CN117350114B - 一种风机健康状态评估方法、装置和系统 - Google Patents
一种风机健康状态评估方法、装置和系统 Download PDFInfo
- Publication number
- CN117350114B CN117350114B CN202311313272.2A CN202311313272A CN117350114B CN 117350114 B CN117350114 B CN 117350114B CN 202311313272 A CN202311313272 A CN 202311313272A CN 117350114 B CN117350114 B CN 117350114B
- Authority
- CN
- China
- Prior art keywords
- fan
- finite element
- element model
- monitoring data
- preset detection
- 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
- 230000036541 health Effects 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 96
- 238000012544 monitoring process Methods 0.000 claims abstract description 70
- 230000007613 environmental effect Effects 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims description 21
- 230000003862 health status Effects 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013016 damping Methods 0.000 claims description 5
- 230000006735 deficit Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract 1
- 230000015654 memory Effects 0.000 description 21
- 230000006870 function Effects 0.000 description 18
- 230000008859 change Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004062 sedimentation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000011282 treatment Methods 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
- G06F30/23—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]
- G06F30/20—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
- G06N3/044—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
- 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]
Abstract
本发明公开了一种风机健康状态评估方法、装置和系统,所述风机健康状态评估方法包括:基于预设检测点位的历史监测数据创建初始有限元模型;所述预设检测点位分别位于待评估风机上的不同位置;所述历史监测数据包括风机自身参数和环境参数;基于所述预设检测点位与未知点位之间的数字孪生关系对所述初始有限元模型进行修正,得到目标有限元模型;基于所述目标有限元模型对所述待评估风机的健康状态进行评估。本发明通过大量监测数据的累积,优化有限元模型,从而可以及时了解风机的健康状态,发现风机可能出现的问题并进行处理,从而保障风机的安全运行,避免事故的扩大,降低故障的维修费用。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种风机健康状态评估方法、装置和系统。
背景技术
在海上风机的运行过程中,随着时间推移和长期的运行会积累各种损伤,如裂缝的产生与扩展导致刚度的降低,因此对风力发电机进行故障诊断是很有必要的。
目前,随着风力发电机组投产的越来越多,采用传统的基础沉降观测方式很难及时发现基础是否发生异常沉降,需要人工定期采回数据进行专家分析,这样不仅需要浪费极大的人力物力,且不便实施,同时,人工检测的过程中还存在着监测真空,容易造成事故的进一步扩大,使得事态更加严峻。
