CN114611424A - 一种融合声纹数据与cae算法的大型风机叶片寿命预测方法 - Google Patents
一种融合声纹数据与cae算法的大型风机叶片寿命预测方法 Download PDFInfo
- Publication number
- CN114611424A CN114611424A CN202210208681.5A CN202210208681A CN114611424A CN 114611424 A CN114611424 A CN 114611424A CN 202210208681 A CN202210208681 A CN 202210208681A CN 114611424 A CN114611424 A CN 114611424A
- Authority
- CN
- China
- Prior art keywords
- model
- fan blade
- data
- simulation
- blade
- 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 51
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 36
- 238000004088 simulation Methods 0.000 claims abstract description 62
- 238000013499 data model Methods 0.000 claims abstract description 37
- 239000012530 fluid Substances 0.000 claims abstract description 33
- 230000007246 mechanism Effects 0.000 claims abstract description 30
- 230000008878 coupling Effects 0.000 claims abstract description 22
- 238000010168 coupling process Methods 0.000 claims abstract description 22
- 238000005859 coupling reaction Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000007405 data analysis Methods 0.000 claims abstract description 9
- 230000003068 static effect Effects 0.000 claims abstract description 7
- 238000003745 diagnosis Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 32
- 238000005094 computer simulation Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 6
- 230000036541 health Effects 0.000 description 4
- 239000007787 solid Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Development Economics (AREA)
- Fluid Mechanics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Wind Motors (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于风力发电技术领域,具体涉及一种融合声纹数据与CAE算法的大型风机叶片寿命预测方法,具体包括:建立流体学仿真模型,包括海上复杂风场数值模型和风机叶片空气动力学模型;建立结构力学仿真模型,基于结构力学机理进行风机叶片的静力学和动力学仿真,对海上大型风机叶片的结构应力分布和疲劳进行分析;建立耦合机理模型,耦合流体力学和结构力学模型;建立声纹数据模型,通过收集风机运行过程中的声音数据,对声纹数据进行特征提取后对故障预测模型进行训练;耦合机理模型和数据模型,实现海上大型风机叶片在线实时故障预测与诊断。通过耦合机理模型仿真结果数据库和基于声音数据分析的数据模型,大幅度提高预测的准确性与一致性。
Description
技术领域
本发明属于风力发电技术领域,具体涉及一种融合声纹数据与CAE算法的大型风机叶片寿命预测方法。
背景技术
