科学家报告了一种在风力涡轮机上检测冰的新方法

在寒冷地区，冰的积累是阻碍风力涡轮刀片有效运行的主要问题。一篇新论文已发表在《杂志》上能量目的是评估一种用于检测叶片结冰的新方法。这项研究是由中国扬汉大学电气工程学院的科学家进行的。

学习：通过多尺度长的短期内存网络检测风力涡轮刀片结冰。图片来源：ka100500/shutterstock.com

刀片糖霜的危险

风力涡轮机已成为朝着碳中性经济发展的关键可再生能源技术。为了最大化其能源能力，许多陆上风力涡轮机被放置在高海拔地区，例如中国北部地区。但是，在这些区域内安装风力涡轮机会使它们暴露于冰冻条件，从而增加了涡轮叶片上冰形成的风险。

如果未迅速去除冰，冰的形成可能会导致涡轮组件的损坏。结构应力会导致质量和空气动力学失衡，从而导致降低风能并缩短叶片寿命。涡轮组件（例如轴承）的重大故障可能导致重大事故。因此，早期，准确检测结冰事件是必不可少的，有助于触发涡轮的去除系统。

常规结冰检测方法

当前，采用了几种方法来检测叶片结冰并触发及时的去冰干预措施，以避免损坏叶片和涡轮机组件。通常使用的常规方法包括望远镜检测，红外扫描和无人机。振动，波传播和声发射方法用于监测叶片的健康。

时间步骤t的LSTM单元的示意图。请注意输出y_t等于隐藏状态输出h_t。图片来源：Wang，X等人，能量

但是，这些技术存在缺点。它们不能在运行期间进行，并且需要其他设备，例如传感器和摄像头，从而增加成本。2020欧洲杯下注官网此外，设备问题（例如2020欧洲杯下注官网传感器降解）可能会影响检测准确性，从而降低检测方法的有效性。风力涡轮机行业需要提供可靠且廉价的方法，这些方法可以尽早发现结冰事件。

SCADA方法最近作为常规冰检测技术的低成本且可靠的替代品出现。这些方法收集状态和操作数据，其中包括有关与涡轮健康状况有关的关键机械，电气和环境参数的信息。SCADA方法已用于监测组件条件，并且它们越来越成为大型风力涡轮机中的标准配置。

具有多元时间序列的时间功能学习的三层深LSTM架构。在这里，P1，P2，P3表示三个LSTM层的单元数量。图片来源：Wang，X等人，能量

几项研究探索了SCADA作为准确且可靠的低成本检测方法的潜力。尽管更可靠，但这些方法存在局限性。使用SCADA方法收集的数据缺乏测量值，例如机械载荷和叶片振动，这对于监测涡轮叶片的健康状况至关重要。此外，仍然必须手动提取功能，并且方法缺乏成熟的机器学习技术。有限的建模能力阻碍了这些方法的令人满意的性能。

纸

这项新的研究研究了用于检测叶片结冰的经济和强大系统的开发。研究中设计的新型模型基于SCADA方法。为了克服传统SCADA方法的问题，该团队已经调查了将深度学习模型纳入拟议的系统。

深度学习和神经网络已经在风力涡轮机行业进行了广泛的研究，不同的论文应用了技术和模型来进行故障诊断和监测。使用这些方法收集数据在很大程度上取决于感觉输入的时间性质，外部环境因素可能会影响数据。此外，由于风的涡轮机的运动，收集的数据是非平稳的。噪声和干扰是使用SCADA收集的数据的常见特征。

作者开发了一种称为WaveleTlSTM的新系统。将小波纳入系统使其具有多尺度学习能力。该系统具有很高的可区分性，并具有分析本地和全球数据信息并从中学习的能力。现实世界中的SCADA数据用于评估所提出的模型，并证明了WaveleTLSTM的出色断层检测能力。

提出的模型的性能比其他几种机器学习技术更好。此外，设计不需要专家知识。作者指出，这种新颖的结冰事件检测模型具有潜力作为检测可用于多个工业应用的故障的系统。云中的进一步培训和调整可用于进一步的实用风向应用。

不同模型的混淆矩阵。图片来源：Wang，X等人，能量

作者未来工作的重点将包括对高级失衡学习方法的调查，以开发更健壮和有效的故障检测系统。已经注意到，该模型的缺点是无法预先检测结冰。因此，另一个重点将是探索及时干预的潜力进行早期故障检测。

进一步阅读

Wang，X等。（2022）通过多尺度长的短期内存网络检测风力涡轮刀片结冰[在线的]能量15（8）2864 |mdpi.com。可用网址：https://www.mdpi.com/1996-1073/15/8/2864

免责声明：此处表达的观点是以其私人身份表达的作者的观点，不一定代表AZOM.com的观点有限的T/A Azonetwork本网站的所有者和运营商。此免责声明构成了条款和条件使用此网站。