CN114757048B - 一种风机基础的健康状态评估方法、装置、设备和介质 - Google Patents
一种风机基础的健康状态评估方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN114757048B CN114757048B CN202210462963.8A CN202210462963A CN114757048B CN 114757048 B CN114757048 B CN 114757048B CN 202210462963 A CN202210462963 A CN 202210462963A CN 114757048 B CN114757048 B CN 114757048B
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- monitoring data
- historical
- offshore wind
- real
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风机基础的健康状态评估方法、装置、设备和介质,包括:获取海上风机基础的结构参数,并根据结构参数,构建与海上风机基础对应的初始数字模型;获取海上风机基础对应的传感器集群的历史监测数据,根据历史监测数据和初始数字模型,构建与海上风机基础对应的数字孪生模型;获取传感器集群的实时监测数据,并根据实时监测数据,对数字孪生模型进行实时更新;根据实时更新后的数字孪生模型的模拟仿真分析结果,确定海上风机基础的健康状态。本发明根据海上风机基础的实时监测数据通过数字孪生模型对海上风机基础进行仿真和健康状态评估,提高了海上风机基础的健康评估准确性及运维效率,进而降低海上风机基础的维护成本。
Description
技术领域
本发明涉及风电技术领域,尤其涉及一种风机基础的健康状态评估方法、装置、设备和介质。
背景技术
目前海上风电场基本都在近浅海水域,采用固定式海上风机。由于海上环境恶劣,情况复杂,固定式海上风机的基础结构面临环境腐蚀、海生物附着、海流冲刷、环境载荷等作用,甚至存在船舶、海冰的挤压、碰撞等安全风险,需要及时进行维护。
然而,相关技术中主要通过人工巡检的方式对固定式海上风机的运行状态进行维护,该方式的维护效率低。
发明内容
本申请实施例通过提供一种风机基础的健康状态评估方法、装置、设备和介质,解决了现有技术中通过传统的人工巡检方式对固定式海上风机基础健康状态进行评估,导致维护效率低的技术问题,实现了提高维护效率、降低维护成本的技术效果。
第一方面,本申请提供了一种风机基础的健康状态评估方法,方法包括:
获取海上风机基础的结构参数,并根据结构参数,构建与海上风机基础对应的初始数字模型;
获取海上风机基础对应的传感器集群的历史监测数据,根据历史监测数据和初始数字模型,构建与海上风机基础对应的数字孪生模型;
获取传感器集群的实时监测数据,并根据实时监测数据,对数字孪生模型进行实时更新;
根据实时更新后的数字孪生模型的模拟仿真分析结果,确定海上风机基础的健康状态。
进一步地,获取海上风机基础对应的传感器集群的历史监测数据,根据历史监测数据和初始数字模型,构建与海上风机基础对应的数字孪生模型,包括:
获取传感器集群的历史监测数据,历史监测数据包括历史基础监测数据和历史环境监测数据;
根据历史环境监测数据和初始数字模型,构建与海上风机基础对应的初始孪生模型;
根据历史基础监测数据,对初始孪生模型进行优化,得到数字孪生模型。
进一步地,根据历史基础监测数据,对初始孪生模型进行优化,得到数字孪生模型,包括:
控制初始孪生模型根据历史环境监测数据进行仿真运算,得到历史监测仿真数据;
根据历史监测仿真数据与历史基础监测数据之间的差异程度,对初始孪生模型进行优化,得到数字孪生模型。
进一步地,获取传感器集群的实时监测数据,并根据实时监测数据,对数字孪生模型进行实时更新,包括:
获取传感器集群的实时监测数据,实时监测数据包括实时环境监测数据;
将实时环境监测数据通过预设数据端口输入数字孪生模型,以对数字孪生模型进行实时更新。
进一步地,根据实时更新后的数字孪生模型的模拟仿真分析结果,确定海上风机基础的健康状态,包括:
根据实时更新后的数字孪生模型的模拟仿真分析结果,确定海上风机基础的实际状态参数;
根据实际状态参数与预警状态参数,确定海上风机基础的健康状态。
进一步地,根据实际状态参数与预警状态参数,确定海上风机基础的健康状态,包括:
当实际状态参数与预警状态参数之间的差异阈值超过预设阈值时,确定海上风机基础处于待维修状态,并标记海上风机基础以等待维修。
进一步地,在对数字孪生模型进行实时更新之后,方法还包括:
对目标历史时间段内的历史实时监测数据进行分析,得到目标历史时间段内的实时监测数据的变化趋势,目标历史时间段是指以当前时刻为结束时刻的第一预设历史时长;
根据数字孪生模型,确定目标历史时间内海上风机基础的历史状态参数;
