始的偏移值100 Nm太小，无法被检测到，因此，偏移量增加到1000 Nm。故障9在495秒到520秒之间发生。

最后一个故障是卡住的偏航执行器（故障10），表示涡轮机由于执行器故障或偏航制动器卡住而无法偏航。它的建模方式是将偏航角速度设置为零，与Fem的值无关，这个故障在880秒至920秒之间持续。

<<·——故障检测和隔离要求——·>>

在这个部分中列出了故障检测和隔离的要求，目标是激励风能行业的实际解决方案。对于各种故障，检测时间TD都以控制系统采样时间Ts来定义，本案例中Ts为0.0125秒。

检测时间：

故障1 - 6 必须满足 To < 10 × Ts；

故障7 必须满足 T < 8 × Ts；

故障8 必须满足 TD < 100 × Ts；

故障9 必须满足 T < 3 × Ts；

故障10 必须满足 TD < 50 × Ts。

用多个风速输入文件进行模拟，以测试检测方案是否能够满足这些要求来检测指定的故障。由于测量噪声的存在，每个模拟案例预计要重复100次。

误报检测：要求误报检测的数量保持较低，误报检测之间的时间间隔平均要大于30000个采样。误报检测时间不得超过三个采样。

漏检：此基准模型中包含的故障都应该被检测出来。需要注意的问题是：一般来说，风力涡轮机的一个主要问题是从控制理论的角度看，风力涡轮受到干扰（即风）。然而，风速的测量在很大程度上包含显著的噪声和偏移的风险。

这种“测量”由机舱上的风速计和转子本身（闭环控制影响这两种测量）进行。测量偏移可以校准，但预计FDI系统会考虑这种偏移。测量噪声被建模为具有特定参数的高斯白噪声，这些参数在参数列表中找到。

其中，故障7和故障10属于非常严重的故障，在FTC挑战中，必须以某种方式适应所有其余的故障，并使风力涡轮机继续运行。在所有情况下，必须向系统操作员报告故障检测，并需要自动采取措施。在出现单一传感器故障时，系统性能不应该下降；而在出现多个故障时，系统性能的轻微下降是可以接受的。在适应故障时，应该避免大的瞬态过程。

<<·——结论——·>>

对于FTC的许多方面，很难给出硬性的约束条件，一个经验法则是，在FTC中，操作应尽可能接近无故障的情况。特别需要注意的是，在超额额定风速条件下，发电机转速不应该超过其额定值1200转/分钟的10%。

还应特别关注叶片根部弯曲力矩、机舱加速度、传动系统扭矩和塔架弯曲力矩，以避免对涡轮机结构造成损坏。

通过这个更新的挑战模型，我们为设计和测试风力涡轮机的故障检测和容错控制算法提供了一个更加现实的模型。涡轮机模型更加真实，采用了广泛认可的FAST软件，并且故障已经更新，更好地反映了传感器和执行器中观察到的故障。

参考文献

[1] Y. Amirat, M. Benbouzid, E. Al-Ahmar, B. Bensaker, and S. Turri. Abrief status on condition monitoring and fault diagnosis in wind energyconversion systems. Renewable and Sustainable Energy Reviews,pages 2629–2636, 2009.

[2] Z. Hameed, S. Ahn, and Y. Cho. Practical aspects of a conditionmonitoring system for a wind turbine with emphasis on its design,system architecture, testing and installation. Renewable Energy,35:879–894, 2009.

[3] X. Wei, M. Verhaegen, and T. van den Engelen. Sensor fault detectionand isolation for wind turbines based on subspace identification andkalman filter techniques. International Journal of Adaptive Controland Signal Processing, 24:687–707, 2010.

[4] B. Dolan. Wind Turbine Modelling, Control and Fault Detection.Technical University of Denmark (M.Phil. thesis), Lyngby, Denmark,2010.

[5] S. Donders. Fault detection and identification for wind turbinesystems: a closed-loop analysis. University of Twente (Master’sthesis), Twente, The Netherlands, 2002.

