CN113281003B - 固定式海工结构实时损伤监测和荷载水平监测方法 - Google Patents
固定式海工结构实时损伤监测和荷载水平监测方法 Download PDFInfo
- Publication number
- CN113281003B CN113281003B CN202110677306.0A CN202110677306A CN113281003B CN 113281003 B CN113281003 B CN 113281003B CN 202110677306 A CN202110677306 A CN 202110677306A CN 113281003 B CN113281003 B CN 113281003B
- Authority
- CN
- China
- Prior art keywords
- state
- autoregressive
- damage
- evaluated
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M10/00—Hydrodynamic testing; Arrangements in or on ship-testing tanks or water tunnels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种固定式海工结构实时损伤监测方法、荷载水平监测方法。本发明的技术方案为:S1、获取固定式海工结构正常运行状态及待评价状态下的加速度数据,提出异常值并取均值;S2、对正常运行状态、待评价状态下的加速度数据运用随机减量技术获取结构自由衰减信号;S3、对结构自由衰减信号采用自回归滑动平均时间序列模型进行拟合,并从中提取自回归系数作为损伤敏感特征的特征向量;S4、对提取到的自回归系数进行Tikhonov正则化以消除自回归系数不稳定性的问题,计算待评价状态提取到的自回归系数与正常运行状态下提取到的自回归系数之间的马氏距离,得出距离值,根据待评价数据点与正常状态下一系列数据点的离群程度判断是否进入损伤状态。
Description
技术领域
本发明涉及一种固定式海工结构实时荷载水平和损伤监测方法。适用于海上风机结构状态监测技术领域。
背景技术
近年来,中国正在大力推动能源转型与非化石能源发展,以实现碳达峰和碳中和目标。海上风力资源丰富,风电机组机型大,具有广阔的市场前景。但海上风电场所处环境比较恶劣,不仅风速、风向和海浪高度的变化迅速,更有台风等极端情况影响,与陆上风电场的开发建设相比则具有更高的安全和投资风险。风电机组的故障通常可以进行维修和更换,但风电塔身结构的损伤累积带来的刚度退化往往会带来严重的工程事故,同时对结构的实时环境荷载水平监测可以帮助工作人员掌握风机的运行环境。所以能够从测得响应中剥离环境和结构的复杂关系,准确判断结构的损伤状态和实时荷载水平对风机结构的正常运行具有重要意义。
目前的健康诊断系统仅通过对加速度响应幅值的变化进行控制,在这种情况下,出现异常值时并不意味着结构被损坏,只是当前加速度测量值的分布特征发生变化。此时需要结合运行状态和环境因素进行解释,无法解释的工况才会归因于结构损伤。
然而实际的环境荷载是风、浪、流等荷载耦合在一起的,现场难以直接获取,与之相反,塔身加速度数据的获取却是十分方便。因此,基于加速度数据进行风机结构荷载水平和损伤状态监测时,需要先对结构的损伤状态进行判断,其次选定风机结构的运行状态(停机和不停机),进而才能在同样的结构损伤状态及运行状态下判断环境荷载水平。
发明内容
本发明要解决的技术问题是:针对上述存在的问题,提供一种固定式海工结构实时损伤监测方法和荷载水平监测方法。
本发明所采用的技术方案是:一种固定式海工结构实时损伤监测和荷载水平监测方法,其特征在于:
S1、获取固定式海工结构正常运行状态及待评价状态下的加速度数据,采用拉依达准则进行异常值的剔除,并以均值代替;
S2、对正常运行状态、待评价状态下的加速度数据运用随机减量技术获取结构自由衰减信号;
S3、对结构自由衰减信号采用自回归滑动平均时间序列模型进行拟合,并从中提取自回归系数作为损伤敏感特征的特征向量;
S4、对提取到的自回归系数进行Tikhonov正则化以消除自回归系数不稳定性的问题,计算待评价状态提取到的自回归系数与正常运行状态下提取到的自回归系数之间的马氏距离,得出距离值,根据待评价数据点与正常状态下一系列数据点的离群程度判断是否进入损伤状态。
所述对正常运行状态、待评价状态下的加速度数据运用随机减量技术获取结构自由衰减信号,包括:
式中:f(0)表示结构振动的初位移;表示结构振动的初速度;D(t)表示初速度为0且初位移为1的结构自由振动响应;V(t)表示初速度为1且初位移为0的结构自由振动响应;u(t)表示结构单位脉冲响应;y(t)表示外部随机激励;
选定一个常数C横向穿越结构振动响应信号f(t),得到多个交点时刻ti,每个交点相当于自ti时刻开始的自由振动响应和强迫振动响应的叠加,即:
将f(t-ti)的多个时间起点全移动到坐标起点,从而获取多个随机过程的子函数vi(t)(i=1,2,...,N),N为子函数个数;
对Vi(t)取均值:
通过对时间序列取均值,从结构的随机振动响应中提取到结构自由衰减信号。
所述对结构自由衰减信号采用自回归滑动平均时间序列模型进行合,并从中提取自回归系数作为损伤敏感特征的特征向量,包括:
p,q阶自回归滑动平均时间序列模型的基本公式定义如下:
其中xij(t)为时域信号,i为获取加速度数据的传感器编号,j为第i个传感器的第j段数据,ak为模型自回归系数,bk为模型滑动平均系数,εij(t)为残差项;
对自回归滑动平均时间序列模型进行Z变换可得:
式中,Xij(z)为xij(t)的Z变换,Eij(z)为εij(t)的Z变换;
求得传递函数:
令上式等于零可得传递函数H(z)的特征方程:
zp-a1zp-1-a2zp-2-…-ap=0
则传递函数H(z)的极值点在其特征方程的特征根处取得,其特征根可表示如下:
由上式可知,特征根zpole包含了结构损伤敏感特征参数的模态频率ωn和阻尼比ξ的信息,Δt为信号的采样间隔;
利用多项式根的简单理论,证明:
所述对提取到的自回归系数进行Tikhonov正则化以消除自回归系数不稳定性的问题,计算待评价状态提取到的自回归系数与正常运行状态下提取到的自回归系数之间的马氏距离,得出距离值,根据待评价数据点与正常状态下一系列数据点的离群程度判断是否进入损伤状态,包括:
选用L曲线的方法进行正则化系数的选取,对正则化后自回归系数集的异常性检测采用马氏距离来进行估计,若待评价状态的数据集与正常运行状态下的数据集来自不同的结构损伤状态,数据集间的马氏距离会有明显的偏差,马氏距离的平方可表示为:
一种固定式海工结构实时损伤监测和荷载水平监测方法,其特征在于:
A、固定式海工结构在经所述固定式海工结构实时损伤监测方法已确定结构损伤状态的前提下,将正常状态下获取的数据均分为数个子组,并对每个子组的数据取绝对值后再取均值处理形成新的子组时间序列信号;
B、对子组时间序列信号采用自回归滑动平均时间序列模型进行拟合并得到拟合值和实测值的模型残差序列;
C、对该残差序列进行区间等级划分,在不断取得待评价实时实测值后即得到预测值和实测值的预测残差序列,采用残差分区控制图和区间理论确定待评价加速度信号的荷载水平等级。
将残差序列3倍标准差范围内认定为健康区间,当预测残差超出3σ范围,则触发预警,荷载水平可划分为4级:一级:0~3σ;二级:3σ~4.5σ;三级:4.5σ~6σ;四级:6σ以上。
一种存储介质,其上存储有能被处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现所述固定式海工结构实时损伤监测和荷载水平监测方法的步骤或实现所述固定式海工结构实时荷载水平监测方法的步骤。
一种计算机设备,具有存储器和处理器,存储器上存储有能被处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现所述固定式海工结构实时损伤监测和荷载水平监测方法的步骤或实现所述固定式海工结构实时荷载水平监测方法的步骤。
本发明的有益效果是:(1)本发明将剔除异常值后的固定式海工结构(如风机结构)正常运行状态下的加速度数据作为基础数据,有助于为随后服役时间的增加导致可能出现的损伤状态提供对比。
(2)获取的加速度数据包含结构损伤状态、运行状态和环境因素的综合影响,本发明运用RD技术可以排除风机结构运行状态和环境因素的影响,只保留结构损伤状态的影响。
(3)结构自由衰减信号包含了表征结构损伤信息的损伤特征参数,本发明采用ARMA模型进行拟合,并提取其中的AR系数作为损伤特征,能够与结构固有频率和阻尼比的信息建立起联系。
(4)对提取到的AR系数进行Tikhonov正则化,以消除AR系数不稳定性的问题,能够准确反映信号的特征,同时采用马氏距离来评估集群的异常性,能够判断待评价状态的数据集是否与正常运行状态下的数据集有明显偏差,进而可以判断二者是否来自同一结构状态。
(5)本发明中数据分组可以带来更高的运算效率和代表性,运用ARMA模型可以得到预测残差与固有残差,通过残差分区控制图和区间理论即可给出待评价加速度信号的荷载水平等级,便于工作人员掌握风机的运行环境。
附图说明
图1为实施例的流程图。
图2为实施例中风机结构上加速度传感器的安装示意图。