根据目标历史时间内海上风机基础的历史状态参数,确定目标历史时间段内海上风机基础的状态变化趋势;
根据目标历史时间段内的实时监测数据的变化趋势,以及目标历史时间段内海上风机基础的状态变化趋势,对海上风机基础在目标未来时间段内的健康状态进行预测,目标未来时间段是指以当前时刻为开始时刻的第二预设历史时长。
第二方面,本申请提供了一种风机基础的健康状态评估装置,装置包括:
初始数字模型构建模块,用于获取海上风机基础的结构参数,并根据结构参数,构建与海上风机基础对应的初始数字模型;
数字孪生模型构建模块,用于获取海上风机基础对应的传感器集群的历史监测数据,根据历史监测数据和初始数字模型,构建与海上风机基础对应的数字孪生模型;
实时更新模块,用于获取传感器集群的实时监测数据,并根据实时监测数据,对数字孪生模型进行实时更新;
健康状态确定模块,用于根据实时更新后的数字孪生模型的模拟仿真分析结果,确定海上风机基础的健康状态。
第三方面,本申请提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,处理器被配置为执行以实现如第一方面提供的一种风机基础的健康状态评估方法。
第四方面,本申请提供了一种非临时性计算机可读存储介质,当存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行实现如第一方面提供的一种风机基础的健康状态评估方法。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请根据海上风机基础的结构参数构建初始数字模型,根据传感器集群的历史监测数据以及初始数字模型,构建与海上风机基础对应的数字孪生模型,将传感器集群的实时监测数据传输至数字孪生模型中运行,以对海上风机基础进行实时仿真,根据数字孪生模型的仿真数据,确定海上风机基础的健康状态。本申请摒弃了相关技术中通过传统的人工巡检方式对海上风机基础的健康状态进行评估方式,根据海上风机基础的实时监测数据通过数字孪生模型对海上风机基础进行仿真和健康状态评估,提高了海上风机基础的健康评估准确性及运维效率,进而降低海上风机基础的维护成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请提供的一种风机基础的健康状态评估方法的流程示意图;
图2为本申请提供的一种风机基础的健康状态评估装置的结构示意图;
图3为本申请提供的一种电子设备的结构示意图。
具体实施方式
本申请实施例通过提供一种风机基础的健康状态评估方法,解决了现有技术中通过传统的人工巡检方式对固定式海上风机基础健康状态评估,导致维护效率低的技术问题。
本申请实施例的技术方案为解决上述技术问题,总体思路如下:
一种风机基础的健康状态评估方法,方法包括:获取海上风机基础的结构参数,并根据结构参数,构建与海上风机基础对应的初始数字模型;获取海上风机基础对应的传感器集群的历史监测数据,根据历史监测数据和初始数字模型,构建与海上风机基础对应的数字孪生模型;获取传感器集群的实时监测数据,并根据实时监测数据,对数字孪生模型进行实时更新;根据实时更新后的数字孪生模型的模拟仿真分析结果,确定海上风机基础的健康状态。
本实施例根据海上风机基础的结构参数构建初始数字模型,根据传感器集群的历史监测数据以及初始数字模型,构建与海上风机基础对应的数字孪生模型,将传感器集群的实时监测数据传输至数字孪生模型中运行,以对海上风机基础进行实时仿真,根据数字孪生模型的仿真数据,确定海上风机基础的健康状态,摒弃了相关技术中通过传统的人工巡检方式对海上风机基础健康状态进行评估的方式,根据海上风机基础的实时监测数据通过数字孪生模型对海上风机基础进行仿真和健康状态评估,提高了海上风机基础的健康评估准确性及运维效率,进而降低海上风机基础的维护成本。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
首先说明,本文中出现的术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本实施例提供了如图1所示的一种风机基础的健康状态评估方法,方法包括:
步骤S11,获取海上风机基础的结构参数,并根据结构参数,构建与海上风机基础对应的初始数字模型。
步骤S12,获取海上风机基础对应的传感器集群的历史监测数据,根据历史监测数据和初始数字模型,构建与海上风机基础对应的数字孪生模型。
步骤S13,获取传感器集群的实时监测数据,并根据实时监测数据,对数字孪生模型进行实时更新。
步骤S14,根据实时更新后的数字孪生模型的模拟仿真分析结果,确定海上风机基础的健康状态。
关于步骤S11,获取海上风机基础的结构参数,并根据结构参数,构建与海上风机基础对应的初始数字模型。
海上风机基础的结构参数可以包括几何结构参数和结构材料物理参数。其中,几何结构参数可以包括海上风机基础中各个部件的尺寸参数(例如长度、直径、半径、宽度等)、偏心、转动惯量、截面惯矩、构件截面模量、螺纹螺距等。结构材料物理参数可以包括构成海上风机基础各个部件的材料类型、金属种类、密度、相对密度、弹性、塑性等。
