CN116258048A - 一种风电齿轮箱结构参数识别的最优传感器布置方法 - Google Patents
一种风电齿轮箱结构参数识别的最优传感器布置方法 Download PDFInfo
- Publication number
- CN116258048A CN116258048A CN202310544850.7A CN202310544850A CN116258048A CN 116258048 A CN116258048 A CN 116258048A CN 202310544850 A CN202310544850 A CN 202310544850A CN 116258048 A CN116258048 A CN 116258048A
- Authority
- CN
- China
- Prior art keywords
- response
- principal component
- target
- candidate position
- main component
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000004044 response Effects 0.000 claims abstract description 134
- 239000011159 matrix material Substances 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 41
- 230000009466 transformation Effects 0.000 claims description 5
- 238000011946 reduction process Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种风电齿轮箱结构参数识别的最优传感器布置方法,包括如下步骤:获取有限元模型和多组结构参数,在有限元模型上预设多个候选位置,向有限元模型施加动态载荷,获取不同结构参数下有限元模型在不同候选位置处的响应时间序列并降维处理,得到原始响应数值解,生成原始数值矩阵;计算各主成分方向和各主成分占比,从所有主成分方向中选取m个主成分方向作为目标主成分方向,目标主成分占比大于未选取的主成分占比;计算各候选位置的响应数据在各目标主成分方向上的方差,选取所述方差的最大值所对应的候选位置作为传感器的布置位置。该方法在动态载荷下,为具有结构参数不确定性的风电齿轮箱选取最优的传感器布局位置和数量。
Description
技术领域
本发明涉及风电齿轮箱传感器技术领域,具体涉及一种风电齿轮箱结构参数识别的最优传感器布置方法。
背景技术
伴随着能源产业的发展,风机的需求量也逐渐变高,在风机的长期服役过程中,由于其承受载荷的特殊性,其内部关键部件风机齿轮箱不可避免的将承受较之常规结构更严苛的动态工况,长此以往容易出现累积损伤,而传感器可作为识别其结构损伤的元件布置在齿轮箱上。
传感器的布置位置对风机齿轮箱结构损伤的识别准确性、稳定性至关重要,由于风机齿轮箱结构复杂精密,每个齿轮箱的不确定性参数影响较大,能保证准确及时地识别齿轮箱结构损伤的传感器布置位置较难确定,这不仅增加了风机齿轮箱产品设计与评估的难度,也增加风机齿轮箱可靠性与寿命预期规划的难度。
发明内容
鉴于现有技术中的上述缺陷或不足,本发明旨在提供一种风电齿轮箱结构参数识别的最优传感器布置方法,包括如下步骤:
获取有限元模型和多组结构参数,在所述有限元模型上预设多个候选位置,所述候选位置用于设置传感器;
向所述有限元模型施加动态载荷,获取不同结构参数的有限元模型在不同候选位置处的响应时间序列;
对所述响应时间序列进行降维处理,得到初始响应数值解;
基于所有所述初始响应数值解,生成初始数值矩阵;
对所述初始数值矩阵进行去中心化处理,生成更新数值矩阵,所述更新数值矩阵内的元素为更新响应数值解;
计算所述更新数值矩阵的各主成分方向和与其对应的各主成分占比;
从所有所述主成分方向中选取m个主成分方向作为目标主成分方向,所述目标主成分方向对应的主成分占比为目标主成分占比,所述目标主成分占比大于未选取的主成分占比;
获取各个所述候选位置的响应数据,所述候选位置的响应数据由所述候选位置对应的所述更新响应数值解生成得到;