发明内容
为了解决上述问题,本申请实施例提供了一种风机健康状态评估方法、装置和系统。
第一方面,本申请实施例提供了一种风机健康状态评估方法,所述方法包括:
基于预设检测点位的历史监测数据创建初始有限元模型;所述预设检测点位分别位于待评估风机上的不同位置;所述历史监测数据包括风机自身参数和环境参数;
基于所述预设检测点位与未知点位之间的数字孪生关系对所述初始有限元模型进行修正,得到目标有限元模型;
基于所述目标有限元模型对所述待评估风机的健康状态进行评估。
优选的,所述风机自身参数包括塔筒的应力应变幅值,风机叶片的应力幅值,风机整体结构的频率变化、模态振型变化和结构的阻尼比。
优选的,所述基于预设检测点位的历史监测数据创建初始有限元模型,包括:
基于初始时刻的预设检测点位的监测数据确定所述待评估风机的初始健康状态;
基于多组所述环境参数和相应的所述风机自身参数之间的映射关系,确定损伤函数;
基于所述初始健康状态和所述损伤函数创建初始有限元模型。
优选的,所述预设检测点位为设置有检测传感器的位置,所述未知点位为未设置有检测传感器的位置。
优选的,基于所述预设检测点位与未知点位之间的数字孪生关系对所述初始有限元模型进行修正,得到目标有限元模型,包括:
根据所述预设检测点位的历史监测数据变化量对未知点位数据的影响关系,获取所述预设检测点位与未知点位之间的数字孪生关系;
基于所述数字孪生关系创建相应的数字孪生模型;
基于所述数字孪生模型对所述初始有限元模型进行修正,得到目标有限元模型。
优选的,所述基于所述目标有限元模型对所述待评估风机的健康状态进行评估,包括:
获取所述预设检测点位的当前监测数据;
将所述当前监测数据输入至所述目标有限元模型,确定所述待评估风机当前的健康状态。
优选的,所述基于所述目标有限元模型对所述待评估风机的健康状态进行评估,还包括:
将所述预设检测点位的历史监测数据和当前监测数据输入至所述目标有限元模型,确定所述待评估风机预期的健康状态。
第二方面,本申请实施例提供了一种风机健康状态评估装置,所述风机健康状态评估装置包括:
创建模块,用于基于预设检测点位的历史监测数据创建初始有限元模型;所述预设检测点位分别位于待评估风机上的不同位置;所述历史监测数据包括风机自身参数和环境参数;
修正模块,用于基于所述预设检测点位与未知点位之间的数字孪生关系对所述初始有限元模型进行修正,得到目标有限元模型;
评估模块,用于基于所述目标有限元模型对所述待评估风机的健康状态进行评估。
第三方面,本申请实施例提供了一种风机健康状态评估系统,包括:检测传感器和处理器;
所述检测传感器,用于采集预设检测点位的监测数据;
所述处理器,用于基于预设检测点位的历史监测数据创建初始有限元模型,并基于所述预设检测点位与未知点位之间的数字孪生关系对所述初始有限元模型进行修正,得到目标有限元模型,进而基于所述目标有限元模型对所述待评估风机的健康状态进行评估;其中,所述预设检测点位分别位于待评估风机上的不同位置;所述历史监测数据包括风机自身参数和环境参数。
第四方面,本申请实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面任一项所述方法的步骤。
第五方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面的任意一种可能的实现方式提供的方法。
本发明的有益效果为:通过大量监测数据的累积,优化有限元模型,从而可以及时了解风机的健康状态,发现风机可能出现的问题并进行处理,从而保障风机的安全运行,避免事故的扩大,降低故障的维修费用。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例中所需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申请的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种风机健康状态评估方法的流程示意图;
图2为本申请实施例提供的一种风机健康状态评估装置的结构示意图;
图3为本申请实施例提供的一种风机健康状态评估系统的结构示意图;
图4为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
在下述介绍中,术语“第一”、“第二”仅为用于描述的目的,而不能理解为指示或暗示相对重要性。下述介绍提供了本申请的多个实施例,不同实施例之间可以替换或者合并组合,因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而,如果一个实施例包含特征A、B、C,另一个实施例包含特征B、D,那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例,尽管该实施例可能并未在以下内容中有明确的文字记载。
