CN118053046B - 一种海上风力发电连接结构健康状态融合表征及判定方法 - Google Patents
一种海上风力发电连接结构健康状态融合表征及判定方法 Download PDFInfo
- Publication number
- CN118053046B CN118053046B CN202410430994.4A CN202410430994A CN118053046B CN 118053046 B CN118053046 B CN 118053046B CN 202410430994 A CN202410430994 A CN 202410430994A CN 118053046 B CN118053046 B CN 118053046B
- Authority
- CN
- China
- Prior art keywords
- data
- power generation
- wind power
- offshore wind
- fusion
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 113
- 230000004927 fusion Effects 0.000 title claims abstract description 104
- 238000012512 characterization method Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000036541 health Effects 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 58
- 230000008569 process Effects 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000000513 principal component analysis Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 86
- 239000013598 vector Substances 0.000 claims description 25
- 238000009499 grossing Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000003384 imaging method Methods 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 4
- 210000001503 joint Anatomy 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 2
- 235000017491 Bambusa tulda Nutrition 0.000 description 2
- 241001330002 Bambuseae Species 0.000 description 2
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 2
- 239000011425 bamboo Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Landscapes
- Wind Motors (AREA)
Abstract
本发明涉及海洋工程技术领域,为一种海上风力发电连接结构健康状态融合表征及判定方法。构造海上风力发电连接结构正常状态数据融合表征参量;获取海上风力发电连接结构运行过程中的振动数据,构造运行状态数据融合表征参量;对正常状态数据融合表征参量和运行状态数据融合表征参量进行特征层融合,获得总体数据融合表征参量,对总体数据融合表征参量进行主成分分析,计算主成分空间投影矩阵;基于主成分空间投影矩阵,进行主成分投影,获得海上风力发电连接结构正常状态参量投影点和运行状态参量投影点,将运行状态参量投影点与正常状态参量投影点进行比较,获得投影点集中度,根据投影点集中度判定海上风力发电连接结构的状态是否异常。
Description
技术领域
本发明涉及海洋工程技术领域,涉及一种海上风力发电连接结构健康状态融合表征及判定方法。
背景技术
海上风力发电结构是海上风能开发利用的重要基础性设施,随着其服役时间增加,海上风力发电结构发生故障的概率也随之增大。未来10-15年间,海上风机结构将全面进入服役中后期,老龄化问题凸显,使得蓬勃发展的海上风电产业面临结构服役期故障频发的困境。
在诸多海上风力发电结构故障中,由于螺栓连接松动导致结构故障的事故频繁发生,螺栓对海上风力发电结构起到十分关键的连接作用,海上风力发电塔筒与基础,轮毂与叶片以及相邻塔筒之间均依靠螺栓连接,造成整个海上风力发电结构安全隐患较大、失效点众多。与陆上风电相比,海上风力发电结构单机容量更大、叶片尺度更长、塔筒结构更长,复杂海洋环境下螺栓需承受多变动载荷,更易发生松动。一旦发生松动,海上风力发电结构刚度将随之降低,进而导致整体结构振动特性异常,导致共振、甚至发生倒塌。因此,亟需对海上风力发电连接结构健康状态进行监测,以确保海上风力发电结构服役期的安全运行。