[6] S. Mesic, V. Verdult, M. Verhaegen, and S. Kanev. Estimation androbustness analysis of actuator faults based on kalman filtering. InProceedings of IFAC Safeprocess, 2003.

[7] C. Dobrila and R. Stefansen. Fault tolerant wind turbine control.Technical University of Denmark (M.Phil. thesis), Lyngby, Denmark,2007.

[8] Peter Fogh Odgaard and Jakob Stoustrup. Unknown input observerbased scheme for detecting faults in a wind turbine converter. In Proc.7th IFAC Symposium on Fault Detection, Supervision and Safety ofTechnical Processes, Barcelona, Spain, 2009.

[9] Manuel R. Galvez Carrillo. Sensor fault diagnosis for wind-drivendoubly-fed induction generators. Universite Libre de Bruxelles (PhD.thesis), Brussels, Belgium, 2010.

[10] K. Rothenhagen and F.W. Fuchs. Current sensor fault detection, isolation, and reconfiguration for doubly fed induction generators. IEEETransactions on Industrial Electronics, 56(10):4239–4245, October2009.

[11] J. Liu, D. Xu, and X. Yang. Sensor fault detection in variable speedwind turbine system using h−/h−inf inity method. In Proceedings

of the 7th World Congress on Intelligent Control and Automationpages 4265 – 4269, Chongqing, June 2008.

[12] Peter Fogh Odgaard, Jakob Stoustrup, and Michel Kinnaert. Faulttolerant control of wind turbines a benchmark model. In Proc.7th IFAC Symposium on Fault Detection, Supervision and Safety ofTechnical Processes, pages 155–160, Barcelona, Spain, 2009.

[13] W. Chen, S.X. Ding, A.H.A. Sari, A. Naik, A.Q. Khan, and S. Yin.Observer-based fdi schemes for wind turbine benchmark. In Proceedings of IFAC World Congress 2011, pages 7073–7078, Milan, Italy,August-September 2011.

[14] X. Zhang, Q. Zhang, S. Zhao, R. M.G. Ferrari, M. M. Polycarpou, andT. Parisini. Fault detection and isolation of the wind turbine benchmark: An estimation-based approach. In Proceedings of IFAC WorldCongress 2011, pages 8295–8300, Milan, Italy, August-Septemper2011.

[15] A.A. Ozdemir, P. Seiler, and G.J. Balas. Wind turbine fault detection using counter-based residual thresholding. In Proceedings ofIFAC World Congress 2011, pages 8289–8294, Milan, Italy, AugustSeptember 2011.

[16] N. Laouti, N. Sheibat-Othman, and S. Othman. Support vectormachines for fault detection in wind turbines. In Proceedings ofIFAC World Congress 2011, pages 7067–7072, Milan, Italy, AugustSeptember 2011.

[17] F. Stoican, C.-F. Raduinea, and S. Olaru. Adaptation of set theoreticmethods to the fault detection of wind turbine benchmark. InProceedings of IFAC World Congress 2011, pages 8322–8327, Milan,Italy, August-September 2011.

[18] C. Svard and M. Nyberg. Automated design of an fdi-system for thewind turbine benchmark. In Proceedings of IFAC World Congress2011, pages 8307–8315, Milan, Italy, August-September 2011.

[19] B. Ayalew and P. Pisu. Robust fault diagnosis for a horizontal axiswind turbine. In Proceedings of IFAC World Congress 2011, pages7055–7060, Milan, Italy, August- September 2011.

[20] J. Blesa, V. Puig, J. Romera, and J. Saludes. Fault diagnosis ofwind turbines using a set-membership approach. In Proceedings ofIFAC World Congress 2011, pages 8316–8321, Milan, Italy, AugustSeptember 2011.

[21] J. Dong and M. Verhaegen. Data driven fault detection and isolationof a wind turbine benchmark. In Proceedings of IFAC World Congress2011, pages 7086–7091, Milan, Italy, August-September 2011.