下面的描述提供了示例,并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下,对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行,并且可以添加、省略或组合各种步骤。此外,可以将关于一些示例描述的特征组合到其他示例中。
参见图1,图1是本申请实施例提供的一种风机健康状态评估方法的流程示意图。在本申请实施例中,所述方法包括:
步骤S110,基于预设检测点位的历史监测数据创建初始有限元模型;预设检测点位分别位于待评估风机上的不同位置;历史监测数据包括风机自身参数和环境参数。
有限元分析是利用数学近似的方法对真实物理系统进行模拟,还可以利用简单而又相互作用的元素,即单元,达到用有限数量的未知量去逼近无限的未知量。
在本实施例中,通过利用风机自身参数和环境参数进行训练模拟,得到不同环境下的风机自身参数的变化规律。为确保监测数据的准确性和可靠性,预设检测点位可以分别位于待评估风机上的不同位置,且均匀分布。环境参数应尽可能模拟海上风机风场环境,为风机动力仿真和风险预警提供基础。
在一种可实施方式中,风机自身参数包括塔筒的应力应变幅值,风机叶片的应力幅值,风机整体结构的频率变化、模态振型变化和结构的阻尼比。
在本实施例中,每类风机自身参数都有对应的安全阈值,当超出安全阈值时,表征风机出现损伤。示例性的,若塔筒的应力应变幅值大于第一安全阈值,或风机叶片的应力幅值大于第二安全阈值,或风机整体结构的频率变化大于第三安全阈值、或模态振型变化大于第四安全阈值、或结构的阻尼比大于第五安全阈值,表征当前的风机出现损伤。这里,上述参数仅为示例性的说明,根据实际需求,风机自身参数还可以包括其他类型的参数,如裂缝数、螺栓松动、塔筒应力、最大倾角位移等,对此不进行枚举。相应的,环境参数可以包括气象数据、海洋数据等。
在一种可实施方式中,步骤S110,基于预设检测点位的历史监测数据创建初始有限元模型,包括:
基于初始时刻的预设检测点位的监测数据确定待评估风机的初始健康状态;
基于多组环境参数和相应的风机自身参数之间的映射关系,确定损伤函数;
基于初始健康状态和损伤函数创建初始有限元模型。
初始时刻可以是待评估风机刚布设完成投入使用的时刻,此时,待评估风机的健康状态。初始时刻也可以是历史监测数据对应的一个时间节点,基于时间节点处的风机自身参数可以确定待评估风机的初始健康状态。
在本实施例中,以初始时刻为历史监测数据对应的一个时间节点为例进行说明。基于该时间节点对应的风机自身参数确定待评估风机的初始健康状态,进而将基于该时间节点之后、当前时间节点之前的多组环境参数和相应的风机自身参数之间的映射关系,确定损伤函数,由此,可有确定待评估风机的健康状态随环境参数的变化规律和趋势,从而基于初始健康状态和损伤函数创建初始有限元模型。这里的初始有限元模型可以对待评估风机上的预设检测点位的健康状态进行评估。
步骤S120,基于预设检测点位与未知点位之间的数字孪生关系对初始有限元模型进行修正,得到目标有限元模型。
数字孪生是充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期过程。
在本实施例中,通过利用风机自身参数和环境参数进行训练模拟,基于多组环境参数和相应的风机自身参数之间的映射关系,得到不同环境下的风机自身参数的变化规律,进而结合预设检测点位与未知点位之间的关联关系或相互作用关系,对初始有限元模型进行修正,得到目标有限元模型。这里的目标有限元模型可以对待评估风机上的预设检测点位以及非预设检测点位的健康状态进行评估,提高了评估范围,确保了评估结果的可靠性和完善性。
在一种可实施方式中,预设检测点位为设置有检测传感器的位置,未知点位为未设置有检测传感器的位置。
预设检测点位是待评估风机上的部分点位,对于预设检测点位上的风机自身参数和环境参数可以直接通过相应的检测传感器测量得到,而对于待评估风机上的非预设检测点位,则需要基于不同点位之间的联系或相互作用,通过有限元分析和数字孪生关系进行获取。
在一种可实施方式中,步骤S120,基于预设检测点位与未知点位之间的数字孪生关系对初始有限元模型进行修正,得到目标有限元模型,包括:
根据预设检测点位的历史监测数据变化量对未知点位数据的影响关系,获取预设检测点位与未知点位之间的数字孪生关系;
基于数字孪生关系创建相应的数字孪生模型;
基于数字孪生模型对初始有限元模型进行修正,得到目标有限元模型。
在本实施例中,预设检测点位的监测数据出现变化时,未知点位处的数据会随之响应,产生对应的变化。因此,根据预设检测点位的历史监测数据变化量对未知点位数据的影响关系,可以确定预设检测点位与未知点位之间的数字孪生关系,生成响应的数字孪生模型。初始有限元模型可以用于对待评估风机上的预设检测点位的健康状态进行评估,而数字孪生模型可以用于对待评估风机上的未知点位的健康状态进行评估,在此基础上,基于数字孪生模型对初始有限元模型进行修正,得到目标有限元模型,即可实现对待评估风机的全覆盖,实现对待评估风机运行状态的全面监测。