针对海上风力发电连接结构/螺栓松动监测问题,查阅相关已公开技术方案,已公开技术《用于监测螺栓松动状态的监测装置及监测方法、风电机组》[CN112267981A]利用磁性编码器测量待测螺栓与固定螺母的相对角度,利用间隙测量传感器记录待测螺栓松动引发的被夹紧件的间隙增加量,通过判断采集的数据是否超过预设的角度和距离阈值,进而判定螺栓预紧状态;已公开技术《风力发电机中螺栓松动的检测方法、系统、设备及介质》[CN111457844A]对螺栓拍摄检测图像,判断检测图像中标记是否位移判定螺栓是否发生松动。上述两个专利需在某个螺栓上布置传感器,仅能检测单个螺栓松动情况,海上风力发电连接结构通常布置较多螺栓,其进行海上风力发电连接结构判定需大量传感器,经济性不高。已公开技术《基于振动传感器的风机塔筒-螺栓的健康管理系统和监测方法》[CN117006001A]将各振动传感器及倾角传感器的初级数据进行处理,通过数据参量形成螺栓-筒体力学模型;收集数据参量形成数据库,使用GA-BP神经网络进化算法对数据参量进行分析,实现对螺栓全生命周期的寿命监测和预测。但该专利中尚未考虑测量环境噪声及载荷的影响,且其训练神经网络模型为定制化服务模型,其泛化及推广应用能力有限。
发展有效的海上风力发电连接结构健康状态精准监测方法,尽早地发现、诊断及预警结构健康状态的变化,进行有效的状态评估,以降低海上风力发电结构故障发生率,对海上风力发电结构的安全保障具有重要的实用价值。
发明内容
本发明的目的在于解决以上技术问题之一,提供一种海洋平台通风系统的风量综合优化控制方法。
为实现上述目的,本发明采用的技术方案是:
一种海上风力发电连接结构健康状态融合表征及判定方法,包括以下步骤:
S1:构造海上风力发电连接结构正常状态数据融合表征参量;
S2:获取海上风力发电连接结构运行过程中的振动数据,构造运行状态数据融合表征参量;
S3:对正常状态数据融合表征参量和运行状态数据融合表征参量进行特征层融合,获得总体数据融合表征参量,对总体数据融合表征参量进行主成分分析,计算主成分空间投影矩阵;
S4:基于主成分空间投影矩阵,进行主成分投影,获得海上风力发电连接结构正常状态参量投影点和运行状态参量投影点,将运行状态参量投影点与正常状态参量投影点进行比较,获得投影点集中度,根据投影点集中度判定海上风力发电连接结构的状态是否异常。
本发明一些实施例中,步骤S1包括:
S11:建立海上风力发电结构的有限元模型,采用有限元模型对待检测海上风力发电结构进行数值仿真,根据有限元模型数值仿真结果,获得待检测海上风力发电连接结构正常状态下的多源振动数据;
S12:对海上风力发电连接结构正常状态下的多源振动数据进行样本划分,获取多个正常样本数据;
S13:对各正常样本数据进行数据层融合,获得正常融合振动数据,依次对各正常样本数据的正常融合振动数据进行经验模态分解,获取各正常样本数据本征模态函数分量;
S14:根据各正常样本数据本征模态函数分量计算各正常样本数据本征模态函数分量的概率密度函数,并对概率密度函数进行图像化处理,获得概率密度函数图像,对概率密度函数图像进行平滑处理;
S15:对平滑处理后的概率密度函数图像进行网格化特征提取,根据提取结果组装拼接构造海上风力发电连接结构正常状态数据融合表征参量。
本发明一些实施例中,步骤S11中,根据有限元模型数值仿真结果,获得待检测海上风力发电连接结构正常状态下的多源振动数据的方法包括:
采用有限元模型对待检测海上风力发电结构进行数值仿真,获取待检测海上风力发电连接结构正常状态,连接位置上部和下部两处位置处连续振动时程数据;
连续采集个上部位置/>向和/>向振动数据/>和/>,连续采集/>个下部位置/>向和/>向振动数据/>和/>;其中,/>为采样时长,/>为采样频率;
基于和/>获得待检测海上风力发电连接结构正常状态连接结构上部位置多源振动数据/>和/>,基于/>和/>获得待检测海上风力发电连接结构正常状态连接结构下部位置多源振动数据/>和/>,综合上部位置多源振动数据和下部位置多源振动数据获得待检测海上风力发电连接结构正常状态下的多源振动数据/>。
本发明一些实施例中,S12中,对海上风力发电连接结构正常状态下的多源振动数据进行样本划分,获取多个正常样本数据的方法包括:
以为时间间隔,对待检测海上风力发电连接结构状态下的多源振动数据/>进行样本划分,获取/>个正常样本数据,每个样本数据包括/>个振动数据。
本发明一些实施例中,步骤S13包括:
在坐标系内,将同一时刻上部位置多源振动数据/>和/>向45°角平分线上投影,将下部位置多源数据/>和/>向45°角平分线上投影,取两投影的模的和作为数据层融合后的基准数据/>,其中:/>,;
分别对连接结构上部位置和下部位置/>的/>个样本数据依次进行经验模态分解,每样本数据分解后可得到/>个本征模态函数分量,上部位置及下部位置各获得/>个本征模态函数。