计算各所述候选位置的响应数据在各所述目标主成分方向上的方差;
选取所述方差的最大值所对应的候选位置,作为所述传感器的布置位置。
根据本发明实施例提供的技术方案,从所有所述主成分方向中选取m个主成分方向作为目标主成分方向,包括以下步骤:
降序排列各所述主成分占比;
依次计算相邻两个主成分占比的数量级变化度;
判断所述数量级变化度大于预设值时,将所述数量级变化度对应的前m个主成分方向作为所述目标主成分方向。
根据本发明实施例提供的技术方案,计算所述更新数值矩阵的各主成分方向和与其对应的各所述主成分占比,包括以下步骤:
计算所述更新数值矩阵的协方差矩阵,求解所述协方差矩阵的特征值与特征向量;
计算所述特征值对应的所述主成分占比,将所述特征向量作为所述主成分方向。
根据本发明实施例提供的技术方案,对所述响应时间序列进行降维处理包括:对所述响应时间序列进行离散小波变换。
根据本发明实施例提供的技术方案,所述候选位置的响应数据包括响应向量,所述响应向量的方向由各所述候选位置在所述更新数值矩阵中的所处列数决定,所述响应向量的大小由各所述候选位置的所述更新响应数值解决定,计算各个所述候选位置的响应数据在各个所述目标主成分方向上的方差,包括以下步骤:
计算所述候选位置的所述响应向量与所述目标主成分方向的夹角;
根据所述夹角,计算所述候选位置的所述响应数据在所述目标主成分方向上的投影点;
计算投影点的方差,将其作为所述候选位置的所述响应数据在所述目标主成分方向上的方差。
根据本发明实施例提供的技术方案,为了实现所述结构参数的准确识别,所述目标主成分方向的个数需大于或等于所述结构参数的个数。
综上所述,本发明提出一种风电齿轮箱结构参数识别的最优传感器布置方法,用于在动态载荷下,为具有结构参数不确定性的风电齿轮箱选取最优的传感器布局位置,包括如下步骤:获取有限元模型和多组结构参数,在所述有限元模型上预设多个候选位置,所述候选位置用于设置传感器;向所述有限元模型施加动态载荷,获取不同结构参数的有限元模型在不同候选位置处的响应时间序列;对所述响应时间序列进行降维处理,得到初始响应数值解;基于所有所述初始响应数值解,生成初始数值矩阵;对所述初始数值矩阵进行去中心化处理,生成更新数值矩阵,所述更新数值矩阵内的元素为更新响应数值解;计算所述更新数值矩阵的各主成分方向和各主成分占比;从所有所述主成分方向中选取m个主成分方向作为目标主成分方向,所述目标主成分方向的占比大于未选取的主成分方向的占比;获取各个所述候选位置的响应数据,所述候选位置的响应数据由所述候选位置对应的所述更新响应数值解生成得到;计算各所述候选位置的响应数据在各所述目标主成分方向上的方差;选取所述方差的最大值所对应的候选位置,作为所述传感器的布置位置,该方法在考虑不确定性参数的前提下,施加动态载荷模拟风电齿轮箱的服役过程,选择出的布置位置针对结构参数满足同一正态分布的风电齿轮箱均具有指导作用,在该位置布置传感器可达到响应快速准确,有利于风机齿轮箱产品设计与评估,和对风机齿轮箱可靠性与寿命预期的规划。
附图说明
图1为本发明实施例提供的风电齿轮箱结构参数识别的最优传感器布置方法的步骤流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
实施例1
诚如背景技术中提到的,针对现有技术中的问题,本发明提出了一种风电齿轮箱结构参数识别的最优传感器布置方法,请参考图1所示,包括如下步骤:
S100.获取有限元模型和多组结构参数,在所述有限元模型上预设多个候选位置,所述候选位置用于设置传感器;
S101.向所述有限元模型施加动态载荷,获取不同结构参数的有限元模型在不同候选位置处的响应时间序列;
S102.对所述响应时间序列进行降维处理,得到初始响应数值解;
S103.基于所有所述初始响应数值解,生成初始数值矩阵;
S104.对所述初始数值矩阵去中心化,生成更新数值矩阵,所述更新数值矩阵内的元素为更新响应数值解;
S105.计算所述更新数值矩阵的各主成分方向和与其对应的各主成分占比;
S106.从所有所述主成分方向中选取m个主成分方向作为目标主成分方向,所述目标主成分方向对应的主成分占比为目标主成分占比,所述目标主成分占比大于未选取的主成分占比;