步骤S130,基于目标有限元模型对待评估风机的健康状态进行评估。
目标有限元模型既可以实现对待评估风机上的预设检测点位的健康状态进行评估,还可以实现对待评估风机上的未知点位的健康状态进行评估。当某项监测数据超出预设的安全阈值,或与某项监测数据存在联系或相互作用的未知点位的数据超出预设的安全阈值时,可以确定待评估风机出现损伤。
在一种可实施方式中,还可以通过降低初始有限元模型中不同点位处的刚度来模拟裂纹等后续损伤,通过有限元计算得到应力,频率,振型等数据。通过降低不同程度的刚度,来表征不同程度的损伤情况,将相应的输出结果整合为损伤指标,构建健康评价标准。需要说明的是,通过分析损伤前后结构振型的变化可以识别和定位损伤。除了振型,斜率和曲率也可以用来定位损伤,因为振型的斜率和曲率均是由振型差分运算得到,因此,由损伤引起的振型微小变化将被放大,表现为振型和斜率的曲率的显著变化。
在一种可实施方式中,步骤S130,基于目标有限元模型对待评估风机的健康状态进行评估,包括:
获取预设检测点位的当前监测数据;
将当前监测数据输入至目标有限元模型,确定待评估风机当前的健康状态。
在本实施例中,将当前监测数据输入至目标有限元模型后,可以输出待评估风机上的预设检测点位的健康状态评估结果,以及待评估风机上的未知点位的健康状态评估结果。当其中的一项或多项健康状态评估结果出现异常时,可以确定待评估风机出现损伤,并可以提供出现损伤的点位信息,自动报警;若所有健康状态评估结果均正常,则表征待评估风机是完好的。
在一种可实施方式中,步骤S130,基于目标有限元模型对待评估风机的健康状态进行评估,还包括:
将预设检测点位的历史监测数据和当前监测数据输入至目标有限元模型,确定待评估风机预期的健康状态。
在本实施例中,历史监测数据的数量越多,通过目标有限元模型预测的待评估风机的参数变化趋势越准确。结合待评估风机的参数变化趋势以及当前监测数据,可以预估出待评估风机在未来某个时刻或某个时间段的健康状态。需要说明的是,在将预设检测点位的历史监测数据输入至目标有限元模型之前,还需要对历史监测数据进行筛选和降噪等处理,以使得最终的预测结果更加准确可靠。
在一个示例中,还可以结合长短期记忆神经网络(LSTM)对待评估进行寿命预测,如通过其应力状态进行判断。当预估在某个时刻待评估风机的应力状态参数超出预设的安全阈值时,可以确定在该时刻待评估风机出现应力损伤,由此可以预测其寿命。
本申请实施例通过大量监测数据的累积,优化有限元模型,从而可以及时了解风机的健康状态,发现风机可能出现的问题并进行处理,从而保障风机的安全运行,避免事故的扩大,降低故障的维修费用。
请参见图2,图2是本申请实施例提供的一种风机健康状态评估装置的结构示意图。如图2所示,该风机健康状态评估装置200包括:
创建模块210,用于基于预设检测点位的历史监测数据创建初始有限元模型;预设检测点位分别位于待评估风机上的不同位置;历史监测数据包括风机自身参数和环境参数;
修正模块220,用于基于预设检测点位与未知点位之间的数字孪生关系对初始有限元模型进行修正,得到目标有限元模型;
评估模块230,用于基于目标有限元模型对待评估风机的健康状态进行评估。
在一种可实施方式中,风机自身参数包括塔筒的应力应变幅值,风机叶片的应力幅值,风机整体结构的频率变化、模态振型变化和结构的阻尼比。
在一种可实施方式中,创建模块210具体用于:
基于初始时刻的预设检测点位的监测数据确定待评估风机的初始健康状态;
基于多组环境参数和相应的风机自身参数之间的映射关系,确定损伤函数;
基于初始健康状态和损伤函数创建初始有限元模型。
在一种可实施方式中,预设检测点位为设置有检测传感器的位置,未知点位为未设置有检测传感器的位置。
在一种可实施方式中,修正模块220具体用于:
根据预设检测点位的历史监测数据变化量对未知点位数据的影响关系,获取预设检测点位与未知点位之间的数字孪生关系;
基于数字孪生关系创建相应的数字孪生模型;
基于数字孪生模型对初始有限元模型进行修正,得到目标有限元模型。
在一种可实施方式中,评估模块230具体用于:
获取预设检测点位的当前监测数据;
将当前监测数据输入至目标有限元模型,确定待评估风机当前的健康状态。
在一种可实施方式中,评估模块230具体还用于:
将预设检测点位的历史监测数据和当前监测数据输入至目标有限元模型,确定待评估风机预期的健康状态。
这里需要指出的是:以上风机健康状态评估装置实施例的描述,与上述风机健康状态评估方法实施例的描述是类似的,具有同风机健康状态评估方法实施例相似的有益效果。对于本申请风机健康状态评估装置实施例中未披露的技术细节,请参照本申请风机健康状态评估方法实施例的描述而理解,在此不再一一赘述。
