CN116306139A - 一种风力机叶片寿命智能监测方法及系统 - Google Patents

一种风力机叶片寿命智能监测方法及系统 Download PDF

Info

Publication number
CN116306139A
CN116306139A CN202310256674.7A CN202310256674A CN116306139A CN 116306139 A CN116306139 A CN 116306139A CN 202310256674 A CN202310256674 A CN 202310256674A CN 116306139 A CN116306139 A CN 116306139A
Authority
CN
China
Prior art keywords
blade
fatigue
load
wind turbine
design
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
Application number
CN202310256674.7A
Other languages
English (en)
Inventor
罗涛
巫发明
黄剑锋
钟杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CRRC Zhuzhou Institute Co Ltd
Original Assignee
CRRC Zhuzhou Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CRRC Zhuzhou Institute Co Ltd filed Critical CRRC Zhuzhou Institute Co Ltd
Priority to CN202310256674.7A priority Critical patent/CN116306139A/zh
Publication of CN116306139A publication Critical patent/CN116306139A/zh
Pending legal-status Critical Current

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
    • G06F30/23—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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • 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
    • G06F2113/08—Fluids
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/502—Proximity
    • 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

Abstract

本发明公开了一种风力机叶片寿命智能监测方法及系统，方法包括步骤：提取叶片低频损伤模型特征，构建叶片疲劳损伤数据库；建立高频载荷分析模型，再基于高频载荷分析模型对叶片载荷进行计算，得到叶片疲劳载荷；基于叶片疲劳损伤数据库和叶片疲劳载荷，得到叶片疲劳寿命，并对叶片疲劳寿命进行评估。本发明避免使用复杂的非线性疲劳损伤模型，在保证仿真精度的同时简化了计算量级；在线读取SCADA数据和风资源数据，通过高频载荷分析模型对叶片载荷进行实时评估，提升了在线监测叶片各截面疲劳载荷的精度和时效性。