S107.获取各个所述候选位置的响应数据,所述候选位置的响应数据由所述候选位置对应的所述更新响应数值解生成得到;
S108.计算各所述候选位置的响应数据在各所述目标主成分方向上的方差;
S109.选取所述方差的最大值所对应的候选位置,作为所述传感器的布置位置。
该方法能够在动态载荷下,为具有结构参数不确定性的风电齿轮箱选取最优的传感器布局位置和数量,也可为其他需要布置传感器的装置提供参考适用方案,在某种特定的场景中,某型号风机内部的关键部件齿轮箱具有一级行星轮结构内齿圈,可选地,将杨氏模量E、剪切模量G作为所述结构参数,设杨氏模量E服从正态分布(206000, 103502) MPa,泊松比服从正态分布(0.3, 0.01502),两参数间相关系数为0,并进行蒙特卡洛抽样(Monte Carlo Simulation, 以下简称MCS),随后依公式(2)计算剪切模量G,所述有限元模型响应各所述结构参数得到对应组参数样本。
经计算,剪切模量G服从正态分布(79600,40922) MPa,每组参数样本的剪切模量和杨氏模量均服从上述分布,预设候选位置时,可通过经验预设,也可在所述有限元模型的网格节点上预设,在预设所述候选位置的每个所述有限元模型上施加动态载荷,将所述内齿圈齿根的一个啮合周期划分为多个载荷步,所述响应时间序列包括考虑时间动态不确定性参数的影响下,每一个载荷步下所述候选位置传感器的响应,每个所述候选位置传感器对应的所述响应时间序列降维处理得到与其对应的所述初始响应数值解,各所述初始响应数值解即为所述初始数值矩阵的元素,所述初始数值矩阵S如下所示,具体地,第一组参数样本上编号1候选位置对应的响应时间序列降维处理后得到,/>即为第一组参数样本上编号1候选位置的所述初始响应数值解。
各所述目标主成分占比总和接近100%,每个所述候选位置的响应向量由该候选位置在不同参数样本上的所述更新响应数值解获得,具体地,所述候选位置的响应向量的方向由其编号(即该候选位置处于矩阵的列数)决定,大小由其更新响应数值解决定,具体地,编号1候选位置的响应向量由矩阵/>的第一列生成得到,具体步骤为:依据矩阵/>的列数建立一个超维空间,空间坐标轴的个数与列数相等(例如选择4组参数样本,再各参数样本上设3个候选位置传感器,即矩阵/>为四行三列,对应建立三维空间),该三维空间会有一组基向量(即为X轴[1, 0, 0]、Y轴[0, 1, 0]、Z轴[0, 0, 1],确定方向),矩阵/>中的每一列(对应每一个候选位置)都将成为一组向量,且第一列对应基向量的X轴,第二列对应基向量的Y轴,第三列对应基向量的Z轴(如矩阵/>的第一列更新响应数值解分别为[6, 7, 8,9],即编号1候选位置在第一组参数样本上的更新响应数值解为7,在第二组参数样本上的更新响应数值解为8、在第三组参数样本上的更新响应数值解为9,则编号1候选位置的响应向量为[7, 0, 0]、[7, 0, 0]、[8, 0, 0]、[9, 0, 0],矩阵/>的第二列响应数值解分别为[10, 11, 12, 13],则编号2候选位置的响应向量为[0, 10, 0]、[0, 11, 0]、[0, 12, 0]、[0, 13, 0]),即矩阵/>的列数确定空间维数,该列更新响应数值解确定该列数对应的候选位置的响应向量的大小。
计算每一个候选位置的响应数据在每一个所述目标主成分方向上的方差,再选取每一个所述目标主成分方向上对应方差最大的候选位置作为布置位置,该布置位置可适用于结构参数符合某一概率分布的风电齿轮箱,在该布置位置布置传感器,符合考虑不确定性参数的前提下,施加动态载荷模拟风电齿轮箱的服役过程,选择出的布置位置针对结构参数满足某一概率分布的风电齿轮箱均具有指导作用,在该位置布置传感器可达到响应快速准确,有利于风机齿轮箱产品设计与评估,和对风机齿轮箱可靠性与寿命预期的规划。
在一优选实施例中,从所有所述主成分方向中选取m个主成分方向作为目标主成分方向,包括以下步骤:
降序排列各所述主成分占比;
依次计算相邻两个主成分占比的数量级变化度;
判断所述数量级变化度大于预设值时,将所述数量级变化度对应的前m个主成分方向作为所述目标主成分方向。
在一优选实施例中,计算所述更新数值矩阵的各主成分方向和与其对应的各所述主成分占比,包括以下步骤:
计算所述更新数值矩阵的协方差矩阵,求解所述协方差矩阵的特征值与特征向量;
