摘 要：針對(duì)流速變化使得變工況下海流發(fā)電機(jī)葉片附著物故障特征模糊、鑒別性差的問題，提出一種基于自適應(yīng)頻率正比采樣（APFS）的葉片附著物檢測(cè)方法。首先，采集不同工況下海流發(fā)電機(jī)電流信號(hào)，通過希爾伯特變換提取出定子電流信號(hào)的瞬時(shí)頻率；然后，利用瞬時(shí)頻率與采樣頻率比值變步長(zhǎng)采樣瞬時(shí)頻率序列，將非穩(wěn)定瞬時(shí)轉(zhuǎn)動(dòng)頻率轉(zhuǎn)變?yōu)榉€(wěn)定值；最后，利用排列熵設(shè)置采樣迭代停止閾值，將重采樣后的瞬時(shí)頻率序列作為故障特征劃分為樣本矩陣，建立主成分分析檢測(cè)模型以實(shí)現(xiàn)附著物檢測(cè)。基于0.23 kW海流發(fā)電樣機(jī)的實(shí)驗(yàn)平臺(tái)被搭建用于驗(yàn)證所提方法的有效性，實(shí)驗(yàn)結(jié)果表明，所提算法在對(duì)抗流速變化下引起的海流發(fā)電機(jī)變工況問題中，誤報(bào)率低至0.25%，具備較高檢測(cè)精度和魯棒性。

關(guān)鍵詞：海流發(fā)電機(jī); 故障檢測(cè); 葉片附著物; 希爾伯特變換; 自適應(yīng)頻率正比采樣; 主元成分分析

DOI：10.15938/j.emc.2024.05.000

中圖分類號(hào)：TM313文獻(xiàn)標(biāo)志碼：A

A blade biofouling detection method for marine current turbines under variable marine conditions

XIE Tao WANG Tianzhen TANG Tianhao XU Yujie1

（1.School of Logistics Engineering， Shanghai Maritime University， Shanghai 201306， China;2.Shanghai Power Supply Society， Shanghai 200086， China）

Abstract：Aiming at the problem of ambiguous characteristics and poor discriminative properties of blade biofouling in marine current turbines （MCTs）， a blade biofouling detection method based on adaptive proportional frequency sampling （APFS） is proposed. Firstly， the current signals of MCTs under different operating conditions are collected， and the instantaneous frequencies of the stator current signals are extracted by Hilbert transform; then， the instantaneous frequency sequence is sampled and the non-stable instantaneous rotation frequency is transformed into a stable value; finally， the sampling iteration stopping threshold is set by using the permutation entropy， and the re-sampled instantaneous frequency sequence is classified as a sample as a fault feature matrix to establish a principal component analysis detection model for attachment detection. An experimental platform based on a 0.23 kW， MCT prototype is constructed to verify the effectiveness of the proposed method， and the experimental results show that the proposed algorithm has a low 1 alarm rate as low as 0.25% against the variable operating conditions caused by the current speed change， and has high detection accuracy and robustness.

Keywords：marine current turbines; fault detection; blade biofouling; Hilbert transform; adaptive proportional frequency sampling; principal component analysis

0 引 言

大力開發(fā)海流能發(fā)電技術(shù)為早日實(shí)現(xiàn)碳達(dá)峰、碳中和提供有力保障[1-2]。海流發(fā)電機(jī)的水下工作環(huán)境惡劣，湍流、浪涌時(shí)常發(fā)生[3]。由于海流發(fā)電機(jī)的葉片直接暴露在海水中，容易受到海底浮游生物的淤積而發(fā)生附著物附著后引起的質(zhì)量不平衡，同時(shí)，魚群的遷移可能對(duì)葉片進(jìn)行撞擊而導(dǎo)致葉片產(chǎn)生裂紋，甚至斷裂而發(fā)生質(zhì)量上的變化[4-5]。海流流速瞬時(shí)突變使得海流發(fā)電機(jī)的轉(zhuǎn)動(dòng)頻率無法穩(wěn)定，這為海流發(fā)電機(jī)的附著物檢測(cè)帶來挑戰(zhàn)[6]。因此研究在變工況下海流發(fā)電機(jī)葉片附著物檢測(cè)對(duì)減少海流發(fā)電機(jī)組維護(hù)成本和視情維護(hù)有著重要意義。