在具体操作时,可以获取海上风机基础的几何结构参数和结构材料物理参数;通过相关的建模软件,根据几何结构参数,构建几何参数模型;再根据结构材料物理参数和几何参数模型,构建初始数字模型。
关于步骤S12,获取海上风机基础对应的传感器集群的历史监测数据,根据历史监测数据和初始数字模型,构建与海上风机基础对应的数字孪生模型。
海上风机基础设置有传感器集群,包括环境监测传感器和基础监测传感器等,环境监测传感器用于监测海上风机基础附近的风速、风向、风压等海风参数,浪高、海流、水位、温度等海浪参数。基础监测传感器用于监测海上风机基础的应力参数、应变参数、振动参数、倾斜参数等海上风机基础本身在当前环境下表现的物理参数。
海上风机基础上设置的传感器集群持续监测数据,可以基于传感器集群监测的历史监测数据和初始数字模型进行数字孪生模型的构建。
具体地,构建数字孪生模型的过程如下:
步骤S21,获取传感器集群的历史监测数据,历史监测数据包括历史基础监测数据和历史环境监测数据。
传感器集群采集的历史监测数据可以存储在服务器或存储器上,从相关的服务器或存储器上获取历史基础监测数据和历史环境监测数据。历史基础监测数据和历史环境监测数据相互匹配,历史基础监测数据是在对应的历史环境监测数据对应的历史环境中产生的。历史基础监测数据和历史环境监测数据的数据量可以根据具体情况进行设定,在合理范围内,历史基础监测数据和历史环境监测数据的数据量越大,用该数据量构建的数字孪生模型的准确性会越高。
步骤S22,根据历史环境监测数据和初始数字模型,构建与海上风机基础对应的初始孪生模型。
步骤S23,根据历史基础监测数据,对初始孪生模型进行优化,得到数字孪生模型。
将历史环境监测数据输入初始数字模型中,初始数字模型会根据输入的历史环境监测数据进行运算,得到海上风机基础的监测仿真数据,得到的监测仿真数据与历史基础监测数据进行比对,进而可以对初始孪生模型进行优化。
此外,根据历史环境监测数据的数据量,可以将历史环境监测数据划分为多批次数据,针对每一批次的历史环境监测数据,逐一输入初始数字模型中,进行初始孪生模型中的超参数优化,进而可以得到可以实际应用的数字孪生模型。
具体地,根据历史基础监测数据,对初始孪生模型进行优化,得到数字孪生模型,包括:
步骤S31,控制初始孪生模型根据历史环境监测数据进行仿真运算,得到历史监测仿真数据;
步骤S32,根据历史监测仿真数据与历史基础监测数据之间的差异程度,对初始孪生模型进行优化,得到数字孪生模型。
初始孪生模型在接收到历史环境监测数据之后,会对历史环境监测数据进行仿真运算,模拟得到海上风机基础在该历史环境监测数据对应的环境下对应的基础监测仿真数据(即步骤S31中得到的历史监测仿真数据)。
历史环境监测数据与历史基础监测数据之间是对应的,即海上风机基础在该历史环境监测数据对应的环境下实际产生的就是历史基础监测数据。
得到的历史监测仿真数据与历史基础监测数据进行对比分析,根据两者之间的差异程度,便能对初始孪生模型中的超参数进行优化,进而得到与海上风机基础更接近的数字孪生模型。
在执行了步骤S32之后,还可以继续使用实时基础监测数据对数字孪生模型进行优化,为了与步骤S32中的数字孪生模型进行区别,此处将步骤S32中的数字孪生模型记为第一模型,具体如下:
步骤S41,获取海上风机基础的实时环境监测数据和实时基础监测数据;
步骤S42,控制第一模型根据实时环境监测数据进行仿真运算,得到实时监测仿真数据;
步骤S43,根据实时监测仿真数据与实时基础监测数据之间的差异程度,对第一模型进行优化,得到最终的数字孪生模型。
步骤S41-步骤S43的原理与步骤S31-步骤S32的原理类似,此处不再赘述。
本实施例先利用历史监测数据对初始孪生模型进行优化,得到第一模型,再利用实时监测数据对第一模型进行再优化,得到最终的数字孪生模型。也就是说,本实施例综合使用历史监测数据和实时监测数据,扩大了构建数字孪生模型的数据量,使得数字孪生模型的准确性得到提高。发明人考虑到海上风机基础被环境不断侵蚀,随着时间推移,其本身的境况会逐渐发生变化,为了能够与海上风机基础的实际境况进一步吻合,本实施例先用历史监测数据构建优化得到第一模型,使得第一模型本身的准确性较高,再利用实时监测数据对第一模型进行再优化,得到数字孪生模型,可以提高数字孪生模型与海上风机基础的实际状态的吻合程度,进而提高了数字孪生模型的准确性。
关于步骤S13,获取传感器集群的实时监测数据,并根据实时监测数据,对数字孪生模型进行实时更新。
可以通过控制器获取传感器集群的实时监测数据,实时监测数据包括实时环境监测数据;将实时环境监测数据通过预设数据端口输入数字孪生模型,以对数字孪生模型进行实时更新。
