CN115345072B - 一种风机叶片冲击损伤预测方法、系统及可读存储介质 - Google Patents
一种风机叶片冲击损伤预测方法、系统及可读存储介质 Download PDFInfo
- Publication number
- CN115345072B CN115345072B CN202210967810.9A CN202210967810A CN115345072B CN 115345072 B CN115345072 B CN 115345072B CN 202210967810 A CN202210967810 A CN 202210967810A CN 115345072 B CN115345072 B CN 115345072B
- Authority
- CN
- China
- Prior art keywords
- damage
- fan blade
- learning machine
- extreme learning
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/26—Composites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本申请属于机器学习的技术领域,公开了一种风机叶片冲击损伤预测方法、系统及可读存储介质,所述方法包括:获取风机叶片损伤数据形成训练数据库;对所述训练数据库中的数据进行验证;将验证后的所述训练数据库中的数据作为核极限学习机模型的训练数据以及测试数据,结合鲸鱼优化算法对所述核极限学习机模型的参数进行优化,直至所述核极限学习机模型的适应度值满足终止条件要求以及迭代次数要求,获得优化后的核极限学习机模型;利用所述优化后的核极限学习机模型预测风机叶片最大损伤量,可以达到快速预测风机叶片冲击损伤的效果。
Description
技术领域
本申请涉及机器学习的技术领域,尤其是涉及一种风机叶片冲击损伤预测方法、系统及可读存储介质。
背景技术
在实际工作环境中,风机叶片会遭受冰雹外物冲击、强风致飞射物撞击与鸟兽等飞行体冲击、在运输过程中与运输设备之间碰撞冲击、吊装时波浪以及强风因素带来的安装设备不稳定引起的碰撞以及安装设备精度问题所带来叶片与机组间的碰撞冲击等情况,这些情况都会对风机叶片造成损伤隐患,从而导致风机叶片无法正常工作,甚至引发更严重的安全事故。
在工程应用中,风机叶片部分经济成本占工程总成本三分之一以上。此外,由于冲击损伤导致的叶片更换问题,将极大延长工程工作量与工作时间,这对海上风电场的安全稳定运行和经济效益有着严重的影响;冲击损伤还可导致叶片气动弹性不稳定。
近年来,随着绿色环保概念的深入人心,风电的推广力度加大,国内外研究者也注意到了风机叶片的各类损伤问题,主流研究方式为数值模拟,比如刘士毅等关于随机风沙冲蚀叶片涂层的数值模拟研究、戴丽萍等针对含沙气流对风力机叶片冲蚀作用问题进行了数值模拟仿真、蒋万乐关于低速冲击对风机叶片层间损伤机理影响分析、Zhang Chizhi等基于可靠性的海上复合风力发电机叶片寿命疲劳损伤评估。也有学者另辟蹊径,尝试采用机器学习的方法对风机叶片的损伤问题做研究,比如曹可乐等基于机器学习的风机叶片开裂预测研究、张鑫利用深度学习在风机叶片结构损伤识别中的仿真研究、王锴烨基于循环神经网络的机械设备健康状态预测方法等等。
尽管国内外研究者已经就风机叶片的各类损伤问题进行了较多探索,但是在目前风机叶片研究领域,不能实现风机叶片冲击损伤的快速预测。
发明内容
为此,本申请的实施例提供了一种风机叶片冲击损伤预测方法、系统及可读存储介质,能够解决现有技术不能快速预测风机叶片冲击损伤的技术问题,具体技术方案内容如下:
第一方面,本申请的实施例提供一种风机叶片冲击损伤预测方法,所述方法包括:
获取风机叶片损伤数据形成训练数据库;
对所述训练数据库中的数据进行验证;
将验证后的所述训练数据库中的数据作为核极限学习机模型的训练数据以及测试数据,结合鲸鱼优化算法对所述核极限学习机模型的参数进行优化,直至所述核极限学习机模型的适应度值满足终止条件要求以及迭代次数要求,获得优化后的核极限学习机模型;
利用所述优化后的核极限学习机模型预测风机叶片最大损伤量。
可选的,所述获取风机叶片损伤数据形成训练数据库,包括:
采用复合材料渐进损伤模型模拟5兆瓦风机叶片复合材料的层内损伤;
采用内聚力模型模拟5兆瓦风机叶片复合材料的层间损伤;
由所述复合材料的层内损伤以及所述层间损伤数值模拟结果建立训练数据库。
