CN116484751A - 一种风电机组部件的疲劳寿命评估方法及装置 - Google Patents
一种风电机组部件的疲劳寿命评估方法及装置 Download PDFInfo
- Publication number
- CN116484751A CN116484751A CN202310736602.2A CN202310736602A CN116484751A CN 116484751 A CN116484751 A CN 116484751A CN 202310736602 A CN202310736602 A CN 202310736602A CN 116484751 A CN116484751 A CN 116484751A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- information
- fatigue
- mathematical model
- fatigue life
- 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 50
- 238000013178 mathematical model Methods 0.000 claims abstract description 75
- 238000012545 processing Methods 0.000 claims abstract description 59
- 238000012360 testing method Methods 0.000 claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 49
- 238000011156 evaluation Methods 0.000 claims abstract description 46
- 230000007246 mechanism Effects 0.000 claims abstract description 34
- 230000015654 memory Effects 0.000 claims abstract description 14
- 206010016256 fatigue Diseases 0.000 claims description 193
- 238000003062 neural network model Methods 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000012423 maintenance Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 14
- 230000008439 repair process Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 9
- 238000000611 regression analysis Methods 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 19
- 238000013506 data mapping Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 5
- 238000013138 pruning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007787 long-term memory Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Wind Motors (AREA)
Abstract
本发明提供了一种风电机组部件的疲劳寿命评估方法及装置,涉及风电技术领域,包括:获取第一信息和第二信息;根据第一信息进行动力学分析得到第三信息,第三信息包括待评估机组的关键结构部件状态和载荷机理;根据第二信息构建得到风电机组载荷测试数学模型,将第三信息作为输入值计算得到第四信息;根据第二信息和预设的长短期记忆网络数学模型构建得到疲劳损伤‑疲劳寿命评估数学模型,将第四信息作为输入值计算得到第五信息;根据第五信息和预设的评估标准进行分析处理得到待评估风电机组的安全性评估报告。本发明不仅提升了风电机组的运行效率,还延长了风电机组的使用寿命。
Description
技术领域
本发明涉及风电技术领域,具体而言,涉及一种风电机组部件的疲劳寿命评估方法及装置。
背景技术
随着可再生能源的迅速发展,风电作为其中的重要组成部分,其技术也在不断创新和进步。尽管风电的发展势头强劲,但是风电机组在运行过程中的安全问题却不容忽视。尤其是随着风电机组的大规模安装和投入运行,机组的运行状况,包括其关键结构部件如塔筒、叶片等的结构安全问题已经引起了行业的广泛关注。由于风电机组的复杂性和多样性,对其进行详细的运行状态评估和安全性分析仍具有较大的挑战。目前的技术主要通过采集风电机组的实时运行数据,并结合历史运行数据,利用简单的数据分析方法进行机组运行状态和安全性的评估。但这种方法往往忽视了风电机组内部各部件间的相互关系和作用,无法对风电机组的实际运行状态做出精确的评估。此外,这种方法也无法准确地预测风电机组的疲劳寿命,从而无法为机组的维护和修复提供有效的决策支持。
基于上述现有技术的缺点,现亟需一种风电机组部件的疲劳寿命评估方法。
发明内容
本发明的目的在于提供一种风电机组部件的疲劳寿命评估方法及装置,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
第一方面,本申请提供了一种风电机组部件的疲劳寿命评估方法,包括:
获取第一信息和第二信息,所述第一信息中包括待评估风电机组的实际运行数据,所述第二信息包括历史风电机组的历史运行数据;
根据所述第一信息进行动力学分析得到第三信息,所述第三信息包括待评估机组的关键结构部件状态和载荷机理;
根据所述第二信息和预设的图神经网络数学模型构建得到风电机组载荷测试数学模型,将所述第三信息作为所述风电机组载荷测试数学模型的输入值计算得到第四信息,所述第四信息为待评估风电机组的载荷测试结果;
根据所述第二信息和预设的长短期记忆网络数学模型构建得到疲劳损伤-疲劳寿命评估数学模型,将所述第四信息作为所述疲劳损伤-疲劳寿命评估数学模型的输入值计算得到第五信息,所述第五信息为风电机组关键部件疲劳损伤和疲劳寿命评估的检测结果;
根据所述第五信息和预设的评估标准进行分析处理得到第六信息,所述第六信息为待评估风电机组的安全性评估报告。
第二方面,本申请还提供了风电机组部件的疲劳寿命评估装置,包括:
获取模块,获取第一信息和第二信息,所述第一信息中包括待评估风电机组的实际运行数据,所述第二信息包括历史风电机组的历史运行数据;
分析模块,用于根据所述第一信息进行动力学分析得到第三信息,所述第三信息包括待评估机组的关键结构部件状态和载荷机理;
测试模块,根据所述第二信息和预设的图神经网络数学模型构建得到风电机组载荷测试数学模型,将所述第三信息作为所述风电机组载荷测试数学模型的输入值计算得到第四信息,所述第四信息为待评估风电机组的载荷测试结果;
预测模块,用于根据所述第二信息和预设的长短期记忆网络数学模型构建得到疲劳损伤-疲劳寿命评估数学模型,将所述第四信息作为所述疲劳损伤-疲劳寿命评估数学模型的输入值计算得到第五信息,所述第五信息为风电机组关键部件疲劳损伤和疲劳寿命评估的检测结果;
评估模块,用于根据所述第五信息和预设的评估标准进行分析处理得到第六信息,所述第六信息为待评估风电机组的安全性评估报告。
本发明的有益效果为:
本发明通过采用图神经网络和长短期记忆网络等机器学习技术,结合历史和实时的风电机组运行数据,得到对风电机组载荷测试和疲劳寿命的准确预测,实现了风电机组运行状态的全面监测和安全风险的有效控制。本发明不仅提升了风电机组的运行效率,预防了安全事故的发生,还延长了风电机组的使用寿命,对于推动风电行业的高质量、低成本、安全稳定的发展具有重要的实际意义和价值。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例中所述的风电机组部件的疲劳寿命评估方法流程示意图;
图2为本发明实施例中所述的风电机组部件的疲劳寿命评估装置结构示意图。
图中标记:1、获取模块;2、分析模块;21、第一分析单元;22、第二分析单元;23、第三分析单元;24、第四分析单元;3、测试模块;31、第一处理单元;32、第一训练单元;321、第二处理单元;322、第三处理单元;323、第一优化单元;324、第四处理单元;33、第一计算单元;34、第一整理单元;4、预测模块;41、第五处理单元;42、第一构建单元;43、第一预测单元;44、第六处理单元;5、评估模块;51、第五分析单元;52、第七处理单元;53、第一划分单元;54、第一评估单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
本实施例提供了一种风电机组部件的疲劳寿命评估方法。
参见图1,图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400和步骤S500。
步骤S100、获取第一信息和第二信息,第一信息中包括待评估风电机组的实际运行数据,第二信息包括历史风电机组的历史运行数据。
可以理解的是,在本步骤中首先获取了风电机组的实际运行数据,这些数据包括了风电机组的各项运行参数,如风速、温度、扭矩、功率输出等,用以表示当前待评估风电机组的运行状态和实时情况。同时,也收集了历史风电机组的运行数据,这些数据包括之前相同或类似类型的风电机组在过去一段时间内的运行记录,以及其相应的结构部件疲劳寿命和运行安全状况等信息。通过比较和分析这些数据,可以了解风电机组在不同运行环境和状态下的运行特性和规律,为后续的载荷测试和疲劳寿命评估提供了必要的输入信息和参考依据。。
步骤S200、根据第一信息进行动力学分析得到第三信息,第三信息包括待评估机组的关键结构部件状态和载荷机理。
可以理解的是,本步骤动力学分析可能包括风电机组的运行动力学模型构建、载荷分布和传递规律研究等,旨在全面了解和揭示风电机组在运行过程中的力学行为和机理。通过分析,可以得到第三信息,这些信息反映了待评估风电机组的关键结构部件,如塔筒、叶片等的当前状态,以及其在风电机组运行过程中的载荷分布和传递机理。这些信息有助于了解风电机组的运行状况和安全状态,对于预测和评估风电机组的疲劳寿命具有重要的指导作用。需要说明的是步骤S200包括步骤S210、步骤S220、步骤S230和步骤S240。
步骤S210、根据第一信息和预设的动力分析数学模型进行分析处理,得到待评估风电机组的叶轮气动载荷形成机理。
可以理解的是,模型是根据风电机组的力学特性和运行规律设定的,具有科学性和可靠性。在本步骤中,通过将第一信息即待测机组的运行数据输入到预设的动力分析数学模型中进行分析,可以得到待评估风电机组的叶轮气动载荷形成机理。叶轮气动载荷形成机理是指风电机组在运行过程中,叶轮承受的风力产生的力矩和应力的分布规律和变化规律,这些信息反映了风电机组叶轮的工作状况和安全状况。
步骤S220、根据叶轮气动载荷形成机理分析推导叶轮气动载荷耦合风电机组传动链、塔筒重力载荷及惯性载荷条件,得到待评估风电机组整机动力学特性。
可以理解的是,本步骤在于理解风电机组不仅仅是一个孤立的组件,而是一个系统。叶轮的气动载荷、传动链的状况、塔筒的重力载荷以及整体的惯性载荷,这些都是相互关联、相互影响的。因此,了解这些因素如何在系统中耦合作用,对于理解和预测风电机组的整体动力学特性至关重要。通过此步骤,我们不仅可以更全面地了解风电机组的工作状况,还可以更好地评估其性能和寿命,从而提高风电机组的运行效率和可靠性。
步骤S230、根据整机动力学特性,分析气动、机械载荷耦合传递过程,得到待评估风电机组的载荷传递机理。
可以理解的是,本步骤利用步骤S220中获得的风电机组整体动力学特性,去进一步分析气动和机械载荷在系统中的耦合传递过程,研究从叶轮的气动载荷到机械部分的载荷是如何转移和分布的。理解这一点非常重要,因为载荷的传递机理直接影响风电机组的效率和稳定性。例如,如果载荷在系统中的传递不均匀,可能会导致某些部件过早磨损或失效,降低风电机组的寿命和运行效率。相反,如果我们能够准确地理解载荷的传递机理,我们就可以通过相应设计优化来提高风电机组的整体性能和可靠性。因此,本步骤中得到的待评估风电机组的载荷传递机理将为进一步评估和优化风电机组的性能提供重要的理论依据。
步骤S240、根据载荷传递机理分析风电机组关键结构部件状态,得到待评估风电机组关键结构部件状态信息。
可以理解的是,本步骤中的关键结构部件包括风电机组的叶轮、塔筒、变速器、电机等,这些部件的状态直接决定了风电机组的运行效率和稳定性。载荷传递机理可以帮助我们了解各种载荷如何在这些关键结构部件之间分布和传递,从而可以评估这些部件的工作状态和可能的磨损程度。
步骤S300、根据第二信息和预设的图神经网络数学模型构建得到风电机组载荷测试数学模型,将第三信息作为风电机组载荷测试数学模型的输入值计算得到第四信息,第四信息为待评估风电机组的载荷测试结果。
可以理解的是,图神经网络是一种特殊的神经网络,它可以处理结构化数据,并且特别适用于处理具有图结构的数据。在这个步骤中,将风电机组的各个部件以及它们之间的连接关系看作是一个图,然后利用图神经网络来处理这个图。然后将第三信息(包括待评估机组的关键结构部件状态和载荷机理)作为这个风电机组载荷测试数学模型的输入值,通过利用风电机组的关键结构部件状态和载荷机理来进行载荷测试。这样的方法可以帮助我们更准确地评估风电机组的实际载荷状态,并且可以预测在特定运行条件下风电机组可能出现的问题。最后通过风电机组载荷测试数学模型的计算得到的第四信息可以为风电机组的性能进行评估提供直接的依据,也可以找出需要改进的地方,以提高风电机组的运行效率和稳定性。需要说明的是步骤S300包括步骤S310、步骤S320、步骤S330和步骤S340。
步骤S310、根据第二信息和预设的图神经网络数学模型进行参数化处理,得到参数化的图神经网络模型。
可以理解的是,图神经网络数学模型的参数化处理涉及到学习和优化模型参数的过程,这是为了使模型更好地拟合和预测数据。具体来地,通过使用历史风电机组的运行数据训练和学习的方式来更新和优化图神经网络模型的参数,使之能够更准确地反映风电机组的实际运行情况。这样的处理方式可以提高模型预测的准确性,有助于更精确地评估风电机组的载荷情况。
步骤S320、根据参数化的图神经网络模型,将第二信息的历史风电机组运行数据进行输入,得到训练后的图神经网络模型。
可以理解的是,本步骤是监督学习过程。参数化的图神经网络模型通过学习已知历史风电机组的运行数据以及相应的结果这些数据和结果,优化模型的参数,使得模型可以更准确地预测和评估。需要说明的是步骤S320包括步骤S321、步骤S322、步骤S323和步骤S324。
步骤S321、将历史风电机组运行数据中的气象量、电气量、载荷量、工况信息和运行控制信息进行多维时间序列数据映射处理,得到风电机组数据映射图谱,风电机组数据映射图谱包括节点和边,节点表示风电机组的运行状态,边表示状态间的转移关系。
可以理解的是,本步骤的利用历史风电机组运行数据,包括气象量(例如轮毂高度风速、风向、温度、气压、湿度等)、电气量(例如有功功率、桨距角、偏航角、叶轮方位角等)、载荷量(例如塔底弯矩、塔顶弯矩、塔顶扭矩等)、工况信息以及运行控制信息,进行多维时间序列数据映射处理。这个处理过程为将上述各类信息在时间轴上进行排列和对齐,形成一个具有时间属性的多维数据。通过这种方式得到了风电机组数据映射图谱。在这个图谱中,每一个节点表示风电机组的一个特定运行状态,这个状态是由气象量、电气量、载荷量、工况信息和运行控制信息等多个维度共同决定的。而每一条边则表示风电机组从一个运行状态转移到另一个运行状态的过程。这个过程涉及到气象条件的改变、电气参数的调整、载荷变化、工况转换或运行控制策略的更新等。例如,一个节点可能表示风电机组在特定的气象条件(如风速、风向)、特定的电气状态(如有功功率、桨距角)和特定的载荷(如塔底弯矩)下的运行状态。当气象条件、电气状态或载荷发生变化时,风电机组可能会转移到一个新的运行状态,这个转移过程在图谱中由一条边表示。优选地,在另一些实施例中还可以结合前述的载荷测试结果,如瞬态载荷曲线、载荷统计散点图、等效载荷、累计疲劳载荷谱和频率谱等,将这些载荷信息映射到对应的运行状态节点上,从而得到一个包含丰富载荷信息的风电机组运行状态图谱。
步骤S322、根据风电机组数据映射图谱进行节点嵌入和边嵌入处理,得到图形数据输入表述,图形数据输入表述包括适用于输入至图神经网络的数据形式。
可以理解的是,本步骤中节点嵌入是将图谱中的节点(代表风电机组的运行状态)映射到一个高维空间中的点,以实现数据的维度降低和信息压缩。同样,边嵌入则是将图谱中的边(表示状态间的转移关系)映射到高维空间中的点。这两种嵌入处理都是为了将复杂的图结构转化为适合输入至图神经网络的数据形式。首先,节点嵌入和边嵌入能够将风电机组的复杂运行状态和状态转移过程抽象为更简洁、更易于处理的数学形式,便于后续的图神经网络处理。其次,这种嵌入处理也能够保留风电机组运行状态间的相互关系和转移规律,从而使得图神经网络能够从这些关系和规律中学习和提取有用的信息。本步骤的主要目的就是将复杂的风电机组运行数据进行有效的转化和压缩,形成适合输入至图神经网络的数据形式,以便于进行后续的模型训练和载荷测试结果的预测。
步骤S323、根据参数化的图神经网络模型和图形数据输入表述,使用预设的梯度下降优化数学模型进行模型训练,得到初步图神经网络模型。
可以理解的是,本步骤是一个迭代的过程,每次迭代都会根据模型对输入数据的预测结果与真实结果之间的误差,计算出梯度并对模型参数进行调整,从而使得误差逐步减小。在这个过程中,图神经网络模型会学习到输入数据中的模式和规律,以便在未来对新的输入数据进行准确的预测。梯度下降优化数学模型则是用来指导模型学习过程的工具,它决定了模型参数如何根据误差进行调整。因此本步骤是训练图神经网络模型,使得它能够从输入的风电机组数据中学习到有用的信息,并形成一个可以用来预测风电机组载荷测试结果的初步模型。
步骤S324、根据得到的初步图神经网络模型进行正则化和模型剪枝处理,得到训练后的图神经网络模型。
可以理解的是,本步骤的正则化是一种防止过拟合的技术,它可以使模型在训练数据上的性能与在新数据上的性能更接近。通过在模型的损失函数中添加一个正则项(通常是模型参数的L1范数或L2范数),可以限制模型参数的大小,从而防止模型过于复杂。这样可以使模型在训练数据上的性能稍微降低,但可以提高在新数据上的性能,从而使模型更具泛化能力。模型剪枝技术主要目的是减小模型的复杂性和计算需求,同时保持模型的预测性能。剪枝操作涉及到去除网络中的一些参数或神经元,或者是去除一些对模型输出影响较小的参数,从而使得模型更简单,计算需求更低,同时能够保持或接近原始模型的预测性能。因此,可以理解的是,本步骤的主要目标是通过正则化和模型剪枝处理,优化初步的图神经网络模型,使其在保持预测性能的同时,具有更好的泛化能力和更低的计算需求。
步骤S330、根据训练后的图神经网络模型,将第一信息的待评估风电机组运行数据作为输入,进行计算处理,得到待评估风电机组的载荷测试预测结果。
可以理解的是,图神经网络模型在接收到输入后按照其内部学习到的规则和参数进行运算,输出预测的风电机组载荷。这个输出就是待评估风电机组的载荷测试预测结果,它表现了风电机组在预定运行状态下的预期载荷状况。这个预测结果对于理解风电机组在特定环境和运行条件下的载荷状况,以及进行进一步的风电机组运行调整、优化和维护都具有重要意义。
步骤S340、根据载荷测试预测结果进行整理分析得到第四信息,第四信息为待评估风电机组的载荷测试结果。
可以理解的是,本步骤是对载荷测试预测结果进行进一步的整理和分析,以便更好地理解和应用这些预测结果。具体地,首先对载荷测试预测结果进行分类和排序,以便可以对不同类型的载荷或者不同运行条件下的载荷进行更好地比较和理解。此外还需要对这些预测结果进行一些统计分析,例如计算某种类型载荷的平均值、方差等统计量,以便更好地评估风电机组的整体载荷状况。接着根据预测结果进行图形化分析,例如绘制载荷与时间的关系图、载荷的分布图等,以便可以直观地理解风电机组的载荷变化情况。最后将所有这些分析结果整合到一起,形成第四信息,即待评估风电机组的载荷测试结果。这些结果包含了对待评估风电机组的载荷状况的全面理解和评估,可以为后续的风电机组运行优化和维护提供有力的支持。
步骤S400、根据第二信息和预设的长短期记忆网络数学模型构建得到疲劳损伤-疲劳寿命评估数学模型,将第四信息作为疲劳损伤-疲劳寿命评估数学模型的输入值计算得到第五信息,第五信息为风电机组关键部件疲劳损伤和疲劳寿命评估的检测结果。
可以理解的是,长短期记忆网络是一种特殊的循环神经网络,它能够学习并记忆长期依赖关系,因此特别适合处理序列数据,如时间序列数据。在这个步骤中,通过使用长短期记忆网络构建评估风电机组关键部件疲劳损伤和疲劳寿命的数学模型,使该模型能够基于历史数据来学习和理解风电机组关键部件在各种运行状态下的疲劳损伤和疲劳寿命的模式和趋势。通过这个模型的计算得到风电机组关键部件的疲劳损伤和疲劳寿命的评估结果,这个结果可以帮助我们了解风电机组关键部件的当前疲劳状况,并预测其未来可能的疲劳损伤和寿命,为风电机组的运行和维护提供有力的决策支持。需要说明的是步骤S400包括步骤S410、步骤S420、步骤S430和步骤S440。
步骤S410、根据第二信息中的历史运行数据进行时间序列分析处理,在每一个时间点上生成预测值及对应的实际值并将数据进行整合处理,得到时间序列预测数据集。
可以理解的是,本步骤将历史运行数据按照时间顺序进行排序和整理为时间序列预测数据集,这个数据集可以提供对待评估风电机组在不同时间点上载荷变化的全面认识,并为进一步的分析和评估提供数据基础。
步骤S420、根据时间序列预测数据集对预设的长短期记忆网络数学模型进行训练构建得到疲劳损伤-疲劳寿命评估数学模型。
可以理解的是,本步骤使用时间序列预测数据集作为输入,其中包括各个时间点的预测值和实际值。通过将这些数据提供给预设的长短期记忆网络模型进行训练。在训练过程中,模型会自动学习时间序列数据中的模式、趋势和关联性。通过不断调整模型的权重和参数,长短期记忆网络模型可以逐渐优化,以提高对风电机组载荷预测的准确性和可靠性。模型的训练过程将利用历史数据和预测数据之间的关系,使模型能够更好地理解和预测待评估风电机组的载荷情况。最终经过训练后的长短期记忆网络模型将具备较好的泛化能力,能够根据给定的输入数据进行疲劳损伤-疲劳寿命评估的计算。
步骤S430、将第四信息进行预处理后作为疲劳损伤-疲劳寿命评估数学模型的输入值,通过预测风电机组运行状态和对应的疲劳损伤情况,得到预测疲劳损伤-疲劳寿命结果。
可以理解的是,优选地本步骤中对第四信息进行预处理,包括数据的归一化、去噪或其他必要的数据转换步骤。预处理的目的是准备数据,以便能够与疲劳损伤-疲劳寿命评估数学模型兼容并提供准确的输入。接下来将预处理后的第四信息输入到疲劳损伤-疲劳寿命评估数学模型中,通过模型的计算和分析可以预测风电机组的运行状态,包括关键部件的工作情况和运行特征,并估计出潜在的疲劳损伤情况。最终通过对风电机组的运行状态和疲劳损伤情况进行预测,得到的预测疲劳损伤-疲劳寿命结果能够提供关于风电机组的疲劳损伤程度和寿命剩余量的重要信息,为后续的评估和决策提供参考。
步骤S440、对预测疲劳损伤-疲劳寿命结果进行回归分析处理,得到风电机组关键部件疲劳损伤和疲劳寿命评估的检测结果。
可以理解的是,回归分析是一种统计方法,用于建立变量之间的关系模型。在本实施例中,使用回归分析方法来探索预测结果与风电机组关键部件的疲劳损伤和疲劳寿命之间的关系。通过回归分析,可以确定疲劳损伤-疲劳寿命结果与关键部件的疲劳损伤程度和寿命剩余量之间的相关性。帮助我们了解预测结果的准确性和可靠性,并对风电机组的疲劳损伤和寿命进行更精确的评估。
步骤S500、根据第五信息和预设的评估标准进行分析处理得到第六信息,第六信息为待评估风电机组的安全性评估报告。
可以理解的是,本步骤中的评估标准包括对风电机组疲劳损伤程度、疲劳寿命剩余量以及其他关键指标的阈值和安全性要求。通过分析处理可以评估风电机组的安全性,即确定其在当前疲劳损伤状态下是否满足安全性要求。这个过程中涉及到对风电机组的疲劳损伤程度、疲劳寿命剩余量等进行综合评估,并与预设的评估标准进行比较。最终得到的待评估风电机组的安全性评估报告提供关于风电机组安全性的详细评估结果,包括风电机组的疲劳损伤程度、寿命剩余量以及相应的安全性评估等信息。这些信息有助于风电场业主和设备制造方了解风电机组的安全状态,并采取相应的维护和修复方案,确保风电机组的安全稳定运行。需要说明的是步骤S500包括步骤S510、步骤S520、步骤S530和步骤S540。
步骤S510、根据第五信息通过分析疲劳损伤的类型、程度和疲劳寿命的长短,得到综合评估报告。
可以理解的是,本步骤通过分析疲劳损伤的类型,可以确定风电机组在不同部件或结构上可能出现的疲劳问题。例如,塔筒、叶片等关键部件的疲劳损伤类型可能不同,需要针对不同类型的损伤进行评估。此外还考虑疲劳损伤的程度,即判断风电机组的哪些部件或结构存在较严重的疲劳问题。根据损伤程度的评估,可以确定哪些部件可能需要优先考虑维护或修复。最后综合考虑风电机组的疲劳寿命长短,通过评估疲劳寿命剩余量,可以估计风电机组在当前疲劳状态下的寿命还有多少,并评估其是否符合预设的寿命要求。
步骤S520、根据综合评估报告和预设的评估标准中各级别的疲劳损伤对应的阈值、风电机组可接受的最低疲劳寿命,进行打分处理得到风电机组疲劳损伤评分结果。
可以理解的是,本步骤中根据评估标准和阈值的设定对各个部件或结构的疲劳损伤程度进行量化,并将其转化为具体的评分。评分结果可以反映风电机组在疲劳损伤方面的整体状态和风险程度,有助于判断其安全性和可靠性。
步骤S530、根据风电机组疲劳损伤评分结果进行风险等级的划分得到风电机组疲劳风险等级。
可以理解的是,风险等级的划分旨在将风电机组的疲劳风险程度归类,并提供相应的风险等级分类。根据评分结果设定不同的风险等级,并将风电机组根据其评分归入相应的等级。这些风险等级可以根据评分的范围和具体要求进行设定,例如将疲劳风险分为低风险、中风险和高风险等级。进一步地,等级的设定可以根据业务需求和安全标准进行调整。
步骤S540、根据风电机组疲劳风险等级和风电机组的运行状态和维护策略,得到相应的风电机组维护和修复方案。
可以理解的是,本步骤中根据风电机组的疲劳风险等级可以确定风电机组所面临的风险程度和优先级。根据风电机组的运行状态可以了解其当前的工作状况、性能表现和健康状态。根据风电机组的维护策略可以确定适用的维护方法和时间表。基于这些信息,我们可以制定具体的风电机组维护和修复方案。对于风电机组疲劳风险等级较低的情况,可能只需要进行常规的预防性维护措施,如定期检查和保养。对于风电机组疲劳风险等级较高的情况,可能需要采取更频繁、更彻底的维护措施,如更换疲劳损伤严重的部件、加强监测和检测频率等。修复方案可以根据具体的疲劳损伤情况而定,可能涉及部件更换、修理或其他修复方法。
实施例2:
如图2所示,本实施例提供了一种风电机组部件的疲劳寿命评估装置,装置包括:
获取模块1,获取第一信息和第二信息,第一信息中包括待评估风电机组的实际运行数据,第二信息包括历史风电机组的历史运行数据。
分析模块2,用于根据第一信息进行动力学分析得到第三信息,第三信息包括待评估机组的关键结构部件状态和载荷机理。
测试模块3,根据第二信息和预设的图神经网络数学模型构建得到风电机组载荷测试数学模型,将第三信息作为风电机组载荷测试数学模型的输入值计算得到第四信息,第四信息为待评估风电机组的载荷测试结果。
预测模块4,用于根据第二信息和预设的长短期记忆网络数学模型构建得到疲劳损伤-疲劳寿命评估数学模型,将第四信息作为疲劳损伤-疲劳寿命评估数学模型的输入值计算得到第五信息,第五信息为风电机组关键部件疲劳损伤和疲劳寿命评估的检测结果。
评估模块5,用于根据第五信息和预设的评估标准进行分析处理得到第六信息,第六信息为待评估风电机组的安全性评估报告。
在本公开的一种具体实施方式中,分析模块2包括:
第一分析单元21,应用于根据第一信息和预设的动力分析数学模型进行分析处理,得到待评估风电机组的叶轮气动载荷形成机理。
第二分析单元22,用于根据叶轮气动载荷形成机理分析推导叶轮气动载荷耦合风电机组传动链、塔筒重力载荷及惯性载荷条件,得到待评估风电机组整机动力学特性。
第三分析单元23,用于根据整机动力学特性,分析气动、机械载荷耦合传递过程,得到待评估风电机组的载荷传递机理。
第四分析单元24,用于根据载荷传递机理分析风电机组关键结构部件状态,得到待评估风电机组关键结构部件状态信息。
在本公开的一种具体实施方式中,测试模块3包括:
第一处理单元31,用于根据第二信息和预设的图神经网络数学模型进行参数化处理,得到参数化的图神经网络模型。
第一训练单元32,用于根据参数化的图神经网络模型,将第二信息的历史风电机组运行数据进行输入,得到训练后的图神经网络模型。
第一计算单元33,用于根据训练后的图神经网络模型,将第一信息的待评估风电机组运行数据作为输入,进行计算处理,得到待评估风电机组的载荷测试预测结果。
第一整理单元34,用于根据载荷测试预测结果进行整理分析得到第四信息,第四信息为待评估风电机组的载荷测试结果。
在本公开的一种具体实施方式中,第一训练单元32包括:
第二处理单元321,用于将历史风电机组运行数据中的气象量、电气量、载荷量、工况信息和运行控制信息进行多维时间序列数据映射处理,得到风电机组数据映射图谱,风电机组数据映射图谱包括节点和边,节点表示风电机组的运行状态,边表示状态间的转移关系。
第三处理单元322,用于根据风电机组数据映射图谱进行节点嵌入和边嵌入处理,得到图形数据输入表述,图形数据输入表述包括适用于输入至图神经网络的数据形式。
第一优化单元323,用于根据参数化的图神经网络模型和图形数据输入表述,使用预设的梯度下降优化数学模型进行模型训练,得到初步图神经网络模型。
第四处理单元324,用于根据得到的初步图神经网络模型进行正则化和模型剪枝处理,得到训练后的图神经网络模型。
在本公开的一种具体实施方式中,预测模块4包括:
第五处理单元41,用于根据第二信息中的历史运行数据进行时间序列分析处理,在每一个时间点上生成预测值及对应的实际值并将数据进行整合处理,得到时间序列预测数据集。
第一构建单元42,用于根据时间序列预测数据集对预设的长短期记忆网络数学模型进行训练构建得到疲劳损伤-疲劳寿命评估数学模型。
第一预测单元43,用于将第四信息进行预处理后作为疲劳损伤-疲劳寿命评估数学模型的输入值,通过预测风电机组运行状态和对应的疲劳损伤情况,得到预测疲劳损伤-疲劳寿命结果。
第六处理单元44,用于对预测疲劳损伤-疲劳寿命结果进行回归分析处理,得到风电机组关键部件疲劳损伤和疲劳寿命评估的检测结果。
在本公开的一种具体实施方式中,评估模块5包括:
第五分析单元51,用于根据第五信息通过分析疲劳损伤的类型、程度和疲劳寿命的长短,得到综合评估报告。
第七处理单元52,用于根据综合评估报告和预设的评估标准中各级别的疲劳损伤对应的阈值、风电机组可接受的最低疲劳寿命,进行打分处理得到风电机组疲劳损伤评分结果。
第一划分单元53,用于根据风电机组疲劳损伤评分结果进行风险等级的划分得到风电机组疲劳风险等级。
第一评估单元54,用于根据风电机组疲劳风险等级和风电机组的运行状态和维护策略,得到相应的风电机组维护和修复方案。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种风电机组部件的疲劳寿命评估方法,其特征在于,包括:
获取第一信息和第二信息,所述第一信息中包括待评估风电机组的实际运行数据,所述第二信息包括历史风电机组的历史运行数据;
根据所述第一信息进行动力学分析得到第三信息,所述第三信息包括待评估机组的关键结构部件状态和载荷机理;
根据所述第二信息和预设的图神经网络数学模型构建得到风电机组载荷测试数学模型,将所述第三信息作为所述风电机组载荷测试数学模型的输入值计算得到第四信息,所述第四信息为待评估风电机组的载荷测试结果;
根据所述第二信息和预设的长短期记忆网络数学模型构建得到疲劳损伤-疲劳寿命评估数学模型,将所述第四信息作为所述疲劳损伤-疲劳寿命评估数学模型的输入值计算得到第五信息,所述第五信息为风电机组关键部件疲劳损伤和疲劳寿命评估的检测结果;
根据所述第五信息和预设的评估标准进行分析处理得到第六信息,所述第六信息为待评估风电机组的安全性评估报告。
2.根据权利要求1所述的风电机组部件的疲劳寿命评估方法,其特征在于,根据所述第一信息进行动力学分析得到第三信息,所述第三信息包括待评估机组的关键结构部件状态和载荷机理,包括:
根据所述第一信息和预设的动力分析数学模型进行分析处理,得到待评估风电机组的叶轮气动载荷形成机理;
根据所述叶轮气动载荷形成机理分析推导叶轮气动载荷耦合风电机组传动链、塔筒重力载荷及惯性载荷条件,得到待评估风电机组整机动力学特性;
根据所述整机动力学特性,分析气动、机械载荷耦合传递过程,得到待评估风电机组的载荷传递机理;
根据所述载荷传递机理分析风电机组关键结构部件状态,得到待评估风电机组关键结构部件状态信息。
3.根据权利要求1所述的风电机组部件的疲劳寿命评估方法,其特征在于,根据所述第二信息和预设的图神经网络数学模型构建得到风电机组载荷测试数学模型,将所述第三信息作为所述风电机组载荷测试数学模型的输入值计算得到第四信息,包括:
根据所述第二信息和预设的图神经网络数学模型进行参数化处理,得到参数化的图神经网络模型;
根据所述参数化的图神经网络模型,将所述第二信息的历史风电机组运行数据进行输入,得到训练后的图神经网络模型;
根据所述训练后的图神经网络模型,将所述第一信息的待评估风电机组运行数据作为输入,进行计算处理,得到待评估风电机组的载荷测试预测结果;
根据所述载荷测试预测结果进行整理分析得到第四信息,所述第四信息为待评估风电机组的载荷测试结果。
4.根据权利要求1所述的风电机组部件的疲劳寿命评估方法,其特征在于,根据所述第二信息和预设的长短期记忆网络数学模型构建得到疲劳损伤-疲劳寿命评估数学模型,将所述第四信息作为所述疲劳损伤-疲劳寿命评估数学模型的输入值计算得到第五信息,包括:
根据所述第二信息中的历史运行数据进行时间序列分析处理,在每一个时间点上生成预测值及对应的实际值并将数据进行整合处理,得到时间序列预测数据集;
根据所述时间序列预测数据集对预设的长短期记忆网络数学模型进行训练构建得到疲劳损伤-疲劳寿命评估数学模型;
将所述第四信息进行预处理后作为所述疲劳损伤-疲劳寿命评估数学模型的输入值,通过预测风电机组运行状态和对应的疲劳损伤情况,得到预测疲劳损伤-疲劳寿命结果;
对所述预测疲劳损伤-疲劳寿命结果进行回归分析处理,得到风电机组关键部件疲劳损伤和疲劳寿命评估的检测结果。
5.根据权利要求1所述的风电机组部件的疲劳寿命评估方法,其特征在于,根据所述第五信息和预设的评估标准进行分析处理得到第六信息,包括:
根据所述第五信息通过分析疲劳损伤的类型、程度和疲劳寿命的长短,得到综合评估报告;
根据综合评估报告和预设的评估标准中各级别的疲劳损伤对应的阈值、风电机组可接受的最低疲劳寿命,进行打分处理得到风电机组疲劳损伤评分结果;
根据所述风电机组疲劳损伤评分结果进行风险等级的划分得到风电机组疲劳风险等级;
根据所述风电机组疲劳风险等级和风电机组的运行状态和维护策略,得到相应的风电机组维护和修复方案。
6.一种风电机组部件的疲劳寿命评估装置,其特征在于,包括:
获取模块,获取第一信息和第二信息,所述第一信息中包括待评估风电机组的实际运行数据,所述第二信息包括历史风电机组的历史运行数据;
分析模块,用于根据所述第一信息进行动力学分析得到第三信息,所述第三信息包括待评估机组的关键结构部件状态和载荷机理;
测试模块,根据所述第二信息和预设的图神经网络数学模型构建得到风电机组载荷测试数学模型,将所述第三信息作为所述风电机组载荷测试数学模型的输入值计算得到第四信息,所述第四信息为待评估风电机组的载荷测试结果;
预测模块,用于根据所述第二信息和预设的长短期记忆网络数学模型构建得到疲劳损伤-疲劳寿命评估数学模型,将所述第四信息作为所述疲劳损伤-疲劳寿命评估数学模型的输入值计算得到第五信息,所述第五信息为风电机组关键部件疲劳损伤和疲劳寿命评估的检测结果;
评估模块,用于根据所述第五信息和预设的评估标准进行分析处理得到第六信息,所述第六信息为待评估风电机组的安全性评估报告。
7.根据权利要求6所述的风电机组部件的疲劳寿命评估装置,其特征在于,所述分析模块包括:
第一分析单元,应用于根据所述第一信息和预设的动力分析数学模型进行分析处理,得到待评估风电机组的叶轮气动载荷形成机理;
第二分析单元,用于根据所述叶轮气动载荷形成机理分析推导叶轮气动载荷耦合风电机组传动链、塔筒重力载荷及惯性载荷条件,得到待评估风电机组整机动力学特性;
第三分析单元,用于根据所述整机动力学特性,分析气动、机械载荷耦合传递过程,得到待评估风电机组的载荷传递机理;
第四分析单元,用于根据所述载荷传递机理分析风电机组关键结构部件状态,得到待评估风电机组关键结构部件状态信息。
8.根据权利要求6所述的风电机组部件的疲劳寿命评估装置,其特征在于,所述测试模块包括:
第一处理单元,用于根据所述第二信息和预设的图神经网络数学模型进行参数化处理,得到参数化的图神经网络模型;
第一训练单元,用于根据所述参数化的图神经网络模型,将所述第二信息的历史风电机组运行数据进行输入,得到训练后的图神经网络模型;
第一计算单元,用于根据所述训练后的图神经网络模型,将所述第一信息的待评估风电机组运行数据作为输入,进行计算处理,得到待评估风电机组的载荷测试预测结果;
第一整理单元,用于根据所述载荷测试预测结果进行整理分析得到第四信息,所述第四信息为待评估风电机组的载荷测试结果。
9.根据权利要求6所述的风电机组部件的疲劳寿命评估装置,其特征在于,所述预测模块包括:
第五处理单元,用于根据所述第二信息中的历史运行数据进行时间序列分析处理,在每一个时间点上生成预测值及对应的实际值并将数据进行整合处理,得到时间序列预测数据集;
第一构建单元,用于根据所述时间序列预测数据集对预设的长短期记忆网络数学模型进行训练构建得到疲劳损伤-疲劳寿命评估数学模型;
第一预测单元,用于将所述第四信息进行预处理后作为所述疲劳损伤-疲劳寿命评估数学模型的输入值,通过预测风电机组运行状态和对应的疲劳损伤情况,得到预测疲劳损伤-疲劳寿命结果;
第六处理单元,用于对所述预测疲劳损伤-疲劳寿命结果进行回归分析处理,得到风电机组关键部件疲劳损伤和疲劳寿命评估的检测结果。
10.根据权利要求6所述的风电机组部件的疲劳寿命评估装置,其特征在于,所述评估模块包括:
第五分析单元,用于根据所述第五信息通过分析疲劳损伤的类型、程度和疲劳寿命的长短,得到综合评估报告;
第七处理单元,用于根据综合评估报告和预设的评估标准中各级别的疲劳损伤对应的阈值、风电机组可接受的最低疲劳寿命,进行打分处理得到风电机组疲劳损伤评分结果;
第一划分单元,用于根据所述风电机组疲劳损伤评分结果进行风险等级的划分得到风电机组疲劳风险等级;
第一评估单元,用于根据所述风电机组疲劳风险等级和风电机组的运行状态和维护策略,得到相应的风电机组维护和修复方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310736602.2A CN116484751B (zh) | 2023-06-21 | 2023-06-21 | 一种风电机组部件的疲劳寿命评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310736602.2A CN116484751B (zh) | 2023-06-21 | 2023-06-21 | 一种风电机组部件的疲劳寿命评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116484751A true CN116484751A (zh) | 2023-07-25 |
CN116484751B CN116484751B (zh) | 2023-09-05 |
Family
ID=87227210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310736602.2A Active CN116484751B (zh) | 2023-06-21 | 2023-06-21 | 一种风电机组部件的疲劳寿命评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116484751B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171590A (zh) * | 2023-11-02 | 2023-12-05 | 默拓(江苏)电气驱动技术有限公司 | 一种电机智能驱动优化方法及系统 |
CN117688848A (zh) * | 2024-02-02 | 2024-03-12 | 湖南璟德科技有限公司 | 大功率定子瓣线圈疲劳寿命测试方法 |
CN117875191A (zh) * | 2024-03-08 | 2024-04-12 | 东莞市星火齿轮有限公司 | 一种基于大数据的齿轮箱寿命评估方法及系统、存储介质 |
CN117875191B (zh) * | 2024-03-08 | 2024-05-28 | 东莞市星火齿轮有限公司 | 一种基于大数据的齿轮箱寿命评估方法及系统、存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348513A (zh) * | 2019-07-10 | 2019-10-18 | 北京华电天仁电力控制技术有限公司 | 一种基于深度学习的风电机组故障预测方法 |
CN111639467A (zh) * | 2020-06-08 | 2020-09-08 | 长安大学 | 一种基于长短期记忆网络的航空发动机寿命预测方法 |
WO2021122347A1 (de) * | 2019-12-20 | 2021-06-24 | fos4X GmbH | Verfahren zur bestimmung einer restnutzungsdauer einer windenergieanlage und windenergieanlage |
CN113821979A (zh) * | 2021-09-29 | 2021-12-21 | 中国华能集团清洁能源技术研究院有限公司 | 一种风电机组疲劳损伤和寿命评估方法、计算机设备及存储介质 |
CN114372504A (zh) * | 2021-12-06 | 2022-04-19 | 燕山大学 | 一种基于图神经网络的风电机组故障预警方法 |
CN114936758A (zh) * | 2022-04-29 | 2022-08-23 | 国电联合动力技术有限公司 | 风电机组健康状态评估方法、装置及电子设备 |
CN115221785A (zh) * | 2022-07-22 | 2022-10-21 | 中国电力科学研究院有限公司 | 一种神经网络预测模型的构建方法、预测方法、系统 |
-
2023
- 2023-06-21 CN CN202310736602.2A patent/CN116484751B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348513A (zh) * | 2019-07-10 | 2019-10-18 | 北京华电天仁电力控制技术有限公司 | 一种基于深度学习的风电机组故障预测方法 |
WO2021122347A1 (de) * | 2019-12-20 | 2021-06-24 | fos4X GmbH | Verfahren zur bestimmung einer restnutzungsdauer einer windenergieanlage und windenergieanlage |
CN111639467A (zh) * | 2020-06-08 | 2020-09-08 | 长安大学 | 一种基于长短期记忆网络的航空发动机寿命预测方法 |
CN113821979A (zh) * | 2021-09-29 | 2021-12-21 | 中国华能集团清洁能源技术研究院有限公司 | 一种风电机组疲劳损伤和寿命评估方法、计算机设备及存储介质 |
CN114372504A (zh) * | 2021-12-06 | 2022-04-19 | 燕山大学 | 一种基于图神经网络的风电机组故障预警方法 |
CN114936758A (zh) * | 2022-04-29 | 2022-08-23 | 国电联合动力技术有限公司 | 风电机组健康状态评估方法、装置及电子设备 |
CN115221785A (zh) * | 2022-07-22 | 2022-10-21 | 中国电力科学研究院有限公司 | 一种神经网络预测模型的构建方法、预测方法、系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171590A (zh) * | 2023-11-02 | 2023-12-05 | 默拓(江苏)电气驱动技术有限公司 | 一种电机智能驱动优化方法及系统 |
CN117171590B (zh) * | 2023-11-02 | 2024-01-26 | 默拓(江苏)电气驱动技术有限公司 | 一种电机智能驱动优化方法及系统 |
CN117688848A (zh) * | 2024-02-02 | 2024-03-12 | 湖南璟德科技有限公司 | 大功率定子瓣线圈疲劳寿命测试方法 |
CN117688848B (zh) * | 2024-02-02 | 2024-04-16 | 湖南璟德科技有限公司 | 大功率定子瓣线圈疲劳寿命测试方法 |
CN117875191A (zh) * | 2024-03-08 | 2024-04-12 | 东莞市星火齿轮有限公司 | 一种基于大数据的齿轮箱寿命评估方法及系统、存储介质 |
CN117875191B (zh) * | 2024-03-08 | 2024-05-28 | 东莞市星火齿轮有限公司 | 一种基于大数据的齿轮箱寿命评估方法及系统、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116484751B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116484751B (zh) | 一种风电机组部件的疲劳寿命评估方法及装置 | |
Hsu et al. | Wind turbine fault diagnosis and predictive maintenance through statistical process control and machine learning | |
CN110410282B (zh) | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 | |
Lapira et al. | Wind turbine performance assessment using multi-regime modeling approach | |
Wang et al. | SCADA data based condition monitoring of wind turbines | |
CN111537219B (zh) | 一种基于温度参数的风机齿轮箱性能检测与健康评估方法 | |
US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
CN112733283A (zh) | 一种风电机组部件故障预测方法 | |
CN114856941A (zh) | 海上风电场及机组故障诊断运维系统及其诊断运维方法 | |
CN110766175A (zh) | 一种基于最优间隔分布机的变桨系统故障检测方法及装置 | |
CN111209934A (zh) | 风机故障预报警方法及系统 | |
Abid et al. | Fault prognostics for the predictive maintenance of wind turbines: State of the art | |
CN216198694U (zh) | 一种基于物联网的风力发电机在线监测和故障诊断系统 | |
CN114169718A (zh) | 一种基于风电机组状态评估提高机组可靠性的方法 | |
CN117422447A (zh) | 变压器维护策略生成方法、系统、电子设备及存储介质 | |
CN117151684A (zh) | 风电风机数据分析预警方法、系统、装置及可读存储介质 | |
CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
CN113052716B (zh) | 风力发电机组主轴承的异常预警方法及装置 | |
CN114693175A (zh) | 一种基于网源涉网试验的机组状态分析方法与系统 | |
Shen | Classification of Wind Turbine Blade Performance State through Statistical Methods | |
Liu et al. | Wind turbine spindle operating state recognition and early warning driven by SCADA data | |
Modhagala | Classification of Root Causes for Wind Turbine Failures | |
CN116591910A (zh) | 风电机组运维的方法、装置、电子设备和存储介质 | |
CN118036479A (zh) | 行星齿轮减速装置传动稳定性分析方法及系统 |
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 |