传感器集群对海上风机基础的风、浪、流、水位等数据进行实时监测,并将实时监测的数据传输至数字孪生模型,使得数字孪生模型可以模拟海上风机基础当前所处的环境状态,以供数字孪生模型仿真得到海上风机基础在当前环境状态下所产生的应力、应变、振动、倾斜等数据。
步骤S14,根据实时更新后的数字孪生模型的模拟仿真分析结果,确定海上风机基础的健康状态。
根据实时更新后的数字孪生模型的模拟仿真分析结果,确定海上风机基础的实际状态参数。例如,应力、应变、振动、倾斜等状态参数。
根据实际状态参数与预警状态参数,确定海上风机基础的健康状态。具体地,当实际状态参数与预警状态参数之间的差异阈值超过预设阈值时,确定海上风机基础处于待维修状态,并标记海上风机基础以等待维修。当实际状态参数与预警状态参数之间的差异阈值没有超过预设阈值时,确定海上风机基础状态正常。
预警状态参数具体是指各个状态参数的预警阈值,可以根据实际情况进行设定,本实施例对此不作限制。
在对数字孪生模型进行实时更新之后,方法还包括:
步骤S51,对目标历史时间段内的历史实时监测数据进行分析,得到目标历史时间段内的实时监测数据的变化趋势,目标历史时间段是指以当前时刻为结束时刻的第一预设历史时长。
历史实时监测数据可以是从传感器集群获取的数据,对第一预设历史时长内的历史实时监测数据进行分析,确定其变化趋势特征。
步骤S52,根据数字孪生模型,确定目标历史时间内海上风机基础的历史状态参数。
数字孪生模型在构建优化后持续接收分析传感器集群传输的数据,针对第一预设历史时长内的历史实时监测数据,可以得到目标历史时间内海上风机基础的历史状态参数。
步骤S53,根据目标历史时间内海上风机基础的历史状态参数,确定目标历史时间段内海上风机基础的状态变化趋势。
根据历史状态参数,可以确定目标历史时间内海上风机基础的状态变化趋势。
步骤S54,根据目标历史时间段内的实时监测数据的变化趋势,以及目标历史时间段内海上风机基础的状态变化趋势,对海上风机基础在目标未来时间段内的健康状态进行预测,目标未来时间段是指以当前时刻为开始时刻的第二预设历史时长。
根据目标历史时间段内的实时监测数据的变化趋势,以及目标历史时间段内海上风机基础的状态变化趋势,可以预测目标未来时间段内的实时监测数据,以及预测海上风机基础的状态变化,进而可以预测海上风机基础在目标未来时间段内的健康状态,进而可以提前对海上风机基础进行维护,避免海上风机基础出现不可逆的损伤,进而降低海上风机基础的维护成本,也可以避免海上风机基础失效后导致的数据空缺,以提高海上风电数据的完整性。
综上所述,本实施例根据海上风机基础的结构参数构建初始数字模型,根据传感器集群的历史监测数据以及初始数字模型,构建与海上风机基础对应的数字孪生模型,将传感器集群的实时监测数据传输至数字孪生模型中运行,以对海上风机基础进行实时仿真,根据数字孪生模型的仿真数据,确定海上风机基础的健康状态,摒弃了相关技术中通过传统的人工巡检的方式对海上风机基础的运行状态进行维护的健康状态进行评估的方式,而是根据海上风机基础的实时监测数据通过数字孪生模型对海上风机基础进行仿真,通过数字孪生模型对海上风机基础的健康状态进行评估,大大提高了海上风机基础的维护效率。根据海上风机基础的实时监测数据通过数字孪生模型对海上风机基础进行仿真和健康状态评估,提高了海上风机基础的健康评估准确性及运维效率,进而降低海上风机基础的维护成本。
基于同一发明构思,本实施例提供了如图2所示的一种风机基础的健康状态评估装置,装置包括:
初始数字模型构建模块21,用于获取海上风机基础的结构参数,并根据结构参数,构建与海上风机基础对应的初始数字模型;
数字孪生模型构建模块22,用于获取海上风机基础对应的传感器集群的历史监测数据,根据历史监测数据和初始数字模型,构建与海上风机基础对应的数字孪生模型;
实时更新模块23,用于获取传感器集群的实时监测数据,并根据实时监测数据,对数字孪生模型进行实时更新;
健康状态确定模块24,用于根据实时更新后的数字孪生模型的模拟仿真分析结果,确定海上风机基础的健康状态。
进一步地,数字孪生模型构建模块22,包括:
历史监测数据获取子模块,用于获取传感器集群的历史监测数据,历史监测数据包括历史基础监测数据和历史环境监测数据;
初始孪生模型构建子模块,用于根据历史环境监测数据和初始数字模型,构建与海上风机基础对应的初始孪生模型;
数字孪生模型构建子模块,用于根据历史基础监测数据,对初始孪生模型进行优化,得到数字孪生模型。
进一步地,数字孪生模型构建子模块,包括:
仿真子模块,用于控制初始孪生模型根据历史环境监测数据进行仿真运算,得到历史监测仿真数据;
优化子模块,用于根据历史监测仿真数据与历史基础监测数据之间的差异程度,对初始孪生模型进行优化,得到数字孪生模型。
进一步地,实时更新模块23,包括:
实时监测数据获取子模块,用于获取传感器集群的实时监测数据,实时监测数据包括实时环境监测数据;
实时更新子模块,用于将实时环境监测数据通过预设数据端口输入数字孪生模型,以对数字孪生模型进行实时更新。
进一步地,健康状态确定模块24,包括:
