CN115392040A - 含缺陷风电叶片主梁在随机载荷作用下的寿命预测方法 - Google Patents
含缺陷风电叶片主梁在随机载荷作用下的寿命预测方法 Download PDFInfo
- Publication number
- CN115392040A CN115392040A CN202211066824.XA CN202211066824A CN115392040A CN 115392040 A CN115392040 A CN 115392040A CN 202211066824 A CN202211066824 A CN 202211066824A CN 115392040 A CN115392040 A CN 115392040A
- Authority
- CN
- China
- Prior art keywords
- stress
- fatigue
- blade
- under
- action
- 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.)
- Pending
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种含缺陷风电叶片主梁在随机载荷作用下的寿命预测方法,针对带有褶皱缺陷的风力机叶片,对叶片载荷的随机变化情况进行全面考虑,实现了更为接近真实情况下的风力机叶片主梁寿命预测,大大提高了疲劳寿命预测的准确度。本发明以带有褶皱缺陷的叶片材料S‑N曲线为基础,将承受应力幅值和应力均值共同作用的疲劳寿命看作二元函数,提出修正的Miner准则进行损伤累积的评估,从而建立随机载荷下实际风力机叶片疲劳寿命预测模型,实现叶片寿命预测。
Description
技术领域
本发明涉及复合材料寿命预测技术领域,更具体的说是涉及一种带有制造缺陷风电叶片主梁在随机载荷作用下的寿命预测方法。
背景技术
目前,对于风力机叶片主梁寿命预测方法大多针对理想叶片恒幅载荷的情况,而实际风场中风力机叶片很多带有制造缺陷,工作环境不稳定,载荷变化复杂,仅针对理想叶片恒幅载荷情况来预测风力机叶片主梁寿命具有一定片面性。
因此,如何实现真实情况下风力机叶片主梁寿命的准确预测是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种含缺陷风电叶片主梁在随机载荷作用下的寿命预测方法,针对带有褶皱缺陷的风力机叶片,对叶片载荷的随机变化情况进行全面考虑,实现了更为接近真实情况下的风力机叶片主梁寿命预测,大大提高了疲劳寿命预测的准确度。
为了实现上述目的,本发明采用如下技术方案:
含缺陷风电叶片主梁在随机载荷作用下的寿命预测方法,包括以下步骤:
步骤1:获取风力机运行中各风速下的相关数据,并按照风速进行数据划分;
步骤2:根据各风速下的相关数据中的最大应力和失效循环数,均采用最小二乘法拟合求解S-N曲线;
步骤3:根据最大应力值求解各风速下相应的应力幅值和应力均值;
步骤4:根据应力幅值计算联合概率密度;
步骤5:根据应力幅值和应力均值计算获得风力机叶片的随机载荷作用下循环应力与疲劳寿命的广义S-N曲线方程;
步骤6:根据广义S-N曲线方程,建立应力幅值和应力均值共同作用下的疲劳寿命二元函数,预测获得叶片疲劳寿命。
优选的,步骤2中求解S-N曲线公式为:
Smax=AlgN+B
其中,Smax为最大应力;N为疲劳寿命;A、B分别为叶片材料参数。
优选的,应力幅值计算公式为:
其中,Sa为应力幅值;Smax为最大应力;R=Smin/Smax,Smin为各风速下最小应力;
应力均值计算公式为:
Sm为应力均值。用应力幅值Sa和应力均值Sm及其概率分布来描述风力机叶片载荷的随机变化情况,将风力机叶片载荷情况进行全面考虑。
优选的,联合概率密度公式为:
优选的,建立以应力幅值Sa和应力均值Sm为自变量的随机载荷作用下带有褶皱缺陷的叶片材料的循环应力S与疲劳寿命N的广义S-N曲线方程,广义S-N曲线方程表达式为:
其中,Sa为应力幅值;Sm为应力均值;R=Smin/Smax,Smin为各风速下最小应力;A、B分别为叶片材料参数;N为疲劳寿命;Su为风力机叶片的随机载荷作用下循环应力。
优选的,步骤6的具体过程为:
步骤61:根据广义S-N曲线方程获得单个循环周期内引起的疲劳损伤函数,表达式为:
N为疲劳寿命;Sa为应力幅值;Sm为应力均值;
步骤62:基于修正的Miner准则,根据单个循环周期内引起的疲劳损伤函数和联合概率密度计算各风速下经历若干次循环应力引起的疲劳累积损伤,表达式为:
其中,D(n)表示各风速下经历n次循环应力引起的疲劳累积损伤;D(1)表示疲劳损伤函数;f(Sa,Sm)为联合概率密度;
步骤63:对所有风速下的疲劳累积损伤进行求和,获得风力机叶片的疲劳寿命,表达式为:
Y表示疲劳寿命;D表示疲劳累积损伤。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种含缺陷风电叶片主梁在随机载荷作用下的寿命预测方法,针对带有褶皱缺陷的风力机叶片,对叶片载荷的随机变化情况进行全面考虑,以该情况叶片材料的S-N曲线为基础,将承受应力幅值和应力均值共同作用的疲劳寿命看作二元函数,提出修正的Miner准则进行损伤累积的评估,从而建立随机载荷下实际风力机叶片疲劳寿命预测模型,实现了更为接近真实情况下的风力机叶片主梁寿命预测,大大提高了寿命预测的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的叶片主梁寿命预测方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种含缺陷风电叶片主梁在随机载荷作用下的寿命预测方法,针对带有褶皱缺陷的风力机叶片,对叶片载荷的随机变化情况进行全面考虑,更为接近真实情况下预测风力机叶片主梁寿命。
以实际1.5MW的风力机叶片为例:
(1)获取风力机运行中各风速下的相关数据,按照风速进行数据划分,如表1所示;
表1 1.5MW风力机叶片的载荷情况
(2)根据各风速下最大应力Smax与对应的失效循环数Ni的关系,由最小二乘法拟合求解S-N曲线公式Smax=AlgN+B中的叶片材料参数A、B,求解后两个参数值为:A=-18.40,B=188.76;
(4)求出应力幅值Sa和应力均值Sm后,对联合概率密度公式中的五个特征参量进行估计,得到应力幅值Sa的平均值标准差应力均值Sm的平均值标准差从而得到该风力机叶片应力幅值Sa和应力均值Sm的联合概率密度函数f(Sa,Sm);
(6)把(5)中的该风力机叶片单个循环周期内引起的疲劳损伤D(1)和(4)中的该风力机叶片联合概率密度函数f(Sa,Sm)代入公式分别求出各风速下经历n次循环应力引起的疲劳累积损伤Di,计算结果列于表2中,然后将各风速下疲劳累积损伤求和∑D=1.16×10-2+1.21×10-2+1.02×10-2+1.32×10-2=0.0471,从而求出该风力机叶片的疲劳寿命为
表2 1.5MW风力机叶片的Sa,Sm和Di结果
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.含缺陷风电叶片主梁在随机载荷作用下的寿命预测方法,其特征在于,包括以下步骤:
步骤1:获取风力机运行中各风速下的相关数据,并按照风速进行数据划分;
步骤2:根据各风速下的相关数据中的最大应力和失效循环数,均采用最小二乘法拟合求解S-N曲线;
步骤3:根据最大应力值求解各风速下相应的应力幅值和应力均值;
步骤4:根据应力幅值计算联合概率密度;
步骤5:根据应力幅值和应力均值计算获得风力机叶片的随机载荷作用下循环应力与疲劳寿命的广义S-N曲线方程;
步骤6:根据广义S-N曲线方程,建立应力幅值和应力均值共同作用下的疲劳寿命二元函数,并采用修正的Miner准则进行损伤累积评估,预测获得叶片疲劳寿命。
2.根据权利要求1所述的含缺陷风电叶片主梁在随机载荷作用下的寿命预测方法,其特征在于,步骤2中求解S-N曲线公式为:
Smax=AlgN+B
其中,Smax为最大应力;N为疲劳寿命;A、B分别为叶片材料参数。
6.根据权利要求1所述的含缺陷风电叶片主梁在随机载荷作用下的寿命预测方法,其特征在于,步骤6的具体过程为:
步骤61:根据广义S-N曲线方程获得单个循环周期内引起的疲劳损伤函数,表达式为:
N为疲劳寿命;Sa为应力幅值;Sm为应力均值;
步骤62:基于修正的Miner准则,根据单个循环周期内引起的疲劳损伤函数和联合概率密度计算各风速下经历若干次循环应力引起的疲劳累积损伤,表达式为:
其中,D(n)表示各风速下经历n次循环应力引起的疲劳累积损伤;D(1)表示疲劳损伤函数;f(Sa,Sm)为联合概率密度;
步骤63:对所有风速下的疲劳累积损伤进行求和,获得风力机叶片的疲劳寿命,表达式为:
Y表示疲劳寿命;D表示疲劳累积损伤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211066824.XA CN115392040A (zh) | 2022-09-01 | 2022-09-01 | 含缺陷风电叶片主梁在随机载荷作用下的寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211066824.XA CN115392040A (zh) | 2022-09-01 | 2022-09-01 | 含缺陷风电叶片主梁在随机载荷作用下的寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115392040A true CN115392040A (zh) | 2022-11-25 |
Family
ID=84124092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211066824.XA Pending CN115392040A (zh) | 2022-09-01 | 2022-09-01 | 含缺陷风电叶片主梁在随机载荷作用下的寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115392040A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272666A (zh) * | 2023-10-08 | 2023-12-22 | 上海勘测设计研究院有限公司 | 一种漂浮式海上风机的叶片疲劳寿命计算方法 |