與海流機(jī)相似的風(fēng)機(jī)近年來相關(guān)研究可作為借鑒，文獻(xiàn)[7]通過小波能量熵提取風(fēng)機(jī)葉片振動(dòng)信號(hào)的不平衡特征完成故障檢測(cè)。文獻(xiàn)[8]通過貝葉斯增強(qiáng)提取葉片振動(dòng)信號(hào)中的故障信息。文獻(xiàn)[9]利用風(fēng)機(jī)SCADA數(shù)據(jù)構(gòu)建半監(jiān)督支持向量機(jī)模型以達(dá)到監(jiān)測(cè)風(fēng)機(jī)葉片的目的。然而，海流機(jī)惡劣的工作環(huán)境和嚴(yán)格的防水措施使得這些傳感器的數(shù)據(jù)難以使用。文獻(xiàn)[10]利用Hilbert變換從電機(jī)電流信號(hào)中提取葉輪不平衡的故障特征，但未考慮風(fēng)速變化對(duì)定子電流信號(hào)的影響，這可能限制了方法在風(fēng)能系統(tǒng)中的適用性。文獻(xiàn)[11]給出了風(fēng)速時(shí)空分布下的電流特征變化結(jié)果可以支撐風(fēng)機(jī)葉片不平衡故障監(jiān)測(cè)。然而，流速與風(fēng)速不同，短時(shí)內(nèi)受浪涌和湍流影響表現(xiàn)瞬時(shí)變大，長(zhǎng)時(shí)段又受天體運(yùn)動(dòng)表現(xiàn)低頻趨勢(shì)，因此需要制定更為有效的特征提取方法。

文獻(xiàn)[12]綜述了海流發(fā)電機(jī)葉片故障檢測(cè)的現(xiàn)存方法，對(duì)比了多種基于傳感器的方法，提出了基于電流信號(hào)檢測(cè)方法的未來優(yōu)勢(shì)。文獻(xiàn)[13]針對(duì)新能源系統(tǒng)變流器開路故障檢測(cè)提出一種基于定子電流瞬時(shí)頻率的檢測(cè)方法，用于去除定子電流中的基頻，突出故障特征分量。文獻(xiàn)[14-15]使用希爾伯特解調(diào)算法解調(diào)定子電流中的瞬時(shí)頻率，通過對(duì)瞬時(shí)頻率的頻譜分析，觀察在特征頻率處的激勵(lì)來判斷系統(tǒng)的故障狀態(tài)。文獻(xiàn)[16]通過使用雙譜分析處理附著物下的海流發(fā)電機(jī)定子電流，從雙譜中得出故障尖峰，但該方法運(yùn)算時(shí)間較長(zhǎng)且沒有檢測(cè)閾值。文獻(xiàn)[17-18]使用經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)原始定子電流信號(hào)進(jìn)行分解，并在得到的各個(gè)模態(tài)分量上獲取故障信息，但是該算法無法自適應(yīng)選擇分量，依然要靠人工選取。基于此，文獻(xiàn)[19]使用自適應(yīng)變分模態(tài)分解方法解決了穩(wěn)定流速下海流發(fā)電機(jī)葉片附著物檢測(cè)。文獻(xiàn)[20]對(duì)傳統(tǒng)的電流分析法進(jìn)行改進(jìn)，提出了一種坐標(biāo)伸縮變換的方法進(jìn)行采樣數(shù)據(jù)，但是沒有給出具體的故障檢測(cè)閾值。文獻(xiàn)[21]提出一種1P頻率角域重采樣法，借助中位值濾波器設(shè)定閾值實(shí)現(xiàn)故障檢測(cè)。文獻(xiàn)[22]基于電壓信號(hào)對(duì)異步電機(jī)轉(zhuǎn)子斷條故障進(jìn)行了監(jiān)測(cè)，進(jìn)一步計(jì)算了電機(jī)的無功功率，算法增加了硬件冗余。文獻(xiàn)[23]使用了小波變換（waveform transform，WT）提取故障特征，通過頻譜特征融合解決了永磁同步電機(jī)匝間短路故障的檢測(cè)問題。然而，以上所提方法并沒有考慮在工況突變下的海流發(fā)電機(jī)葉片附著物檢測(cè)。