可选的,所述对所述训练数据库中的数据进行验证,包括:
获取已有实验结果进行验证。
可选的,所述采用复合材料渐进损伤模型模拟5兆瓦风机叶片复合材料的层内损伤,包括:
采用三维Hashin准则作为失效类型的判定。
可选的,所述复合材料渐进损伤模型包括:
纤维拉伸破坏(σ11≥0)
纤维压缩破坏(σ11<0)
基体拉伸破坏(σ22+σ33≥0)
基体压缩破坏(σ22+σ33<0)
其中σ11、σ22和σ33是正应力;σ12、σ13和σ23是剪切应力;XT和XC是层合板纤维主方向上的抗拉和抗压强度;YT和YC是层合板在在横向纤维方向上的抗拉和抗压强度;S12、S13和S23是层内和层间的剪切强度;k是导致纤维拉伸失效的剪切应力因子。
可选的,所述采用内聚力模型模拟5兆瓦风机叶片复合材料的层间损伤,包括:
采用双线性内聚力模型描述复合材料渐进层间损伤力学行为;根据应力-分离量曲线,将风机叶片层间损伤破坏过程分为弹性加载、初始损伤、破坏进展及完全破坏四个阶段。
可选的,所述内聚力模型为:
可选的,所述利用所述优化后的核极限学习机模型预测风机叶片最大损伤量,包括
采用外部冲击速度,冲击质量,冲击角度以及冲击位置四项指标作为所述优化后的核极限学习机模型的输入向量预测风机叶片最大损伤量。
第二方面,本申请的实施例提供一种风机叶片冲击损伤预测系统,所述系统包括:
仿真模块,用于获取风机叶片损伤数据形成训练数据库;
验证模块,用于对所述训练数据库中的数据进行验证;
模型优化模块,用于将验证后的所述训练数据库中的数据作为核极限学习机模型的训练数据以及测试数据,结合鲸鱼优化算法对所述核极限学习机模型的参数进行优化,直至所述核极限学习机模型的适应度值满足终止条件要求以及迭代次数要求,获得优化后的核极限学习机模型;
预测模块,用于利用所述优化后的核极限学习机模型预测风机叶片最大损伤量。
第三方面,本申请的实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现前述任意一项所述的风机叶片冲击损伤预测方法的步骤。
综上所述,与现有技术相比,本申请实施例提供的技术方案带来的有益效果至少包括:
采用训练数据库中的数据对核极限学习机模型进行训练以及测试,提高核极限学习机模型预测的准确性,且采用优化后的核极限学习机模型可实现快速预测风机叶片的损伤。进一步地,在本申请中,提出考虑复合材料结构层内和层间渐进损伤的高精度数值模拟方法以及通过鲸鱼优化算法与核极限学习(WOA-KELM)进行风机叶片受冲击损伤预报的计算方法,对风机叶片冲击损伤快速评价,可以有效解决当前数值模拟研究手段所存在的计算量大的问题。
附图说明
图1是本申请其中一实施例提供的一种风机叶片冲击损伤预测方法的流程示意图。
图2是本申请其中一实施例提供的一种风机叶片冲击损伤预测方法的KELM网络结构图。
图3是本申请其中一实施例提供的一种风机叶片冲击损伤预测方法的WOA寻优过程图。
图4是本申请另一实施例提供的一种风机叶片冲击损伤预测方法的流程示意图之一。
图5是本申请其中一实施例提供的一种风机叶片冲击损伤预测方法的标准化牵引力-分离量法则图。
图6是本申请另一实施例提供的一种风机叶片冲击损伤预测方法的流程示意图之二。
图7是本申请其中一实施例提供的一种风机叶片冲击损伤预测方法的机器学习的流程图。
具体实施方式
本具体实施例仅仅是对本申请的解释,其并不是对本申请的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
另外,本申请中术语“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,本申请中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
本申请中术语“第一”“第二”等字样用于对作用和功能基本相同的相同项或相似项进行区分,应理解,“第一”、“第二”、“第n”之间不具有逻辑或时序上的依赖关系,也不对数量和执行顺序进行限定。
本申请中术语“至少一个”是指一个或多个,“多个”的含义是指三个或以上,例如,多个第一位置是指三个或以上的第一位置。
下面结合说明书附图对本申请实施例作进一步详细描述。
参照图1,在本申请的一个实施例中,提供一种风机叶片冲击损伤预测方法,所述方法的主要步骤描述如下:
S1:获取风机叶片损伤数据形成训练数据库;