实际状态参数确定子模块,用于根据实时更新后的数字孪生模型的模拟仿真分析结果,确定海上风机基础的实际状态参数;
健康状态确定子模块,用于根据实际状态参数与预警状态参数,确定海上风机基础的健康状态。
进一步地,健康状态确定子模块,包括:
标记子模块,用于当实际状态参数与预警状态参数之间的差异阈值超过预设阈值时,确定海上风机基础处于待维修状态,并标记海上风机基础以等待维修。
进一步地,装置还包括:
历史实时监测数据分析模块,用于在对数字孪生模型进行实时更新之后,对目标历史时间段内的历史实时监测数据进行分析,得到目标历史时间段内的实时监测数据的变化趋势,目标历史时间段是指以当前时刻为结束时刻的第一预设历史时长;
历史状态参数确定模块,用于根据数字孪生模型,确定目标历史时间内海上风机基础的历史状态参数;
历史状态参数分析模块,用于根据目标历史时间内海上风机基础的历史状态参数,确定目标历史时间段内海上风机基础的状态变化趋势;
健康状态预测模块,用于根据目标历史时间段内的实时监测数据的变化趋势,以及目标历史时间段内海上风机基础的状态变化趋势,对海上风机基础在目标未来时间段内的健康状态进行预测,目标未来时间段是指以当前时刻为开始时刻的第二预设历史时长。
基于同一发明构思,本实施例提供了如图3所示的一种电子设备,包括:
处理器31;
用于存储处理器31可执行指令的存储器32;
其中,处理器31被配置为执行以实现如上述提供的一种风机基础的健康状态评估方法。
基于同一发明构思,本实施例提供了一种非临时性计算机可读存储介质,当存储介质中的指令由电子设备的处理器31执行时,使得电子设备能够执行实现如上述提供的一种风机基础的健康状态评估方法。
由于本实施例所介绍的电子设备为实施本申请实施例中信息处理的方法所采用的电子设备,故而基于本申请实施例中所介绍的信息处理的方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中信息处理的方法所采用的电子设备,都属于本申请所欲保护的范围。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种风机基础的健康状态评估方法,其特征在于,所述方法包括:
获取海上风机基础的结构参数,并根据所述结构参数,构建与所述海上风机基础对应的初始数字模型;
获取所述海上风机基础对应的传感器集群的历史监测数据,根据所述历史监测数据和所述初始数字模型,构建与所述海上风机基础对应的数字孪生模型;
获取所述传感器集群的实时监测数据,并根据所述实时监测数据,对所述数字孪生模型进行实时更新;
根据实时更新后的所述数字孪生模型的模拟仿真分析结果,确定所述海上风机基础的健康状态;
所述获取所述海上风机基础对应的传感器集群的历史监测数据,根据所述历史监测数据和所述初始数字模型,构建与所述海上风机基础对应的数字孪生模型,包括:
获取所述传感器集群的历史监测数据,所述历史监测数据包括历史基础监测数据和历史环境监测数据;
根据所述历史环境监测数据和所述初始数字模型,构建与所述海上风机基础对应的初始孪生模型;
根据所述历史基础监测数据,对所述初始孪生模型进行优化,得到所述数字孪生模型;
所述根据实时更新后的所述数字孪生模型的模拟仿真分析结果,确定所述海上风机基础的健康状态,包括:
根据实时更新后的所述数字孪生模型的模拟仿真分析结果,确定所述海上风机基础的实际状态参数;
根据所述实际状态参数与预警状态参数,确定所述海上风机基础的健康状态。
2.如权利要求1所述的方法,其特征在于,所述根据所述历史基础监测数据,对所述初始孪生模型进行优化,得到所述数字孪生模型,包括:
控制所述初始孪生模型根据所述历史环境监测数据进行仿真运算,得到历史监测仿真数据;
根据所述历史监测仿真数据与所述历史基础监测数据之间的差异程度,对所述初始孪生模型进行优化,得到所述数字孪生模型。
3.如权利要求1所述的方法,其特征在于,所述获取所述传感器集群的实时监测数据,并根据所述实时监测数据,对所述数字孪生模型进行实时更新,包括:
获取所述传感器集群的实时监测数据,所述实时监测数据包括实时环境监测数据;
将所述实时环境监测数据通过预设数据端口输入所述数字孪生模型,以对所述数字孪生模型进行实时更新。
4.如权利要求1所述的方法,其特征在于,所述根据所述实际状态参数与预警状态参数,确定所述海上风机基础的健康状态,包括:
当所述实际状态参数与所述预警状态参数之间的差异阈值超过预设阈值时,确定所述海上风机基础处于待维修状态,并标记所述海上风机基础以等待维修。
5.如权利要求1所述的方法,其特征在于,在对所述数字孪生模型进行实时更新之后,所述方法还包括:
对目标历史时间段内的历史实时监测数据进行分析,得到所述目标历史时间段内的实时监测数据的变化趋势,所述目标历史时间段是指以当前时刻为结束时刻的第一预设历史时长;
根据所述数字孪生模型,确定所述目标历史时间内所述海上风机基础的历史状态参数;
根据所述目标历史时间内所述海上风机基础的历史状态参数,确定所述目标历史时间段内所述海上风机基础的状态变化趋势;