[22] S. Simani, P. Castaldi, and M. Bonfe. Hybrid model-based faultdetection of wind turbine sensors. In Proceedings of IFAC WorldCongress 2011, pages 7061–7066, Milan, Italy, August-September2011.

[23] S. Simani, P. Castaldi, and A. Tilli. Data-driven approach forwind turbine actuator and sensor fault detection and isolation. InProceedings of IFAC World Congress 2011, pages 8301–8306, Milan,Italy, August-September 2011.

[24] F. Kiasi, J. Prakash, S. Shah, and J.M. Lee. Fault detection andisolation of benchmark wind turbine using the likelihood ratio test. InProceedings of IFAC World Congress 2011, pages 7079–7085, Milan,Italy, August-September 2011.

[25] P. Casau, P.A.N. Rosa, S. Tabatabaeipour, and C. Silvestre. Faultdetection and isolation and fault tolerant control of wind turbines usingset-valued observers. In Proceedings of Safeprocess, pages 120–125,2012.

[26] J. Kim, I. Yang, and D. Lee. Control allocation based compensation forfaulty blade actuator of wind turbine. In Proceedings of Safeprocess,pages 355–360, 2012.

[27] D. Rotondo, F. Nejjari, V. Puig, and J. Blesa. Fault tolerant controlof the wind turbine benchmark using virtual sensors/actuators. InProceedings of Safeprocess, pages 824–829, 2012.

[28] M. Sami and R. Patton. Global wind turbine FTC via T-S fuzzymodelling and control. In Proceedings of Safeprocess, pages 325–330, 2012.

[29] M. Sami and R. Patton. An FTC approach to wind turbine powermaximisation via T-S fuzzy modelling and control. In Proceedings ofSafeprocess, pages 349–354, 2012.

[30] S. Simani. Data driven design of a fuzzy logic fault tolerant controlfor a wind turbine benchmark. In Proceedings of Safeprocess, pages108–113, 2012.

[31] S. Simani. Active fault-tolerant control design approach for a windturbine benchmark. In Proceedings of Safeprocess, pages 319–324,2012.

[32] X. Yang and J. Maciejowski. Fault-tolerant model predictive controlof a wind turbine benchmark. In Proceedings of Safeprocess, pages337–342, 2012.

[33] J. Jonkman and M. Buhl. FAST User’s Guide. NREL/EL-500-38230,Golden, CO, 2005.

[34] B. Jonkman. TurbSim User’s Guide: Version 1.50. NREL/EL-500-46198, Golden, CO, 2009.

[35] Herbert E. Merritt. Hydraulic control systems. John Wiley & Sons,Inc., 1967.

[36] E.L. van der Hooft, P. Schaak, and T.G. van Engelen. Wind turbinecontrol algorithms. ECN DOWEC-F1W1-EH-03-094/0, Petten, TheNetherlands, 2003.

[37] Morten H. Hansen, Anca Hansen, Torben J. Larsen, Stig ye, PoulSrensen, and Peter Fuglsang. Control design for a pitch-regulated,variable speed wind turbine. Ris-R-1500, Ris, Roskilde, Denmark,2005.

[38] L.Y. Pao and K.E. Johnson. Control of wind turbines: approaches,challenges, and recent developments. IEEE Control Systems Magazine,31(2):44–62, April 2011.

[39] Anca D. Hansen, Clemens Jauch, Poul Srensen, Florin Iov, and FredeBlaabjerg. Dynamic wind turbine models in power system simulationtool DIgSILENT. Ris-R-1400, Ris, Roskilde, Denmark, 2003.

[40] K.E. Johnson and P. Fleming. Development, implementation, andtesting of fault detection and condition monitoring on the nationalwind technology center’s controls advanced research turbines. Mechatronics, 21(4):728–736, June 2011.

[41] E. Bossanyi, A. Wright, and P. Fleming. Controller Field Tests on theNREL CART2 Turbine. NREL/TP-5000-49085, Golden, CO, U.S.A.,2009.

[42] P.F. Odgaard and J. Stoustrup. Results of a wind turbine FDIcompetition. In Proceedings of Safeprocess 2012, pages 102–107,2012.