具体地,在本实施例中,可由现有文献和/或实地试验获取的数据,构建机器学习训练库,以获得风机叶片损伤与冰雹外物冲击、强风致飞射物撞击、鸟兽等飞行体冲击、运输过程中与运输设备之间碰撞冲击、吊装时波浪以及强风因素带来的安装设备不稳定引起的碰撞以及安装设备精度问题所带来叶片与机组间的碰撞冲击等冲击加载条件之间的关系。
S2:对所述训练数据库中的数据进行验证;
具体地,在本实施例中,通过现有文献中记载的实验数据对训练数据库中的数据进行验证,以去掉训练数据库中不合理的数据,验证的方式可以为根据文献中的数据之间的关系验证训练数据库中各数据的关系,增加训练数据库中数据的可靠性。
S3:将验证后的所述训练数据库中的数据作为核极限学习机模型的训练数据以及测试数据,结合鲸鱼优化算法对所述核极限学习机模型的参数进行优化,直至所述核极限学习机模型的适应度值满足终止条件要求以及迭代次数要求,获得优化后的核极限学习机模型;
核极限学习机(Kernel Based Extreme Learning Machine,KELM)是基于极限学习机(Extreme Learning Machine,ELM)并结合核函数所提出的改进算法,KELM能够在保留ELM优点的基础上提高模型的预测性能。
核极限学习机是一种多输入多输出的单隐层前馈神经网络,可以随机生成网络中的隐藏层偏差和输入权重,并使用Moore-Penrose广义逆确定输出权重,在泛化能力及学习速度上有显著优势。其由三层网络结构构成:输入层、隐藏层和输出层,网络模型如图2所示,xi为输入数据集,K(x,xi)为内核函数,βj为连接隐藏节点和输出节点的输出权重。
核参数的优化对于KELM的性能也起着关键性作用,鲸鱼优化算法(whaleoptimization algorithm,WOA)是模仿座头鲸的狩猎行为进而提出的一种新型启发式优化算法,是由Mirjalili等提出的一种新型元启发式算法,该算法具有调整参数少、操作简单和易于跳出局部最优的优点。与其他群优化算法比较,鲸鱼优化算法的主要区别在于,采用随机或最佳搜索代理来模拟捕猎行为,并使用螺旋来模拟座头鲸的泡泡网攻击机。图3为优化过程中定义初始位置Pi(X,Y),(i=1,2,…N)的搜索代理在搜索空间中求得最优解P*(X*,Y*)的寻优过程,A为系数向量。
S4:利用所述优化后的核极限学习机模型预测风机叶片最大损伤量。
具体地,采用训练数据库中的数据对核极限学习机模型进行训练以及测试,提高核极限学习机模型预测的准确性,且采用优化后的核极限学习机模型可实现快速预测风机叶片的损伤。
参照图4,可选的,在另一实施方式中,S1包括:
S11:采用复合材料渐进损伤模型模拟5兆瓦风机叶片复合材料的层内损伤;
S12:采用内聚力模型模拟5兆瓦风机叶片复合材料的层间损伤;
S13:由所述复合材料的层内损伤以及所述层间损伤数值模拟结果建立训练数据库。
由于复合材料具有很高的强度比,故而在风机叶片的生产中大量使用。风机叶片复合材料结构受到外部冲击后,通常会发生纤维断裂、纤维压缩、基体开裂、基体挤压和分层损伤等现象。具体地,本申请采用LS-DYNA软件中的复合材料渐进损伤模型和内聚力模型来分别模拟复合材料的层内损伤和层间损伤力学行为。在本实施方式中,提出考虑复合材料结构层内和层间渐进损伤的高精度数值模拟方法以及通过鲸鱼优化算法与核极限学习(WOA-KELM)进行风机叶片受冲击损伤预报的计算方法,对风机叶片冲击损伤快速评价,可以有效解决当前数值模拟研究手段所存在的计算量大的问题。
本申请解决如下问题:(1)在冲击载荷作用下,风机叶片将发生复杂的损伤模式,且各损伤模式间存在强耦合效应。如何准确地模拟风机叶片多损伤模式及各损伤模式间的强耦合效应;(2)数值模拟研究手段对计算资源要求较高,不利于工程应用。
可选的,在另一实施方式中,在步骤S11中,采用三维Hashin准则作为层内损伤失效类型的判定准则。
在本实施方式中,建立了5兆瓦风机叶片的有限元模型,可在三维情况下对风机叶片的损伤进行分析。本实施例采用比较成熟的三维Hashin准则作为层内损伤失效类型的判定准则。三维Hashin准则将材料的破坏分为纤维拉伸破坏、纤维压缩破坏、基体拉伸破坏以及基体压缩破坏四大类,每类破坏的判断依据不同。
进一步地,复合材料渐进损伤模型包括:
纤维拉伸破坏(σ11≥0)
纤维压缩破坏(σ11<0)
基体拉伸破坏(σ22+σ33≥0)
基体压缩破坏(σ22+σ33<0)
其中σ11、σ22和σ33是正应力;σ12、σ13和σ23是剪切应力;XT和XC是层合板纤维主方向上的抗拉和抗压强度;YT和YC是层合板在在横向纤维方向上的抗拉和抗压强度;S12、S13和S23是层内和层间的剪切强度;k是导致纤维拉伸失效的剪切应力因子。进一步地,所述内聚力模型为:
具体地,力实质上是原子或者分子之间的相互作用力,而内聚力模型是一种简化模型,通过定义合适的参数,可有效分析5兆瓦风机叶片层间损伤失效过程。
如图5所示,本申请采用双线性内聚力模型描述复合材料渐进层间损伤力学行为;根据应力-分离量曲线,将风机叶片层间损伤破坏过程分为弹性加载、初始损伤、破坏进展及完全破坏4个阶段。具体地符号说明可见表1。
表1符号说明
参照图6,可选的,在另一实施方式中,S4为S4’:采用外部冲击速度,冲击质量,冲击角度以及冲击位置四项指标作为所述优化后的核极限学习机模型的输入向量预测风机叶片最大损伤量。
参照图7,本申请的一个例子如下:
步骤1、WOA参数初始化;
步骤2、设定KELM参数;
步骤3、输入训练集以及测试集,于KELM输入的训练集以及测试集由训练数据库获取的;
步骤4、对样本数据处理(所述样本数据为训练数据库的数据);
步骤5、利用WOA算法对KELM的参数进行优化;
步骤6、计算并比较优化后的KELM的适应度值;
步骤7、判断是否满足终止条件;若否进行步骤8,若是进行步骤9;
步骤8、判断迭代次数是否满足;若否进行步骤10,若是进行步骤9;
步骤9、获得最优模型参数以及最优KELM模型,并利用最优KELM模型进行风机叶片最大损伤量预测;
步骤10、通过WOA算法更新KELM的参数,并形成候选解,然后进行步骤5,并由步骤5向下依序执行后续步骤。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在本申请的一个实施例中,提供一种风机叶片冲击损伤预测系统,该风机叶片冲击损伤预测系统与上述实施例中的风机叶片冲击损伤预测方法一一对应。该风机叶片冲击损伤预测系统包括:
仿真模块,用于获取风机叶片损伤数据形成训练数据库;
验证模块,用于对所述训练数据库中的数据进行验证;
模型优化模块,用于将验证后的所述训练数据库中的数据作为核极限学习机模型的训练数据以及测试数据,结合鲸鱼优化算法对所述核极限学习机模型的参数进行优化,直至所述核极限学习机模型的适应度值满足终止条件要求以及迭代次数要求,获得优化后的核极限学习机模型;
预测模块,用于利用所述优化后的核极限学习机模型预测风机叶片最大损伤量。
进一步地,在另一实施方式中,所述获取风机叶片损伤数据形成训练数据库,包括:
采用复合材料渐进损伤模型模拟5兆瓦风机叶片复合材料的层内损伤;
采用内聚力模型模拟5兆瓦风机叶片复合材料的层间损伤;
由所述复合材料的层内损伤以及所述层间损伤数值模拟结果建立训练数据库。
进一步地,在另一实施方式中,所述对所述训练数据库中的数据进行验证,包括:
获取已有实验结果进行验证。
进一步地,在另一实施方式中,所述采用复合材料渐进损伤模型模拟5兆瓦风机叶片复合材料的层内损伤,包括:
采用三维Hashin准则作为失效类型的判定。
进一步地,在另一实施方式中,所述复合材料渐进损伤模型包括:
纤维拉伸破坏(σ11≥0)
纤维压缩破坏(σ11<0)
基体拉伸破坏(σ22+σ33≥0)
基体压缩破坏(σ22+σ33<0)
其中σ11、σ22和σ33是正应力;σ12、σ13和σ23是剪切应力;XT和XC是层合板纤维主方向上的抗拉和抗压强度;YT和YC是层合板在在横向纤维方向上的抗拉和抗压强度;S12、M13和S23是层内和层间的剪切强度;k是导致纤维拉伸失效的剪切应力因子。
进一步地,在另一实施方式中,所述采用内聚力模型模拟5兆瓦风机叶片复合材料的层间损伤,包括:
采用双线性内聚力模型描述复合材料渐进层间损伤力学行为;根据应力-分离量曲线,将风机叶片层间损伤破坏过程分为弹性加载、初始损伤、破坏进展及完全破坏四个阶段。
进一步地,在另一实施方式中,所述内聚力模型为:
进一步地,在另一实施方式中,所述利用所述优化后的核极限学习机模型预测风机叶片最大损伤量,包括
采用外部冲击速度,冲击质量,冲击角度以及冲击位置四项指标作为所述优化后的核极限学习机模型的输入向量预测风机叶片最大损伤量。
