风电叶片多点静力测试神经网络偏差耦合控制策略

目前，风电行业是新能源领域重点发展的新兴产业， 提高风能利用率的关键是对风机叶片材料、结构等进行 优化，根据 IEC61400-23 标准，新研制的叶片需要进 行静力加载实验，考核验证风机叶片的强度极限和刚度 性能，以确保叶片在实际运行时的安全可靠。在叶片 静力加载试验中，采用多点加载的方法将叶片在实际运 行过程所受极限载荷等效为多个加载点的静力载荷，多 点静力载荷通常需要按照流程逐步施加于叶片，使被测 叶片的弯矩分布与实际弯矩分布尽可能一致，从而模拟整个叶片的受力情况，故对叶片的加载控制方式要有很 高的精度要求。 关于多点静力加载控制方式，廖高华等提出了 基于模糊控制理论的比例积分微分 (Proportional Integral  Derivative，PID) 参数自整定算法，提高了系统的动态 响应，增强了系统的抗干扰能力；张鑫鑫等在模糊控 制的基础上与预测控制相结合的动态控制算法提高了系 统的动态控制能力，减小了拉力误差；范汉玟等提出 了反向传播 (Back Propagation，BP) 神经网络 PID 自整 定算法实现了三点加载的解耦控制，但 BP 神经网络的局部比较好问题依然存在；曾智杰等通过变步长 BP 神 经网络 PID 自整定算法解决了神经网络收敛慢、易陷入 局部比较好的问题，并通过现场实验验证了算法的可行性。 在实际加载过程中，对叶片进行加载的缆索会出现 抖动、拉力有轻微震荡等问题；在控制策略中存在参数 整合不彻底、自适应能力不强等问题。针对以上问题， 参照多电动机同步控制中偏差耦合控制的方法，对 BP 神经网络自整定 PID 参数的控制策略进行修改，将** 的神经网络通过偏差耦合控制整合成加载点有关联的新 型结构，并基于 Labview 建立多点静力加载控制系统仿 真模型，利用改变仿真叶片的刚度模拟实际叶片参数的 变化，以验证新算法的有效性。

1、风电叶片多点静力加载控制系统

风机叶片静力加载测试的预设拉力根据 IEC61400—23测试规范计算，测试标准对每个加载点 的拉力都进行了准确化规定，加载过程应按比较大目标载 荷的 40%、60%、80%、100% 分级加载，如图 1 所示。 卸载过程则按上述相反顺序逐级卸载，在满载状态下的 持续时间应大于 10 s，以便观察在极限载荷下叶片的加 载情况。上述加载方式针对的是叶片单个加载点，实际加载 过程需要多台电动机多点同时加载，各加载点作用在不 同位置，而叶片自身是大柔度非线性，各节点的挠度并 非只与自身载荷相关，也受到其他各节点载荷影响，即 存在耦合情况。传统解耦方式因为计算量大且结构复杂 不适用于叶片这种大形变、多节点的应用场景，所以目 前主流的控制策略是 BP 神经网络自整定 PID 算法； 控制方式如图 2 所示。个人电脑 (Personal Computer，PC) 通过算法整定出 PID 参数，经过传输控制协议 / 网 际协议 (Transmission Control Protocol/Internet Protocol， TCP/IP) 传递给可编程逻辑控制器 (Programmable Logic  Controller，PLC)，PLC 利用 Modbus 协议与驱动器通信， 通过改变变频器频率控制伺服电动机的转速。电动机输 出由滑轮和缆索将力传递给夹具，夹具上的传感器将采 集到的拉力数据反馈到 PLC，再由 TCP/IP 通信协议给 PC，实现闭环控制。

