CN102878016A - 基于智能结构的大型风力机叶片摆振抑制系统及控制方法 - Google Patents

Abstract

本发明公开了风力发电技术领域的一种基于智能结构的大型风力机叶片摆振抑制系统及控制方法。其技术方案是，所述系统包括风力机叶尖、振动控制卡和上位机；所述风力机叶尖包括第一光纤应变传感器、第二光纤应变传感器、第三光纤应变传感器、第一超磁致伸缩作动器和第二超磁致伸缩作动器；所述振动控制卡包括信号调理器、第一低通滤波器、模数转换器、数字信号处理器DSP、USB接口、数模转换器、第二低通滤波器和压控恒流源。本发明的有益效果是，采用振动控制卡，使超磁致伸缩智能结构的风力机叶片的摆振抑制功能在小幅、低频、下得以实现；振动控制卡减小了主控设备的体积，提高了系统的抗干扰能力和工作稳定性。

Description

基于智能结构的大型风力机叶片摆振抑制系统及控制方法

技术领域

本发明属于风力发电技术领域，尤其涉及一种基于智能结构的大型风力机叶片摆振抑制系统及控制方法。

背景技术

近年来，伴随着全球对环境问题日益重视、高油价和风电技术日益成熟，全球风电获得了超常发展，我国风电的发展尤为迅速。大型风力机和大型风电场并网发电正成为风能有效利用的主要形式。

风力机叶片在旋转过程中，受到来自各种不同来源气流的快速波动荷载作用，包括湍流的风塔影、风剪切和偏航等所造成的。空气流在柔性叶片上产生不规则弹性振动，叶片在旋转平面内的弯曲振动即摆振，是造成风力机疲劳载荷的重要因素之一。近年来，为了实现风能的规模利用，风力机叶片的结构尺寸在持续增大，但也增加了风力机叶片上的载荷。由于叶片载荷影响了其他组件如机械传动系统和杆塔的载荷，导致风电总成本急剧攀升。单纯降低传统的固定翼形叶片成本，对降低总成本作用有限。

发明内容

针对背景技术中提到的现有大型风力机叶片，在降低疲劳负荷方面的缺点和不足，本发明提出一种基于智能结构的大型风力机叶片摆振抑制系统及控制方法。

一种基于智能结构的大型风力机叶片摆振抑制系统，其特征在于，所述系统包括风力机叶尖、振动控制卡和上位机；所述风力机叶尖包括第一光纤应变传感器、第二光纤应变传感器、第三光纤应变传感器、第一超磁致伸缩作动器和第二超磁致伸缩作动器；所述振动控制卡包括信号调理器、第一低通滤波器、模数转换器、数字信号处理器DSP、USB接口、数模转换器、第二低通滤波器和压控恒流源；

其中，所述第一光纤应变传感器和第二光纤应变传感器分别与所述信号调理器连接；所述第一光纤应变传感器和第二光纤应变传感器用于采集信号；所述信号调理器用于将采集到的信号转换成电压信号；

所述信号调理器、第一低通滤波器、模数转换器和数字信号处理器DSP顺次连接；所述第一低通滤波器用于滤掉高频干扰信号；所述模数转换器用于将模拟信号转换成数字信号；所述数字信号处理器DSP用于对接收到的信号进行处理；

所述数字信号处理器DSP、数模转换器、第二低通滤波器和压控恒流源顺次连接；所述数模转换器用于将数字信号转换成模拟信号；所述第二低通滤波器用于平滑模拟电压量；所述压控恒流源用于将模拟电压信号转换成电流信号；

所述压控恒流源分别与所述第一超磁致伸缩作动器和第二超磁致伸缩作动器连接；所述第一超磁致伸缩作动器和第二超磁致伸缩作动器用于在电流信号的控制下伸长或收缩；

所述第三光纤应变传感器与所述模数转换器连接；所述第三光纤应变传感器用于提供参考应变信号；

所述USB接口分别与所述数字信号处理器DSP和上位机连接。

所述第一光纤应变传感器和第二光纤应变传感器安装在风力机叶尖内侧。

所述第三光纤应变传感器安装在风力机叶尖的上部外侧。

所述风力机叶尖包括连接件、腹板、第一位移放大结构和第二位移放大结构；所述连接件安装在风力机叶尖的内部。所述第一超磁致伸缩智能作动器和第二超磁致伸缩智能作动器通过柔性铰链与连接件连接；所述连接件安装在风力机叶尖的腹板上；所述第一位移放大结构通过柔性铰链连与第一超磁致伸缩智能作动器连接，并与叶尖内部一侧连接；所述第二位移放大结构通过柔性铰链连与第二超磁致伸缩智能作动器连接，并与叶尖内部另一侧连接；所述第一光纤应变传感器安装在第一位移放大结构的上部；所述第二光纤应变传感器安装在第二位移放大结构的上部。