Description

一种风力机叶片寿命智能监测方法及系统
技术领域
本发明主要涉及风电技术领域，具体涉及一种风力机叶片寿命智能监测方法及系统。
背景技术
由于风电机组结构复杂，不可避免地承受着湍流效应、风切变、塔影效应、尾流效应等作用，常在低温、风沙、结冰等恶劣的外部环境下运行，因此机组载荷、振动波动大，运维难度大且成本高。随着风电机组运行年限的增加，机组剩余使用寿命日益受到关注。叶片作为风电机组捕获风能的核心部件，长期受到弯曲、扭转、剪切等载荷的耦合作用；随着风电机组的大型化，叶片尺寸越来越大，叶片损伤情况越发复杂，因此实时掌握叶片寿命意义重大。
根据检索到的专利和论文，叶片疲劳损伤评估方法通常是计算累计疲劳值及累加疲劳值的变化特征来表征叶片疲劳损伤的程度，多采用线性损伤累积理论对单轴疲劳检测结果进行处理，获得叶片在挥舞与摆振方向载荷共同作用下的疲劳性能；或者采用复杂的非线性疲劳损伤模型，对多轴载荷下叶片的等效应力进行计算来评估叶片的疲劳性能。若采用线性疲劳损伤累积模型，则估算准确度大为降低，难以满足在线监测系统精度要求；若通过非线性疲劳损伤模型，则由于计算量级大，难以部署于在线监测系统并进行寿命预测。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种提升计算精度和效率的风力机叶片寿命智能监测方法及系统。
为解决上述技术问题，本发明提出的技术方案为：
一种风力机叶片寿命智能监测方法，包括步骤：
提取叶片低频损伤模型特征，构建叶片疲劳损伤数据库；
建立高频载荷分析模型，再基于高频载荷分析模型对叶片载荷进行计算，得到叶片疲劳载荷；
基于叶片疲劳损伤数据库和叶片疲劳载荷，得到叶片疲劳寿命，并对叶片疲劳寿命进行评估。
优选地，构建叶片疲劳损伤数据库的具体过程为：通过气弹模型和有限元模型来提取叶片低频损伤模型特征，再通过气弹模型校准、载荷时域仿真、雨流计算、单位载荷计算、疲劳应力谱、S-N曲线计算，最终获得叶片疲劳损伤数据库。
优选地，在载荷时域仿真中，计算风电机组叶片在认证设计条件下的载荷时域序列；在雨流计算中，针对风电机组叶片的载荷时域序列进行雨流计数，获得叶片各截面的马尔科夫矩阵Adesign,i。
优选地，在单位载荷计算中，根据叶片参数建立全尺寸叶片有限元模型，计算叶片在单位载荷作用下各截面段产生的最大应力σi；在疲劳应力谱中，计算叶片截面i的马尔科夫矩阵Adesign,i中载荷均值Fdesign-mean,i,j对应的叶片应力均值σdesign-mean,i,j，其中j＝1，2，…，m，共m个载荷均值；以及计算叶片截面i的马尔科夫矩阵Adesign,i中载荷幅值Fdesign-amp,i,k对应的叶片应力幅值σdesign-amp,i,k，其中k＝1，2，…，p，共p个载荷幅值。
优选地，在S-N曲线计算中，基于叶片应力均值σdesign-mean,i,j和叶片应力幅值σdesign-amp,i,k，计算叶片的许用载荷循环次数Ndesign,i,j,k。
优选地，建立高频载荷分析模型的具体过程为：
构建风电机组子系统与多系统集成的高频载荷分析模型，
获取风电机组预定时间段内的叶根螺栓监测数据，将叶根螺栓监测数据与高频载荷分析模型的仿真叶根载荷进行比较，再根据比较结果修正高频载荷分析模型。
优选地，对疲劳寿命进行评估的具体过程为：
计算载荷对叶片产生的寿命损伤
Figure BDA0004129942110000021
并评估叶片的可靠度R(TR)，并依据寿命损伤/>
Figure BDA0004129942110000022
和可靠度R(TR)划分不同的危险区间；
将叶片应力均值σsite-mean,i,j与设计许用应力σdesign-mean,i,m进行比较；当应力均值σsite-mean,i,j小于设计许用应力σdesign-mean,i,m时，则依据寿命损伤
