CN116992269B - 一种海上风电谐响应提取方法 - Google Patents
一种海上风电谐响应提取方法 Download PDFInfo
- Publication number
- CN116992269B CN116992269B CN202310970613.7A CN202310970613A CN116992269B CN 116992269 B CN116992269 B CN 116992269B CN 202310970613 A CN202310970613 A CN 202310970613A CN 116992269 B CN116992269 B CN 116992269B
- Authority
- CN
- China
- Prior art keywords
- frequency
- harmonic
- response
- wind power
- signal
- 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
- 230000004044 response Effects 0.000 title claims abstract description 70
- 238000000605 extraction Methods 0.000 title claims abstract description 21
- 238000001228 spectrum Methods 0.000 claims abstract description 84
- 230000005284 excitation Effects 0.000 claims abstract description 78
- 230000001133 acceleration Effects 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000007613 environmental effect Effects 0.000 claims abstract description 12
- 239000012634 fragment Substances 0.000 claims abstract description 12
- 230000009471 action Effects 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 238000013461 design Methods 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 14
- 230000003595 spectral effect Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 101100161752 Mus musculus Acot11 gene Proteins 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mechanical Engineering (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Sustainable Development (AREA)
- Medical Informatics (AREA)
- Combustion & Propulsion (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Wind Motors (AREA)
Abstract
一种海上风电谐响应提取方法,包括如下步骤:第一步:F1,对非作业状态下的海上风电结构进行连续的加速度响应采集,获得塔筒在仅在环境载荷作用下的加速度响应信号,并将所有采集的信号裁剪成长度为L的信号片段S;F2,利用傅里叶变换将所有信号片段由时域转至频域,获得信号的频谱P;F3,根据风机的最大设计转频P或风机SCADA系统记录的风机最大转频P,确定所要提取的最大谐响应频率Fmax=N×P,1≤N≤12,将单个频谱裁剪成P1、P2、P3三个片段,对应的频率范围分别为0~F1,F1~F2,F2~F3,其中选择的频率F1不小于Fmax;F4,将所有频谱按照F3进行裁剪,构成无谐激励影响的频谱数据集D。
Description
技术领域
本发明涉及风机监测技术领域,具体涉及一种海上风电谐响应提取方法。
背景技术
海上风电结构的塔筒部分,起到支撑风电机组以及吸收风电机组振动能量的作用。为了实现稳定可靠的风机发电,风电塔筒常将风机机组支撑于60米甚至100米以上的高空,其造价可占总成本的15%左右。在风机运营期间,风电塔筒经常暴露在极端的风环境中,大挠度变形和重复应力循环都会导致塔筒的损坏。作为风电机组的支撑构件,它的损坏可能导致结构的灾难性破坏;
风电塔筒的激励源通常包括两部分,即风、浪、流、地震、冰等环境载荷以及由风机发电产生的机械传动载荷(主要是叶轮转动引起的谐波载荷)。在风机正常发电条件下,谐波载荷引起的结构响应往往占较大比重且不可忽略。通过在塔筒上安装加速度传感器,可捕获环境、谐波激励载荷共同作用下的风电塔筒振动,从这种振动响应中将两者分离,对风机塔筒激励源分析、评估海上风电基础结构设计优劣、监测风机机组故障、实施有效的振动控制具有重要意义;
传统的时变信号分解方法,例如小波变换、希尔伯特黄变换、变分模态分解等,可实现信号成分的提取。然而,这些方法存在如下缺陷:
(1)当谐激励的能量较小时,易被做为噪声而忽略;
(2)当谐波频率与真实结构频率极其接近时,这些方法无法将两者有效分离。
(3)这些方法是纯数据驱动方法,无法有效借助已知的物理信息(例如风机SCADA系统监测的转频)进行成分提取。
发明内容
有鉴于此,面对现有技术的不足,本发明的目的在于提供一种海上风电谐响应提取方法,针对谐振干扰,提出一种谐响应提取方法,有效提取谐激励;谐波频率与真实结构频率极其接近时,也可以实现有效分离。
本申请旨在解决背景技术中的问题之一。
本发明所采用的技术方案为:为实现上述目的及其他相关目的,本发明提供一种海上风电谐响应提取方法;
一种海上风电谐响应提取方法,包括如下步骤:
第一步:
F1,对非作业状态下的单台海上风电结构进行连续的加速度响应采集,获得塔筒在仅在环境载荷作用下的加速度响应信号,并将所有采集的信号裁剪成长度为L的信号片段S;
F2,利用傅里叶变换将所有信号片段由时域转至频域,获得信号的频谱P;
F3,根据风机的最大设计转频Pmax或风机SCADA系统记录的风机最大转频Pmax,确定所要提取的最大谐响应频率Fmax=N×Pmax,3≤N≤12,将单个频谱裁剪成P1、P2、P3三个片段,对应的频率范围分别为0~F1,F1~F2,F2~F3,其中选择的频率F1不小于Fmax;
将片段P1、P2拼接成频谱P12,对应频带范围0~F2。
也可将信号频谱分成两个片段,0~F1为可能有谐波影响的部分,F1~F3无谐波影响。但由于实际风机的采样频率一般比较高,例如采样频率20Hz时,对应频谱范围是0-10Hz,而关心的最大谐频12Pmax可能小于4Hz;为了节约计算资源,我们多划分一个F2,F1~F2用于深度学习的响应推测,而F2~F3可以抛弃;保证P2、P3包含极少的谐激励影响,少于1%即可认为达到要求。
F4,将所有频谱按照F3进行裁剪与拼接,构成无谐激励影响的频谱数据集D。
本申请提供的一种海上风电谐响应提取方法技术方案,还包括如下技术特征:
优选的,第二步,选定深度生成模型,将频谱数据集D作为深度生成模型的训练数据集,对深度生成模型进行训练,使训练后的深度生成模型能够自动生成若干无谐激励影响的频谱,对应频带范围0~F2;训练后的模型可自动生成若干频谱,属于深度生成模型的能力。
优选的,第三步:T1,通过已安装的加速度传感器,对正常作业状态下的单台海上风电结构进行加速度响应采集,采集信号总长度不小于L,并将采集的信号裁剪成长度为L的信号片段其中信号片段/>代表塔筒在风、浪等环境载荷及谐激励载荷共同作用下的加速度响应信号;
T2,利用傅里叶变换将信号片段由时域转至频域,获得信号的频谱/>
T3,将频谱裁剪成/>三个片段,对应的频率范围分别为0~F1,F1~F2,F2~F3;
此时的为无谐激励影响的频谱实际值或测量值,因为其大于12Pmax,第三步的目的就是获得实测值。
优选的,T3中,包含了几乎所有的谐激励影响,而/>包含极少的谐激励影响;可以认为:/>包含大于等于99%的谐激励影响,而/>包含小于等于1%的谐激励影响。
优选的,F1中,单台风电塔筒上自上而下安装加速度传感器,设定采样频率20~50Hz,采集风机塔筒的加速度响应。
优选的,F1中,环境载荷包括风、浪对塔筒的影响载荷。
优选的,第四步,N1,利用第二步中训练的深度生成模型,生成大量无谐激励影响的频谱并裁剪成/>两个片段,对应的频率范围分别为0~F1,F1~F2;
N2,将频谱片段差值的2范数定义为目标函数,即:
选择使目标函数最小的其中一个频谱/>作为最优生成频谱/>
生成了很多频谱,由于模型是通过无谐激励影响的数据训练的,也只能生成无谐激励影响的频谱;这些频谱中,有一个是最接近真实的,这个最优的频谱在F1~F2频带上与实际值相似。
优选的,第五步:S1、将最优生成频谱与/>进行拼接,构成频率范围由0~F3的频谱/>
S2、利用傅里叶逆变换将由频域变换至时域,生成信号/>其中/>为无谐激励影响的信号成分;
S3、从包含了谐激励影响的信号片段中提取谐响应/>即/>
通过已经训练好的深度学习模型,可以推测无谐激励影响由于模型是通过无谐激励影响的频谱数据集D训练的,/>是仅包含了无谐激励(风、浪等)的影响,而/>同时包含谐激励和风浪影响,所以两者的差值就是谐激励影响,进而完成了海上风电谐响应提取。
模型训练时,频谱数据集D中的所有频谱P12同时作为深度生成模型的输入与输出,模型训练完成的标准是深度生成模型能够重建频谱数据集D中的所有频谱P12。
本发明具有以下有益效果:
1、本发明公开的基于深度生成模型的海上风电谐响应提取方法能够从高斯、谐响应的混合信号中,将两者分离开,获得谐激励影响,从而完成海上风电谐响应提取。
2、本发明通过无谐激励影响的频谱数据集D,构建训练好的深度学习模型,在采集包含谐激励和风浪影响的频谱片段并获取谐激励影响的信号成分,利用深度学习模型的无谐激励(风、浪等)的影响的频谱片段,通过目标函数获取最优生成频谱,最优生成频谱和无谐激励影响的频谱拼接后经傅里叶变换获取了无谐激励影响的信号成分,谐响应即为谐激励影响的信号成分和无谐激励影响的信号成分的差值。
附图说明
图1为本发明的一种海上风电谐响应提取方法的风机简化模型图;
图2为本发明的一种海上风电谐响应提取方法的高斯响应图;
图3为本发明的一种海上风电谐响应提取方法的谐响应图;
图4为本发明的一种海上风电谐响应提取方法的结构响应信号转成功率谱密度函数的曲线图;
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细说明。这些实施方式仅用于说明本发明,而并非对本发明的限制。
在本发明的描述中,需要说明的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
一种海上风电谐响应提取方法,包括如下步骤:
第一步:
F1,对非作业状态下的单台海上风电结构进行连续的加速度响应采集,获得塔筒在仅在环境载荷作用下的加速度响应信号,并将所有采集的信号裁剪成长度为L的信号片段S;
F1中,单台风电塔筒上自上而下安装加速度传感器,设定采样频率20~50Hz,采集风机塔筒的加速度响应;
F2,利用傅里叶变换将所有信号片段由时域转至频域,获得信号的频谱P;
F1中,环境载荷包括风、浪对塔筒的影响载荷;
F3,根据风机的最大设计转频Pmax或风机SCADA系统记录的风机最大转频Pmax,确定所要提取的最大谐响应频率Fmax=N×Pmax,3≤N≤12,将单个频谱裁剪成P1、P2、P3三个片段,对应的频率范围分别为0~F1,F1~F2,F2~F3,其中选择的频率F1不小于Fmax;将片段P1、P2拼接成频谱P12,对应频带范围0~F2。
也可将信号频谱分成两个片段,0~F1为可能有谐波影响的部分,F1~F3无谐波影响;但由于实际风机的采样频率一般比较高,例如采样频率20Hz时,对应频谱范围是0-10Hz,而关心的最大谐频12Pmax可能小于4Hz;为了节约计算资源,我们多划分一个F2,F1~F2用于深度学习的响应推测,而F2~F3可以抛弃;保证P2、P3包含极少的谐激励影响,少于1%即可认为达到要求;
F4,将所有频谱按照F3进行裁剪与拼接,构成无谐激励影响的频谱数据集D;
模型训练时,频谱数据集D中的所有频谱P12同时作为深度生成模型的输入与输出,模型训练完成的标准是深度生成模型能够重建频谱数据集D中的所有频谱P12。
第二步,选定深度生成模型,将频谱数据集D作为深度生成模型的训练数据集,对深度生成模型进行训练,使训练后的深度生成模型能够自动生成若干无谐激励影响的频谱,对应频带范围0~F2;训练后的模型可自动生成若干频谱,属于深度生成模型的能力;
第三步:T1,通过已安装的加速度传感器,对正常作业状态下的单台海上风电结构进行加速度响应采集,采集信号总长度不小于L,并将采集的信号裁剪成长度为L的信号片段其中信号片段/>代表塔筒在风、浪等环境载荷及谐激励载荷共同作用下的加速度响应信号;
T2,利用傅里叶变换将信号片段由时域转至频域,获得信号的频谱/>
T3,将频谱裁剪成/>三个片段,对应的频率范围分别为0~F1,F1~F2,F2~F3;
此时的为无谐激励影响的频谱实际值或测量值,因为其大于12Pmax,第三步的目的就是获得实测值;
T3中,包含了几乎所有的谐激励影响,而/>包含极少的谐激励影响;可以认为:/>包含大于等于99%的谐激励影响,而/>包含小于等于1%的谐激励影响;
第四步,N1,利用第二步中训练的深度生成模型,生成大量无谐激励影响的频谱并裁剪成/>两个片段,对应的频率范围分别为0~F1,F1~F2;
N2,将频谱片段差值的2范数定义为目标函数,即:
选择使目标函数最小的其中一个频谱/>作为最优生成频谱/>
生成了很多频谱,由于模型是通过无谐激励影响的数据训练的,也只能生成无谐激励影响的频谱;这些频谱中,有一个是最接近真实的,这个最优的频谱在F1~F2频带上与实际值相似;
第五步:S1、将最优生成频谱与/>进行拼接,构成频率范围由0~F3的频谱/>
S2、利用傅里叶逆变换将由频域变换至时域,生成信号/>其中/>为无谐激励影响的信号成分;
S3、从包含了谐激励影响的信号片段中提取谐响应/>即/>
通过已经训练好的深度学习模型,可以推测无谐激励影响由于模型是通过无谐激励影响的频谱数据集D训练的,/>是仅包含了无谐激励(风、浪等)的影响,而/>同时包含谐激励和风浪影响,所以两者的差值就是谐激励影响,进而完成了海上风电谐响应提取。
如图1,一个风机简化模型,即四自由度结构;结构四个质量点的质量均为10kg,四个弹簧刚度均为10000N/m,四个阻尼均为10N/(m/s),通过特征值分析可得结构的四阶结构频率分别为1.7479Hz,5.0329Hz,7.7109Hz,9.4588Hz。
假定结构的初始位移、速度、加速度均为0。在结构顶端,即m4上施加幅值为0.5N的高斯白噪声激励,用于模拟环境激励的影响。同时,在m4上施加频率为1Hz、3Hz的简谐激励,用于模拟风机叶轮旋转引起的1P与3P载荷,激励时长90s。为了考虑实际风机谐波激励的时变性,假定信号幅值和频率均为时变的,即谐激励为:
h(t)=A[0.8sin(2π(1+0.01(1-r))t)+1.2sin(2π(3+0.01(1-r)t))]
式中,A=0.5[1+0.1sin(0.01πt)+0.15(1-r)]为时变幅值,t为时间的标识,r为高斯随机数。
采用Newmark-beta法计算结构在载荷作用下的响应,积分时间步长与响应采样时间间隔均为0.01s。假定仅测量m4的振动加速度。
整个验证过程分如下进行:
第一步:为了形成无谐激励影响的频谱数据集D,首先仅对结构施加高斯白噪声激励,共执行5000次随机模拟;而后,通过傅里叶变换将5000次模拟获得的信号由时域转至频域,获得功率谱密度函数(频谱),其对应的频率范围为0~50Hz。由于最大谐激励的频率为3Hz,而最大结构频率为9.4588Hz,选定F1=7Hz,F2=10Hz,F3=50Hz,将功率谱分成频带为0~F1,F1~F2,F2~F3的三段P1、P2、P3。
选用变分自编码器作为深度生成模型,将5000组片段P1、P2置于变分自编码器中进行训练,使模型能够准确生成无谐激励影响的频谱。
第二步:对模型分别实施高斯及谐波激励,获得真实的高斯响应与谐激励响应,其中80~90s的高斯响应如图2的黑色曲线所示,谐响应如图3的黑色曲线所示。
第三步,同时施加高斯与谐波激励,将结构响应信号转成功率谱密度函数/>如图4黑色曲线所示。将功率谱密度函数分割为对应于频带0~F1,F1~F2,F2~F3的三段
使用训练好的变分自编码器生成300组功率谱密度函数,并分割为0~F1,F1~F2两个片段比较生成与真实功率谱密度函数的第二段/>选择其中一个最优功率谱密度函数/>如图4的灰色曲线所示,可知,生成的最优功率谱密度函数与真实功率谱密度函数的趋势极其接近,表明深度生成模型能够生成反映结构主要振动特征的响应。
将与/>拼接,形成0~50Hz频带上完整的功率谱密度函数。采用傅里叶逆变换将其变换到时域,生成无谐激励影响的信号成分/>如图2所示的灰色曲线。对比图2的两条曲线,表明通过深度生成模型重建的结构高斯响应与实际值极其相近。
而后,从包含了谐激励影响的信号中提取谐响应/>即/>得到的曲线如图3的灰色曲线,由图可知,通过深度生成模型重建的结构谐响应与实际值也极其相近,表明本发明公开的基于深度生成模型的海上风电谐响应提取方法能够从高斯、谐响应的混合信号中,将两者分离开来。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (6)
1.一种海上风电谐响应提取方法,其特征在于,包括如下步骤:
第一步:
F1,对非作业状态下的单台海上风电结构进行连续的加速度响应采集,获得塔筒在仅在环境载荷作用下的加速度响应信号,并将所有采集的信号裁剪成长度为L的信号片段S;
F2,利用傅里叶变换将所有信号片段由时域转至频域,获得信号的频谱P;
F3,根据风机的最大设计转频Pmax或风机SCADA系统历史记录的风机最大转频Pmax,确定所要提取的最大谐响应频率Fmax=N×Pmax,3≤N≤12,将单个频谱裁剪成P1、P2、P3三个片段,对应的频率范围分别为0~F1,F1~F2,F2~F3,其中选择的频率F1不小于Fmax;将片段P1、P2拼接成频谱P12,对应频带范围0~F2;
F4,将所有频谱按照F3进行裁剪与拼接,构成无谐激励影响的频谱数据集D;
第二步,选定深度生成模型,将频谱数据集D作为深度生成模型的训练数据集,对深度生成模型进行训练,使训练后的深度生成模型能够自动生成若干无谐激励影响的频谱,对应频带范围0~F2;
第三步:
T1,通过已安装的加速度传感器,对正常作业状态下的单台海上风电结构进行加速度响应采集,采集信号总长度不小于L,并将采集的信号裁剪成长度为L的信号片段其中信号片段/>代表塔筒在环境载荷及谐激励载荷共同作用下的加速度响应信号;
T2,利用傅里叶变换将信号片段由时域转至频域,获得信号的频谱/>
T3,将频谱裁剪成/>三个片段,对应的频率范围分别为0~F1,F1~F2,F2~F3;
第四步:
N1,利用第二步中训练的深度生成模型,生成若干无谐激励影响的频谱并裁剪成 两个片段,对应的频率范围分别为0~F1,F1~F2;
N2,将频谱片段差值的2范数定义为目标函数,即:
选择使目标函数最小的其中一个频谱/>作为最优生成频谱/>
第五步:
S1、将最优生成频谱与/>进行拼接,构成频率范围由0~F3的频谱/>
S2、利用傅里叶逆变换将由频域变换至时域,生成信号/>其中/>为无谐激励影响的信号成分;
S3、从包含了谐激励影响的信号片段中提取谐响应/>即/>
2.如权利要求1所述的一种海上风电谐响应提取方法,其特征在于,F1中,单台风电塔筒上自上而下安装加速度传感器,设定采样频率20~50Hz,采集风机塔筒的加速度响应。
3.如权利要求2所述的一种海上风电谐响应提取方法,其特征在于,F1中,环境载荷包括风、浪对塔筒的影响载荷。
4.如权利要求1所述的一种海上风电谐响应提取方法,其特征在于,模型训练时,频谱数据集D中的所有频谱P12同时作为深度生成模型的输入与输出,模型训练完成的标准是深度生成模型能够重建频谱数据集D中的所有频谱P12。
5.如权利要求3所述的一种海上风电谐响应提取方法,其特征在于,F4中,保证P2、P3包含小于等于1%的谐激励影响。
6.如权利要求5所述的一种海上风电谐响应提取方法,其特征在于,T3中,包含大于等于99%的谐激励影响,而/>包含小于等于1%的谐激励影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310970613.7A CN116992269B (zh) | 2023-08-02 | 2023-08-02 | 一种海上风电谐响应提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310970613.7A CN116992269B (zh) | 2023-08-02 | 2023-08-02 | 一种海上风电谐响应提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116992269A CN116992269A (zh) | 2023-11-03 |
CN116992269B true CN116992269B (zh) | 2024-02-23 |
Family
ID=88531693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310970613.7A Active CN116992269B (zh) | 2023-08-02 | 2023-08-02 | 一种海上风电谐响应提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116992269B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109540560A (zh) * | 2018-11-30 | 2019-03-29 | 厦门大学 | 旋转机械结构复谐动态过程的绝对抗混叠多尺度滤波方法 |
CN112781723A (zh) * | 2021-01-27 | 2021-05-11 | 南京微动智测信息技术有限公司 | 一种基于频谱方差的谐波成分检测方法 |
CN115062500A (zh) * | 2022-04-18 | 2022-09-16 | 南京航空航天大学 | 分布式随机激励下结构振动响应分析方法 |
WO2022266707A1 (en) * | 2021-06-25 | 2022-12-29 | Commonwealth Scientific And Industrial Research Organisation | Acoustic depth map |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11488619B2 (en) * | 2019-08-15 | 2022-11-01 | James K. Waller, Jr. | Adaptive dynamic audio hum extractor and extraction process |
-
2023
- 2023-08-02 CN CN202310970613.7A patent/CN116992269B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109540560A (zh) * | 2018-11-30 | 2019-03-29 | 厦门大学 | 旋转机械结构复谐动态过程的绝对抗混叠多尺度滤波方法 |
CN112781723A (zh) * | 2021-01-27 | 2021-05-11 | 南京微动智测信息技术有限公司 | 一种基于频谱方差的谐波成分检测方法 |
WO2022266707A1 (en) * | 2021-06-25 | 2022-12-29 | Commonwealth Scientific And Industrial Research Organisation | Acoustic depth map |
CN115062500A (zh) * | 2022-04-18 | 2022-09-16 | 南京航空航天大学 | 分布式随机激励下结构振动响应分析方法 |
Non-Patent Citations (6)
Title |
---|
单搭压印连接接头的谐响应分析;张文斌;何晓聪;董标;;机械制造(第11期);23-25 * |
变分模态分解在电力系统谐波检测中的应用;陈陈;李晓明;杨玲君;瞿合祚;王云飞;郝超超;;电力系统保护与控制(第14期);69-76 * |
海上风机结构工作模态识别的组合降噪方法;董霄峰;练继建;杨敏;王海军;;天津大学学报(自然科学与工程技术版)(第03期);19-24 * |
虚拟激励法在叶轮随机振动分析中的应用;王跃方;王素景;;风机技术(第01期);19-25+42 * |
谐波干扰下海上风机结构工作模态识别;董霄峰;练继建;杨敏;王海军;;振动与冲击(第10期);157-161+177 * |
邻近基波/谐波的间谐波检测算法;段晨;杨洪耕;;电网技术(第05期);348-355 * |
Also Published As
Publication number | Publication date |
---|---|
CN116992269A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Interference reduction of high-energy noise for modal parameter identification of offshore wind turbines based on iterative signal extraction | |
Li et al. | A new noise-controlled second-order enhanced stochastic resonance method with its application in wind turbine drivetrain fault diagnosis | |
Sawalhi et al. | Spectral kurtosis optimization for rolling element bearings. | |
Feng et al. | A novel order spectrum-based Vold-Kalman filter bandwidth selection scheme for fault diagnosis of gearbox in offshore wind turbines | |
CN109655266B (zh) | 一种基于avmd和谱相关分析的风电机组轴承故障诊断方法 | |
CN101963536B (zh) | 一种索力实时监测方法 | |
Chen et al. | Fault identification of gearbox degradation with optimized wavelet neural network | |
Song et al. | Self-adaptive multivariate variational mode decomposition and its application for bearing fault diagnosis | |
Li et al. | Period-assisted adaptive parameterized wavelet dictionary and its sparse representation for periodic transient features of rolling bearing faults | |
CN111120388B (zh) | 一种风机状态联合监测方法及系统 | |
CN113298134B (zh) | 一种基于bpnn的风机叶片远程非接触健康监测系统和方法 | |
Shinagam et al. | Vibration and noise studies on wind turbine generator for reduction of vibrations and noise | |
CN111412114B (zh) | 一种基于定子电流包络谱的风电机组叶轮不平衡检测方法 | |
CN112857767A (zh) | 基于卷积神经网络的水轮发电机组转子故障声学判别方法 | |
Lian et al. | ERA modal identification method for hydraulic structures based on order determination and noise reduction of singular entropy | |
CN116992269B (zh) | 一种海上风电谐响应提取方法 | |
Qian et al. | Gearbox fault diagnosis in a wind turbine using single sensor based blind source separation | |
Cui et al. | A spectral coherence cyclic periodic index optimization-gram for bearing fault diagnosis | |
CN113250911A (zh) | 一种基于vmd分解算法的风机叶片故障诊断方法 | |
Bassett et al. | Vibration response of a 2.3 MW wind turbine to yaw motion and shut down events | |
Zhao et al. | Damage detection of wind turbine blade based on wavelet analysis | |
CN115288950A (zh) | 风电风机监测方法、装置、系统与计算机可读存储介质 | |
CN104239614A (zh) | 压气机气动失稳信号的模拟方法 | |
CN114049901A (zh) | 一种基于声音的信号提取和分类方法 | |
CN113447267A (zh) | 一种基于振动信号分析的齿轮箱整机状态评估方法和系统 |
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 |