一种基于智能结构的大型风力机叶片摆振抑制系统的控制方法，其特征在于，具体包括以下步骤：

步骤1：变量初始化：确定4路通过滤波器信号的阶数，阶数设为N；使用模糊推理算法得到权向量初值V＝[v₀,v₁，...，v_N]^T和W＝[w₀,w₁，...，w_N]^T；初始化输入向量X(k)和输出向量F₁(k)和F₃(k)及G₁(k)和G₂(k)；

步骤2：更新滤波器权系数，并输出控制量；

步骤21：设k＝1；

步骤22：读入当前误差信号e₁(k)和e₂(k)，更新输入向量X(k)：X(k)中原值各右移一位；读入当前输入x(k)且X(k)[0]=x(k)；

步骤23：更新输入向量的确定性相关系数函数矩阵Φ₁(k)、Φ₂(k)、Φ₃(k)和Φ₄(k)，Φ_l(k)=Φ_l(k-1)+x(k)*x^T(k)，计算

l=1,2,3,4；

步骤24：更新两个滤波器权系数，具体包括以下步骤：

步骤241：设定i=0；

步骤242：根据公式计算滤波器权系数；

w₁(i)=w₁(i)-K₁₂(i)*e₁(k);v₁(i)=v₁(i)-K₁₁(i)*e₁(k)；

w₂(i)=w₂(i)-K₂₂(i)*e₂(k);v₂(i)=v₂(i)-K₂₁(i)*e₂(k)；

步骤243：令i=i+1；

步骤244：判断i是否小于N+1；如果是，则执行步骤242；否，则执行步骤25；

步骤25：计算滤波器输出：

输出向量F₁(k)和F₂(k)及G₁(k)和G₂(k)中值各右移1位；计算当前输出值：

$f_1\left(k\right)=\underset{j=0}{\overset{N}{\mathrm{\Σ}}}{w}_{1j}\left(k\right)x(k-j);$ $f_2\left(k\right)=\underset{j=0}{\overset{N}{\mathrm{\Σ}}}{w}_{2j}\left(k\right)x(k-j);$

$g_1\left(k\right)=\underset{j=0}{\overset{N}{\mathrm{\Σ}}}{v}_{1j}\left(k\right)x(k-j);$ $g_2\left(k\right)=\underset{j=0}{\overset{N}{\mathrm{\Σ}}}{v}_{2j}\left(k\right)x(k-j);$

F₁(k)[0]=f₁(k);F₂(k)[0]=f₂(k);G₁(k)[0]=g₁(k);G₂(k)[0]=g₂(k)；

步骤26：输出控制量F₁(k)[0]=f₁(k)，f₂(k)[0]=f₂(k)；

步骤27：令k=k+1，并判断k是否小于100000；如果是，则返回步骤22；否，则执行步骤28；

步骤28：结束控制：结束循环，将e₁(k)，e₂(k)，f₁(k)，f₂(k)，w₁，w₂，v₁，v₂写入文件保存。

所述步骤1中，使用模糊推理算法得到权向量初值V＝[v₀,v₁，...，v_N]^T和W＝[w₀,w₁,...，w_N]^T的具体过程包括以下步骤：

步骤101：获得2000组输入输出数据样本；

步骤102：设定期望误差和最大叶节点数L；确定模糊带宽度α；初始化根节点，令N₁(x)≡1，深度d=0；

对于两个控制通道，分别进行如下步骤：

步骤103：根据式

$\left\{\begin{array}{c}{c}_{\tilde{T}}(k+1)=c_{\tilde{T}}\left(k\right)+S(k+1){\tilde{E}}_1(k+1)(F_1(k+1)-{\left({\tilde{E}}_1(k+1)\right)}^T{c}_{\tilde{T}}\left(k\right))\\ S(k+1)=S\left(k\right)-\frac{S\left(k\right){\tilde{E}}_1(k+1){\left({\tilde{E}}_1(k+1)\right)}^{T}S\left(k\right)}{1+{\left({\tilde{E}}_1(k+1)\right)}^{T}S\left(k\right){\tilde{E}}_1(k+1)}\end{array}\right.,$