图3为实施例中加速度响应及结构自由衰减信号。
图4为实施例中基于马氏距离平方的异常性检测示意图。
图5为实施例中正常运行状态下加速度数据处理。
图6为实施例中ARMA模型预测值。
图7为实施例中残差分区控制图。
具体实施方式
如图1所示,本实施例为一种固定式海工结构实时荷载水平和损伤监测方法,具体包括以下步骤:
S1、通过布置在待测风机结构关键监测点位置处的加速度传感器,获取正常运行状态及待评价状态下的加速度数据,同时采用拉依达准则(3σ准则)进行异常值的剔除,并以均值代替。将剔除异常值后的风机结构正常运行状态下的加速度数据作为基础数据,有助于为随后服役时间的增加导致可能出现的损伤状态提供对比。
S2、对正常运行状态、待评价状态下的加速度数据运用随机减量(Randomdecrement(RD))技术获取结构自由衰减信号,排除了环境荷载的影响。
对于风机结构振动信号,在随机激励下某一测点的振动响应可以表示为:
式中:f(0)表示结构振动的初位移;表示结构振动的初速度;D(t)表示初速度为0且初位移为1的结构自由振动响应;V(t)表示初速度为1且初位移为0的结构自由振动响应;u(t)表示结构单位脉冲响应;y(t)表示外部随机激励。
选定一个常数C横向穿越结构振动响应信号f(t),即可得到多个交点时刻ti,每个交点相当于自ti时刻开始的自由振动响应和强迫振动响应的叠加,即:
将f(t-ti)的多个时间起点全移动到坐标起点,从而获取多个随机过程的子函数vi(t)(i=1,2,...,N),N为子函数个数;
对Vi(t)取均值有:
v(t)≈CD(t)
通过对时间序列取均值,能够从结构的随机振动响应中提取到结构自由衰减信号。
本实施例中获取的加速度数据包含了结构损伤状态、运行状态和环境因素的综合影响,运用RD技术可以排除风机结构运行状态和环境因素的影响,只保留结构损伤状态的影响。
S3、对结构自由衰减信号采用自回归滑动平均(Autoregressive moving average(ARMA))时间序列模型进行拟合,并从中提取AR系数作为损伤敏感特征的特征向量。
①ARMA模型参数确定
ARMA模型根据其先验值的线性组合估计n时刻的函数值,模型阶次(通常用p,q表示)决定了用于估计n处的值的过去值的数量,p,q阶ARMA模型的基本公式定义如下:
其中xij(t)为时域信号,i为传感器编号,j为第i个传感器的第j段数据,ak为模型AR系数,bk为模型MA系数,εij(t)为残差项。
ARMA模型系数的物理意义解释如下:
对ARMA(p,q)模型进行Z变换可得:
式中,Xij(z)为xij(t)的Z变换,Eij(z)为εij(t)的Z变换。
进一步地,可求得传递函数:
令上式等于零可得传递函数H(z)的特征方程:
zp-a1zp-1-a2zp-2-…-ap=0
则传递函数H(z)的极值点在其特征方程的特征根处取得,其特征根可表示如下:
由上式可知,特征根zpole包含了结构损伤敏感特征参数的模态频率ωn和阻尼比ξ的信息,Δt为信号的采样间隔。
利用多项式根的简单理论,可以证明:
②模型阶次确定
采用Akaike information criterion(AIC)准则定阶的方法,能够对ARMA模型的复杂度和拟合数据的优良性加以权衡,并提取出观测时间序列中对原始数据贡献最大的信息量,AIC准则系数定义如下:
③残差检验
为了确保确定的阶数合适,还需要进行残差检验,对残差进行正态化检验、Durbin-Watson检验、自相关和偏自相关检验,如果残差是随机正态分布的、不自相关的,这说明残差是一段白噪声信号,也就说明ARMA模型是符合要求的。
本例中步骤S2获取的结构自由衰减信号包含了表征结构损伤信息的损伤特征参数,采用ARMA模型进行拟合,并提取其中的AR系数作为损伤特征,能够与结构固有频率和阻尼比的信息建立起联系。
S4、对提取到的AR系数进行Tikhonov正则化以消除AR系数不稳定性的问题,计算待评价状态提取到的AR系数与正常运行状态下提取到的AR系数之间的马氏距离,得出距离值,根据待评价数据点与正常状态下一系列数据点的离群程度判断是否进入损伤状态。
选用L曲线的方法进行正则化系数的选取,随后对多维数据集(正则化后的AR系数集)的异常性检测采用马氏距离来进行估计,若待评价状态的数据集与正常运行状态下的数据集来自不同的结构损伤状态,数据集间的马氏距离会有明显的偏差,马氏距离的平方可表示为:
本实施例对提取到的AR系数进行Tikhonov正则化,可以消除AR系数不稳定性的问题,能够准确反映信号的特征,同时采用马氏距离来评估集群的异常性,能够判断待评价状态的数据集是否与正常运行状态下的数据集有明显偏差,进而可以判断二者是否来自同一结构状态。