針對(duì)海流流速頻繁變動(dòng)而引起的海流發(fā)電機(jī)工況變化的問題，本文提出一種適用于變工況條件下的海流發(fā)電機(jī)葉片附著物檢測(cè)方法。首先，為了克服定子電流時(shí)域信號(hào)受到的流速干擾，通過希爾伯特方法解調(diào)瞬時(shí)轉(zhuǎn)動(dòng)頻率后獲取其頻域信息；其次，提出一種自適應(yīng)頻率正比采樣法（adaptive proportional frequency sampling，APFS）將非穩(wěn)定故障特征頻率變?yōu)榉€(wěn)定值，以消除工況變化對(duì)定子電流的影響；最后，利用多元統(tǒng)計(jì)量配置故障檢測(cè)閾值用于實(shí)時(shí)檢測(cè)葉片附著物?；诤Ａ靼l(fā)電樣機(jī)的實(shí)驗(yàn)平臺(tái)被搭建用于驗(yàn)證所提方法，實(shí)驗(yàn)結(jié)果表明，本文方法在變工況下海流發(fā)電機(jī)葉片附著物檢測(cè)中有較高的檢測(cè)精度。

1 問題描述

1.1 葉片附著物對(duì)發(fā)電機(jī)電流信號(hào)的影響

葉輪，作為海流發(fā)電機(jī)能量轉(zhuǎn)換的核心部件直接暴露在海水中，極易發(fā)生故障。假設(shè)附著在葉片上的附著物質(zhì)量為mb，其重力加速度g和浮力Fb作用在垂直方向上，會(huì)給渦輪機(jī)輸出轉(zhuǎn)矩帶來影響，渦輪機(jī)輸出轉(zhuǎn)矩上產(chǎn)生的附加轉(zhuǎn)矩可表示為

Tim=（mbg－Fb）Rusin（ωmt+φ）。（1）

其中：ωm為發(fā)電機(jī)轉(zhuǎn)速；φ為初始相角。

葉片附著物可以視在距離輪轂Ru質(zhì)量為mb的附著物附著在葉片上如圖1所示。

當(dāng)某一葉片被附著物附著時(shí)，該葉片的質(zhì)量分布將與其他葉片分布不同。這會(huì)產(chǎn)生不平衡的輸出轉(zhuǎn)矩，并使得轉(zhuǎn)速產(chǎn)生波動(dòng)。如圖1所示，mb和Ru都會(huì)影響轉(zhuǎn)軸扭矩，因此，由較大的mb和較小的Ru引起的扭矩波動(dòng)可能等于由較小的mb和較大的Ru引起的扭矩波動(dòng)。在附著物下渦輪機(jī)輸出的總轉(zhuǎn)矩為

其中：z、d、li、φi為波浪參數(shù)；Ti和αi為周期參數(shù)；i是波浪數(shù)。該流速含兩部分：第一部分是預(yù)測(cè)的潮汐速度Vtide，即存在于電流信號(hào)中的低頻趨勢(shì)分量；第二項(xiàng)表示由膨脹引起的當(dāng)前速度振蕩。海流流速與風(fēng)速不同，短時(shí)內(nèi)受波浪和湍流影響瞬時(shí)變大，長(zhǎng)時(shí)段又受天體運(yùn)動(dòng)表現(xiàn)低頻趨勢(shì)。圖2（a）顯示了一段時(shí)間內(nèi)流速的變化情況，在該流速的影響下，圖2（b）給出了海流機(jī)定子電流頻譜圖。

根據(jù)上圖顯示的結(jié)果，流速波動(dòng)導(dǎo)致渦輪的轉(zhuǎn)速不斷變化，進(jìn)而使得葉片不平衡的特征頻率也不斷變化。海流機(jī)故障特征的多樣性和隨機(jī)性限制了檢測(cè)模型的選擇，影響了檢測(cè)的準(zhǔn)確性。因此，需解決由流速引起的低頻干擾，增強(qiáng)葉片故障特征?；诖耍疚膶⑻岢隹捎行Ы档秃Ａ魉俣纫鸬牡皖l干擾和高頻噪聲的針對(duì)性方法。

2 葉片附著物檢測(cè)方法

針對(duì)葉片附著物的信號(hào)特征多樣且被電流基頻和噪聲淹沒的問題，本文所提自適應(yīng)頻率正比采樣法包括：瞬時(shí)頻率的解調(diào)、自適應(yīng)采樣步長(zhǎng)計(jì)算和迭代停止閾值配置。所提方法只基于定子單相電流，不需要增加額外傳感器，即可實(shí)現(xiàn)變工況下的海流發(fā)電機(jī)葉片附著物檢測(cè)。

2.1 基于希爾伯特方法的電流瞬時(shí)頻率解調(diào)