Figure BDA0004129942110000023
和可靠度R(TR)判定风电机组叶片的疲劳寿命状态所位于的区间；当应力均值σsite-mean,i,j大于设计许用应力σdesign-mean,i,m时，风电机组叶片的疲劳寿命状态位于高危险区间。
优选地，依据寿命损伤和可靠度判定风电机组叶片的疲劳寿命状态所位于的区间的具体过程为：
当
Figure BDA0004129942110000024
且R(TR)≥第二预设值，风电机组叶片处于正常的工作状态，疲劳寿命预测系统对此状态耐受；
当Di Life≤第一预设值且R(TR)<第二预设值，风电机组叶片的疲劳寿命状态位于低危险区间，发出黄色警报信号；
当Di Life>第一预设值且R(TR)≥第二预设值，风电机组叶片的疲劳寿命状态位于中危险区间，发出黄色警报信号；
当Di Life>第一预设值且R(TR)<第二预设值，风电机组叶片的疲劳寿命状态位于高危险区间，发出红色警报信号。
本发明还公开了一种风力机叶片寿命智能监测系统，包括叶片疲劳损伤数据库、高频载荷分析模型和数据采集模块，所述数据采集模块与所述边缘计算模块相连，所述数据采集模块采集风电机组SCADA数据、风资源数据和叶根智能螺栓数据，通过高频载荷分析模型进行分析以得到叶片疲劳载荷，再基于叶片疲劳载荷得到叶片疲劳寿命，并对叶片疲劳寿命进行评估。
优选地，还包括边缘计算模块，所述叶片疲劳损伤数据库布署于所述边缘计算模块中，所述数据采集模块采集风电机组SCADA数据、风资源数据和叶根智能螺栓数据传输至边缘计算模块进行分析处理。
与现有技术相比，本发明的优点在于：
本发明考虑单位载荷作用下叶片各截面段产生的最大应力，通过提取叶片低频损伤模型特征构建了叶片疲劳损伤数据库，避免使用复杂的非线性疲劳损伤模型，在保证仿真精度的同时简化了计算量级，提升计算精度和效率。
本发明在线读取SCADA数据和风资源数据后，通过高频载荷分析模型对叶片载荷进行实时评估，无需增设大量传感器，便可达到在线监测叶片使用寿命的效果，提升了在线监测叶片各截面疲劳载荷的精度和时效性，提升了风电场运维的风险管控能力。
本发明将叶片疲劳损伤数据库部署于边缘计算模块，并通过边缘计算将数据在边缘节点进行风电机组SCADA数据、风资源数据、叶根智能螺栓数据等数据的处理，能够有效减少数据的传输和处理，提升了数据传输的速度和时效性。
附图说明
图1为本发明的监测系统在实施例的结构图。
图2为本发明的监测方法在实施例的流程图。
具体实施方式
以下结合说明书附图和具体实施例对本发明作进一步描述。
如图2所示，本发明实施例的风力叶片寿命智能监测方法，包括步骤：
提取叶片低频损伤模型特征，构建叶片疲劳损伤数据库；
建立高频载荷分析模型，再基于高频载荷分析模型对叶片载荷进行计算，得到叶片疲劳载荷；
基于叶片疲劳损伤数据库和叶片疲劳载荷，得到叶片疲劳寿命，并对叶片疲劳寿命进行评估。
在一具体实施例中，构建叶片疲劳损伤数据库的具体过程为：通过气弹模型和有限元模型来提取叶片低频损伤模型特征，再通过气弹模型校准、载荷时域仿真、雨流计算、单位载荷计算、疲劳应力谱、S-N曲线计算，最终获得叶片疲劳损伤数据库。其中在载荷时域仿真中，计算风电机组叶片在认证设计条件下的载荷时域序列；在雨流计算中，针对风电机组叶片的载荷时域序列进行雨流计数，获得叶片各截面的马尔科夫矩阵Adesign,i；在单位载荷计算中，根据叶片参数建立全尺寸叶片有限元模型，计算叶片在单位载荷作用下各截面段产生的最大应力σi；在疲劳应力谱中，计算叶片截面i的马尔科夫矩阵Adesign,i中载荷均值Fdesign-mean,i,j对应的叶片应力均值σdesign-mean,i,j，其中j＝1，2，…，m，共m个载荷均值；以及计算叶片截面i的马尔科夫矩阵Adesign,i中载荷幅值Fdesign-amp,i,k对应的叶片应力幅值σdesign-amp,i,k，其中k＝1，2，…，p，共p个载荷幅值；在S-N曲线计算中，基于叶片应力均值σdesign-mean,i,j和叶片应力幅值σdesign-amp,i,k，计算叶片的许用载荷循环次数Ndesign,i,j,k。