S5、在已确定结构损伤状态的前提下,将正常状态下获取的数据均分为数个子组,并对每个子组的数据取绝对值后再取均值处理形成新的子组时间序列信号;
对该子组时间序列信号采用ARMA时间序列模型进行拟合并得到拟合值和实测值的模型残差序列;
对该残差序列进行区间等级划分,在不断取得待评价实时实测值后即得到预测值和实测值的预测残差序列,采用残差分区控制图和区间理论确定待评价加速度信号的荷载水平等级。
④数据分组处理
直接采用加速度测点会带来数据代表性差、计算量庞大等问题,因此,在已确定结构损伤状态的前提下,将正常状态下获取的数据均分为数个子组,并对每个子组的数据取绝对值后再取均值处理形成新的子组时间序列信号。
⑤数据平稳性检验
对子组时间序列采用ADF检验和KPSS检验,对没有通过检验的时间序列进行差分处理,直至信号平稳,通常差分次数不超过两次。
⑥ARMA模型确定及预测
对子组时间序列重复步骤S2中的①-③,得到合适的ARMA模型并进行预测,由于ARMA模型预测值具有收敛性,因此不宜取过多的预测点数。
⑦ARMA模型预测残差分区控制
ARMA模型残差序列为高斯白噪声序列,符合正态分布,参照拉依达准则异常值的定义标准,将残差序列3倍标准差(3σ)范围内认定为健康区间,实测值和预测值的差定义为预测残差,当预测残差超出3σ范围,则触发预警,荷载水平可划分为4级:一级:0~3σ;二级:3σ~4.5σ;三级:4.5σ~6σ;四级:6σ以上;为了防止个别点数据波动引起的虚假报警,取超3σ范围离群值的最大和最小值,组成离群值区间。
⑧可拓区间理论
令区间X=<x1,x2>为A在实域上的任意小模区间,则可计算其关联度:
其中,D(X,A,B)为:
最终风机结构荷载水平等级的确定可根据最大隶属度原则来确定,即与某等级的关联度值越大,表明与该等级的符合程度越高。
本实施例中数据分组可以带来更高的运算效率和代表性,运用ARMA模型可以得到模型残差与预测残差,通过残差分区控制图和区间理论即可给出待评价加速度信号的荷载水平等级,便于工作人员掌握风机的运行环境。
本实施例还提供一种存储介质,其上存储有能被处理器执行的计算机程序,该计算机程序被执行时实现本实施例中固定式海工结构实时荷载水平和损伤监测方法的步骤。
本实施例还提供一种计算机设备,具有存储器和处理器,存储器上存储有能被处理器执行的计算机程序,该计算机程序被执行时实现本实施例中固定式海工结构实时荷载水平和损伤监测方法的步骤。
以下以一个具体实例进行说明:采用一风机结构模型,模型示意图如图2所示,在风机结构顶部节点处施加动力荷载,得到各测点加速度响应;随后对法兰盘处螺栓进行拆除(拆除数为1、2、3),以模拟结构损伤状态的变化,对不同状态下的加速度响应采用本算法的步骤S1~S4进行验证;选取没有进行整体刚度折减的模型,以幅值F=100N的荷载水平为正常状态,随后施加荷载幅值F分别为100N、150N、250N、300N,以模拟环境荷载水平的变化,对不同荷载水平下的加速度响应采用本算法的步骤S5进行验证。
以顶部节点加速度响应为例,图3给出了步骤S1和S2中加速度响应及结构自由衰减信号。图4给出了步骤S4中基于马氏距离平方的异常性检测图,可以看出不同损伤状态下的马氏距离的平方值有明显偏差,可以判断数据来自不同结构状态。图5给出了步骤S5中正常运行状态下加速度数据处理,图6给出了步骤S5中ARMA模型预测值,图7给出了在不同荷载幅值(F=100N、150N、250N、300N)下步骤S5中的残差分区控制图,将荷载幅值F=100N的模型残差作为正常运行状态(前75个子组序列),图7(a)说明待评价状态的预测残差(第76-80个子组序列)为100N时不会发生数据溢出,在待评价状态的荷载增大到F=150N、250N、300N时,从图7(a)-(d)中可以发现有待评价数据超出各等级阈值,利用超出阈值点所处的区间等级,结合区间理论即可得到待评价状态的荷载等级水平。
Claims (6)
1.一种固定式海工结构实时损伤监测和荷载水平监测方法,其特征在于:
A、固定式海工结构在经固定式海工结构实时损伤监测方法已确定结构损伤状态的前提下,将正常状态下获取的数据均分为数个子组,并对每个子组的数据取绝对值后再取均值处理形成新的子组时间序列信号;
B、对子组时间序列信号采用自回归滑动平均时间序列模型进行拟合并得到拟合值和实测值的模型残差序列;
C、对该残差序列进行区间等级划分,在不断取得待评价实时实测值后即得到预测值和实测值的预测残差序列,采用残差分区控制图和区间理论确定待评价加速度信号的荷载水平等级;
所述固定式海工结构实时损伤监测方法,包括:
S1、获取固定式海工结构正常运行状态及待评价状态下的加速度数据,采用拉依达准则进行异常值的剔除,并以均值代替;