受海流流速瞬時(shí)變化的影響，變工況下的定子電流信號(hào)在時(shí)域上難以提取到故障特征，由式（5）可知，通過對(duì)定子電流瞬時(shí)頻率的解調(diào)后提取其頻域信息，故障特征更加明顯，所以本文將通過希爾伯特變換解調(diào)出定子電流信號(hào)的瞬時(shí)頻率。定義定子電流信號(hào)為i*s（t），其希爾伯特變換結(jié)果y（t）可以表示為

經(jīng)過計(jì)算的變步長(zhǎng)將會(huì)用來插值新的瞬時(shí)轉(zhuǎn)動(dòng)頻率。迭代是具有目標(biāo)時(shí)間指標(biāo)的連續(xù)優(yōu)化過程。圖3展示了轉(zhuǎn)動(dòng)頻率信號(hào)通過三次樣條插值重建。第（i+1）次迭代描述為：

其中：X-*代表X*在主成分子空間中的映射矩陣；X～*則對(duì)應(yīng)其殘差子空間。T2α以及δ2α分別表示T2統(tǒng)計(jì)量以及SPE統(tǒng)計(jì)量所對(duì)應(yīng)的控制限。如果新計(jì)算出的統(tǒng)計(jì)量超過其對(duì)應(yīng)的控制限，就表明海流發(fā)電機(jī)葉片被附著物附著，處于故障狀態(tài)。

2.4 海流發(fā)電機(jī)葉片附著物檢測(cè)步驟

本文所提的海流發(fā)電機(jī)葉片附著物檢測(cè)方法包括離線訓(xùn)練和在線檢測(cè)兩部分，具體如下：

1）離線訓(xùn)練。

①?gòu)暮Ａ靼l(fā)電機(jī)歷史數(shù)據(jù)中選出變流速下健康狀態(tài)的定子電流信號(hào)作為離線訓(xùn)練部分的訓(xùn)練數(shù)據(jù)。

②使用希爾伯特方法處理定子電流信號(hào)，并用對(duì)解調(diào)后的瞬時(shí)轉(zhuǎn)動(dòng)頻率進(jìn)行自適應(yīng)頻率正比采樣，最后得到對(duì)應(yīng)的頻域信息。

③利用PCA方法對(duì)經(jīng)過變量選擇后的頻譜信息進(jìn)行處理，建立參考模型，并計(jì)算控制限。

2）在線檢測(cè)。

①在線采集海流發(fā)電機(jī)定子電流信號(hào)。

②和離線訓(xùn)練中對(duì)電流信號(hào)處理的方法一樣，獲取對(duì)應(yīng)的頻域信息。

③結(jié)合離線部分訓(xùn)練的PCA模型，使用基于PCA的故障檢測(cè)方法對(duì)通過變量選擇后的頻域幅值進(jìn)行處理分析，通過式（24）～式（26）獲取相應(yīng)的檢測(cè)統(tǒng)計(jì)量。

④如果統(tǒng)計(jì)量超過相應(yīng)的控制限，則代表海流發(fā)電機(jī)葉片處于附著物附著狀態(tài)，反之則正常。

3 實(shí)驗(yàn)結(jié)果與分析

為了評(píng)估所提出的葉片附著物檢測(cè)方法的性能，使用了0.23 kW直驅(qū)永磁同步發(fā)電機(jī)搭建了海流發(fā)電實(shí)驗(yàn)平臺(tái)。如圖4所示，海流發(fā)電樣機(jī)在循環(huán)水槽中運(yùn)行，實(shí)驗(yàn)平臺(tái)的數(shù)據(jù)采集和狀態(tài)監(jiān)測(cè)系統(tǒng)可以采集和監(jiān)測(cè)三相電流，電壓和流速信號(hào)，數(shù)據(jù)采集系統(tǒng)的采樣頻率為1 kHz。

葉片附著物狀態(tài)是通過在葉片上纏繞不同質(zhì)量的繩子進(jìn)行模擬，如圖5所示。通過該實(shí)驗(yàn)平臺(tái)，可以模擬受湍流和波浪影響的水下環(huán)境，通過調(diào)節(jié)水泵電機(jī)的頻率可以使海流發(fā)電機(jī)運(yùn)行工況發(fā)生變化。圖6給出了在實(shí)驗(yàn)中記錄的定子電流信號(hào)和其解調(diào)后的瞬時(shí)轉(zhuǎn)動(dòng)頻率。使海流發(fā)電機(jī)樣機(jī)運(yùn)行于0.9 m/s流速一段時(shí)間以獲得穩(wěn)定工況下數(shù)據(jù)，使用水泵電機(jī)變頻器調(diào)節(jié)水流流速至1.2 m/s并獲取相應(yīng)的電流信號(hào)數(shù)據(jù)，從圖6中可以看出，由于水流流速的變化導(dǎo)致電流幅度連續(xù)變化，因此無法通過瞬時(shí)轉(zhuǎn)動(dòng)頻率的時(shí)域波形區(qū)分附著物狀態(tài)。