本发明考虑单位载荷作用下叶片各截面段产生的最大应力，通过提取叶片低频损伤模型特征构建了叶片疲劳损伤数据库，避免使用复杂的非线性疲劳损伤模型，在保证仿真精度的同时简化了计算量级，提升计算精度和效率。
在一具体实施例中，建立高频载荷分析模型的具体过程为：构建风电机组子系统与多系统集成的高频载荷分析模型，获取风电机组预定时间段内的叶根螺栓监测数据，将叶根螺栓监测数据与高频载荷分析模型的仿真叶根载荷进行比较，再根据比较结果修正高频载荷分析模型，从而保证后续数据的精准性，提高寿命预测精度。
本发明在线读取SCADA数据和风资源数据后，通过高频载荷分析模型对叶片载荷进行实时评估，无需增设大量传感器，便可达到在线监测叶片使用寿命的效果，提升了在线监测叶片各截面疲劳载荷的精度和时效性，提升了风电场运维的风险管控能力。
在一具体实施例中，对疲劳寿命进行评估的具体过程为：计算载荷对叶片产生的寿命损伤
Figure BDA0004129942110000041
并评估叶片的可靠度R(TR)，并依据寿命损伤/>
Figure BDA0004129942110000042
和可靠度R(TR)划分不同的危险区间；将叶片应力均值σsite-mean,i,j与设计许用应力σdesign-mean,i,m进行比较；当应力均值σsite-mean,i,j小于设计许用应力σdesign-mean,i,m时，则依据寿命损伤/>
Figure BDA0004129942110000051
和可靠度R(TR)判定风电机组叶片的疲劳寿命状态所位于的区间；当应力均值σsite-mean,i,j大于设计许用应力σdesign-mean,i,m时，风电机组叶片的疲劳寿命状态位于高危险区间。
如图1所示，本发明实施例还公开了一种风力机叶片寿命智能监测系统，包括叶片疲劳损伤数据库、高频载荷分析模型、边缘计算模块和数据采集模块，叶片疲劳损伤数据库布署于边缘计算模块中，数据采集模块与边缘计算模块相连，数据采集模块采集风电机组SCADA数据、风资源数据和叶根智能螺栓数据，传输至边缘计算模块进行分析处理，再通过高频载荷分析模型进行分析以得到叶片疲劳载荷，再基于叶片疲劳载荷得到叶片疲劳寿命，并对叶片疲劳寿命进行评估。
本发明将叶片疲劳损伤数据库部署于边缘计算模块，并通过边缘计算将数据在边缘节点进行风电机组SCADA数据、风资源数据、叶根智能螺栓数据等数据的处理，能够有效减少数据的传输和处理，提升了数据传输的速度和时效性。
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：
1)低频损伤模型特征提取和叶片截面疲劳损伤数据库建立
通过气弹模型和有限元模型来提取叶片低频损伤模型特征，再通过气弹模型校准、载荷时域仿真、单位载荷计算、疲劳应力谱、S－N曲线计算，最终获得叶片疲劳损伤数据库，部署于边缘模块中。具体过程如下：
1.1)仿真模型校准：依托现场测试数据，对气弹仿真模型进行校准；
1.2)载荷时域仿真：针对风速为4m/s-20m/s的正常发电工况，计算风电机组叶片在认证设计条件下的载荷时域序列；
1.3)雨流计数：针对风电机组叶片的载荷时域序列进行雨流计数，获得叶片各截面的马尔科夫矩阵Adesign,i，其中i＝1，2，…，n，共n个叶片截面；
1.4)单位载荷计算：根据叶片参数建立全尺寸叶片有限元模型，计算叶片在单位载荷作用下各截面段产生的最大应力σi；