-
2022
- 2022-09-01 CN CN202211066824.XA patent/CN115392040A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272666A (zh) * | 2023-10-08 | 2023-12-22 | 上海勘测设计研究院有限公司 | 一种漂浮式海上风机的叶片疲劳寿命计算方法 |
CN117272666B (zh) * | 2023-10-08 | 2024-04-05 | 上海勘测设计研究院有限公司 | 一种漂浮式海上风机的叶片疲劳寿命计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108375476B (zh) | 一种水电机组健康评估方法 | |
Zaher et al. | Online wind turbine fault detection through automated SCADA data analysis | |
CN106404403B (zh) | 用于涡轮机的分析的方法和系统 | |
KR101425016B1 (ko) | 풍력터빈의 파워커브 모니터링을 위한 파워커브 리미트 자동 산출 방법 | |
CN108335021B (zh) | 一种风力机状态可靠度评估的方法及维修决策优化 | |
KR101086027B1 (ko) | 베이지안 통계기법을 이용한 발전설비 고장예측방법 | |
CN110674842A (zh) | 一种风电机组主轴轴承故障预测方法 | |
US8639454B2 (en) | Method of efficacy anticipation and failure examination for an apparatus | |
Lee et al. | Bayesian spline method for assessing extreme loads on wind turbines | |
CN113374652A (zh) | 一种风力发电机组寿命评估方法 | |
CN115392040A (zh) | 含缺陷风电叶片主梁在随机载荷作用下的寿命预测方法 | |
CN111461450A (zh) | 基于eemd和lstm的水电机组劣化度预测方法 | |
CN111092442A (zh) | 一种基于决策树模型的水电机组多维振动区精细划分方法 | |
d N Santos et al. | Data-driven farm-wide fatigue estimation on jacket foundation OWTs for multiple SHM setups | |
CN115453356B (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
de Andrade Vieira et al. | Wind turbine condition assessment based on changes observed in its power curve | |
CN114220189B (zh) | 一种监测方法、预测系统、电子设备及存储介质 | |
CN114169718A (zh) | 一种基于风电机组状态评估提高机组可靠性的方法 | |
Meyer et al. | Prediction of turbine rotor blade forcing due to in-service stator vane trailing edge damage | |
Elijorde et al. | A wind turbine fault detection approach based on cluster analysis and frequent pattern mining | |
CN109409758B (zh) | 水电站设备健康状态评价方法及系统 | |
CN111882238A (zh) | 基于云模型和eahp的门座起重机结构健康评估方法 | |
Kumar et al. | Measuring software reliability: a fuzzy model | |
Pandit et al. | Comparison of binned and Gaussian Process based wind turbine power curves for condition monitoring purposes | |
Osadciw et al. | Wind turbine diagnostics based on power curve using particle swarm optimization |
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 |