圖7處理前后的瞬時(shí)轉(zhuǎn)動(dòng)頻率的頻譜圖。從圖中可以對(duì)比發(fā)現(xiàn)，未經(jīng)過重新采樣的瞬時(shí)轉(zhuǎn)動(dòng)頻率雖然在頻域上有較明顯的1P頻率分量，但是由于變工況下定子電流信號(hào)的頻率多變，存在較多的干擾成分。而經(jīng)過自適應(yīng)頻率正比采樣法，瞬時(shí)轉(zhuǎn)動(dòng)頻率在1P頻率處的故障特征更加集中，故障特征值更大，克服變工況下故障特征變化的問題后更利于后續(xù)的附著物檢測(cè)。

為了證明本文所提方法較其他方法的優(yōu)越性，圖8給出了實(shí)驗(yàn)中不同方法處理瞬時(shí)頻率信號(hào)的故障特征頻率幅值對(duì)比結(jié)果，可以觀察到隨著故障程度的增加，所有方法處理后的瞬時(shí)頻率信號(hào)中的故障特征頻率幅值也相應(yīng)增加。然而，本文提出的方法得到的故障特征幅值明顯高于其他方法。故在后續(xù)的故障檢測(cè)中可以得出結(jié)論，附著物附著程度越嚴(yán)重越容易檢測(cè)。

實(shí)驗(yàn)中采集歷史健康定子電流數(shù)據(jù)的頻率范圍是10～16.8 Hz（分為2個(gè)階段，第一階段：流速?gòu)?.9 m/s變化到1.1 m/s；第二階段：相同時(shí)間從0.9 m/s變化到1.2 m/s），1P頻率范圍是1.25～2.1 Hz，該頻率范圍是通過水泵調(diào)節(jié)器調(diào)節(jié)水流流速獲得。采集變流速條件下1 200組健康情況下的定子電流信號(hào)和1 200組附著物情況下的定子電流信號(hào)。每組電流信號(hào)的數(shù)據(jù)長(zhǎng)度為3 s。隨機(jī)選擇700組變工況條件下的健康電流信號(hào)，使用本章所提算法進(jìn)行相應(yīng)處理，以形成離線訓(xùn)練數(shù)據(jù)集（數(shù)據(jù)集的大小為700×2 048）。使用剩余健康狀態(tài)的500組定子電流信號(hào)和隨機(jī)選擇200組附著物狀態(tài)下的定子電流信號(hào)構(gòu)成在線測(cè)試數(shù)據(jù)集（數(shù)據(jù)集的大小為700×2 048）。將頻域信號(hào)作為PCA離線訓(xùn)練的輸入，使用PCA建立變工況條件下的參考模型。

圖9和圖10給出了基于角域重采樣方法（angular resampling，AR）的附著物檢測(cè)結(jié)果。圖9（a）和圖10（a）為基于T2統(tǒng)計(jì)量的檢測(cè)結(jié)果，從圖中可發(fā)現(xiàn)，過程數(shù)據(jù)的正常樣本在2種流速情況下存在誤報(bào)，誤報(bào)率為6.8%，而過程故障數(shù)據(jù)所計(jì)算的統(tǒng)計(jì)量的漏檢率為18.3%，但檢測(cè)效果較差。

從圖9（b）和圖10（b）的統(tǒng)計(jì)量檢測(cè)結(jié)果中可以發(fā)現(xiàn)，不管是故障樣本還是正常樣本其SPE統(tǒng)計(jì)量在2種流速下沒有起到檢測(cè)故障的作用。

圖11和圖12給出了基于VMD方法的附著物檢測(cè)結(jié)果。圖11（a）和圖12（b）為流速變化較慢情況下的檢測(cè)結(jié)果，可發(fā)現(xiàn)過程數(shù)據(jù)的正常樣本誤報(bào)較少，平均誤報(bào)率為1.3%。觀察基于SPE統(tǒng)計(jì)量的檢測(cè)結(jié)果，過程故障樣本數(shù)據(jù)的統(tǒng)計(jì)量基本超過95%控制限，并且遠(yuǎn)高出正常樣本的統(tǒng)計(jì)量，漏檢率為1.9%，比基于AR方法下降了16.6%，說明在VMD特征提取模型的處理過程中，剔除了過程數(shù)據(jù)在變工況下受到的影響，使得后續(xù)的故障檢測(cè)模型有較強(qiáng)的檢測(cè)能力。