1.5)疲劳应力谱：
A、计算叶片截面i的马尔科夫矩阵Adesign,i中载荷均值Fdesign-mean,i,j对应的叶片应力均值σdesign-mean,i,j，其中j＝1，2，…，m，共m个载荷均值：
其中σdesign-mean,i,j＝Fdesign-mean,i,jσi
B、计算叶片截面i的马尔科夫矩阵Adesign,i中载荷幅值Fdesign-amp,i,k对应的叶片应力幅值σdesign-amp,i,k，其中k＝1，2，…，p，共p个载荷幅值：
σdesign-amp,i,k＝Fdesign-amp,i,kσi
1.6)S-N曲线数据库：基于叶片应力均值σdesign-mean,i,j和叶片应力幅值σdesign-amp,i,k，计算叶片的许用载荷循环次数Ndesign,i,j,k，获得叶片各截面疲劳损伤数据库；
其中
Figure BDA0004129942110000061
m未Wohler指数；γMa为静强度安全系数；γMb为疲劳安全系数；σt为材料拉伸特征应力；σc为材料压缩特征应力。
2)高频载荷分析模型在线评估疲劳载荷
2.1)建立高频载荷分析模型：以FAST开源气弹代码为内核，构建风电机组子系统与多系统集成的高频载荷分析模型；
2.2)采集现场测试数据：测试机组需要至少测试三个月，以便收集到机组的在运行风速范围内更全面的叶根载荷数据；
2.3)校准高频载荷分析模型：依托现场测试数据对仿真模型进行校准，从而输出更准确的叶片各截面载荷，主要关注识别结构固有频率和阻尼、子系统性能、叶片等主要部件的载荷水平、一般动态行为；
2.4)在线仿真：高频载荷分析模型在线读取机组SCADA数据、风资源数据，对叶片进行载荷计算，得到该运行阶段叶片各截面载荷时域序列；
2.5)模型修正：对比叶根智能螺栓监测数据和高频载荷分析模型仿真叶根载荷，在线修正高频载荷分析模型；
2.6)雨流计算：获得该运行阶段叶片各截面疲劳载荷马尔科夫矩阵Asite,i，其中i＝1，2，…，n，共n个叶片截面；
2.7)各截面疲劳应力：
A、计算叶片截面i的马尔科夫矩阵Asite,i中载荷均值Fsite-mean,i,j对应的叶片应力均值σsite-mean,i,j，其中j＝1，2，…，m，共m个载荷均值：
其中σsite-mean,i,j＝Fsite-mean,i,jσi
B、计算叶片截面i的马尔科夫矩阵Asite,i中载荷幅值Fsite-amp,i,k对应的叶片应力幅值σsite-amp,i,k，其中k＝1，2，…，p，共p个载荷幅值：
其中σsite-amp,i,k＝Fsite-amp,i,kσi
2.8)载荷循环次数修正：基于叶片应力均值σsite-mean,i,j和叶片应力幅值σsite-amp,i,k计算叶片的载荷循环次数nsite,i,j,k：
Figure BDA0004129942110000071
2.9)损伤评估：基于叶片的许用载荷循环次数计算载荷对叶片产生的损伤；
Figure BDA0004129942110000072
2.10)可靠性分析：基于叶片的疲劳可靠度评估叶片的可靠度：
Figure BDA0004129942110000073
其中f(t)为叶片材料寿命t的故障密度函数，TR为给定寿命，取20年。
3)风电机组叶片寿命评估
根据实际运行情况下风电机组叶片受到的叶片应力均值σsite-mean,i,j和设计许用应力σdesign-mean,i,m的大小划分了使用寿命和许用寿命的比较判断流程，根据寿命条件的判定情况，结合可靠度给出危险区间的划分情况：正常、低危险区、中危险区、高危险区，然后根据不同的危险区间做出不同的响应。
具体参见图1，首先对疲劳寿命和可靠度分析，再对分析结果进行判定：