S2、对正常运行状态、待评价状态下的加速度数据运用随机减量技术获取结构自由衰减信号;
S3、对结构自由衰减信号采用自回归滑动平均时间序列模型进行拟合,并从中提取自回归系数作为损伤敏感特征的特征向量;
S4、对提取到的自回归系数进行Tikhonov正则化以消除自回归系数不稳定性的问题,计算待评价状态提取到的自回归系数与正常运行状态下提取到的自回归系数之间的马氏距离,得出距离值,根据待评价数据点与正常状态下一系列数据点的离群程度判断是否进入损伤状态。
2.根据权利要求1所述的固定式海工结构实时损伤监测和荷载水平监测方法,其特征在于,所述对结构自由衰减信号采用自回归滑动平均时间序列模型进行拟合,并从中提取自回归系数作为损伤敏感特征的特征向量,包括:
p,q阶自回归滑动平均时间序列模型的基本公式定义如下:
其中xij(t)为时域信号,i为获取加速度数据的传感器编号,j为第i个传感器的第j段数据,ak为模型自回归系数,bk为模型滑动平均系数,εij(t)为残差项;
对自回归滑动平均时间序列模型进行Z变换可得:
式中,Xij(z)为xij(t)的Z变换,Eij(z)为εij(t)的Z变换;
求得传递函数:
令上式等于零可得传递函数H(z)的特征方程:
zp-a1zp-1-a2zp-2-…-ap=0
则传递函数H(z)的极值点在其特征方程的特征根处取得,其特征根可表示如下:
由上式可知,特征根zpole包含了结构损伤敏感特征参数的模态频率ωn和阻尼比ξ的信息,Δt为信号的采样间隔;
利用多项式根的简单理论,证明:
3.根据权利要求1所述的固定式海工结构实时损伤监测和荷载水平监测方法,其特征在于,所述对提取到的自回归系数进行Tikhonov正则化以消除自回归系数不稳定性的问题,计算待评价状态提取到的自回归系数与正常运行状态下提取到的自回归系数之间的马氏距离,得出距离值,根据待评价数据点与正常状态下一系列数据点的离群程度判断是否进入损伤状态,包括:
选用L曲线的方法进行正则化系数的选取,对正则化后自回归系数集的异常性检测采用马氏距离来进行估计,若待评价状态的数据集与正常运行状态下的数据集来自不同的结构损伤状态,数据集间的马氏距离会有明显的偏差,马氏距离的平方可表示为:
4.根据权利要求1所述的固定式海工结构实时损伤监测和荷载水平监测方法,其特征在于:
将残差序列3倍标准差范围内认定为健康区间,当预测残差超出3σ范围,则触发预警,荷载水平可划分为4级:一级:0~3σ;二级:3σ~4.5σ;三级:4.5σ~6σ;四级:6σ以上。
5.一种存储介质,其上存储有能被处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现权利要求1~4任意一项所述固定式海工结构实时损伤监测和荷载水平监测方法的步骤。
6.一种计算机设备,具有存储器和处理器,存储器上存储有能被处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现权利要求1~4任意一项所述固定式海工结构实时损伤监测和荷载水平监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110677306.0A CN113281003B (zh) | 2021-06-18 | 2021-06-18 | 固定式海工结构实时损伤监测和荷载水平监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110677306.0A CN113281003B (zh) | 2021-06-18 | 2021-06-18 | 固定式海工结构实时损伤监测和荷载水平监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113281003A CN113281003A (zh) | 2021-08-20 |
CN113281003B true CN113281003B (zh) | 2022-05-03 |
Family
ID=77285010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110677306.0A Active CN113281003B (zh) | 2021-06-18 | 2021-06-18 | 固定式海工结构实时损伤监测和荷载水平监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113281003B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901209B (zh) * | 2010-02-04 | 2013-04-03 | 福州大学 | 基于改进emd和arma模型的结构响应分析方法 |