圖12（a）和圖12（b）為流速變化較快情況下的檢測(cè)結(jié)果，可以發(fā)現(xiàn)基于T2統(tǒng)計(jì)量的檢測(cè)結(jié)果誤報(bào)率較第一階段流速提高了0.2%?；赟PE統(tǒng)計(jì)量的檢測(cè)能力下降，導(dǎo)致出現(xiàn)較多的誤報(bào)，誤報(bào)率提高了18%。這表明基于VMD特征提取方法在克服流速變化方面的能力相對(duì)較弱。

在2種流速情況下基于T2統(tǒng)計(jì)量的檢測(cè)結(jié)果中，過程正常數(shù)據(jù)的統(tǒng)計(jì)量的數(shù)值整體偏小，除零星樣本產(chǎn)生的誤報(bào)外，基本上遠(yuǎn)小于95%控制限，誤報(bào)率為0.25%，較AR方法減少了6.55%。而過程故障數(shù)據(jù)的統(tǒng)計(jì)量遠(yuǎn)高于控制限和正常樣本的平均統(tǒng)計(jì)量，其漏檢率為2.9%，較VMD方法減少了18%。這說明APFS方法將瞬時(shí)頻率信號(hào)進(jìn)行二次采樣并增強(qiáng)了故障特征，克服了在變工況下海流發(fā)電機(jī)組信號(hào)特征多變的問題，取得了較好的檢測(cè)效果。同樣，基于SPE統(tǒng)計(jì)量的檢測(cè)結(jié)果，可以看出在2種不同流速變化情況下正常樣本的統(tǒng)計(jì)量都遠(yuǎn)小于控制限，有較好的識(shí)別率。

表1給出了不同方法下的檢測(cè)結(jié)果?？梢钥闯?，本文所提算法在對(duì)抗流速變化下引起的海流發(fā)電機(jī)變工況問題，表現(xiàn)出較高的檢測(cè)精度和魯棒性。

為了比較電流信號(hào)在本方法中的優(yōu)勢(shì)，電壓信號(hào)被測(cè)量并用以計(jì)算瞬時(shí)功率信號(hào)，基于本文所提出的葉片附著物檢測(cè)算法的實(shí)驗(yàn)結(jié)果由表2給出，其整體檢測(cè)準(zhǔn)確度較基于電流信號(hào)方法下降。

4 結(jié) 論

針對(duì)隨機(jī)湍流發(fā)生、流速大范圍變化使海流發(fā)電機(jī)葉片附著物難以檢測(cè)的問題，本文提出一種基于APFS的方法來檢測(cè)海流發(fā)電機(jī)葉片的附著物，通過自適應(yīng)頻率正比采樣法將非穩(wěn)定故障特征頻率變?yōu)榉€(wěn)定值以達(dá)到消除變工況影響的作用，最后建立主元檢測(cè)模型檢測(cè)附著物?；?.23 kW的海流發(fā)電樣機(jī)的實(shí)驗(yàn)結(jié)果表明：

1）APFS算法能夠?qū)Ａ靼l(fā)電機(jī)瞬時(shí)轉(zhuǎn)動(dòng)頻率進(jìn)行準(zhǔn)確采樣，保證后續(xù)的附著物檢測(cè)精度。

2）主成分分析能夠?qū)Ａ靼l(fā)電機(jī)電信號(hào)的多維特征有效的降維，并利用T2和SPE統(tǒng)計(jì)量進(jìn)行很好的檢測(cè)附著物狀態(tài)。

本文所提方法僅基于單相定子電流信號(hào)，不增加額外傳感器，對(duì)保障海流發(fā)電機(jī)安全穩(wěn)定運(yùn)行和視情維護(hù)決策有著重要意義。

參 考 文 獻(xiàn)：

［1］劉玉新，王海峰，王冀，等.海洋強(qiáng)國(guó)建設(shè)背景下加快海洋能開發(fā)利用的思考[J].科技導(dǎo)報(bào)，2018，36（14）：22.

LIU Yuxin， WANG Haifeng， WANG Ji， et al. Reflections on the exploitation and utilization of marine renewable energy under the background of ocean power[J]. Science amp; Technology Review，2018，36（14）：22.

