风力发电机作为人类利用风能最主要的方式,其自身结构的安全稳定至关重要。大多数的风电场位于荒漠、山区、牧场、滩涂或近海等地域,严酷的自然环境致使大量服役的发电机所受的载荷复杂多样,难免会造成风机结构的疲劳累积损伤或突然破坏。传统的风机结构损伤识别方法多是采用人工地面观察、电阻式传感系统等检测风机故障。此类方法观测效率低,无法满足现阶段大功率风力发电机监测需求。本文以高性能光纤传感技术为基础,充分利用其分布式高密度测量、准分布式动态测量的特点,获取风力发电机结构的真实应变响应分布,研究风力发电机结构状态监测与评估新方法。主要内容具体如下:提出了基于DPP-BOTDA分布式光纤传感技术的海上风力发电机桩基础全长应变响应的监测方法。将此方法应用于一台5 MW海上风力发电机钢管桩基础承载能力试验中,得到钢管桩沿标高的分布式应变值,通过载荷-应变最大值曲线判断桩基的极限承载力,计算得到的桩顶位移值与实测值平均绝对百分比误差为0.03548,桩顶位移与荷载的比值系数为0.9136 mm/k N。提出了一种基于测量风力发电机叶片表面温度的覆冰预估方法。采用DPPBOTDA分布式光纤传感技术在低温实验室中进行5 k W风力发电机叶片模型低温试验,通过获得的温度数据能够检测到结冰的开始时间、持续时间、结束时间,采用温度稳定阶段的持续时间作为估算冰层厚度的直接指标,得到了不同工况下冰厚度与持续时间的特征关系。提出了一种基于准分布式光纤光栅传感数据的大型风力发电机叶片覆冰识别方法。针对1.5 MW的大型试验风力发电机设计并安装布设光纤光栅传感监测系统,分析试验风机的基本运行特征信息,通过叶片挥舞方向和摆振方向不同月份的应变比值,结合冬季期间叶片实际运营信息,判断出叶片覆冰。提出了基于LSTM神经网络的风力发电机叶片应变预测方法。采用1.5 MW大型风力发电机叶片实测数据集,建立以风速大小、风机转速、发电功率、偏航位置、对风角度以及环境温度为参量的应变预测神经网络。采用实测数据集对网络进行训练,通过对比预测应变值和实测应变值验证了模型的有效性,并通过预测应变与实测应变的比值对叶片服役状态进行评估。