巨型风机叶片装上“神经末梢”-减轻设备疲劳负荷

随着全球海上风电的快速发展，风力发电机组正向着大容量、长叶片的规模演进，在经济上展现出了良好的前景。然而，柔性叶片在高空中旋转会受到风剪切、大气湍流、塔筒阴影以及上游风机尾流等复杂气流的组合干扰。这些环境因素会导致叶片承受频繁交变的复杂气动负荷，严重威胁运行风机的结构安全与系统可靠性。

为解决这一工程痛点，科学家们引入了“智能转子控制”的概念。其核心思路是在叶片局部加装由传感器、驱动器和控制器组成的闭环系统，使其能够根据气流变化自适应地改变局部特征，主动消除多余的载荷冲击。各类驱动构件中，可变形后缘襟翼（DTEF）因其响应速度快、气流扰动小等优点，被公认为极具潜力的智能外挂。

这套智能防御网络中，传感器应该收集什么“情报信号”才能让控制器下达最平稳、最精准的指令？针对这一难题，这篇研究深入对比了三种经典传感器信号的控制表现，并揭示了其底层的气动弹性力学机制。为找出最适合工业物联网部署的控制源，研究团队利用改进后的气动-伺服-弹性时域数值平台，以国际通用的 NREL 5兆瓦（MW）大型海上风机作为标准对象，在常规湍流风况下展开了精细测试。系统分别对比了三种不同的感知策略：

a-策略（加速度信号）：利用安装在叶片表面的加速度计，监测叶片挥舞方向的振动加速度。

D_x-策略（位移信号）：利用位移传感器，实时捕捉叶片尖端的柔性挥舞形变量。

M_y-策略（矩信号）：利用埋设在叶片根部的应变片，测算整个叶根所承受的挥舞向弯曲力矩。

如论文中的图1所示，当三根旋转叶片上的传感器采集到动态信号Q₁, Q₂, Q₃后，系统首先采用逆科尔曼变换，将随叶片旋转的周期性变量，消除周期系数后平稳转化为固定在机舱机座坐标系下的固定变量 Q_s, Q_c。机舱中央的 PID 算法在接收到误差后进行计算，通过科尔曼正变换将指令重新分发回旋转坐标系，实时调节每根叶片上襟翼的偏转角度φ_i，实现自适应调节。

在不同风速区（Region II 与 Region III）中，研究团队发现不同的传感器信号的抗疲劳保护效果有着明显的优劣之分。对抗高达 24米/秒 的大风速工况时，M_y表现出了显着的优势，成功将叶片、动力传动链低速轴（LSS）、以及塔筒顶部的各项关键疲劳负荷降低了12.0% 至 22.5%。相比之下，加速度（a）次之，而位移（D_x）的控制表现相对较弱。通过对传感器收集到的原始数据进行功率谱密度（PSD）分析，找出了这一现象的物理成因：

图5展示了在24米/秒风速下叶根弯矩的消减情况。在图5(b)的频谱中可以看到，风机最核心的周期性疲劳源-频率约为0.20 Hz的1P主特征峰，在引入M_y后（红线），能量谱峰值下降了71.2%，显着优于D_x的55.3%。

图7可知，由于叶片尖端高度柔性更容易受到复杂的局部三维不规则湍流气流洗刷，导致位移D_x和加速度（a）信号中夹杂了大量小于 0.10 Hz 的低频干扰噪声，客观上降低了系统的信噪比。处于叶根部的弯矩M_y信号由于结构刚度相对稳定，能够更有效地捕捉到1P载荷特征，确保控制器能够给出最准确的调节指令。 此外，研究还表明，该智能系统在高于额定风速的 Region III 区间内的表现普遍显著优于 Region II 。这是因为当风速超过额定值后，风机自身的整体变桨动作能够有效促使叶片表面的流场发生重构与贴附，从而为局部襟翼的精细调节提供了更加稳健、更有规律的流场物理基础。

这套智能外挂之所以能让庞大的柔性风机在大风中长久屹立，主要从根本上破坏了风、流场与叶片三者之间的因果耦合关系。团队利用复数光谱相位差（φ_Fna）公式计算了流场施加给叶片的局部气动力（F_n）与叶片自身产生的摆动加速度（a）之间的相位关系：

图9中可以看到，没有加任何智能外挂的传统状态下，在 1P（0.20 Hz）频率附近流体力和叶片振动加速度之间的相位差在0刻度线附近。意味着外界的气流冲击力与叶片的自身晃动是完全同向、同步的，环境力在不停地对结构的摆动推波助澜 。开启智能转子控制后，通过襟翼极为灵敏的快速自适应变形，系统强行将 1P 处的流体振荡相位拉升到了接近 π（弧度，即180°）的反向状态（见图9中各彩色控制曲线）。这种对向碰撞（Anti-phase）在物理上为原本脆弱的柔性连杆注入了巨大的气动阻尼，使原本同步共振的相互消耗演变为自发的能量抵消，平稳地化解了结构的内部应力。

作者简介：张明明，风能工程领域专家。曾任中国科学院工程热物理研究所研究员、博士生导师。现任哈尔滨工业大学（深圳）机电工程与自动化学院教授、绿色低碳能源创新技术研究所所长。长期从事风电叶片空气动力学、风电场及复杂地形条件下风力机相互作用与优化设计、风电场选址及控制等方向研究。

DOI：10.1016/j.renene.2015.10.011