[2］張米露，王天真，湯天浩.一種融合分形與BP網(wǎng)絡(luò)PCA的海流機(jī)故障檢測(cè)方法[J].電機(jī)與控制學(xué)報(bào)，2018，22（2）：79.

ZHANG Milu， WANG Tianzhen， TANG Tianhao. Fault detection method for marine current turbine using fractal and BP network principal component analysis[J]. Electric Machines and Control，2018，22（2）：79.

[3］吳旭升，孫盼，楊深欽，等.水下無線電能傳輸技術(shù)及應(yīng)用研究綜述[J].電工技術(shù)學(xué)報(bào)，2019，34（8）：1559.

WU Xusheng， SUN Pan， YANG Shenqin， et al. Review on underwater wireless power transfer technology and its application[J].Transactions of China Electrotechnical Society，2019，34（8）：1559.

[4］SANDOVAL J， SOTO-RIVAS K， GOTELLI C， et al. Modeling the wake dynamics of a marine hydrokinetic turbine using different actuator representations[J]. Ocean Engineering，2021，222（1）：108584.

[5］張米露，王天真，湯天浩.直驅(qū)式永磁同步海流機(jī)葉輪不平衡故障建模與實(shí)驗(yàn)研究[J].電機(jī)與控制學(xué)報(bào)，2018，22（7）：44.

ZHANG Milu， WANG Tianzhen， TANG Tianhao. Modeling and experimental study on blade imbalanced fault in marine current generation system[J]. Electric Machines and Control，2018，22（7）：44.

[6］TENG Y， HU D， WU F， et al. Fast economic model predictive control for marine current turbine generator system[J]. Renewable Energy，2020，166：108.

[7］WANG X， LIU Z， ZHANG L， et al. Wavelet package energy transmissibility function and its application to wind turbine blade fault detection[J]. IEEE Transactions on Industrial Electronics，2022，69（12）：13597.

[8］LIU Z， TANG X， WANG X， et al. Wind turbine blade bearing fault diagnosis under fluctuating speed operations via bayesian augmented lagrangian analysis[J]. IEEE Transactions on Industrial Informatics，2021，17（7）：4613.

[9］TONG R， LI P， GAO L， et al. A novel ellipsoidal semisupervised extreme learning machine algorithm and its application in wind turbine blade icing fault detection[J]. IEEE Transactions on Instrumentation and Measurement，2022，71：1.

[10］王萱，萬書亭，繩曉玲.基于風(fēng)速時(shí)空分布的風(fēng)電機(jī)組定子繞組短路和葉輪不平衡復(fù)合故障特性分析[J].太陽(yáng)能學(xué)報(bào)，2023，44（7）：318.

WANG Xuan， WAN Shuting， SHENG Xiaoling. Analysis of compound fault characteristics of wind turbines stator winding inter-turn short circuit and blade imbalance based on spatiotemporal distribution of wind speed[J]. Acta Energiae Solaris Sinica，2023，44（7）：318.

[11］程侃如，萬書亭，繩曉玲，等.基于Hilbert變換的雙饋風(fēng)力發(fā)電機(jī)葉輪質(zhì)量不平衡故障特性分析[J].電工技術(shù)學(xué)報(bào)，2021，36（24）：5225.

CHENG Kangru， WAN Shuting， SHENG Xiaoling， et al. Characteristic analysis of blade mass imbalance fault of doubly-fed induction generator based on Hilbert transform [J]. Transactions of China Electrotechnical Society，2021，36（24）：5225.

[12］XIE T， WANG T， HE Q， et al. A review of current issues of marine current turbine blade fault detection[J]. Ocean Engineering，2020，218：108194.

[13］雷興，郭睿，紀(jì)坤華，等.基于瞬時(shí)頻率的電壓源變流器開路故障檢測(cè)方法研究[J].電力系統(tǒng)保護(hù)與控制，2021，49（8）：58.

LEI Xing， GUO Rui， JI Kunhua， et al. Open-circuit fault detection method for a voltage source converter based on instantaneous frequency characteristics[J]. Power System Protection and Control，2021，49（8）：58.

[14］葛興來，鄒丹.多層降噪技術(shù)及Hilbert變換的軸承故障診斷方法[J].電機(jī)與控制學(xué)報(bào)，2020，24（8）：9.

GE Xinglai， ZOU Dan. Bearing fault diagnosis method of multi-layer denoising technologies and Hilbert transformation[J]. Electric Machines and Control，2020，24（8）：9.