将叶片应力均值σsite-mean,i,j与设计许用应力σdesign-mean,i,m进行比较；当应力均值σsite-mean,i,j小于设计许用应力σdesign-mean,i,m，则进入使用寿命和许用寿命的比较逻辑；当应力均值σsite-mean,i,j大于设计许用应力σdesign-mean,i,m，风电机组叶片的疲劳寿命状态位于高危险区间，需进一步检查叶片健康状态。具体地，比较逻辑为：
当
Figure BDA0004129942110000074
R(TR)≥0.9(使用寿命)时，风电机组叶片处于正常的工作状态，疲劳寿命预测系统对此状态耐受；
当
Figure BDA0004129942110000081
R(TR)<0.9(使用寿命)时，风电机组叶片的疲劳寿命状态位于低危险区间，发出黄色警报信号；
当
Figure BDA0004129942110000082
R(TR)≥0.9(使用寿命)时，风电机组叶片的疲劳寿命状态位于中危险区间，发出黄色警报信号；
当
Figure BDA0004129942110000083
R(TR)<0.9(使用寿命)时，风电机组叶片的疲劳寿命状态位于高危险区间，发出红色警报信号，并提醒用户及时停机维修，如更换叶根螺栓、检查叶片健康状态；
当风电机组轮毂的疲劳寿命状态位于低、中危险区间的时候，发出黄色警报信号，在继续下一轮的疲劳寿命状态判定的同时会根据系SCADA数据、叶根智能螺栓数据等信息对风电机组叶片的运行状态进行进一步的判定。
4)基于边缘计算的叶片寿命智能检测系统的构建
依托高频载荷分析模型，在风电物联网架构和大数据平台的基础上，创建一个协作的、交互风力机叶片寿命智能监测系统，为运行实物风电机组创造一个数字模型。
该系统包括叶片数据采集和检测装置、机舱控制柜内无线接收模块(串口服务器)、边缘计算模块、智能分析所需的应用模块；采用边缘计算对风电机组叶片寿命检测业务进行承载，通过网络将数据采集终端的组SCADA数据、风资源数据、叶根智能螺栓等数据高速传输至边缘计算节点，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。
边缘计算模块：基于已覆盖无线网络的风电机组进行边缘计算模块的搭建，实现终端设备通过网络将风电机组SCADA数据、风资源数据、叶根智能螺栓数据等在线监测数据传输至边缘计算模块进行分析处理，同时将叶片截面疲劳损伤数据库部署于边缘计算模块；
其中边缘计算模块的搭建包括以下内容：接入设备连接基站，汇聚至核心网MEC设备；提供机架安装边缘计算模块；对接数据流分析平台；对接IPRAN，在5G CPE中提供统一的管理和客户鉴权。
其中叶片寿命在线评估包括：
系统首页：风电机组叶片寿命智能检测系统的“系统首页”展示了其主要功能，主要对风电机组叶片寿命预测的关键点以及项目的意义做了简单介绍；
风电场模块：风电机组叶片寿命智能检测系统的“风电场模块”中包含多个风电场，点击可选择具体风电场；
叶片结构模块：选择具体风电场后，点击“叶片结构模块”图标，出现“叶片”、“叶根螺栓”等子菜单，可进行材料S-N曲线的设置和修正；
在线应力数据：选择具体风电场后，点击“在线应力数据”图标，出现“#1叶片”、“#2叶片”、“#3叶片”子菜单，每个子菜单显示该叶片监测的叶根螺栓监测，点击具体叶片后，可以查看该叶片各截面的实时仿真应力数据；
叶片寿命预测：选择具体风电场后，点击“在叶片寿命预测”图标，出现该风电场各风电机组的叶片剩余使用寿命预测。
如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，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前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (10)