本发明一些实施例中,步骤S14包括:
分别计算各样本数据个本征模态函数分量的概率密度函数,获取各样本/>层IMF的概率密度函数/>;采用临近点平均法对各层IMF计算得到的概率密度函数进行图像化及平滑处理。
本发明一些实施例中,步骤S15包括:
设第个样本第/>层IMF的概率密度函数为/>,统计概率密度函数的最大幅值/>和最小幅值/>,概率密度最大值/>,定义横向为/>轴,竖向为/>轴,横坐标/>和纵坐标/>区域内等距划分出/>个网格,定义零矩阵/>,矩阵/>中每个元素对应概率密度函数图像中相应位置的网格,其中网格内包含的数据点的数量为矩阵/>对应位置元素的数值,若点落在网格线上,规定将此点分配给右侧或上侧的邻近网格;
对第个第/>层IMF的概率密度函数进行特征提取,获得第/>个第/>层IMF的概率密度函数的特征矩阵/>,将网格所有列的数据按序首尾拼接合并成列向量/>:
组装拼接形成第个样本数据特征向量,将全部/>个列向量/>按序首尾拼接合并成列,构成基准数据特征向量/>,其中特征向量/>为包含/>个特征的高维向量;
对所有样本数据进行特征提取,组装拼接形成上部和下部位置正常状态数据融合特征参量和/>。
本发明一些实施例中,步骤S2包括:
在待检测海上风力发电连接结构运行过程中,对连接结构的上部及下部位置布置加速度传感器,实时获取待检测海上风力发电连接结构运行过程中的上部位置多源振动数据和/>及下部位置多源振动数据/>和/>;
对运行过程中的多源振动数据进行样本划分,获取多个实时样本数据;
对各实时样本数据进行数据层融合,获得实时融合振动数据,依次对各实时样本数据的实时融合振动数据进行经验模态分解,获取各实时样本本征模态函数分量;
根据各实时样本数据本征模态函数分量计算各实时样本数据本征模态函数分量的概率密度函数,并概率密度函数进行图像化处理,获得概率密度函数图像,对概率密度函数图像进行平滑处理;
对平滑处理后的概率密度函数图像进行网格化特征提取,组装拼接构造形成上部和下部位置运行过程中数据融合表征参量和。
本发明一些实施例中,步骤S3包括:
分别对正常和运行状态数据融合表征参量进行特征层融合,获得正常状态融合矩阵和运行状态融合矩阵/>;
对正常状态融合矩阵和运行状态融合矩阵进行整合,获取总体数据融合表征参量;
对总体数据融合表征参量进行中心化处理/>;其中,其中,/>为去中心化处理后的表征参量,/>表示取均值处理;
计算协方差矩阵,协方差矩阵特征向量/>为主成分方向;其中,正常状态数据和运行状态数据的总个数,/>表示/>的转置矩阵,/>表示/>的转置矩阵;是由/>个特征值组成的对角矩阵,/>为组成/>的/>个特征值;
确定主成分阶数,设能量阈值,使前/>个特征值满足/>;根据主成分阶数确定前/>个特征向量为主成分向量/>,构成主成分子空间投影矩阵。
本发明一些实施例中,步骤S4包括:
对总体数据融合表征参量进行主成分投影,获取投影后数据矩阵;其中,正常状态参量投影点,定义为基准投影点,运行状态参量投影点,定义为待测投影点;
对比待测投影点与基准投影点聚集程度,若运行过程中的投影点与正常状态的投影点无交叉,判定待测海上风力发电连接结构状态异常;若运行过程中的投影点与正常状态的投影点有交叉,判定待测海上风力发电连接结构状态正常。
本发明提供的海上风力发电连接结构健康状态融合表征及判定方法,其有益效果在于:
1、所需数据量少。本发明只需测量海上风力发电连接结构连接位置处近端的振动响应,具体为连接位置处上部和下部的振动响应数据,仅需要布置少量加速度传感器即可完成健康状态判定,具有安装方便、经济性高等优点。由于本发明只需测量其振动数据,极大减小了工作量,且不受待测结构型式及空间的限制,具有更高的实用性、适用性及推广价值。
2、表征体系丰富,灵敏度高。本发明基于概率密度函数图像网格化实现概率密度函数特征参量提取,从而构造海上风力发电连接结构健康状态表征参量,大大丰富了海上风力发电结构健康状态表征体系,对海上风力发电结构早期缺陷识别、连接松动判定等具有较高的灵敏度。
3、通过主成分分析剔除了环境因素对海上风力发电连接结构健康状态判定方法的干扰,无需对当时温度及风速等环境要素进行测量;仅布置加速度传感器即可进行监测,极大地减小了海上现场监测难度及测试成本。
4、本发明通过经验模态分解、概率密度函数进行图像化及平滑处理剔除测量噪声的干扰,可实现环境和噪声污染下海上风力发电连接结构健康状态的准确判定,有利于发现早期损伤/微小缺陷,对结构早期预警、维修加固决策具有指导意义及实用价值。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为网格特征提取示意图;
图2a为健康状态下连接结构上部位置测点x维度多源加速度数据;
图2b为健康状态下连接结构上部位置测点y维度多源加速度数据;
图3为样本数据在三阶主成分空间的投影点;
图4a样本特征数据在第一主元方向和第二主元方向二阶主成分空间的投影点
图4b样本特征数据在第一主元方向和第三主元方向二阶主成分空间的投影点