求解根节点上的线性参数c₁；

其中，

是指模糊规则里面的线性参数；S(·)是中间变量矩阵，且S(0)λ=I，λ为正数，I是单位矩阵；

是输入值；F₁(·)是输出值；

步骤104：依次处理当前深度d上的每一个节点：划分该节点，计算划分后新产生的左右子节点上的隶属度函数，根据式

$\left\{\begin{array}{c}{c}_{\tilde{T}}(k+1)=c_{\tilde{T}}\left(k\right)+S(k+1){\tilde{E}}_1(k+1)(F_1(k+1)-{\left({\tilde{E}}_1(k+1)\right)}^T{c}_{\tilde{T}}\left(k\right))\\ S(k+1)=S\left(k\right)-\frac{S\left(k\right){\tilde{E}}_1(k+1){\left({\tilde{E}}_1(k+1)\right)}^{T}S\left(k\right)}{1+{\left({\tilde{E}}_1(k+1)\right)}^{T}S\left(k\right){\tilde{E}}_1(k+1)}\end{array}\right.,$ 计算划分后所有叶节点上的线性参数；

其中，

是指模糊规则里面的线性参数；S(·)是中间变量矩阵，且S(0)λ=I，λ为正数，I是单位矩阵；

是输入值；F₁(·)是输出值；

根据

是归一化隶属度函数，

是线性参数；计算所有输入样本对应的划分后的模型输出

根据M是样本数量，计算均方根误差RMSE；如果划分后模型输出的均方根误差小于划分前模型输出的均方根误差，那么保存此次划分，否则此次划分无效，处理当前层的下一个节点。

步骤105：当前层处理完毕后，如果模型输出的均方根误差小于期望误差或者叶节点数超过了L，得到V＝[v₀,v₁，...，v_N]^T，W＝[w₀,w₁，...，w_N]^T，则算法结束；否则，令d＝d+1，返回步骤104，继续算法。

本发明的有益效果是，相对于固定翼形叶片，采用振动控制卡，超磁致伸缩智能结构的风力机叶片在小幅（微米级）、低频（0.1～500Hz）下的摆振抑制功能得以实现；振动控制卡减小了主控设备的体积，提高了系统的抗干扰能力，工作稳定；实验证明减振效果达到90％以上。同时，本发明提高了风力机叶片的抗载荷能力、抗疲劳性能以及优化了风力机叶片的气弹特性。

附图说明

图1是本发明提供的一种基于智能结构的大型风力机叶片摆振抑制系统的结构框图；

图2是本发明提供的一种基于智能结构的大型风力机叶片摆振抑制系统的风力机叶片结构示意图；

图3是本发明提供的一种基于智能结构的大型风力机叶片摆振抑制系统的控制系统工作流程图；

图4是本发明提供的一种基于智能结构的大型风力机叶片摆振抑制系统的的控制方法中模糊推理算法流程图；

图5是本发明提供的一种基于智能结构的大型风力机叶片摆振抑制系统的控制原理框图；

图6是本发明提供的一种基于智能结构的大型风力机叶片摆振抑制系统的控制方法中改进型递归最小二乘自适应滤波控制算法流程图；

图7是本发明提供的一种基于智能结构的大型风力机叶片摆振抑制系统的控制过程中A/D采集的两个误差信号；

图8是本发明提供的一种基于智能结构的大型风力机叶片摆振抑制系统的控制过程中D/A输出的两个控制输出量；

其中，11-风力机叶片；21-腹板；31-连接件；41-第一超磁致伸缩智能作动器；42-第二超磁致伸缩智能作动器；51-第一位移放大结构、52-第二位移放大结构；61-第一光纤应变传感器；62-第二光纤应变传感器；63-第三光纤应变传感器；71-风力机叶尖。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

图1是本发明提供的一种基于智能结构的大型风力机叶片摆振抑制系统的结构框图。图1中，所述系统包括风力机叶尖、振动控制卡和上位机；所述风力机叶尖包括第一光纤应变传感器、第二光纤应变传感器、第三光纤应变传感器、第一超磁致伸缩作动器和第二超磁致伸缩作动器；所述振动控制卡包括信号调理器、第一低通滤波器、模数转换器、数字信号处理器DSP、USB接口、数模转换器、第二低通滤波器和压控恒流源；