计算所述特征值对应的所述主成分占比,将所述特征向量作为所述主成分方向。
具体地,将各所述候选位置对应的所述特征值降序排列,所述主成分方向即为所述特征值对应的特征向量,所述特征值的排列次序与所述主成分方向占比的排列顺序一致,在某种特定的场景中,选取21个所述候选位置,得到21个所述主成分方向,每个所述候选位置下对应的所述特征值和所述主成分占比降序排列后如表1所示。
表1 各主成分方向的特征值排列表
在表1中可以看出,序号1的主成分占比和序号2的主成分占比总和为99.99%,接近100%,即此时选择序号1主成分方向和序号2主成分方向作为所述目标主成分方向,从序号3主成分方向开始,所述主成分方向对应的主成分占比的数量级骤降,极小可忽略不计,确定所述目标主成分方向为第一主成分方向、第二主成分方向,(表1中的序号3的主成分方向作为选取截断点,命名为第三主成分方向,在表2也展示了第三主成分方向方差)再计算每一个候选位置的响应数据在第一主成分方向、第二主成分方向上的方差,如表2所示。
表2 各候选位置在不同主成分方向上的方差
由表2可知,所述第一主成分方向方差最大的为4号候选位置,所述第二主成分方向方差最大的为1号候选位置,所以确定4号候选位置、1号候选位置作为布置位置,布置数量为2个。
其中,为编号/>候选位置的响应向量/>与编号/>候选位置的响应向量/>的协方差,/>表示编号r候选位置在第/>组参数样本的所述更新响应数值解,/>表示编号j候选位置在第/>组参数样本的所述更新响应数值解。
在一优选实施例中,对所述响应时间序列进行降维处理包括:对所述响应时间序列进行离散小波变换。
具体地,进行离散小波变换步骤为对时间这一不确定参数的处理过程,将动态载荷下所述内齿圈齿根的一个啮合周期分为8个载荷阶段,即每个所述候选位置传感器可得到8个响应,每个所述参数样本上的每一个候选位置传感器均对应一个所述响应时间序列,各所述响应时间序列中均包括8个响应,通过离散小波变换进行降维处理得到各所述候选位置对应的所述初始响应数值解,获得所述初始数值矩阵S。
在一优选实施例中,所述候选位置的响应数据包括响应向量,所述响应向量的方向由各所述候选位置在所述更新数值矩阵中的所处列数决定,所述响应向量的大小由各所述候选位置的所述更新响应数值解决定,计算各个所述候选位置的响应数据在各个所述目标主成分方向上的方差,包括以下步骤:
计算所述候选位置的所述响应向量与所述目标主成分方向的夹角;
根据所述夹角,计算所述候选位置的所述响应数据在所述目标主成分方向上的投影点;
计算投影点的方差,将其作为所述候选位置的所述响应数据在所述目标主成分方向上的方差。
通过公式(1)计算出各所述候选位置的所述响应向量与各所述目标主成分方向的夹角后,在超维空间坐标系构建各所述候选位置的所述响应向量与各所述目标主成分方向,所述响应数据即各所述候选位置的所述更新响应数值解在所述响应向量上的对应值,每个所述候选位置的所述响应向量上具有多个更新响应数值解,具体地,对于编号1候选位置的所述响应向量上,具有编号1候选位置在第一组参数样本上的更新响应数值解,编号1候选位置在第二组参数样本上的更新响应数值解/>,编号1候选位置在第三组参数样本上的更新响应数值解/>... ...编号1候选位置在第k组参数样本上的更新响应数值解,将上述响应数值解分别向所述目标主成分方向上做投影,得到对应的所述投影点,统计各投影点的方差即为该候选位置的所述响应数据在该目标主成分方向上的方差。
在一优选实施例中,所述目标主成分方向的个数大于或等于所述结构参数的个数。
可选地,如上述所述,所述结构参数选取杨氏模量E、剪切模量G,个数为2个,所以在选定目标主成分方向时,选取大于或等于2个,且结合前2个的所述主成分占比接近100%,此时将降序排列后的各所述主成分占比选取前两个,对应的主成分方向作为所述目标主成分方向即可。