本领域的技术人员可以清楚地了解到本申请实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件,其中硬件例如可以是现场可编程门阵列(Field-ProgrammableGate Array,FPGA)、集成电路(Integrated Circuit,IC)等。
本申请实施例的各处理单元和/或模块,可通过实现本申请实施例所述的功能的模拟电路而实现,也可以通过执行本申请实施例所述的功能的软件而实现。
参见图3,其示出了本申请实施例所涉及的一种风机健康状态评估系统的结构示意图;本申请提供的风机健康状态评估系统,包括:检测传感器310和处理器320;检测传感器310和处理器320通过数据总线进行连接。
检测传感器310,用于采集预设检测点位的监测数据。
处理器320,用于基于预设检测点位的历史监测数据创建初始有限元模型,并基于预设检测点位与未知点位之间的数字孪生关系对初始有限元模型进行修正,得到目标有限元模型,进而基于目标有限元模型对待评估风机的健康状态进行评估;其中,预设检测点位分别位于待评估风机上的不同位置;历史监测数据包括风机自身参数和环境参数。
参见图4,其示出了本申请实施例所涉及的一种电子设备的结构示意图,该电子设备可以用于实施图1所示实施例中的方法。如图4所示,电子设备400可以包括:至少一个中央处理器401,至少一个网络接口404,用户接口403,存储器405,至少一个通信总线402。
其中,通信总线402用于实现这些组件之间的连接通信。
其中,用户接口403可以包括显示屏(Display)、摄像头(Camera),可选用户接口403还可以包括标准的有线接口、无线接口。
其中,网络接口404可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,中央处理器401可以包括一个或者多个处理核心。中央处理器401利用各种接口和线路连接整个电子设备400内的各个部分,通过运行或执行存储在存储器405内的指令、程序、代码集或指令集,以及调用存储在存储器405内的数据,执行终端400的各种功能和处理数据。可选的,中央处理器401可以采用数字信号处理(Digital SignalProcessing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。中央处理器401可集成中央中央处理器(Central Processing Unit,CPU)、图像中央处理器(GraphicsProcessing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到中央处理器401中,单独通过一块芯片进行实现。
其中,存储器405可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器305包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器405可用于存储指令、程序、代码、代码集或指令集。存储器405可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器405可选的还可以是至少一个位于远离前述中央处理器401的存储装置。如图4所示,作为一种计算机存储介质的存储器405中可以包括操作系统、网络通信模块、用户接口模块以及程序指令。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。其中,计算机可读存储介质可以包括但不限于任何类型的盘,包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC),或适合于存储指令和/或数据的任何类型的媒介或设备。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(Read-Only Memory, ROM)、随机存取存储器(Random Access Memory,RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(Read-Only Memory, ROM)、随机存取器(Random AccessMemory,RAM)、磁盘或光盘等。
以上所述者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后,将容易想到本公开的其实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的范围和精神由权利要求限定。
Claims (9)
1.一种风机健康状态评估方法,其特征在于,所述方法包括:
基于初始时刻的预设检测点位的监测数据确定待评估风机的初始健康状态,并基于多组历史监测数据之间的映射关系,确定损伤函数;基于所述初始健康状态和所述损伤函数创建初始有限元模型;所述预设检测点位分别位于待评估风机上的不同位置;所述历史监测数据包括风机自身参数和环境参数;基于所述预设检测点位与未知点位之间的数字孪生关系对所述初始有限元模型进行修正,得到目标有限元模型;所述数字孪生关系为根据所述预设检测点位的历史监测数据变化量对未知点位数据的影响关系得到;