上述的风机叶片冲击损伤预测系统各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在本申请实施例的一个实施例中,提供一种计算机设备,该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,易失性或非易失性存储设备包括但不限于:磁盘,光盘,EEPROM(Electrically-Erasable Programmable Read Only Memory,电可擦除可编程只读存储器),EPROM(Erasable Programmable Read Only Memory,可擦除可编程只读存储器),SRAM(Static Random Access Memory,静态随时存取存储器),ROM(Read-OnlyMemory,只读存储器),磁存储器,快闪存储器,PROM(Programmable Read-Only Memory,可编程只读存储器)。该计算机设备的存储器为存储于其内部的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时实现上述实施例所述的风机叶片冲击损伤预测方法步骤。
在本申请的一个实施例中,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述实施例所述的风机叶片冲击损伤预测方法步骤。所述计算机可读存储介质包括ROM(Read-Only Memory,只读存储器)、RAM(Random-Access Memory,随机存取存储器)、CD-ROM(Compact Disc Read-OnlyMemory,只读光盘)、磁盘、软盘等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将本申请所述系统的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
Claims (7)
1.一种风机叶片冲击损伤预测方法,其特征在于,所述方法包括:
获取风机叶片损伤数据形成训练数据库;所述获取风机叶片损伤数据形成训练数据库,包括:采用复合材料渐进损伤模型模拟5兆瓦风机叶片复合材料的层内损伤;采用内聚力模型模拟5兆瓦风机叶片复合材料的层间损伤;由所述复合材料的层内损伤以及所述层间损伤数值模拟结果建立训练数据库;
所述内聚力模型为:
对所述训练数据库中的数据进行验证;
将验证后的所述训练数据库中的数据作为核极限学习机模型的训练数据以及测试数据,结合鲸鱼优化算法对所述核极限学习机模型的参数进行优化,直至所述核极限学习机模型的适应度值满足终止条件要求以及迭代次数要求,获得优化后的核极限学习机模型;
利用所述优化后的核极限学习机模型预测风机叶片最大损伤量;
所述利用所述优化后的核极限学习机模型预测风机叶片最大损伤量,包括:
采用外部冲击速度,冲击质量,冲击角度以及冲击位置四项指标作为所述优化后的核极限学习机模型的输入向量预测风机叶片最大损伤量。
2.根据权利要求1所述的风机叶片冲击损伤预测方法,其特征在于,所述对所述训练数据库中的数据进行验证,包括:
获取已有实验结果进行验证。
3.根据权利要求1所述的风机叶片冲击损伤预测方法,其特征在于,所述采用复合材料渐进损伤模型模拟5兆瓦风机叶片复合材料的层内损伤,包括:
采用三维Hashin准则作为失效类型的判定。
5.根据权利要求1所述的风机叶片冲击损伤预测方法,其特征在于,所述采用内聚力模型模拟5兆瓦风机叶片复合材料的层间损伤,包括:
采用双线性内聚力模型描述复合材料渐进层间损伤力学行为;根据应力-分离量曲线,将风机叶片层间损伤破坏过程分为弹性加载、初始损伤、破坏进展及完全破坏四个阶段。
6.一种风机叶片冲击损伤预测系统,其特征在于,所述系统包括:
仿真模块,用于获取风机叶片损伤数据形成训练数据库;所述获取风机叶片损伤数据形成训练数据库,包括:采用复合材料渐进损伤模型模拟5兆瓦风机叶片复合材料的层内损伤;采用内聚力模型模拟5兆瓦风机叶片复合材料的层间损伤;由所述复合材料的层内损伤以及所述层间损伤数值模拟结果建立训练数据库;所述内聚力模型为:
验证模块,用于对所述训练数据库中的数据进行验证;
模型优化模块,用于将验证后的所述训练数据库中的数据作为核极限学习机模型的训练数据以及测试数据,结合鲸鱼优化算法对所述核极限学习机模型的参数进行优化,直至所述核极限学习机模型的适应度值满足终止条件要求以及迭代次数要求,获得优化后的核极限学习机模型;
预测模块,用于利用所述优化后的核极限学习机模型预测风机叶片最大损伤量;
所述利用所述优化后的核极限学习机模型预测风机叶片最大损伤量,包括:
采用外部冲击速度,冲击质量,冲击角度以及冲击位置四项指标作为所述优化后的核极限学习机模型的输入向量预测风机叶片最大损伤量。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至5任意一项所述的风机叶片冲击损伤预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210967810.9A CN115345072B (zh) | 2022-08-12 | 2022-08-12 | 一种风机叶片冲击损伤预测方法、系统及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210967810.9A CN115345072B (zh) | 2022-08-12 | 2022-08-12 | 一种风机叶片冲击损伤预测方法、系统及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115345072A CN115345072A (zh) | 2022-11-15 |
CN115345072B true CN115345072B (zh) | 2023-06-06 |
Family
ID=83952883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210967810.9A Active CN115345072B (zh) | 2022-08-12 | 2022-08-12 | 一种风机叶片冲击损伤预测方法、系统及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115345072B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9274036B2 (en) * | 2013-12-13 | 2016-03-01 | King Fahd University Of Petroleum And Minerals | Method and apparatus for characterizing composite materials using an artificial neural network |
CN112233091B (zh) * | 2020-10-15 | 2021-05-18 | 青岛理工大学 | 一种风力机叶片图像损伤检测和定位方法 |
CN112417613A (zh) * | 2020-10-26 | 2021-02-26 | 中国电力科学研究院有限公司 | 一种对风电机组叶片损伤类型的分析方法及系统 |
CN112991091A (zh) * | 2021-02-09 | 2021-06-18 | 江南大学 | 一种基于Stacking算法的短期电力负荷预测方法及装置 |
CN114139308A (zh) * | 2021-11-23 | 2022-03-04 | 南京航空航天大学 | 一种考虑基体非线性特征的树脂基复合材料损伤预测方法 |
CN114565006A (zh) * | 2021-12-03 | 2022-05-31 | 浙江运达风电股份有限公司 | 一种基于深度学习的风力发电机叶片损伤检测方法及系统 |
CN114418221A (zh) * | 2022-01-21 | 2022-04-29 | 宣畅 | 一种短期风力发电预测方法、装置、设备及存储介质 |
-
2022
- 2022-08-12 CN CN202210967810.9A patent/CN115345072B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115345072A (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fei et al. | Enhanced network learning model with intelligent operator for the motion reliability evaluation of flexible mechanism | |
Li et al. | Opportunistic maintenance for offshore wind farms with multiple-component age-based preventive dispatch | |
Zheng et al. | A genetic fuzzy radial basis function neural network for structural health monitoring of composite laminated beams | |