在找到布置位置后可进行验证,将该布置位置与任意选择的其他的候选位置的响应作对比,观察该布置位置的响应和对比位置的响应分别与参数样本的结构参数分布作对比,可得到该布置位置的响应服从结构参数分布,可见1号、4号确为最优的布置位置,最优的布置数量为2,对于结构参数满足上述正态分布的风电齿轮箱,传感器的布置均可选择该布置位置及数量,为传感器布局设计作出指导,有助于风机齿轮箱产品设计与评估,和对风机齿轮箱可靠性与寿命预期的规划。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。以上所述仅是本发明的优选实施方式,应当指出,由于文字表达的有限性,而客观上存在无限的具体结构,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进、润饰或变化,也可以将上述技术特征以适当的方式进行组合;这些改进润饰、变化或组合,或未经改进将发明的构思和技术方案直接应用于其他场合的,均应视为本发明的保护范围。
Claims (7)
1.一种风电齿轮箱结构参数识别的最优传感器布置方法,其特征在于,包括如下步骤:
获取有限元模型和多组结构参数,在所述有限元模型上预设多个候选位置,所述候选位置用于设置传感器;
向所述有限元模型施加动态载荷,获取不同结构参数的有限元模型在不同候选位置处的响应时间序列;
对所述响应时间序列进行降维处理,得到初始响应数值解;
基于所有所述初始响应数值解,生成初始数值矩阵;
对所述初始数值矩阵进行去中心化处理,生成更新数值矩阵,所述更新数值矩阵内的元素为更新响应数值解;
计算所述更新数值矩阵的各主成分方向和与其对应的主成分占比;
从所有所述主成分方向中选取m个主成分方向作为目标主成分方向,所述目标主成分方向对应的主成分占比为目标主成分占比,所述目标主成分占比大于未选取的主成分占比;
获取各个所述候选位置的响应数据,所述候选位置的响应数据由所述候选位置对应的所述更新响应数值解生成得到;
计算各所述候选位置的响应数据在各所述目标主成分方向上的方差;
选取所述方差的最大值所对应的候选位置,作为所述传感器的布置位置。
2.根据权利要求1所述的风电齿轮箱结构参数识别的最优传感器布置方法,其特征在于,从所有所述主成分方向中选取m个主成分方向作为目标主成分方向,包括以下步骤:
降序排列各所述主成分占比;
依次计算相邻两个主成分占比的数量级变化度;
判断所述数量级变化度大于预设值时,将所述数量级变化度对应的前m个主成分方向作为所述目标主成分方向。
3.根据权利要求1所述的风电齿轮箱结构参数识别的最优传感器布置方法,其特征在于,计算所述更新数值矩阵的各主成分方向和与其对应的各所述主成分占比,包括以下步骤:
计算所述更新数值矩阵的协方差矩阵,求解所述协方差矩阵的特征值与特征向量;
计算所述特征值对应的所述主成分占比,将所述特征向量作为所述主成分方向。
4.根据权利要求1所述的风电齿轮箱结构参数识别的最优传感器布置方法,其特征在于,对所述响应时间序列进行降维处理包括:对所述响应时间序列进行离散小波变换。
5.根据权利要求1所述的风电齿轮箱结构参数识别的最优传感器布置方法,其特征在于,所述候选位置的响应数据包括响应向量,所述响应向量的方向由各所述候选位置在所述更新数值矩阵中的所处列数决定,所述响应向量的大小由各所述候选位置的所述更新响应数值解决定,计算各个所述候选位置的响应数据在各个所述目标主成分方向上的方差,包括以下步骤:
计算所述候选位置的所述响应向量与所述目标主成分方向的夹角;
根据所述夹角,计算所述候选位置的所述响应数据在所述目标主成分方向上的投影点;
计算投影点的方差,将其作为所述候选位置的所述响应数据在所述目标主成分方向上的方差。
7.根据权利要求1所述的风电齿轮箱结构参数识别的最优传感器布置方法,其特征在于,为了实现所述结构参数的准确识别,所述目标主成分方向的个数需大于或等于所述结构参数的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310544850.7A CN116258048B (zh) | 2023-05-16 | 2023-05-16 | 一种风电齿轮箱结构参数识别的最优传感器布置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310544850.7A CN116258048B (zh) | 2023-05-16 | 2023-05-16 | 一种风电齿轮箱结构参数识别的最优传感器布置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116258048A true CN116258048A (zh) | 2023-06-13 |