由于海上风电场距离大陆很远,因此应用了许多远程健康监测***,以通过分析风力发电机测量的数据来降低故障风险、识别故障发生并提高工作性能。监督控制和数据采集(SCADA)***和状态监测***(CMS)被认为是两种最常见的结构健康监测手段。
SCADA***通常用于监测与不同风力涡轮机部件相关的几个参数(例如,结构振动水平、温度、轴承、塔架和传动***加速度)。研究人员充分利用SCADA***采集的数据进行参数识别、故障诊断和风险预测的进一步分析。CMS是另一个重要的工具,可以在更高的频率(通常超过50Hz)下连续监测和测量海上风机(OWT)结构的振动、载荷、风速和温度等数据,以检查风机是否正在运行正确,实现基于时域和频域分析的轮齿损坏检测、故障诊断和上报报警的目的。
目前采用的主要技术有:
1)SCADA***和CMS被认为是OWT结构中最常见的两种健康监测***。然而,这两个***都试图相互集成,以显着提高OWT结构健康监测的效率和准确性。两种***都以检测数据为分析对象,缺乏疲劳机理数据支持,结合机理模型的整体监控***的设计和优化将是未来的发展趋势。
2)目前,大多数研究集中在振动信号特征信息提取和识别的新技术上。然而,很少构建能够集成多种识别技术的有效指标和安全评估体系来评估OWT的运行安全性和稳定性。
本专利技术开发的基于CAE机理模型与声纹数据模型的海上风机在线预测性维护算法提高大型风电机组,特别是大型风机叶片寿命预测的有效手段。
发明内容
本发明的目的在于提供一种融合声纹数据与CAE算法的大型风机叶片寿命预测方法,克服了现有技术的不足,通过耦合机理模型仿真结果数据库和基于声音数据分析的数据模型,大幅度提高预测的准确性与一致性。
为解决上述问题,本发明所采取的技术方案如下:
一种融合声纹数据与CAE算法的大型风机叶片寿命预测方法,包括:
流体力学仿真分析:对大型风机叶片在不同风场中的受理情况进行分析并采集数据,构建海上复杂风场数据模型及风机叶片空气动力学模型;
结构力学仿真分析:基于风机叶片的静力学和动力学仿真,对海上大型风机叶片的结构应力分布和疲劳进行分析,构建结构力学仿真模型对叶片的寿命与断裂进行预测分析;
建立耦合机理模型:耦合流体力学仿真和结构力学仿真,对海上大型风机叶片在不同复杂风场下的叶片受力、疲劳、断裂以及相互之间影响进行仿真和分析,构建海上大型风机叶片力学故障预测机理模型;
建立声纹数据模型:通过对风机叶片运行过程中的声音数据进行采集,对声纹数据进行特征提取后构建基于声纹数据的故障预测数据模型,并采用机器学习算法对故障预测数据模型进行训练;
耦合机理模型和数据模型:将故障预测机理模型与故障预测数据模型进行耦合,对风机叶片的故障进行分级预警预测。
进一步,所述流体力学仿真分析具体包括:
(1)基于计算流体力学仿真,构建复杂风场仿真模型与风场动态仿真,对风机叶片在复杂风场下受力动态变化过程仿真;
(2)建立风场与叶片气动力之间的联系,以及叶片运动与叶片气动力之间的联系,分析影响叶片受力的工况因素和设计因素;
(3)分析风机叶片运动过程中气动力的各相异性特性和周期性。
进一步,所述构建复杂风场仿真模型与风场动态仿真,包括:
根据海上大型风机安装位置地区的气候数据,建立风场数据库;
从数据库中提取风场特征参数作为风场仿真的输入,利用计算流体学方法对该地区的风场进行动态仿真,模拟真实的恶劣天气情况。
进一步,所述结构力学仿真分析包括:
(1)基于静力学仿真原理分析大型风机叶片结构部件的强度和变形;
(2)基于多体动力学仿真原理分析大型风机叶片结构部件在运动过程中的强度和变形;
(3)基于动力学仿真原理分析运行过程中的振动和稳定性;
(4)基于屈曲仿真原理分析运行失效问题;
(5)基于疲劳仿真原理分析设备运行状态,确定叶片的维护问题。
进一步,所述对海上大型风机叶片在不同复杂风场下的叶片受力、疲劳、断裂以及相互之间影响进行仿真和分析,具体包括:
(1)使用模态试验和仿真分析,获取健康叶片和裂纹故障叶片的固有频率和振型变化规律,分析对比了叶片表面气动力与叶片各阶振型之间的相互作用以及裂纹故障位置与气动力的相互作用;
(2)分析不同工况,不同风场下,流体场中气动力的分布规律,分析对比叶片表面气动力分布情况,为叶片动力学分析提供载荷基础,利用通风机流体场流线图,分析不同参数下,流体场内流体流动的变化规律;
(4)仿真不同风场下,风机健康叶片和裂纹故障叶片的应力、应变、总变形之间的分布规律,通过仿真分析,研究裂纹对叶片应变,应力的影响规律以及叶片裂纹的扩展趋势。
进一步,所述构建基于声纹数据的故障预测数据模型包括:
(1)基于短时傅里叶变换与时频变换算法的声纹数据处理方法开发;
(2)故障声音特征提取算法开发;
(3)基于机器学习算法的声纹数据模型训练与故障预测算法开发。
进一步,所述将故障预测机理模型与故障预测数据模型进行耦合,具体包括:
(1)基于机理模型,集成动力学仿真数据分析,开发力学故障诊断模型,同时提供大量数据给数据分析模型;
(2)基于机理模型研究成果和数据模型分析方法,建立风机叶片状态参数数据库;