CN104297004A (zh) * | 2014-09-18 | 2015-01-21 | 天津大学 | 基于ar-arx模型的桥梁实时损伤预警方法 |
CN110410282B (zh) * | 2019-07-24 | 2020-06-16 | 河北工业大学 | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 |
CN110688617B (zh) * | 2019-10-09 | 2020-07-03 | 北京天泽智云科技有限公司 | 风机振动异常检测方法及装置 |
CN112229633A (zh) * | 2020-09-03 | 2021-01-15 | 中国长江三峡集团有限公司福建分公司 | 一种基于多元特征融合的风机轴承故障诊断方法 |
-
2021
- 2021-06-18 CN CN202110677306.0A patent/CN113281003B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113281003A (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582392B (zh) | 一种风电机组关键部件多工况健康状态在线监测方法 | |
CN105844361B (zh) | 风电机组风功率预测方法、解缆方法和装置 | |
CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
CN109416023B (zh) | 风力涡轮机监视装置、风力涡轮机监视方法、风力涡轮机监视程序以及存储介质 | |
CN112952830B (zh) | 一种故障后电力系统暂态稳定预测方法 | |
CN112016251A (zh) | 一种核动力装置故障的诊断方法及系统 | |
CN114841580A (zh) | 基于混合注意力机制的发电机故障检测方法 | |
CN115326147A (zh) | 一种船舶用脱硫塔实时监测方法及系统 | |
CN111881594A (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
CN105587475A (zh) | 风力发电机组及其塔架系统状态的检测方法和装置 | |
CN115128345B (zh) | 一种基于谐波监测的电网安全预警方法及系统 | |
CN115314235A (zh) | 用于风力涡轮控制系统中的网络攻击检测的系统和方法 | |
CN107327367B (zh) | 风力发电机组变桨异常的识别方法及装置 | |
CN113309663A (zh) | 用于风力发电机组的控制方法及控制装置 | |
Ji et al. | Structural performance degradation identification of offshore wind turbines based on variational mode decomposition with a Grey Wolf Optimizer algorithm | |
CN113281003B (zh) | 固定式海工结构实时损伤监测和荷载水平监测方法 | |
CN117454324A (zh) | 风速风向仪故障预警方法、系统、电子设备及存储介质 | |
CN111563685B (zh) | 一种基于自联想核回归算法的发电设备状态预警方法 | |
CN117365869A (zh) | 一种风电机组桨叶扫塔故障的自适应预警策略设计方法 | |
CN112215281A (zh) | 一种风机叶片结冰故障检测方法 | |
CN111192163A (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
CN112948770B (zh) | 海上风机的信号平稳性检验方法、装置、终端设备和系统 | |
CN115561575A (zh) | 基于多维矩阵轮廓的海上风电场电气异常状态辨别方法 | |
CN111319787B (zh) | 一种直升机动部件振动监测数据有效性评估方法 | |
Yang et al. | Condition Monitoring for Wind Turbine Pitch System Using Multi-parameter Health Indicator |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |