目前，風(fēng)電行業(yè)是新能源領(lǐng)域重點發(fā)展的新興產(chǎn)業(yè)， 提高風(fēng)能利用率的關(guān)鍵是對風(fēng)機葉片材料、結(jié)構(gòu)等進行 優(yōu)化，根據(jù) IEC61400-23 標(biāo)準(zhǔn)，新研制的葉片需要進 行靜力加載實驗，考核驗證風(fēng)機葉片的強度極限和剛度 性能，以確保葉片在實際運行時的安全可靠。在葉片 靜力加載試驗中，采用多點加載的方法將葉片在實際運 行過程所受極限載荷等效為多個加載點的靜力載荷，多 點靜力載荷通常需要按照流程逐步施加于葉片，使被測 葉片的彎矩分布與實際彎矩分布盡可能一致，從而模擬整個葉片的受力情況，故對葉片的加載控制方式要有很 高的精度要求。 關(guān)于多點靜力加載控制方式，廖高華等提出了 基于模糊控制理論的比例積分微分 (Proportional Integral  Derivative，PID) 參數(shù)自整定算法，提高了系統(tǒng)的動態(tài) 響應(yīng)，增強了系統(tǒng)的抗干擾能力；張鑫鑫等在模糊控 制的基礎(chǔ)上與預(yù)測控制相結(jié)合的動態(tài)控制算法提高了系 統(tǒng)的動態(tài)控制能力，減小了拉力誤差；范漢玟等提出 了反向傳播 (Back Propagation，BP) 神經(jīng)網(wǎng)絡(luò) PID 自整 定算法實現(xiàn)了三點加載的解耦控制，但 BP 神經(jīng)網(wǎng)絡(luò)的局部比較好問題依然存在；曾智杰等通過變步長 BP 神 經(jīng)網(wǎng)絡(luò) PID 自整定算法解決了神經(jīng)網(wǎng)絡(luò)收斂慢、易陷入 局部比較好的問題，并通過現(xiàn)場實驗驗證了算法的可行性。 在實際加載過程中，對葉片進行加載的纜索會出現(xiàn) 抖動、拉力有輕微震蕩等問題；在控制策略中存在參數(shù) 整合不徹底、自適應(yīng)能力不強等問題。針對以上問題， 參照多電動機同步控制中偏差耦合控制的方法，對 BP 神經(jīng)網(wǎng)絡(luò)自整定 PID 參數(shù)的控制策略進行修改，將** 的神經(jīng)網(wǎng)絡(luò)通過偏差耦合控制整合成加載點有關(guān)聯(lián)的新 型結(jié)構(gòu)，并基于 Labview 建立多點靜力加載控制系統(tǒng)仿 真模型，利用改變仿真葉片的剛度模擬實際葉片參數(shù)的 變化，以驗證新算法的有效性。

1、風(fēng)電葉片多點靜力加載控制系統(tǒng)

風(fēng)機葉片靜力加載測試的預(yù)設(shè)拉力根據(jù) IEC61400—23測試規(guī)范計算，測試標(biāo)準(zhǔn)對每個加載點 的拉力都進行了準(zhǔn)確化規(guī)定，加載過程應(yīng)按比較大目標(biāo)載 荷的 40%、60%、80%、100% 分級加載，如圖 1 所示。 卸載過程則按上述相反順序逐級卸載，在滿載狀態(tài)下的 持續(xù)時間應(yīng)大于 10 s，以便觀察在極限載荷下葉片的加 載情況。上述加載方式針對的是葉片單個加載點，實際加載 過程需要多臺電動機多點同時加載，各加載點作用在不 同位置，而葉片自身是大柔度非線性，各節(jié)點的撓度并 非只與自身載荷相關(guān)，也受到其他各節(jié)點載荷影響，即 存在耦合情況。傳統(tǒng)解耦方式因為計算量大且結(jié)構(gòu)復(fù)雜 不適用于葉片這種大形變、多節(jié)點的應(yīng)用場景，所以目 前主流的控制策略是 BP 神經(jīng)網(wǎng)絡(luò)自整定 PID 算法； 控制方式如圖 2 所示。個人電腦 (Personal Computer，PC) 通過算法整定出 PID 參數(shù)，經(jīng)過傳輸控制協(xié)議 / 網(wǎng) 際協(xié)議 (Transmission Control Protocol/Internet Protocol， TCP/IP) 傳遞給可編程邏輯控制器 (Programmable Logic  Controller，PLC)，PLC 利用 Modbus 協(xié)議與驅(qū)動器通信， 通過改變變頻器頻率控制伺服電動機的轉(zhuǎn)速。電動機輸 出由滑輪和纜索將力傳遞給夾具，夾具上的傳感器將采 集到的拉力數(shù)據(jù)反饋到 PLC，再由 TCP/IP 通信協(xié)議給 PC，實現(xiàn)閉環(huán)控制。

2、偏差耦合控制的自整定 PID 算法

針對風(fēng)電葉片全尺寸靜力測試系統(tǒng)的控制策略， 參照多電動機同步控制的偏差耦合控制，建立了基于偏 差耦合控制的 BP 神經(jīng)網(wǎng)絡(luò)自整定 PID 參數(shù)控制算法， 如圖 3 所示。首先根據(jù)風(fēng)電測試標(biāo)準(zhǔn)設(shè)定預(yù)設(shè)拉力，以 加載點 1 為例，在 k 時刻設(shè)定拉力 F1 與拉力傳感器反 饋的實際拉力 Y1 作差得到 k 時刻誤差 e1(k) 作為神經(jīng)網(wǎng) 絡(luò)算法的輸入層第 1 個節(jié)點輸入；0 ～ k 時刻的誤差累 加和 ∑e1(k) 作為第 2 個節(jié)點輸入；k 時刻誤差與 k-1 時 刻的誤差值 e1(k) -e1(k-1) 作為第 3 個節(jié)點輸入；n 點的 拉力通過拉力補償誤差 1 模塊輸出 k 時刻拉力補償誤差 e1F(k) 作為第 4 個節(jié)點輸入，經(jīng)過 BP 神經(jīng)網(wǎng)絡(luò)算法整定 出 3 個 PID 參數(shù)；再由 PID 控制器 1 控制伺服電動機 1 轉(zhuǎn)速，通過加載裝置作用于葉片，采集 k+1 時刻處的實 際拉力 Y1，進行 k+1 時刻的誤差計算，其余加載點與加 載點 1 處類似。

2.1 拉力補償誤差模塊

拉力補償誤差模塊是對其余各加載點的拉力在該點 產(chǎn)生的耦合偏差進行補償，以提高系統(tǒng)的緊密型。模塊 根據(jù)多電動機同步控制中偏差耦合電動機控制的速度補 償器進行改進，將速度補償替換為拉力補償。 偏差耦合控制 [10] 是針對多電動機同步控制提出的 解決方案，這里以 3 臺電動機的偏差耦合控制為例，其 工作原理如圖 4 所示。通過對每臺電動機運行狀態(tài)進行 速度補償，補償信號由 1 臺電動機的反饋與其他電動機 的反饋偏差乘以增益后得到的結(jié)果相加而定，該系統(tǒng)的 耦合程度很高，任何 1 臺電動機轉(zhuǎn)速波動都會傳遞給其 他電動機采取補償措施。

2.2 BP 神經(jīng)網(wǎng)絡(luò)算法

BP 神經(jīng)網(wǎng)絡(luò) [12] 主要由輸入層、隱含層、輸出層等 組成。為了很大程度獲得更準(zhǔn)確的 PID 參數(shù)，以加載點 1 為例，搭建圖 7 所示的 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。圖 7 中搭 建的是 4×6×3 的網(wǎng)絡(luò)結(jié)構(gòu)，有 4 個輸入層，隱含層有 6 個節(jié)點，輸出層輸出對應(yīng)的是 PID 的 3 個調(diào)節(jié)參數(shù)， 采用的 BP 神經(jīng)網(wǎng)絡(luò)分為正向傳播和反向傳播 2 部分。 

1）正向傳播 正向傳播通過輸入層的輸入與輸入層和隱含層之間 的權(quán)重相乘并累加得到隱含層的輸入，利用***函數(shù)轉(zhuǎn)化 隱含層的輸入獲取各節(jié)點的輸出，并通過與隱含層和輸出 層之間權(quán)重相乘累加得到各節(jié)點的輸出。在正向傳播完成后，通過整定出的 PID 參數(shù)得到電 動機的輸出轉(zhuǎn)速，即神經(jīng)網(wǎng)絡(luò)的預(yù)測值。為了使神經(jīng)網(wǎng) 絡(luò)計算出的預(yù)測輸出更精確，需要通過對預(yù)測和實際值 進行誤差分析，利用反向傳播來調(diào)整每個神經(jīng)元的連接 權(quán)重，重新進行正向傳播來獲取輸出層的輸出。

2）反向傳播 反向傳播對誤差進行負梯度方向搜索，利用誤差對 連接權(quán)重的偏導(dǎo)數(shù)，以固定步長快速迭代逼近收斂點， 通過誤差的性能指標(biāo)函數(shù)判定是否滿足迭代結(jié)束的條 件。反向傳播從隱含層與輸出層之間權(quán)重更新開始，利 用偏導(dǎo)數(shù)的性質(zhì)進行逐步拆分，按照式 (8) 得到梯度， 利用梯度計算更新權(quán)重

3、仿真驗證

仿真系統(tǒng)是基于 Labview 平臺、調(diào)用 Matlab 腳本文件運行神經(jīng)網(wǎng)絡(luò)的一個聯(lián)合仿真，其搭建流程如圖 8 所示。初始化參數(shù)包括對輸入層到隱含層權(quán)重矩陣、隱 含層到輸出層權(quán)重矩陣隨機賦值，對實際拉力，拉力誤 差，PID 參數(shù)等進行賦值，通過 Matlab 腳本上的輸入輸 出進行數(shù)據(jù)傳遞，執(zhí)行正向傳播，計算得到整定的 PID 參數(shù)，通過 PID 參數(shù)，模擬計算出各電動機的輸出拉力， 利用耦合矩陣對輸出拉力進行耦合，模擬加載到實際葉 片的情況，得到每一個加載點的實際拉力，再進行誤差 計算。

4、結(jié)論 

1）當(dāng)葉片參數(shù)變化不大時，偏差耦合控制的 BP 神經(jīng)網(wǎng)絡(luò)算法拉力跟隨效果***，誤差變化平穩(wěn)，相對 于 BP 神經(jīng)網(wǎng)絡(luò)算法誤差更小，說明有很強的自適應(yīng)能 力和 PID 參數(shù)的整定能力； 2）當(dāng)葉片參數(shù)變化較劇烈時，BP 神經(jīng)網(wǎng)絡(luò)算法對 預(yù)設(shè)拉力的整定出現(xiàn)較大偏差，控制效果并不穩(wěn)定，偏 差耦合控制的 BP 神經(jīng)網(wǎng)絡(luò)算法將拉力補償至預(yù)設(shè)值附 近，只出現(xiàn)輕微波動，大幅減小了誤差，有效提高了靜 力測試系統(tǒng)的動態(tài)控制精度，為后續(xù)葉片靜力測試系統(tǒng) 的優(yōu)化提供了理論和仿真基礎(chǔ)。