根据所述目标历史时间段内的实时监测数据的变化趋势,以及所述目标历史时间段内所述海上风机基础的状态变化趋势,对所述海上风机基础在目标未来时间段内的健康状态进行预测,所述目标未来时间段是指以当前时刻为开始时刻的第二预设历史时长。
6.一种风机基础的健康状态评估装置,其特征在于,所述装置包括:
初始数字模型构建模块,用于获取海上风机基础的结构参数,并根据所述结构参数,构建与所述海上风机基础对应的初始数字模型;
数字孪生模型构建模块,用于获取所述海上风机基础对应的传感器集群的历史监测数据,根据所述历史监测数据和所述初始数字模型,构建与所述海上风机基础对应的数字孪生模型;
实时更新模块,用于获取所述传感器集群的实时监测数据,并根据所述实时监测数据,对所述数字孪生模型进行实时更新;
健康状态确定模块,用于根据实时更新后的所述数字孪生模型的模拟仿真分析结果,确定所述海上风机基础的健康状态;
数字孪生模型构建模块,包括:
历史监测数据获取子模块,用于获取传感器集群的历史监测数据,历史监测数据包括历史基础监测数据和历史环境监测数据;
初始孪生模型构建子模块,用于根据历史环境监测数据和初始数字模型,构建与海上风机基础对应的初始孪生模型;
数字孪生模型构建子模块,用于根据历史基础监测数据,对初始孪生模型进行优化,得到数字孪生模型;
健康状态确定模块,包括:
实际状态参数确定子模块,用于根据实时更新后的数字孪生模型的模拟仿真分析结果,确定海上风机基础的实际状态参数;
健康状态确定子模块,用于根据实际状态参数与预警状态参数,确定海上风机基础的健康状态。
7.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行以实现如权利要求1至5中任一项所述的一种风机基础的健康状态评估方法。
8.一种非临时性计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行实现如权利要求1至5中任一项所述的一种风机基础的健康状态评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210462963.8A CN114757048B (zh) | 2022-04-28 | 2022-04-28 | 一种风机基础的健康状态评估方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210462963.8A CN114757048B (zh) | 2022-04-28 | 2022-04-28 | 一种风机基础的健康状态评估方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114757048A CN114757048A (zh) | 2022-07-15 |
CN114757048B true CN114757048B (zh) | 2023-03-24 |
Family
ID=82333652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210462963.8A Active CN114757048B (zh) | 2022-04-28 | 2022-04-28 | 一种风机基础的健康状态评估方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114757048B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115206551A (zh) * | 2022-08-10 | 2022-10-18 | 北京京东拓先科技有限公司 | 一种基于数字孪生的健康状态监测方法及装置 |
CN116090303B (zh) * | 2023-01-16 | 2023-11-21 | 广东科诺勘测工程有限公司 | 海上桩基础冲刷状态的风险评估方法、装置以及设备 |
CN116108717B (zh) * | 2023-01-17 | 2023-09-26 | 中山大学 | 一种基于数字孪生的交通运输设备运行预测方法及装置 |
CN116362725A (zh) * | 2023-06-01 | 2023-06-30 | 广东工业大学 | 一种基于数字孪生和大数据分析的微波炉智能维护方法 |
CN116757087B (zh) * | 2023-06-30 | 2024-03-15 | 北京千尧新能源科技开发有限公司 | 海上风电支撑结构的状态评估方法及相关设备 |
CN117350114B (zh) * | 2023-10-11 | 2024-03-29 | 浙江浙能临海海上风力发电有限公司 | 一种风机健康状态评估方法、装置和系统 |