其中，所述第一光纤应变传感器和第二光纤应变传感器分别与所述信号调理器连接；所述第一光纤应变传感器和第二光纤应变传感器用于采集信号；所述信号调理器用于将采集到的信号转换成电压信号；

所述信号调理器、第一低通滤波器、模数转换器和数字信号处理器DSP顺次连接；所述第一低通滤波器用于滤掉高频干扰信号；所述模数转换器用于将模拟信号转换成数字信号；所述数字信号处理器DSP用于对接收到的信号进行处理；

所述数字信号处理器DSP、数模转换器、第二低通滤波器和压控恒流源顺次连接；所述数模转换器用于将数字信号转换成模拟信号；所述第二低通滤波器用于平滑模拟电压量；所述压控恒流源用于将模拟电压信号转换成电流信号；

所述压控恒流源分别与所述第一超磁致伸缩作动器和第二超磁致伸缩作动器连接；所述第一超磁致伸缩作动器和第二超磁致伸缩作动器用于在电流信号的控制下伸长或收缩；

所述第三光纤应变传感器与所述模数转换器连接；所述第三光纤应变传感器用于提供参考应变信号；

所述USB接口分别与所述数字信号处理器DSP和上位机连接。

图2是本发明提供的一种基于智能结构的大型风力机叶片摆振抑制系统的风力机叶片结构示意图。图2中，所述第一光纤应变传感器和第二光纤应变传感器安装在风力机叶尖内侧。所述第三光纤应变传感器安装在风力机叶尖的上部外侧。

所述风力机叶尖包括连接件、腹板、第一位移放大结构和第二位移放大结构；所述连接件安装在风力机叶尖的内部。所述第一超磁致伸缩智能作动器和第二超磁致伸缩智能作动器通过柔性铰链与连接件连接；所述连接件安装在风力机叶尖的腹板上；所述第一位移放大结构通过柔性铰链连与第一超磁致伸缩智能作动器连接，并与叶尖内部一侧连接；所述第二位移放大结构通过柔性铰链连与第二超磁致伸缩智能作动器连接，并与叶尖内部另一侧连接；所述第一光纤应变传感器安装在第一位移放大结构的上部；所述第二光纤应变传感器安装在第二位移放大结构的上部。

图3是本发明提供的一种基于智能结构的大型风力机叶片摆振抑制系统的控制系统工作流程图。图3中，本发明的控制系统工作流程包括以下步骤：

步骤301：初始化各向量，包括输入向量、输出向量及数字滤波器的阶数。

步骤302：判断是否拟合过权向量初值，若否，则执行步骤303；是，则执行步骤304；

步骤303：使用模糊推理算法估计权向量初值，并将权值保存在Flash ROM；

步骤304：在实时控制条件下，实时更新输入向量X(k)以及2个光纤应变传感器输出向量E₁(k)和E₂(k)，经改进型最小均方自适应滤波主动振动控制算法F₁(k)＝f{E₁(k)，X(k)}和F₂(k)＝f{E₂(k)，X(k)}的计算得到控制输出向量F₁(k)和F₂(k)；

步骤305：控制输出向量F₁(k)和F₂(k)经D/A转换器转换后，分别输出至第一超磁致伸缩作动器和第二超磁致伸缩作动器中；计算最初100次E₁(k)和E₂(k)的均方根误差RMSE₁₁和RMSE₂₁并保存，实时计算最近100次E₁(k)和E₂(k)的均方根误差RMSE₁₂和RMSE₂₂。判断RMSE₁₂/RMSE₁₁和RMSE₂₂/RMSE₂₁这2个比值，如果都小于0.05，则系统判断收敛，结束此次的振动主动控制，若是，则结束此次的振动主动控制；否，则返回步骤304。

图4是本发明提供的一种基于智能结构的大型风力机叶片摆振抑制系统的控制方法中模糊推理算法流程图。图4中，模糊推理算法具体包括以下步骤：

步骤401：获得2000组输入输出数据样本，振动控制器在不同频率条件下，在每1ms的时间间隔内，振动控制卡输出设定的2路控制输出向量F₁(k)和F₂(k)到D/A转换器转换为模拟信号，经第二低通滤波器和压控恒流源处理后输出至第一超磁致伸缩作动器和第二超磁致伸缩作动器中；再通过第一光纤应变传感器和第二光纤应变传感器检测误差信号E₁(k)和E₂(k)，组成算法需要的每个控制通道的输入输出数据对；

由于第一超磁致伸缩作动器和第二超磁致伸缩作动器使用的控制算法相同，以第一超磁致伸缩作动器为例来加以说明。

步骤402：设定期望误差和最大叶节点数L；确定模糊带宽度α。初始化根节点，令N₁(x)≡1，深度d=0；

对于两个控制通道，分别进行如下步骤：

步骤403：根据式

$\left\{\begin{array}{c}{c}_{\tilde{T}}(k+1)=c_{\tilde{T}}\left(k\right)+S(k+1){\tilde{E}}_1(k+1)(F_1(k+1)-{\left({\tilde{E}}_1(k+1)\right)}^T{c}_{\tilde{T}}\left(k\right))\\ S(k+1)=S\left(k\right)-\frac{S\left(k\right){\tilde{E}}_1(k+1){\left({\tilde{E}}_1(k+1)\right)}^{T}S\left(k\right)}{1+{\left({\tilde{E}}_1(k+1)\right)}^{T}S\left(k\right){\tilde{E}}_1(k+1)}\end{array}\right.,$

求解根节点上的线性参数c1；

其中，是指模糊规则里面的线性参数；S(·)是中间变量矩阵，且S(0)λ=I，λ为一个足够大的正数，I是单位矩阵；

是输入值；F₁(·)是输出值；

步骤404：依次处理当前深度d上的每一个节点：划分该节点，计算划分后新产生的左右子节点上的隶属度函数，根据式

$\left\{\begin{array}{c}{c}_{\tilde{T}}(k+1)=c_{\tilde{T}}\left(k\right)+S(k+1){\tilde{E}}_1(k+1)(F_1(k+1)-{\left({\tilde{E}}_1(k+1)\right)}^T{c}_{\tilde{T}}\left(k\right))\\ S(k+1)=S\left(k\right)-\frac{S\left(k\right){\tilde{E}}_1(k+1){\left({\tilde{E}}_1(k+1)\right)}^{T}S\left(k\right)}{1+{\left({\tilde{E}}_1(k+1)\right)}^{T}S\left(k\right){\tilde{E}}_1(k+1)}\end{array}\right.,$ 计算划分后所有叶节点上的线性参数；

其中，

是指模糊规则里面的线性参数；S(·)是中间变量矩阵，且S(0)λ=I，λ为一个足够大的正数，I是单位矩阵；

是输入值；F₁(·)是输出值；

根据

是归一化隶属度函数，

是线性参数；计算所有输入样本对应的划分后的模型输出

根据M是样本数量；计算均方根误差RMSE。如果划分后模型输出的均方根误差小于划分前模型输出的均方根误差，那么保存此次划分，否则此次划分无效，处理当前层的下一个节点。

步骤405：当前层处理完毕后，如果模型输出的均方根误差小于期望误差或者叶节点数超过了L，得到V＝[v₀,v₁，...，v_N]^T，W＝[w₀,w₁，...，w_N]^T（N是滤波器的阶数），则算法结束；否则，令d＝d+1，返回到第4步，继续算法。

图5是本发明提供的一种基于智能结构的大型风力机叶片摆振抑制系统的控制原理框图。图5中，改进型递归最小二乘自适应滤波控制算法简写为RLS。A/D转换器采集的是x(k)（参考应变信号）和e₁(k)和e₂(k)（两个风力机叶尖部位的应变误差量），共四个A/D输入通道。D/A转换器输出的是f₁(k)和f₂(k)（控制输出量），两个D/A输出通道。由于不知道两个超磁致伸缩作动器的具体控制模型，所以采用两个改进型递归最小二乘自适应滤波控制算法V₁和V₂分别对两个超磁致伸缩作动器在线建模；同时，使用两个改进型递归最小二乘自适应滤波控制算法W₁和W₂作为控制器实现对风力机叶片的主动振动控制。本发明的系统输入输出解耦了，使e₁(k)和e₂(k)与f₁(k)和f₂(k)建立了一一对应的关系。这样，本发明就可以采用2个单输入单输出的控制方法进行控制，具体到控制方法上，就是独立地两个超磁致伸缩作动器进行实时控制。