[15］張民謠，高云鵬，吳聰，等.基于自適應(yīng)變分模式分解的非穩(wěn)態(tài)電壓閃變包絡(luò)參數(shù)檢測(cè)[J].電工技術(shù)學(xué)報(bào)，2021，36（3）：599.

ZHANG Minyao， GAO Yunpeng， WU Cong， et al. Non-stationary voltage flicker envelope parameters detection based on adaptive variational mode decomposition[J]. Transactions of China Electrotechnical Society，2021，36（3）：599.

[16］SAIDI L， BENBOUZID M， DIALLO D， et al. Higher-order spectra analysis-based diagnosis method of blades biofouling in a PMSG driven tidal stream turbine[J]. Energies，2020，13（11）： 2888.

[17］蔣海峰，張曼，趙斌炎，等.基于改進(jìn)Hilbert-Huang變換的電網(wǎng)故障診斷[J].電工技術(shù)學(xué)報(bào)，2019，34（S1）：336.

JIANG Haifeng， ZHANG Man， ZHAO Binyan， et al. Fault diagnosis of power grid based on improved Hilbert-Huang transform[J]. Transactions of China Electrotechnical Society，2019，34（S1）：336.

[18］SHAIK M， SANDEEP K， ABDUL G. An EMD and decision tree-based protection algorithm for the solar PV integrated radial distribution system[J]. IEEE Transactions on Industry Applications，2021，57（3）：2168.

[19］WEI J， XIE T， SHI M， et al. Imbalance fault classification based on VMD-denoising and S-LDA for variable-speed marine current turbine[J]. Journal of Marine Science and Engineering，2021，9（3）：248.

[20］王曉龍，閆曉麗，何玉靈.變速工況下基于IEWT能量階次譜的風(fēng)電機(jī)組軸承故障診斷[J].太陽(yáng)能學(xué)報(bào)，2021，42（4）：479.

WANG Xiaolong， YAN Xiaoli， HE Yuling. Fault diagnosis of wind turbine bearing based on IEWT energy order spectrum under variable speed condition[J]. Acta Energiae Solaris Sinica，2021，42（4）：479.

[21］GONG X， QIAO W. Current-based mechanical fault detection for direct-drive wind turbines via synchronous sampling and impulse detection[J]. IEEE Transactions on Industrial Electronics，2015，62（3）：1693.

[22］許伯強(qiáng)，陳思遠(yuǎn)，謝子峰，等.電壓波動(dòng)對(duì)異步電動(dòng)機(jī)轉(zhuǎn)子斷條故障檢測(cè)的影響[J].電機(jī)與控制學(xué)報(bào)，2022，26（9）：9.

XU Boqiang， CHEN Siyuan， XIE Zifeng， et al. Influence of voltage fluctuation on rotor broken bar fault detection of asynchronous motor[J]. Electric Machines and Control，2022，26（9）：9.

[23］陳勇，梁洪，王成棟，等.基于改進(jìn)小波包變換和信號(hào)融合的永磁同步電機(jī)匝間短路故障檢測(cè)[J].電工技術(shù)學(xué)報(bào)，2020，35（S1）：228.

CHEN Yong， LIANG Hong， WANG Chengdong， et al. Detection of stator inter-turn short-circuit fault in PMSM based on improved wavelet packet transform and signal fusion[J]. Transactions of China Electrotechnical Society，2020，35（S1）： 228.

[24］COBB M， REED J， DANIELS J， et al. Iterative learning-based path optimization with application to marine hydrokinetic energy[J]. IEEE Transactions on Control Systems Technology，2022，30（2）：639.

[25］WOLD S， KIM E， PAUL G. Principal component analysis[J]. Chemometrics and Intelligent Laboratory Systems，1987，2（1-3）：37.

（編輯：劉琳琳）

收稿日期： 2022-11-16

基金項(xiàng)目：國(guó)家自然科學(xué)基金（62303305）；中國(guó)博士后科學(xué)基金（2023M742263）

作者簡(jiǎn)介：謝 濤（1993—），男，博士，助理研究員，研究方向?yàn)橛来磐诫姍C(jī)故障診斷；

王天真（1978—），女，博士，教授，博士生導(dǎo)師，研究方向?yàn)殡姍C(jī)控制系統(tǒng)故障容錯(cuò)控制；

湯天浩（1955—），男，博士，教授，博士生導(dǎo)師，研究方向?yàn)殡姍C(jī)及其控制、電機(jī)優(yōu)化設(shè)計(jì)；

徐玉潔（1998—），女，博士研究生，研究方向?yàn)橛来磐诫姍C(jī)故障診斷。

通信作者：王天真