图4c样本特征数据在第二主元方向和第三主元方向二阶主成分空间的投影点。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种海上风力发电连接结构健康状态融合表征及判定方法,用于海上风力发电连接结构健康状态的监测。本发明所述的海上风力发电连接结构,是指海上风力发电系统的部件之间的连接结构,例如法兰部件之间的连接结构等。由于连接结构的位置在复杂海况情况下容易发生松动或者损伤,本发明提供的方法用于基于连接结构的位置的状态数据进行连接结构状态的监测,进而判断连接结构位置的健康状态。
本发明提供的方法包括以下步骤。
S1:构造海上风力发电连接结构正常状态数据融合表征参量。
本发明一些实施例中,步骤S1包括:
S11:建立海上风力发电结构的有限元模型,采用有限元模型对待检测海上风力发电结构进行数值仿真,根据有限元模型数值仿真结果,获得待检测海上风力发电连接结构正常状态下的多源振动数据。
本发明一些实施例中,步骤S11中,根据有限元模型数值仿真结果,获得待检测海上风力发电连接结构正常状态下的多源振动数据的方法包括:
采用有限元模型对待检测海上风力发电结构进行数值仿真,获取待检测海上风力发电连接结构正常状态,连接位置上部和下部两处位置处连续振动时程数据;
连续采集个上部位置/>向和/>向振动数据/>和/>,连续采集/>个下部位置/>向和/>向振动数据/>和/>;其中,/>为采样时长为/>,/>为采样频率;
基于和/>获得待检测海上风力发电连接结构正常状态,连接结构上部位置多源振动数据/>和/>,基于/>和/>获得待检测海上风力发电连接结构正常状态连接结构下部位置多源振动数据/>和/>,综合上部位置多源振动数据和下部位置多源振动数据获得待检测海上风力发电连接结构正常状态下的多源振动数据/>。
需要说明的是,本方案所述的连接结构是指海上风力发电结构具有连接关系部件之间的连接结构。以连接结构为法兰为例,法兰盘对接的位置为法兰盘对接的位置,该位置通过螺栓连接,是容易发生损伤的位置。连接结构的上部是指法兰盘对接位置的上部,下部是指法兰盘对接位置的下部。可以根据需要指定数据获取的位置,在对应的位置处安装振动传感器,检测振动数据。例如,可以在法兰盘上部距离连接位置指定距离,以及法兰盘下部距离连接位置指定距离的位置分别安装两个振动传感器,采集多源振动数据。
S12:对海上风力发电连接结构正常状态下的多源振动数据进行样本划分,获取多个正常样本数据;
本发明一些实施例中,S12中,对海上风力发电连接结构正常状态下的多源振动数据进行样本划分,获取多个正常样本数据的方法包括:
以为时间间隔,对待检测海上风力发电连接结构状态下的多源振动数据/>进行样本划分,获取/>个正常样本数据,每个样本数据包括/>个振动数据。
S13:对各正常样本数据进行数据层融合,获得正常融合振动数据,依次对各正常样本数据的正常融合振动数据进行经验模态分解,获取各正常样本数据本征模态函数分量。
本发明一些实施例中,步骤S13包括:
在坐标系内,将同一时刻上部位置多源振动数据/>和/>向45°角平分线上投影,将下部位置多源数据/>和/>向45°角平分线上投影,取两投影的模的和作为数据层融合后的基准数据/>,其中:/>,;
分别对连接结构上部位置和下部位置/>的/>个样本数据依次进行经验模态分解,每样本数据分解后可得到/>个本征模态函数分量,上部位置及下部位置各获得/>个本征模态函数。
S14:根据各正常样本数据本征模态函数分量计算各正常样本数据本征模态函数分量的概率密度函数,并对概率密度函数进行图像化处理,获得概率密度函数图像,对概率密度函数图像进行平滑处理。
平滑化处理可以去除图像中因噪声或数据异常导致的毛刺,消除信号测量过程中噪声会产生干扰,以提高损伤识别的准确性,采用均值处理方法来对图像进行平滑化处理,即以邻域内的均值代替邻域内各点的值:/>。
本发明一些实施例中,步骤S14包括:
分别计算各样本数据个本征模态函数分量的概率密度函数,获取各样本/>层IMF的概率密度函数/>;采用临近点平均法对各层IMF计算得到的概率密度函数进行图像化及平滑处理。
S15:对平滑处理后的概率密度函数图像进行网格化特征提取,根据提取结果组装拼接构造海上风力发电连接结构正常状态数据融合表征参量。
对处理后的各概率密度函数图像进行网格化特征提取,用特定密度的网格将图像进行划分,用维数相同的数学矩阵代替网格里的数据点数,当数据改变时,信号的概率密度图像随之改变,通过数学矩阵对应网格数据点数的变化即可准确提取到概率密度图像的变化。
具体的说,步骤S15包括:
设第个样本第/>层IMF的概率密度函数为/>,统计概率密度函数的最大幅值/>和最小幅值/>,概率密度最大值/>,定义横向为/>轴,竖向为/>轴,横坐标/>和纵坐标/>区域内等距划分出/>个网格,定义零矩阵/>,矩阵/>中每个元素对应概率密度函数图像中相应位置的网格,其中网格内包含的数据点的数量为矩阵/>对应位置元素的数值,若点落在网格线上,规定将此点分配给右侧或上侧的临近网格。每个网格对应为一个矩阵,由行列数据组成,也可称为网格矩阵。
对第个第/>层IMF的概率密度函数进行特征提取,获得第/>个第/>层IMF的概率密度函数的特征矩阵/>,将网格所有列的数据按序首尾拼接合并成列向量/>:
组装拼接形成第个样本数据特征向量,将全部/>个列向量/>按序首尾拼接合并成列,构成基准数据特征向量/>,其中特征向量/>为包含/>个特征的高维向量;
对所有样本数据进行特征提取,组装拼接形成上部和下部位置正常状态数据融合特征参量和/>。
参考图1,为网格化特征提取示意图。图1中A位置网格包含数据点数为3个,矩阵对应位置元素的数值为3;B位置网格不包含数据点,矩阵对应位置元素的数值为0。
S2:获取海上风力发电连接结构运行过程中的振动数据,构造运行状态数据融合表征参量。
本发明一些实施例中,步骤S2包括:
在待检测海上风力发电连接结构运行过程中,对连接结构的上部及下部位置布置加速度传感器,实时获取待检测海上风力发电连接结构运行过程中的上部位置多源振动数据和/>及下部位置多源振动数据/>和/>;
对运行过程中的多源振动数据进行样本划分,获取多个实时样本数据;
对各实时样本数据进行数据层融合,获得实时融合振动数据,依次对各实时样本数据的实时融合振动数据进行经验模态分解,获取各实时样本本征模态函数分量;
根据各实时样本数据本征模态函数分量计算各实时样本数据本征模态函数分量的概率密度函数,并概率密度函数进行图像化处理,获得概率密度函数图像,对概率密度函数图像进行平滑处理;
对平滑处理后的概率密度函数图像进行网格化特征提取,组装拼接构造形成上部和下部位置运行过程中数据融合表征参量和。
S3:对正常状态数据融合表征参量和运行状态数据融合表征参量进行特征层融合,获得总体数据融合表征参量,对总体数据融合表征参量进行主成分分析,计算主成分空间投影矩阵。
本发明一些实施例中,步骤S3包括:
分别对正常和运行状态数据融合表征参量进行特征层融合,获得正常状态融合矩阵和运行状态融合矩阵/>;
对正常状态融合矩阵和运行状态融合矩阵进行整合,获取总体数据融合表征参量;
对总体数据融合表征参量进行中心化处理/>;其中,其中,/>为去中心化处理后的表征参量,/>表示取均值处理;
计算协方差矩阵,协方差矩阵特征向量/>为主成分方向;其中,/>正常状态数据和运行状态数据的总个数,/>表示/>的转置矩阵,/>表示/>的转置矩阵;是由/>个特征值组成的对角矩阵,/>为组成/>的/>个特征值;
确定主成分阶数,设能量阈值,使前/>个特征值满足/>;根据主成分阶数确定前/>个特征向量为主成分向量/>,构成主成分子空间投影矩阵。
S4:基于主成分空间投影矩阵,进行主成分投影,获得海上风力发电连接结构正常状态参量投影点和运行状态参量投影点,将运行状态参量投影点与正常状态参量投影点进行比较,获得投影点集中度,根据投影点集中度判定海上风力发电连接结构的状态是否异常。
本发明一些实施例中,步骤S4包括:
对总体数据融合表征参量进行主成分投影,获取投影后数据矩阵;其中,正常状态参量投影点,定义为基准投影点,运行状态参量投影点,定义为待测投影点;
对比待测投影点与基准投影点聚集程度,若运行过程中的投影点与正常状态的投影点无交叉,判定待测海上风力发电连接结构状态异常;若运行过程中的投影点与正常状态的投影点有交叉,判定待测海上风力发电连接结构状态正常。
以下,将结合本方法在具体工程项目的应用,来说明本方法的具体实施方式以及实施效果。
以某5MW三桩基础海上风力发电结构为例,建立其有限元模型,分析其典型风荷载作用下海上风力发电连接结构正常状态下,连接结构位置上部及下部典型位置处的多源振动数据,如图2a、图2b所示,对其振动数据进行划分3个正常样本数据。
类似地,测量4段海上风力发电连接结构运行状态下,连接结构位置上部及下部典型位置处的多源振动数据,每段振动数据进行划分3个实时样本数据,获得12个实时样本数据。
3个正常样本数据,以及12个实时样本数据,累计获得15个样本数据。
分别对3个正常状态样本数据进行数据层融合及经验模态分解,获取多层本征模态函数分量;计算各层本征模态函数分量的概率密度函数,对各概率密度函数进行图像化及平滑处理,进行网格化特征提取,组装拼接形成海上风力发电连接结构正常状态数据融合表征参量;类似地,对12个运行实时状态下样本数据进行处理,获得海上风力发电连接结构运行状态数据融合表征参量。
对正常和运行实时状态数据融合表征参量进行特征层融合,获得总体数据融合表征参量,并对其进行主成分分析,求解协方差矩阵得到对应的特征值特征向量构造特征空间,选取主成分选取阈值为0.8,确定主成分阶数为3;获取前三个特征值与特征矩阵,获取主成分空间投影矩阵,实现15个样本数据在主成分空间得投影,如图4a至图4c所示。
对比运行状态下的投影点与正常状态下的投影点聚集程度即可监测待测海上风力发电连接结构健康状态。从图中4a至图4c看出,经过数据层和特征层融合后,15个样本数据在特征空间的投影点紧密聚集成5类,且不同连接结构松动程度下各类样本数据投影点分类较为明显,准确区分待测海上风力发电连接结构4段测量数据。图中,H表示健康状态,及正常状态的图示,其代表了基准投影点,L1表示共计1颗螺栓的松动状态,L2表示共计2颗螺栓的松动状态,L4表示共计4颗螺栓的松动状态,L6表示共计6颗螺栓的松动状态,各个螺栓点的位置代表待测投影点。特别注意,随着连接结构松动程度增大,各类样本投影点中心距离正常状态下投影点中心越远,可根据各类投影点中心距离判定待测海上风力发电连接结构松动程度。具体的,根据各个螺栓在坐标方向上的投影的位置和基准投影点位置的关系来判断螺栓的松动情况。待测投影点的位置落在基准投影点投影范围内,代表有交叉,说明螺栓健康状态良好,反之,说明螺栓存在健康隐患。
类似地,样本数据在二维平面投影点分布,如图4a、图4b和图4c所示,不同待测海上风力发电连接结构松动程度下投影点间无混淆、重叠现象,可准确区分不同程度样本数据,为待测海上风力发电连接结构松动程度的临近归类识别奠定了基础。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种海上风力发电连接结构健康状态融合表征及判定方法,其特征在于,包括以下步骤:
S1:构造海上风力发电连接结构正常状态数据融合表征参量;
S2:获取海上风力发电连接结构运行过程中的振动数据,构造运行状态数据融合表征参量;
S3:对正常状态数据融合表征参量和运行状态数据融合表征参量进行特征层融合,获得总体数据融合表征参量,对总体数据融合表征参量进行主成分分析,计算主成分空间投影矩阵;
S4:基于主成分空间投影矩阵,进行主成分投影,获得海上风力发电连接结构正常状态参量投影点和运行状态参量投影点,将运行状态参量投影点与正常状态参量投影点进行比较,获得投影点集中度,根据投影点集中度判定海上风力发电连接结构的状态是否异常;
步骤S1包括:
S11:建立海上风力发电结构的有限元模型,采用有限元模型对待检测海上风力发电结构进行数值仿真,根据有限元模型数值仿真结果,获得待检测海上风力发电连接结构正常状态下的多源振动数据;根据有限元模型数值仿真结果,获得待检测海上风力发电连接结构正常状态下的多源振动数据的方法包括:
采用有限元模型对待检测海上风力发电结构进行数值仿真,获取待检测海上风力发电连接结构正常状态,连接位置上部和下部两处位置处连续振动时程数据;
连续采集个上部位置/>向和/>向振动数据/>和/>,连续采集/>个下部位置/>向和/>向振动数据/>和/>;其中,/>为采样时长,/>为采样频率;
基于和/>获得待检测海上风力发电连接结构正常状态连接结构上部位置多源振动数据/>和/>,基于/>和/>获得待检测海上风力发电连接结构正常状态连接结构下部位置多源振动数据/>和/>,综合上部位置多源振动数据和下部位置多源振动数据获得待检测海上风力发电连接结构正常状态下的多源振动数据/>;
S12:对海上风力发电连接结构正常状态下的多源振动数据进行样本划分,获取多个正常样本数据;对海上风力发电连接结构正常状态下的多源振动数据进行样本划分,获取多个正常样本数据的方法包括:
以为时间间隔,对待检测海上风力发电连接结构状态下的多源振动数据/>进行样本划分,获取/>个正常样本数据,每个样本数据包括/>个振动数据;
S13:对各正常样本数据进行数据层融合,获得正常融合振动数据,依次对各正常样本数据的正常融合振动数据进行经验模态分解,获取各正常样本数据本征模态函数分量;在坐标系内,将同一时刻上部位置多源振动数据/>和/>向45°角平分线上投影,将下部位置多源数据/>和/>向45°角平分线上投影,取两投影的模的和作为数据层融合后的基准数据/>,其中:/>,/>;
分别对连接结构上部位置和下部位置/>的/>个样本数据依次进行经验模态分解,每样本数据分解后可得到/>个本征模态函数分量,上部位置及下部位置各获得/>个本征模态函数;
S14:根据各正常样本数据本征模态函数分量计算各正常样本数据本征模态函数分量的概率密度函数,并对概率密度函数进行图像化处理,获得概率密度函数图像,对概率密度函数图像进行平滑处理;分别计算各样本数据个本征模态函数分量的概率密度函数,获取各样本/>层IMF的概率密度函数/>;采用临近点平均法对各层IMF计算得到的概率密度函数进行图像化及平滑处理;
S15:对平滑处理后的概率密度函数图像进行网格化特征提取,根据提取结果组装拼接构造海上风力发电连接结构正常状态数据融合表征参量;设第个样本第/>层IMF的概率密度函数为/>,统计概率密度函数的最大幅值/>和最小幅值/>,概率密度最大值/>,定义横向为/>轴,竖向为/>轴,横坐标/>和纵坐标/>区域内等距划分出个网格,定义零矩阵/>,矩阵/>中每个元素对应概率密度函数图像中相应位置的网格,其中网格内包含的数据点的数量为矩阵/>对应位置元素的数值,若点落在网格线上,规定将此点分配给右侧或上侧的临近网格;
对第个第/>层IMF的概率密度函数进行特征提取,获得第/>个第/>层IMF的概率密度函数的特征矩阵/>,将网格所有列的数据按序首尾拼接合并成列向量/>:
组装拼接形成第个样本数据特征向量,将全部/>个列向量/>按序首尾拼接合并成列,构成基准数据特征向量/>,其中特征向量/>为包含/>个特征的高维向量;
对所有样本数据进行特征提取,组装拼接形成上部和下部位置正常状态数据融合特征参量和/>;
步骤S2包括:
在待检测海上风力发电连接结构运行过程中,对连接结构的上部及下部位置布置加速度传感器,实时获取待检测海上风力发电连接结构运行过程中的上部位置多源振动数据和/>及下部位置多源振动数据/>和/>;
对运行过程中的多源振动数据进行样本划分,获取多个实时样本数据;
对各实时样本数据进行数据层融合,获得实时融合振动数据,依次对各实时样本数据的实时融合振动数据进行经验模态分解,获取各实时样本本征模态函数分量;
根据各实时样本数据本征模态函数分量计算各实时样本数据本征模态函数分量的概率密度函数,并概率密度函数进行图像化处理,获得概率密度函数图像,对概率密度函数图像进行平滑处理;
对平滑处理后的概率密度函数图像进行网格化特征提取,组装拼接构造形成上部和下部位置运行过程中数据融合表征参量和/>。
2.如权利要求1所述的海上风力发电连接结构健康状态融合表征及判定方法,其特征在于,步骤S3包括:
分别对正常状态数据和运行状态数据融合表征参量进行特征层融合,获得正常状态融合矩阵和运行状态融合矩阵/>;
对正常状态融合矩阵和运行状态融合矩阵进行整合,获取总体数据融合表征参量;
对总体数据融合表征参量进行中心化处理/>;其中,/>为去中心化处理后的表征参量,/>表示取均值处理;
计算协方差矩阵,协方差矩阵特征向量/>为主成分方向;其中,/>表示正常状态数据和运行状态数据的总个数,/>表示/>的转置矩阵,/>表示/>的转置矩阵;是由/>个特征值组成的对角矩阵,/>为组成/>的/>个特征值;
确定主成分阶数,设能量阈值,使前/>个特征值满足/>;根据主成分阶数确定前/>个特征向量为主成分向量/>,构成主成分子空间投影矩阵。
3.如权利要求2所述的海上风力发电连接结构健康状态融合表征及判定方法,其特征在于,步骤S4包括:
对总体数据融合表征参量进行主成分投影,获取投影后数据矩阵;其中,正常状态参量投影点,定义为基准投影点,运行状态参量投影点,定义为待测投影点;
对比待测投影点与基准投影点聚集程度,若运行过程中的投影点与正常状态的投影点无交叉,判定待测海上风力发电连接结构状态异常;若运行过程中的投影点与正常状态的投影点有交叉,判定待测海上风力发电连接结构状态正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410430994.4A CN118053046B (zh) | 2024-04-11 | 2024-04-11 | 一种海上风力发电连接结构健康状态融合表征及判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410430994.4A CN118053046B (zh) | 2024-04-11 | 2024-04-11 | 一种海上风力发电连接结构健康状态融合表征及判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118053046A CN118053046A (zh) | 2024-05-17 |
CN118053046B true CN118053046B (zh) | 2024-06-21 |
Family
ID=91052124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410430994.4A Active CN118053046B (zh) | 2024-04-11 | 2024-04-11 | 一种海上风力发电连接结构健康状态融合表征及判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118053046B (zh) |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008049530A1 (de) * | 2008-09-29 | 2010-04-01 | Prüftechnik Dieter Busch AG | Verfahren zum Überwachen einer Triebstrangkomponente einer Windenergieanlage |
KR101740896B1 (ko) * | 2016-04-14 | 2017-05-29 | 한국기계연구원 | 해상 풍력발전기 구조물의 건전성 모니터링 시스템 및 방법 |
US10579932B1 (en) * | 2018-07-10 | 2020-03-03 | Uptake Technologies, Inc. | Computer system and method for creating and deploying an anomaly detection model based on streaming data |
CN110046562B (zh) * | 2019-04-01 | 2021-01-26 | 湖南大学 | 一种风电系统健康监测方法及装置 |
CN111122135B (zh) * | 2019-12-05 | 2021-05-28 | 西安交通大学 | 一种评估法兰螺栓连接结构松动程度的方法 |
CN111460701B (zh) * | 2020-03-09 | 2022-09-06 | 中海油田服务股份有限公司 | 一种故障诊断模型训练方法和装置 |
CN113395491A (zh) * | 2021-06-11 | 2021-09-14 | 上海海事大学 | 船舶机舱远程监测报警系统 |
CN114254671A (zh) * | 2021-12-09 | 2022-03-29 | 潍柴动力股份有限公司 | 一种故障检测方法和相关装置 |
CN115270491A (zh) * | 2022-08-06 | 2022-11-01 | 福建华电福瑞能源发展有限公司福建分公司 | 基于多元信息融合的海上风电运维平台设计方法 |
CN115358128B (zh) * | 2022-08-24 | 2023-04-14 | 哈尔滨工业大学(深圳) | 一种海上风机的基准状态空间模型构建方法 |
CN115659612A (zh) * | 2022-10-12 | 2023-01-31 | 上海电力大学 | 一种考虑台风影响的海上风电机组剩余寿命预测方法 |
-
2024
- 2024-04-11 CN CN202410430994.4A patent/CN118053046B/zh active Active
Non-Patent Citations (2)
Title |
---|
杜君峰等.基于神经网络模型的波候变化影响下深海系泊缆疲劳损伤评估.《船舶力学》.2022,第1189-1198页. * |
陈鹏飞.基于状态预测的风力发电机控制策略分析.《全国优秀硕士学位论文数据库》.2020,第1-70页. * |
Also Published As
Publication number | Publication date |
---|---|
CN118053046A (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
CN109186813B (zh) | 一种温度传感器自检装置及方法 | |
CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
CN111737909B (zh) | 基于时空图卷积网络的结构健康监测数据异常识别方法 | |
CN111946559B (zh) | 一种风机基础和塔架结构检测方法 | |
CN107291991B (zh) | 一种基于动态网络标志的风电机组早期缺陷预警方法 | |
CN112393906B (zh) | 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法 | |
CN112000654B (zh) | 一种高速铁路大风监测数据质量控制方法和装置 | |
CN114893360A (zh) | 风电机组塔筒异常振动识别和运行状态监测方法及系统 | |
CN115165725A (zh) | 一种基于数据驱动的海上装备腐蚀监测与安全预警系统 | |
CN116881819A (zh) | 一种基于孤立森林的斜拉索工作状态监测方法 | |
CN114139297B (zh) | 基于机泵设备状态监测和大数据分析的专家诊断系统 | |
CN118053046B (zh) | 一种海上风力发电连接结构健康状态融合表征及判定方法 | |
CN115469585B (zh) | 一种基于大数据的水电机组状态监测方法及系统 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN116306262A (zh) | 一种基于集成学习算法的镀锌钢腐蚀预测方法 | |
CN112560916B (zh) | 基于倾角传感器信息的风电塔筒倾覆智能诊断方法 | |
CN115470730A (zh) | 一种储液罐水动力性能数字孪生评估系统及其方法 | |
KR20240003469A (ko) | 원전설비의 예측진단방법 및 시스템 | |
CN115235542A (zh) | 一种升船机承船厢在线监测方法及监测系统 | |
CN118013808B (zh) | 一种海上风力发电结构螺栓松动健康状态鉴别方法 | |
CN112621381A (zh) | 机床进给系统健康状态智能评估方法及装置 | |
CN118013808A (zh) | 一种海上风力发电结构螺栓松动健康状态鉴别方法 | |
CN117589444B (zh) | 一种基于联邦学习的风力发电机齿轮箱故障诊断方法 | |
CN114330489B (zh) | 一种监测设备故障诊断方法及系统 |
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 |