图6是本发明提供的一种基于智能结构的大型风力机叶片摆振抑制系统的控制方法中改进型递归最小二乘自适应滤波控制算法流程图。图6中，本发明的加入判断采样中断的风力机叶片的改进型递归最小二乘自适应滤波控制算法流程图，在1ms内，嵌入式振动控制卡要完成2个单输入单输出的计算。具体控制算法如下：

步骤601：变量初始化：确定4个滤波器的阶数，设为N；使用前述模糊推理算法估计的权向量初值；初始化输入向量X(k)和输出向量F₁(k)和F₂(k)及G₁(k)和G₂(k)；

步骤602：更新滤波器权系数，并输出控制量；

for k＝1,2,…100000，执行以下各步：

步骤6021：读入当前误差信号e₁(k)和e₂(k)，更新输入向量X(k)：X(k)中原值各右移一位；读入当前输入x(k)且X(k)[0]＝x(k)；

步骤6022：更新输入向量的确定性相关系数函数矩阵Φ₁(k)、Φ₂(k)、Φ₃(k)和Φ₄(k)，Φ_l(k)=Φ_l(k-1)+x(k)*x^T(k)，计算 $K_l\left(k\right)={\mathrm{\Φ}}_l^{-1}\left(k\right)*x\left(k\right),$ l=1,2,3,4；

步骤6023：更新两个滤波器权系数：

for(i＝0;i＜N+1;i++)：

{w₁(i)=w₁(i)-K₁₂(i)*e₁(k);v₁(i)=v₁(i)-K₁₁(i)*e₁(k)；

w₂(i)=w₂(i)-K₂₂(i)*e₂(k);v₂(i)=v₂(i)-K₂₁(i)*e₂(k)；}

步骤6024：计算滤波器输出：

输出向量F₁(k)和F₂(k)及G₁(k)和G₂(k)中值各右移1位；计算当前输出值：

$f_1\left(k\right)=\underset{j=0}{\overset{N}{\mathrm{\Σ}}}{w}_{1j}\left(k\right)x(k-j);$ $f_2\left(k\right)=\underset{j=0}{\overset{N}{\mathrm{\Σ}}}{w}_{2j}\left(k\right)x(k-j);$

$g_1\left(k\right)=\underset{j=0}{\overset{N}{\mathrm{\Σ}}}{v}_{1j}\left(k\right)x(k-j);$ $g_2\left(k\right)=\underset{j=0}{\overset{N}{\mathrm{\Σ}}}{v}_{2j}\left(k\right)x(k-j);$

F₁(k)[0]=f₁(k);F₂(k)[0]=f₂(k);G₁(k)[0]=g₁(k);G₂(k)[0]=g₂(k)；

步骤6025：输出控制量F₁(k)[0]=f₁(k)，F₂(k)[0]=f₂(k)；

步骤603：结束控制：结束循环，将e₁(k)，e₂(k)，f₁(k)，f₂(k)，w₁，w₂，v₁，v₂写入文件保存。

图7是本发明提供的一种基于智能结构的大型风力机叶片摆振抑制系统的控制过程中A/D采集的两个误差信号。图8是本发明提供的一种基于智能结构的大型风力机叶片摆振抑制系统的控制过程中D/A输出的两个控制输出量。如图7、8所示，为本发明使用上位机通过USB接口获得的控制效果图像。前1000个采样时间（1ms）对隔振平台未施加改进型递归最小二乘自适应滤波控制算法，用来对比施加控制算法前后的效果。其中图7是A/D采集的误差信号e₁(k)和e₂(k)，依次与图中的第1和2通道的误差信号图像对应；图8是D/A输出的控制输出量f₁(k)和f₂(k)，依次与图中的第1和2通道的控制信号图像对应。从第1001采样时间开始，同一个采样时间间隔，对应的误差信号e_i(k)和控制输出信号f_i(k)是在同一个采样周期内完成（i＝1，2），共采样6000次，实际控制时间是5s。由图8可以看出，施加改进型递归最小二乘自适应滤波控制算法和未施加改进型递归最小二乘自适应滤波控制算法的效果很明显。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种基于智能结构的大型风力机叶片摆振抑制系统，其特征在于，所述系统包括风力机叶尖、振动控制卡和上位机；所述风力机叶尖包括第一光纤应变传感器、第二光纤应变传感器、第三光纤应变传感器、第一超磁致伸缩作动器和第二超磁致伸缩作动器；所述振动控制卡包括信号调理器、第一低通滤波器、模数转换器、数字信号处理器DSP、USB接口、数模转换器、第二低通滤波器和压控恒流源；