CN116258048B CN116258048B (zh) | 2023-07-18 |
Family
ID=86682906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310544850.7A Active CN116258048B (zh) | 2023-05-16 | 2023-05-16 | 一种风电齿轮箱结构参数识别的最优传感器布置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116258048B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105666244A (zh) * | 2016-01-06 | 2016-06-15 | 北京工业大学 | 一种数控镗床热效应下镗杆热伸长误差温度测点约简的方法 |
CN107679328A (zh) * | 2017-10-10 | 2018-02-09 | 湖南大学 | 一种系统参数识别的最优传感器布置方法 |
CN108064047A (zh) * | 2018-01-17 | 2018-05-22 | 北京工商大学 | 一种基于粒子群的水质传感器网络优化部署方法 |
CN108875178A (zh) * | 2018-06-04 | 2018-11-23 | 大连理工大学 | 用于减小结构模态识别不确定性的传感器布置方法 |
CN115128300A (zh) * | 2022-06-07 | 2022-09-30 | 南通职业大学 | 传感器优化布置下的结构动态载荷/参数联合识别方法 |
CN115293007A (zh) * | 2022-10-08 | 2022-11-04 | 河北工业大学 | 服役工况下风电齿轮箱箱体的不确定性与相关性分析方法 |
CN116011077A (zh) * | 2023-01-06 | 2023-04-25 | 深圳防灾减灾技术研究院 | 一种面向结构损伤识别的多种传感器多目标优化布置方案 |
-
2023
- 2023-05-16 CN CN202310544850.7A patent/CN116258048B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105666244A (zh) * | 2016-01-06 | 2016-06-15 | 北京工业大学 | 一种数控镗床热效应下镗杆热伸长误差温度测点约简的方法 |
CN107679328A (zh) * | 2017-10-10 | 2018-02-09 | 湖南大学 | 一种系统参数识别的最优传感器布置方法 |
CN108064047A (zh) * | 2018-01-17 | 2018-05-22 | 北京工商大学 | 一种基于粒子群的水质传感器网络优化部署方法 |
CN108875178A (zh) * | 2018-06-04 | 2018-11-23 | 大连理工大学 | 用于减小结构模态识别不确定性的传感器布置方法 |
CN115128300A (zh) * | 2022-06-07 | 2022-09-30 | 南通职业大学 | 传感器优化布置下的结构动态载荷/参数联合识别方法 |
CN115293007A (zh) * | 2022-10-08 | 2022-11-04 | 河北工业大学 | 服役工况下风电齿轮箱箱体的不确定性与相关性分析方法 |
CN116011077A (zh) * | 2023-01-06 | 2023-04-25 | 深圳防灾减灾技术研究院 | 一种面向结构损伤识别的多种传感器多目标优化布置方案 |
Non-Patent Citations (4)
Title |
---|
F.M.NEUHAUSER等: "Sensor Placement Design Strategy and Quality Estimation in Modern car body production using stochastic finite element method", 《SCIENCEDIRECT》, pages 104 - 111 * |