1.一种风力机叶片寿命智能监测方法，其特征在于，包括步骤：
提取叶片低频损伤模型特征，构建叶片疲劳损伤数据库；
建立高频载荷分析模型，再基于高频载荷分析模型对叶片载荷进行计算，得到叶片疲劳载荷；
基于叶片疲劳损伤数据库和叶片疲劳载荷，得到叶片疲劳寿命，并对叶片疲劳寿命进行评估。
2.根据权利要求1所述的风力机叶片寿命智能监测方法，其特征在于，构建叶片疲劳损伤数据库的具体过程为：通过气弹模型和有限元模型来提取叶片低频损伤模型特征，再通过气弹模型校准、载荷时域仿真、雨流计算、单位载荷计算、疲劳应力谱、S-N曲线计算，最终获得叶片疲劳损伤数据库。
3.根据权利要求2所述的风力机叶片寿命智能监测方法，其特征在于，在载荷时域仿真中，计算风电机组叶片在认证设计条件下的载荷时域序列；在雨流计算中，针对风电机组叶片的载荷时域序列进行雨流计数，获得叶片各截面的马尔科夫矩阵Adesign,i。
4.根据权利要求3所述的风力机叶片寿命智能监测方法，其特征在于，在单位载荷计算中，根据叶片参数建立全尺寸叶片有限元模型，计算叶片在单位载荷作用下各截面段产生的最大应力σi；在疲劳应力谱中，计算叶片截面i的马尔科夫矩阵Adesign,i中载荷均值Fdesign-mean,i,j对应的叶片应力均值σdesign-mean,i,j，其中j＝1，2，…，m，共m个载荷均值；以及计算叶片截面i的马尔科夫矩阵Adesign,i中载荷幅值Fdesign-amp,i,k对应的叶片应力幅值σdesign-amp,i,k，其中k＝1，2，…，p，共p个载荷幅值。
5.根据权利要求4所述的风力机叶片寿命智能监测方法，其特征在于，在S-N曲线计算中，基于叶片应力均值σdesign-mean,i,j和叶片应力幅值σdesign-amp,i,k，计算叶片的许用载荷循环次数Ndesign,i,j,k。
6.根据权利要求1-5中任意一项所述的风力机叶片寿命智能监测方法，其特征在于，建立高频载荷分析模型的具体过程为：
构建风电机组子系统与多系统集成的高频载荷分析模型，
获取风电机组预定时间段内的叶根螺栓监测数据，将叶根螺栓监测数据与高频载荷分析模型的仿真叶根载荷进行比较，再根据比较结果修正高频载荷分析模型。
7.根据权利要求5所述的风力机叶片寿命智能监测方法，其特征在于，对疲劳寿命进行评估的具体过程为：
计算载荷对叶片产生的寿命损伤
Figure FDA0004129942070000021
并评估叶片的可靠度R(TR)，并依据寿命损伤/>
Figure FDA0004129942070000022
和可靠度R(TR)划分不同的危险区间；
将叶片应力均值σsite-mean,i,j与设计许用应力均值σdesign-mean,i,m进行比较；当应力均值σsite-mean,i,j小于设计许用应力均值σdesign-mean,i,m时，则依据寿命损伤
Figure FDA0004129942070000023
和可靠度R(TR)判定风电机组叶片的疲劳寿命状态所位于的区间；当应力均值σsite-mean,i,j大于设计许用应力均值σdesign-mean,i,m时，风电机组叶片的疲劳寿命状态位于高危险区间。
8.根据权利要求7所述的风力机叶片寿命智能监测方法，其特征在于，依据寿命损伤和可靠度判定风电机组叶片的疲劳寿命状态所位于的区间的具体过程为：
当
Figure FDA0004129942070000024
风电机组叶片处于正常的工作状态，疲劳寿命预测系统对此状态耐受；
当
Figure FDA0004129942070000025
风电机组叶片的疲劳寿命状态位于低危险区间，发出黄色警报信号；
当
Figure FDA0004129942070000026
风电机组叶片的疲劳寿命状态位于中危险区间，发出黄色警报信号；
当
Figure FDA0004129942070000027
风电机组叶片的疲劳寿命状态位于高危险区间，发出红色警报信号。
9.一种风力机叶片寿命智能监测系统，其特征在于，包括叶片疲劳损伤数据库、高频载荷分析模型和数据采集模块，所述数据采集模块与所述边缘计算模块相连，所述数据采集模块采集风电机组SCADA数据、风资源数据和叶根智能螺栓数据，通过高频载荷分析模型进行分析以得到叶片疲劳载荷，再基于叶片疲劳载荷得到叶片疲劳寿命，并对叶片疲劳寿命进行评估。
10.根据权利要求9所述的风力机叶片寿命智能监测系统，其特征在于，还包括边缘计算模块，所述叶片疲劳损伤数据库布署于所述边缘计算模块中，所述数据采集模块采集风电机组SCADA数据、风资源数据和叶根智能螺栓数据传输至边缘计算模块进行分析处理。
CN202310256674.7A 2023-03-15 2023-03-15 一种风力机叶片寿命智能监测方法及系统 Pending CN116306139A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310256674.7A CN116306139A (zh) 2023-03-15 2023-03-15 一种风力机叶片寿命智能监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310256674.7A CN116306139A (zh) 2023-03-15 2023-03-15 一种风力机叶片寿命智能监测方法及系统