其中，所述第一光纤应变传感器和第二光纤应变传感器分别与所述信号调理器连接；所述第一光纤应变传感器和第二光纤应变传感器用于采集信号；所述信号调理器用于将采集到的信号转换成电压信号；

所述信号调理器、第一低通滤波器、模数转换器和数字信号处理器DSP顺次连接；所述第一低通滤波器用于滤掉高频干扰信号；所述模数转换器用于将模拟信号转换成数字信号；所述数字信号处理器DSP用于对接收到的信号进行处理；

所述数字信号处理器DSP、数模转换器、第二低通滤波器和压控恒流源顺次连接；所述数模转换器用于将数字信号转换成模拟信号；所述第二低通滤波器用于平滑模拟电压量；所述压控恒流源用于将模拟电压信号转换成电流信号；

所述压控恒流源分别与所述第一超磁致伸缩作动器和第二超磁致伸缩作动器连接；所述第一超磁致伸缩作动器和第二超磁致伸缩作动器用于在电流信号的控制下伸长或收缩；

所述第三光纤应变传感器与所述模数转换器连接；所述第三光纤应变传感器用于提供参考应变信号；

所述USB接口分别与所述数字信号处理器DSP和上位机连接。

2.根据权利要求1所述的一种基于智能结构的大型风力机叶片摆振抑制系统，其特征在于，所述第一光纤应变传感器和第二光纤应变传感器安装在风力机叶尖内侧。

3.根据权利要求1所述的一种基于智能结构的大型风力机叶片摆振抑制系统，其特征在于，所述第三光纤应变传感器安装在风力机叶尖的上部外侧。

4.根据权利要求1所述的一种基于智能结构的大型风力机叶片摆振抑制系统，其特征在于，所述风力机叶尖包括连接件、腹板、第一位移放大结构和第二位移放大结构；所述连接件安装在风力机叶尖的内部；所述第一超磁致伸缩智能作动器和第二超磁致伸缩智能作动器通过柔性铰链与连接件连接；所述连接件安装在风力机叶尖的腹板上；所述第一位移放大结构通过柔性铰链连与第一超磁致伸缩智能作动器连接，并与叶尖内部一侧连接；所述第二位移放大结构通过柔性铰链连与第二超磁致伸缩智能作动器连接，并与叶尖内部另一侧连接；所述第一光纤应变传感器安装在第一位移放大结构的上部；所述第二光纤应变传感器安装在第二位移放大结构的上部。

5.一种基于智能结构的大型风力机叶片摆振抑制系统的控制方法，其特征在于，具体包括以下步骤：

步骤1：变量初始化：确定4路通过滤波器信号的阶数，阶数设为N；使用模糊推理算法得到权向量初值V＝[v₀,v₁，...，v_N]^T和W＝[w₀,w₁，...，w_N]^T；初始化输入向量X(k)和输出向量F₁(k)和F₂(k)及G₁(k)和G₂(k)；

步骤2：更新滤波器权系数，并输出控制量；

步骤21：设k＝1；

步骤22：读入当前误差信号e₁(k)和e₂(k)，更新输入向量X(k)：X(k)中原值各右移一位；读入当前输入x(k)且X(k)[0]=x(k)；

步骤23：更新输入向量的确定性相关系数函数矩阵Φ₁(k)、Φ₂(k)、Φ₃(k)和Φ₄(k)，Φ_l(k)=Φ_l(k-1)+x(k)*x^T(k)，计算l=1,2,3,4；

步骤24：更新两个滤波器权系数，具体包括以下步骤：

步骤241：设定i=0；

步骤242：根据公式计算滤波器权系数；

w₁(i)=w₁(i)-K₁₂(i)*e₁(k);v₁(i)=v₁(i)-K₁₁(i)*e₁(k)；

w₂(i)=w₂(i)-K₂₂(i)*e₂(k);v₂(i)=v₂(i)-K₂₁(i)*e₂(k)；

步骤243：令i=i+1；

步骤244：判断i是否小于N+1；如果是，则执行步骤242；否，则执行步骤25；

步骤25：计算滤波器输出：

输出向量F₁(k)和F₂(k)及G₁(k)和G₂(k)中值各右移1位；计算当前输出值：

$f_1\left(k\right)=\underset{j=0}{\overset{N}{\mathrm{\Σ}}}{w}_{1j}\left(k\right)x(k-j);$ $f_2\left(k\right)=\underset{j=0}{\overset{N}{\mathrm{\Σ}}}{w}_{2j}\left(k\right)x(k-j);$