基于所述目标有限元模型对所述待评估风机的健康状态进行评估。
2.根据权利要求1所述的方法,其特征在于,所述风机自身参数包括塔筒的应力应变幅值,风机叶片的应力幅值,风机整体结构的频率变化、模态振型变化和结构的阻尼比。
3.根据权利要求1所述的方法,其特征在于,所述预设检测点位为设置有检测传感器的位置,所述未知点位为未设置有检测传感器的位置。
4.根据权利要求1所述的方法,其特征在于,基于所述预设检测点位与未知点位之间的数字孪生关系对所述初始有限元模型进行修正,得到目标有限元模型,包括:
根据所述预设检测点位的历史监测数据变化量对未知点位数据的影响关系,获取所述预设检测点位与未知点位之间的数字孪生关系;
基于所述数字孪生关系创建相应的数字孪生模型;
基于所述数字孪生模型对所述初始有限元模型进行修正,得到目标有限元模型。
5.根据权利要求1所述的方法,其特征在于,所述基于所述目标有限元模型对所述待评估风机的健康状态进行评估,包括:
获取所述预设检测点位的当前监测数据;
将所述当前监测数据输入至所述目标有限元模型,确定所述待评估风机当前的健康状态。
6.根据权利要求5所述的方法,其特征在于,所述基于所述目标有限元模型对所述待评估风机的健康状态进行评估,还包括:
将所述预设检测点位的历史监测数据和当前监测数据输入至所述目标有限元模型,确定所述待评估风机预期的健康状态。
7.一种风机健康状态评估装置,其特征在于,包括:
创建模块,用于基于初始时刻的预设检测点位的监测数据确定待评估风机的初始健康状态,并基于多组历史监测数据之间的映射关系,确定损伤函数;基于所述初始健康状态和所述损伤函数创建初始有限元模型;所述预设检测点位分别位于待评估风机上的不同位置;所述历史监测数据包括风机自身参数和环境参数;
修正模块,用于基于所述预设检测点位与未知点位之间的数字孪生关系对所述初始有限元模型进行修正,得到目标有限元模型;所述数字孪生关系为根据所述预设检测点位的历史监测数据变化量对未知点位数据的影响关系得到;评估模块,用于基于所述目标有限元模型对所述待评估风机的健康状态进行评估。
8.一种风机健康状态评估系统,其特征在于,包括:检测传感器和处理器;
所述检测传感器,用于采集预设检测点位的监测数据;
所述处理器,用于基于初始时刻的预设检测点位的监测数据确定待评估风机的初始健康状态,并基于多组历史监测数据之间的映射关系,确定损伤函数基于所述初始健康状态和所述损伤函数创建初始有限元模型,并基于所述预设检测点位与未知点位之间的数字孪生关系对所述初始有限元模型进行修正,得到目标有限元模型,所述数字孪生关系为根据所述预设检测点位的历史监测数据变化量对未知点位数据的影响关系得到;进而基于所述目标有限元模型对所述待评估风机的健康状态进行评估;其中,所述预设检测点位分别位于待评估风机上的不同位置;所述历史监测数据包括风机自身参数和环境参数。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311313272.2A CN117350114B (zh) | 2023-10-11 | 2023-10-11 | 一种风机健康状态评估方法、装置和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311313272.2A CN117350114B (zh) | 2023-10-11 | 2023-10-11 | 一种风机健康状态评估方法、装置和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117350114A CN117350114A (zh) | 2024-01-05 |
CN117350114B true CN117350114B (zh) | 2024-03-29 |
Family
ID=89358909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311313272.2A Active CN117350114B (zh) | 2023-10-11 | 2023-10-11 | 一种风机健康状态评估方法、装置和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117350114B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832914A (zh) * | 2020-06-29 | 2020-10-27 | 国网河南省电力公司电力科学研究院 | 一种基于数字孪生的输电线路结构健康评估方法及系统 |