Song et al. | A unified fatigue reliability-based design optimization framework for aircraft turbine disk | |
CN110794308B (zh) | 列车电池容量预测方法及装置 | |
CN102339351A (zh) | 离心压气机叶轮轮盘截面形状优化方法 | |
Elshaer et al. | Aerodynamic shape optimization for corners of tall buildings using CFD | |
Song et al. | Multi-surrogate collaboration approach for creep-fatigue reliability assessment of turbine rotor | |
CN115828701A (zh) | 一种固定式海上风电机组一体化仿真分析方法及平台装置 | |
CN115345072B (zh) | 一种风机叶片冲击损伤预测方法、系统及可读存储介质 | |
Asouti et al. | PCA-enhanced metamodel-assisted evolutionary algorithms for aerodynamic optimization | |
CN113094769A (zh) | 一种模块单元化叶片设计方法、装置、设备及存储介质 | |
Richards et al. | Aeroelastic design of large wind turbine blades considering damage tolerance | |
Zhou et al. | Machine learning based asymptotic homogenization and localization: Predictions of key local behaviors of multiscale configurations bearing microstructural varieties | |
Zhang et al. | Fatigue reliability framework using enhanced active Kriging-based hierarchical collaborative strategy | |
Yang et al. | An accelerated simulation approach for multistate system mission reliability and success probability under complex mission | |
Tran et al. | One-dimensional convolutional neural network for damage detection of structures using time series data | |
Zhang et al. | Moving-zone renewal strategy combining adaptive Kriging and truncated importance sampling for rare event analysis | |
Xu et al. | Development of BP-based seismic behavior optimization of RC and steel frame structures | |
CN116011071A (zh) | 基于主动学习的空中造楼机结构可靠性分析方法及系统 | |
CN116628854A (zh) | 一种翼型气动特性预测方法、系统、电子设备及存储介质 | |
CN115547431A (zh) | 一种基于机器学习与渐进损伤的短切纤维复合材料疲劳性能预测方法 | |
CN111651843B (zh) | 发电机主机架的设计方法、系统及电子设备 | |
CN115455739A (zh) | 交互式风机安装的模拟方法及模拟系统 | |
CN112380642A (zh) | 一种风电机组叶片纤维间失效预测方法和装置 |
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 |