$g_1\left(k\right)=\underset{j=0}{\overset{N}{\mathrm{\Σ}}}{v}_{1j}\left(k\right)x(k-j);$ $g_2\left(k\right)=\underset{j=0}{\overset{N}{\mathrm{\Σ}}}{v}_{2j}\left(k\right)x(k-j);$

F₁(k)[0]=f₁(k);F₂(k)[0]=f₂(k);G₁(k)[0]=g₁(k);G₂(k)[0]=g₂(k)；

步骤26：输出控制量F₁(k)[0]=f₁(k)，F₂(k)[0]=f₂(k)；

步骤27：令k=k+1，并判断k是否小于100000；如果是，则返回步骤22；否，则执行步骤28；

步骤28：结束控制：结束循环，将e₁(k)，e₂(k)，f₁(k)，f₂(k)，w₁，w₂，v₁，v₂写入文件保存。

6.根据权利要求5所述的一种基于智能结构的大型风力机叶片摆振抑制系统的控制方法，其特征在于，所述步骤1中，使用模糊推理算法得到权向量初值V＝[v₀,v₁，...，v_N]^T和W＝[w₀,w₁，...，w_N]^T的具体过程包括以下步骤：

步骤101：获得2000组输入输出数据样本；

步骤102：设定期望误差和最大叶节点数L；确定模糊带宽度α；初始化根节点，令N₁(x)≡1，深度d=0；

对于两个控制通道，分别进行如下步骤：

步骤103：根据式

$\left\{\begin{array}{c}{c}_{\tilde{T}}(k+1)=c_{\tilde{T}}\left(k\right)+S(k+1){\tilde{E}}_1(k+1)(F_1(k+1)-{\left({\tilde{E}}_1(k+1)\right)}^T{c}_{\tilde{T}}\left(k\right))\\ S(k+1)=S\left(k\right)-\frac{S\left(k\right){\tilde{E}}_1(k+1){\left({\tilde{E}}_1(k+1)\right)}^{T}S\left(k\right)}{1+{\left({\tilde{E}}_1(k+1)\right)}^{T}S\left(k\right){\tilde{E}}_1(k+1)}\end{array}\right.,$

求解根节点上的线性参数c₁；

其中，是指模糊规则里面的线性参数；S(·)是中间变量矩阵，且S(0)λ=I，λ为正数，I是单位矩阵；

是输入值；F₁(·)是输出值；

步骤104：依次处理当前深度d上的每一个节点：划分该节点，计算划分后新产生的左右子节点上的隶属度函数，根据式

$\left\{\begin{array}{c}{c}_{\tilde{T}}(k+1)=c_{\tilde{T}}\left(k\right)+S(k+1){\tilde{E}}_1(k+1)(F_1(k+1)-{\left({\tilde{E}}_1(k+1)\right)}^T{c}_{\tilde{T}}\left(k\right))\\ S(k+1)=S\left(k\right)-\frac{S\left(k\right){\tilde{E}}_1(k+1){\left({\tilde{E}}_1(k+1)\right)}^{T}S\left(k\right)}{1+{\left({\tilde{E}}_1(k+1)\right)}^{T}S\left(k\right){\tilde{E}}_1(k+1)}\end{array}\right.,$ 计算划分后所有叶节点上的线性参数；

其中，

是指模糊规则里面的线性参数；S(·)是中间变量矩阵，且S(0)λ=I，λ为正数，I是单位矩阵；

是输入值；F₁(·)是输出值；

根据

是归一化隶属度函数，

是线性参数；计算所有输入样本对应的划分后的模型输出

根据

M是样本数量，计算均方根误差RMSE；如果划分后模型输出的均方根误差小于划分前模型输出的均方根误差，那么保存此次划分，否则此次划分无效，处理当前层的下一个节点；

步骤105：当前层处理完毕后，如果模型输出的均方根误差小于期望误差或者叶节点数超过了L，得到V＝[v₀,v₁，...，v_N]^T，W＝[w₀,w₁，...，w_N]^T，则算法结束；否则，令d＝d+1，返回步骤104，继续算法。

Images