2、偏差耦合控制的自整定 PID 算法

针对风电叶片全尺寸静力测试系统的控制策略， 参照多电动机同步控制的偏差耦合控制，建立了基于偏 差耦合控制的 BP 神经网络自整定 PID 参数控制算法， 如图 3 所示。首先根据风电测试标准设定预设拉力，以 加载点 1 为例，在 k 时刻设定拉力 F1 与拉力传感器反 馈的实际拉力 Y1 作差得到 k 时刻误差 e1(k) 作为神经网 络算法的输入层第 1 个节点输入；0 ～ k 时刻的误差累 加和 ∑e1(k) 作为第 2 个节点输入；k 时刻误差与 k-1 时 刻的误差值 e1(k) -e1(k-1) 作为第 3 个节点输入；n 点的 拉力通过拉力补偿误差 1 模块输出 k 时刻拉力补偿误差 e1F(k) 作为第 4 个节点输入，经过 BP 神经网络算法整定 出 3 个 PID 参数；再由 PID 控制器 1 控制伺服电动机 1 转速，通过加载装置作用于叶片，采集 k+1 时刻处的实 际拉力 Y1，进行 k+1 时刻的误差计算，其余加载点与加 载点 1 处类似。

2.1 拉力补偿误差模块

拉力补偿误差模块是对其余各加载点的拉力在该点 产生的耦合偏差进行补偿，以提高系统的紧密型。模块 根据多电动机同步控制中偏差耦合电动机控制的速度补 偿器进行改进，将速度补偿替换为拉力补偿。 偏差耦合控制 [10] 是针对多电动机同步控制提出的 解决方案，这里以 3 台电动机的偏差耦合控制为例，其 工作原理如图 4 所示。通过对每台电动机运行状态进行 速度补偿，补偿信号由 1 台电动机的反馈与其他电动机 的反馈偏差乘以增益后得到的结果相加而定，该系统的 耦合程度很高，任何 1 台电动机转速波动都会传递给其 他电动机采取补偿措施。

2.2 BP 神经网络算法

BP 神经网络 [12] 主要由输入层、隐含层、输出层等 组成。为了很大程度获得更准确的 PID 参数，以加载点 1 为例，搭建图 7 所示的 BP 神经网络结构。图 7 中搭 建的是 4×6×3 的网络结构，有 4 个输入层，隐含层有 6 个节点，输出层输出对应的是 PID 的 3 个调节参数， 采用的 BP 神经网络分为正向传播和反向传播 2 部分。 

1）正向传播 正向传播通过输入层的输入与输入层和隐含层之间 的权重相乘并累加得到隐含层的输入，利用***函数转化 隐含层的输入获取各节点的输出，并通过与隐含层和输出 层之间权重相乘累加得到各节点的输出。在正向传播完成后，通过整定出的 PID 参数得到电 动机的输出转速，即神经网络的预测值。为了使神经网 络计算出的预测输出更精确，需要通过对预测和实际值 进行误差分析，利用反向传播来调整每个神经元的连接 权重，重新进行正向传播来获取输出层的输出。

2）反向传播 反向传播对误差进行负梯度方向搜索，利用误差对 连接权重的偏导数，以固定步长快速迭代逼近收敛点， 通过误差的性能指标函数判定是否满足迭代结束的条 件。反向传播从隐含层与输出层之间权重更新开始，利 用偏导数的性质进行逐步拆分，按照式 (8) 得到梯度， 利用梯度计算更新权重

3、仿真验证

仿真系统是基于 Labview 平台、调用 Matlab 脚本文件运行神经网络的一个联合仿真，其搭建流程如图 8 所示。初始化参数包括对输入层到隐含层权重矩阵、隐 含层到输出层权重矩阵随机赋值，对实际拉力，拉力误 差，PID 参数等进行赋值，通过 Matlab 脚本上的输入输 出进行数据传递，执行正向传播，计算得到整定的 PID 参数，通过 PID 参数，模拟计算出各电动机的输出拉力， 利用耦合矩阵对输出拉力进行耦合，模拟加载到实际叶 片的情况，得到每一个加载点的实际拉力，再进行误差 计算。

4、结论 

1）当叶片参数变化不大时，偏差耦合控制的 BP 神经网络算法拉力跟随效果***，误差变化平稳，相对 于 BP 神经网络算法误差更小，说明有很强的自适应能 力和 PID 参数的整定能力； 2）当叶片参数变化较剧烈时，BP 神经网络算法对 预设拉力的整定出现较大偏差，控制效果并不稳定，偏 差耦合控制的 BP 神经网络算法将拉力补偿至预设值附 近，只出现轻微波动，大幅减小了误差，有效提高了静 力测试系统的动态控制精度，为后续叶片静力测试系统 的优化提供了理论和仿真基础。