JIE LIU等: "Optimal sensor placement for uncertain inverse problem of structural parameter estimation", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING 》, pages 1 - 22 * |
王剑: "输电铁塔振动监测传感器优化布置与结构状态参数分析", 《中国博士学位论文全文数据库工程科技Ⅱ辑》, pages 042 - 145 * |
王桂兰等: "基于结构分析的风机齿轮箱传感器配置研究", 《振动与冲击》, pages 181 - 188 * |
Also Published As
Publication number | Publication date |
---|---|
CN116258048B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1804255A2 (en) | Method of determining margins to operating limits for nuclear reactor operation | |
CN104216283B (zh) | 飞机导管加工文件快速生成方法 | |
CN103512499A (zh) | 一种基于光电扫描的单站式三维坐标测量方法 | |
CN115455793A (zh) | 基于多尺度模型修正的高层结构复杂构件受力分析方法 | |
CN116258048B (zh) | 一种风电齿轮箱结构参数识别的最优传感器布置方法 | |
CN111090907B (zh) | 一种飞行试验转捩判断方法 | |
CN104424380A (zh) | 机械变形测量仪的模拟 | |
CN107991177B (zh) | 一种测试金属板材双轴屈服和硬化行为的方法 | |
CN110442904A (zh) | 一种fpga的功耗模型校准装置和校准方法 | |
CN109212751B (zh) | 一种自由曲面公差的分析方法 | |
CN109341836A (zh) | 一种对称重平台进行校准的方法及装置 | |
CN112798143A (zh) | 一种基于集成光纤传感器的型架状态监控方法 | |
US7289937B2 (en) | Method and apparatus for machine vector loop extraction | |
US20190369589A1 (en) | Virtual object display system | |
CN113361222B (zh) | 一种集成电路制造工艺虚拟仿真方法和装置 | |
JP5946742B2 (ja) | 自然エネルギー型分散電源群の合計出力の変動推定方法、変動推定装置及び変動推定プログラム | |
US20150330317A1 (en) | Real-time vehicle data acquisition and analysis | |
CN109635365A (zh) | 一种控制机匣零件切断变形的工艺方法 | |
CN115443573A (zh) | 剩余容量推定装置、模型生成装置、剩余容量推定方法、模型生成方法以及程序 | |
CN109117597A (zh) | 一种基于对应分析法的加工关键因素分级方法 | |
CN109960144B (zh) | 风力发电机组偏航控制的方法、设备和系统 | |
Jeswiet et al. | Measuring robot repeatability an application of ISO and ANSI standards | |
CN105806943B (zh) | 基于离散小波的复合材料梁结构损伤定位方法及系统 | |
Xu et al. | Method for determining the probing points for efficient measurement of freeform surface | |
CN115281394A (zh) | 温度场生成方法、系统、计算机设备和存储介质 |
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 |