Publications (1)

Publication Number Publication Date
CN116306139A true CN116306139A (zh) 2023-06-23

Family

ID=86837559

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310256674.7A Pending CN116306139A (zh) 2023-03-15 2023-03-15 一种风力机叶片寿命智能监测方法及系统

Country Status (1)

Country Link
CN (1) CN116306139A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116738859A (zh) * 2023-06-30 2023-09-12 常州润来科技有限公司 一种铜管在线无损寿命评估方法及系统
CN117782570A (zh) * 2024-02-28 2024-03-29 南京典格信息技术有限公司 一种基于Mesh自组网的海上风机寿命预测系统和方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116738859A (zh) * 2023-06-30 2023-09-12 常州润来科技有限公司 一种铜管在线无损寿命评估方法及系统
CN116738859B (zh) * 2023-06-30 2024-02-02 常州润来科技有限公司 一种铜管在线无损寿命评估方法及系统
CN117782570A (zh) * 2024-02-28 2024-03-29 南京典格信息技术有限公司 一种基于Mesh自组网的海上风机寿命预测系统和方法

Similar Documents

Publication Publication Date Title
Malik et al. Artificial neural network and empirical mode decomposition based imbalance fault diagnosis of wind turbine using TurbSim, FAST and Simulink
JP4995134B2 (ja) 風車の監視装置及び方法並びにプログラム
CN102022264B (zh) 用于风力涡轮机健康管理的系统和方法
CN116306139A (zh) 一种风力机叶片寿命智能监测方法及系统
CN111291514B (zh) 一种风电机组疲劳寿命的快速预测的方法
WO2011024304A1 (ja) 風車の監視装置及び方法並びにプログラム
CN108252873A (zh) 一种风力发电机组在线数据监测及其性能评估的系统
Shankar Verma et al. A probabilistic long‐term framework for site‐specific erosion analysis of wind turbine blades: A case study of 31 Dutch sites
CN106815771A (zh) 一种风电场载荷的长期评估方法
CN109492790A (zh) 基于神经网络与数据挖掘的风电机组健康管理方法
Zhao et al. Reliability analysis of wind turbine blades based on non-Gaussian wind load impact competition failure model
Barber et al. Development of a wireless, non-intrusive, MEMS-based pressure and acoustic measurement system for large-scale operating wind turbine blades
Zhou et al. Structural health monitoring of offshore wind power structures based on genetic algorithm optimization and uncertain analytic hierarchy process
CN112906236A (zh) 风电机组关键结构位置剩余寿命预测方法及装置
CN111878322A (zh) 风力发电机装置
Marugán et al. Multivariable analysis for advanced analytics of wind turbine management
Klinkov et al. Wind load observer for a 5MW wind energy plant
Datta et al. Cyber Threat Analysis Framework for the Wind Energy Based Power System
Rohrmann et al. Integrated monitoring of offshore wind turbines–requirements, concepts and experiences
Entezami et al. Wind turbine condition monitoring system
Long et al. Wind turbine anomaly identification based on improved deep belief network with SCADA data
Yan et al. Impact of condition monitoring on the maintenance and economic viability of offshore wind turbines
Liu et al. Dynamical measurement system for wind turbine fatigue load
CN115898925A (zh) 一种基于振动信号多阶矩的风机故障预警方法
Nguyen et al. Vibration-based damage alarming criteria for wind turbine towers

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