CN117407773B (zh) * | 2023-12-14 | 2024-06-18 | 山东捷瑞数字科技股份有限公司 | 基于数字孪生的风机叶片结冰状态预测方法、系统及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407589A (zh) * | 2016-09-29 | 2017-02-15 | 北京岳能科技股份有限公司 | 一种风机状态评估与预测方法及系统 |
EP3483686A1 (en) * | 2017-11-10 | 2019-05-15 | General Electric Company | Methods and apparatus for prognostic health monitoring of a turbine engine |
WO2019162894A1 (en) * | 2018-02-23 | 2019-08-29 | Tata Consultancy Services Limited | Method and system for pre-emptive deviation detection for telecom process flow using digital twin |
CN112684694A (zh) * | 2020-11-15 | 2021-04-20 | 杭州哲达科技股份有限公司 | 基于数字孪生体的高炉鼓风和trt实时监测与仿真控制系统 |
KR20210108257A (ko) * | 2020-02-25 | 2021-09-02 | 창원대학교 산학협력단 | 부유식 해상풍력 터빈용 디지털 트윈 시스템 장치 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11181898B2 (en) * | 2017-11-10 | 2021-11-23 | General Electric Company | Methods and apparatus to generate a predictive asset health quantifier of a turbine engine |
US11529105B2 (en) * | 2019-04-16 | 2022-12-20 | Koninklijke Philips N.V. | Digital twin updating |
CN112781903B (zh) * | 2020-12-28 | 2022-07-08 | 杭州哲达科技股份有限公司 | 基于数字孪生系统的高炉鼓风机和trt机组故障诊断方法 |
CN113946952A (zh) * | 2021-10-14 | 2022-01-18 | 国家电投集团科学技术研究院有限公司 | 风机孪生体的生成方法、装置及电子设备 |
CN114281029A (zh) * | 2021-10-29 | 2022-04-05 | 新疆金风科技股份有限公司 | 风力发电机的数字孪生系统和方法 |
CN114382662A (zh) * | 2022-01-21 | 2022-04-22 | 华电安诺(北京)信息科技有限公司 | 一种基于数字孪生的风机状态预警方法 |
-
2022
- 2022-04-28 CN CN202210462963.8A patent/CN114757048B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407589A (zh) * | 2016-09-29 | 2017-02-15 | 北京岳能科技股份有限公司 | 一种风机状态评估与预测方法及系统 |
EP3483686A1 (en) * | 2017-11-10 | 2019-05-15 | General Electric Company | Methods and apparatus for prognostic health monitoring of a turbine engine |
WO2019162894A1 (en) * | 2018-02-23 | 2019-08-29 | Tata Consultancy Services Limited | Method and system for pre-emptive deviation detection for telecom process flow using digital twin |
KR20210108257A (ko) * | 2020-02-25 | 2021-09-02 | 창원대학교 산학협력단 | 부유식 해상풍력 터빈용 디지털 트윈 시스템 장치 |
CN112684694A (zh) * | 2020-11-15 | 2021-04-20 | 杭州哲达科技股份有限公司 | 基于数字孪生体的高炉鼓风和trt实时监测与仿真控制系统 |
Non-Patent Citations (2)
Title |
---|