WO2021108680A1 (en) * | 2019-11-25 | 2021-06-03 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
CN113297769A (zh) * | 2021-06-01 | 2021-08-24 | 中国长江三峡集团有限公司 | 海上风电数字孪生试桩试验系统及建立方法 |
KR20220011461A (ko) * | 2020-07-21 | 2022-01-28 | 한국전력공사 | 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 장치 및 방법 |
CN114429071A (zh) * | 2022-01-28 | 2022-05-03 | 苏州浪潮智能科技有限公司 | 一种服务器用轴流风扇的轮毂型线优化方法及系统 |
CN114738205A (zh) * | 2022-04-28 | 2022-07-12 | 北京千尧新能源科技开发有限公司 | 一种浮式风机基础的状态监测方法、装置、设备和介质 |
CN114757048A (zh) * | 2022-04-28 | 2022-07-15 | 北京千尧新能源科技开发有限公司 | 一种风机基础的健康状态评估方法、装置、设备和介质 |
CN115306652A (zh) * | 2022-07-29 | 2022-11-08 | 浙江浙能技术研究院有限公司 | 一种风电机组发电机轴承故障预警方法及装置 |
CN115587512A (zh) * | 2022-10-18 | 2023-01-10 | 杭州极简物控科技有限公司 | 基于ANSYS TwinBuilder的锂电池热电耦合数字孪生模型构建方法 |
WO2023024259A1 (zh) * | 2021-08-26 | 2023-03-02 | 广东电网有限责任公司广州供电局 | 基于数字孪生的局部放电监测系统、方法和装置 |
CN115755639A (zh) * | 2022-10-10 | 2023-03-07 | 中车株洲电力机车研究所有限公司 | 一种风电机组数字孪生仿真方法及系统 |
CN115859837A (zh) * | 2023-02-23 | 2023-03-28 | 山东大学 | 基于数字孪生建模的风机叶片动态冲击检测方法及系统 |
CN115857447A (zh) * | 2022-11-28 | 2023-03-28 | 安徽宝信信息科技有限公司 | 基于数字孪生的复杂工业系统运行监测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7254819B2 (ja) * | 2018-02-05 | 2023-04-10 | ジール・アベッグ エスエー | ファンの効率および/もしくは動作性能またはファン配置を最適化する方法 |
-
2023
- 2023-10-11 CN CN202311313272.2A patent/CN117350114B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021108680A1 (en) * | 2019-11-25 | 2021-06-03 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
CN111832914A (zh) * | 2020-06-29 | 2020-10-27 | 国网河南省电力公司电力科学研究院 | 一种基于数字孪生的输电线路结构健康评估方法及系统 |
KR20220011461A (ko) * | 2020-07-21 | 2022-01-28 | 한국전력공사 | 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 장치 및 방법 |
CN113297769A (zh) * | 2021-06-01 | 2021-08-24 | 中国长江三峡集团有限公司 | 海上风电数字孪生试桩试验系统及建立方法 |
WO2023024259A1 (zh) * | 2021-08-26 | 2023-03-02 | 广东电网有限责任公司广州供电局 | 基于数字孪生的局部放电监测系统、方法和装置 |
CN114429071A (zh) * | 2022-01-28 | 2022-05-03 | 苏州浪潮智能科技有限公司 | 一种服务器用轴流风扇的轮毂型线优化方法及系统 |
CN114738205A (zh) * | 2022-04-28 | 2022-07-12 | 北京千尧新能源科技开发有限公司 | 一种浮式风机基础的状态监测方法、装置、设备和介质 |
CN114757048A (zh) * | 2022-04-28 | 2022-07-15 | 北京千尧新能源科技开发有限公司 | 一种风机基础的健康状态评估方法、装置、设备和介质 |
CN115306652A (zh) * | 2022-07-29 | 2022-11-08 | 浙江浙能技术研究院有限公司 | 一种风电机组发电机轴承故障预警方法及装置 |
CN115755639A (zh) * | 2022-10-10 | 2023-03-07 | 中车株洲电力机车研究所有限公司 | 一种风电机组数字孪生仿真方法及系统 |
CN115587512A (zh) * | 2022-10-18 | 2023-01-10 | 杭州极简物控科技有限公司 | 基于ANSYS TwinBuilder的锂电池热电耦合数字孪生模型构建方法 |
CN115857447A (zh) * | 2022-11-28 | 2023-03-28 | 安徽宝信信息科技有限公司 | 基于数字孪生的复杂工业系统运行监测方法及系统 |
CN115859837A (zh) * | 2023-02-23 | 2023-03-28 | 山东大学 | 基于数字孪生建模的风机叶片动态冲击检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
考虑雨滴侵蚀的风力发电机叶片涂层疲劳寿命优化设计方法;陈炜镒等;《机械工程学报》;20220416;第58卷(第17期);第2-15页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117350114A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11746753B2 (en) | Method and apparatus for detecting fault, method and apparatus for training model, and device and storage medium | |
CN115936448A (zh) | 一种基于大数据的城市配电网电力评估系统及方法 | |
CN110688617A (zh) | 风机振动异常检测方法及装置 | |
WO2023063887A2 (en) | Method and apparatus for predicting state of wind turbine blade, and device and storage medium therefor | |
CN110703743A (zh) | 设备故障预测与检测系统和方法 | |
CN112461289A (zh) | 一种环网柜故障监控方法、系统、终端及存储介质 | |
CN115840676A (zh) | 一种基于多维数据的计算机硬件故障预警方法及系统 | |
CN116050599A (zh) | 一种线路覆冰故障预测方法、系统、存储介质及设备 | |
CN110992205A (zh) | 风电机组发电机绕组的状态检测方法、系统及相关组件 | |
CN117350114B (zh) | 一种风机健康状态评估方法、装置和系统 | |
CN108009582B (zh) | 一种电子设备标准工作指标设置的方法 | |
JP2016091271A (ja) | 通信品質予測装置及び通信品質予測プログラム | |
CN113608953B (zh) | 测试数据生成方法、装置、电子设备及可读存储介质 | |
CN114896351A (zh) | 地震危险概率预测方法和装置 | |
CN114279492A (zh) | 基于不同故障参数记录确定电缆故障信息方法和装置 | |
CN114462710A (zh) | 一种风机发电功率的短期预测方法、装置及介质 | |
CN116757087B (zh) | 海上风电支撑结构的状态评估方法及相关设备 | |
CN112163331A (zh) | 一种配网线路易损性计算方法及相关装置 | |
CN114116395B (zh) | 一种老化室供电线路功率过载防护方法、系统及装置 | |
CN113705093B (zh) | 一种杆塔力学响应预测方法、装置、设备和介质 | |
US11256244B2 (en) | Adaptive alarm and dispatch system using incremental regressive model development | |
CN116894583A (zh) | 基于变桨系统模型的风电机组安全风险评估方法及系统 | |
CN117780569A (zh) | 风电机组轮毂高度的风险识别方法及装置 | |
CN115758241A (zh) | 一种故障危害程度诊断方法、装置和设备 | |
CN117151691A (zh) | 抽水蓄能机组数字管理方法、装置、设备及可读存储介质 |
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 |