On the development of condition based maintenance strategy for offshore wind farm:requirement elicitation process;El-Thalji I等;《Energy Procedia》;20121231;328-339 * |
海上风机基础与塔架体系实时安全评估方法研究;邢占清等;《水利与建筑工程学报》;20171015(第05期);34-40 * |
Also Published As
Publication number | Publication date |
---|---|
CN114757048A (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114757048B (zh) | 一种风机基础的健康状态评估方法、装置、设备和介质 | |
EP2669173A1 (en) | Method and system for evaluation of ship performance | |
US7464063B2 (en) | Information processor, state judging unit and diagnostic unit, information processing method, state judging method and diagnosing method | |
CN111679952A (zh) | 告警阈值生成方法及装置 | |
CN110688617B (zh) | 风机振动异常检测方法及装置 | |
CN104520581A (zh) | 自动计算用于风力涡轮机的功率曲线监测的功率曲线界限的方法 | |
CN112611584B (zh) | 风力发电机组的疲劳失效检测方法、装置、设备及介质 | |
EP3904987B1 (en) | Control support apparatus, control support method, control support program, computer readable medium with control support program recorded thereon and control system | |
CN1275024C (zh) | 大型结构损伤状况实时识别的变时基监测方法 | |
CN114352478B (zh) | 海上风电机组控制系统及控制方法 | |
CN111191838A (zh) | 一种集成人工智能算法的工业设备状态管控方法和装置 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
CN113742855B (zh) | 一种故障预测方法、系统、电子设备与可读存储介质 | |
Kumar et al. | Latest innovations in the field of condition-based maintenance of rotatory machinery: a review | |
KR101956530B1 (ko) | Mpc 기반의 풍력 터빈 요 제어 방법 | |
CN116562156B (zh) | 一种控制决策模型的训练方法、装置、设备及存储介质 | |
CN116247655A (zh) | 一种风电出力预测方法、系统、存储介质及设备 | |
US10641133B2 (en) | Managing water-supply pumping for an electricity production plant circuit | |
JP2020057165A (ja) | 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル | |
CN113348473B (zh) | 管理人工智能模块的安装基础 | |
CN110826290B (zh) | 一种海上浮式系统安全预警方法 | |
CN111027719A (zh) | 多组件系统状态机会维护优化方法 | |
Colace et al. | Unsupervised Learning Techniques for Vibration-Based Structural Health Monitoring Systems Driven by Data: A General Overview | |
Chen et al. | Intelligent prediction method for linear wave load based on deep neural network | |
CN115809506B (zh) | 船舶结构设计中线性波浪载荷的预报方法及系统 |
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 |