(3)应用大数据算法对风机叶片状态数据进行特征提取后通过机器学习算法对故障预测模型进行训练,实现对风机叶片故障进行预警预测。
本发明与现有技术相比较,具有以下有益效果:
本发明通过耦合机理模型仿真结果数据库和基于声音数据分析的数据模型,大幅度提高预测的准确性与一致性,实现短中长期3级预警,为大型风机叶片的安全运行与检维修提供数据依据。
附图说明
图1为大型风机叶片的流体场。
图2为大型风机叶片的结构力学分析图。
图3为大型风机叶片的流体场中气动力的分布模拟图。
图4为声纹数据模型的模拟图。
图5为大型风机叶片的故障率预测折线图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
本发明所述一种融合声纹数据与CAE算法的大型风机叶片寿命预测方法。
1、流体力学仿真分析:对大型风机叶片在不同风场中的受理情况进行分析并采集数据,构建海上复杂风场数据模型及风机叶片空气动力学模型;
具体包括:
(1)基于计算流体力学仿真,根据海上大型风机安装位置地区的气候数据,建立风场数据库;从数据库中提取风场特征参数作为风场仿真的输入,利用计算流体学方法对该地区的风场进行动态仿真,模拟真实的恶劣天气情况,构建复杂风场仿真模型与风场动态仿真,对风机叶片在复杂风场下受力动态变化过程仿真;
(2)利用计算流体力学方法,对叶片运动过程中的风场、叶片受力进行仿真分析;重点分析各种复杂风场环境下叶片的受力分布和力的动态分布情况;建立风场与叶片气动力之间的联系,以及叶片运动与叶片气动力之间的联系,分析影响叶片受力的工况因素和设计因素;
(3)分析风机叶片运动过程中气动力的各相异性特性和周期性。
该步骤主要是为风机叶片的气动载荷计算提供边界条件。
2、结构力学仿真分析:基于风机叶片的静力学和动力学仿真,对海上大型风机叶片的结构应力分布和疲劳进行分析,构建结构力学仿真模型对叶片的寿命与断裂进行预测分析;
结构力学仿真分析包括:
(1)基于静力学仿真原理分析大型风机叶片结构部件的强度和变形;
(2)基于多体动力学仿真原理分析大型风机叶片结构部件在运动过程中的强度和变形;
(3)基于动力学仿真原理分析运行过程中的振动和稳定性;
(4)基于屈曲仿真原理分析运行失效问题;
(5)基于疲劳仿真原理分析设备运行状态,确定叶片的维护问题。
3、建立耦合机理模型:耦合流体力学仿真和结构力学仿真,对海上大型风机叶片在不同复杂风场下的叶片受力、疲劳、断裂以及相互之间影响进行仿真和分析,构建海上大型风机叶片力学故障预测机理模型;
具体包括:
(1)使用模态试验和仿真分析,获取健康叶片和裂纹故障叶片的固有频率和振型变化规律,分析对比了叶片表面气动力与叶片各阶振型之间的相互作用以及裂纹故障位置与气动力的相互作用;
(2)分析不同工况,不同风场下,流体场中气动力的分布规律,分析对比叶片表面气动力分布情况,为叶片动力学分析提供载荷基础,利用通风机流体场流线图,分析不同参数下,流体场内流体流动的变化规律;
(4)仿真不同风场下,风机健康叶片和裂纹故障叶片的应力、应变、总变形之间的分布规律,通过仿真分析,研究裂纹对叶片应变,应力的影响规律以及叶片裂纹的扩展趋势。
4、建立声纹数据模型:通过对风机叶片运行过程中的声音数据进行采集,对声纹数据进行特征提取后构建基于声纹数据的故障预测数据模型,并采用机器学习算法对故障预测数据模型进行训练;
其中,构建基于声纹数据的故障预测数据模型包括:
(1)基于短时傅里叶变换与时频变换算法的声纹数据处理方法开发;
(2)故障声音特征提取算法开发;
(3)基于机器学习算法的声纹数据模型训练与故障预测算法开发。
5、耦合机理模型和数据模型:将故障预测机理模型与故障预测数据模型进行耦合,建立包含风机叶片流体模型和固体模型的双向流固耦合数学模型,仿真分析风机流体场和叶片模态之间的关系以及叶片的固有频率;运用搭建的流固耦合仿真模型,仿真分析了不同转速,风阻工况下,通风机流体场气动力和叶片裂纹的变化规律,从而对风机叶片的故障进行分级预警预测;
其中,将故障预测机理模型与故障预测数据模型进行耦合,具体包括:
(1)基于机理模型,集成动力学仿真数据分析,开发力学故障诊断模型,同时提供大量数据给数据分析模型;
(2)基于机理模型研究成果和数据模型分析方法,建立风机叶片状态参数数据库;
(3)应用大数据算法对风机叶片状态数据进行特征提取后通过机器学习算法对故障预测模型进行训练,实现对风机叶片故障进行预警预测。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (7)
1.一种融合声纹数据与CAE算法的大型风机叶片寿命预测方法,其特征在于:所述方法包括:
流体力学仿真分析:对大型风机叶片在不同风场中的受理情况进行分析并采集数据,构建海上复杂风场数据模型及风机叶片空气动力学模型;
结构力学仿真分析:基于风机叶片的静力学和动力学仿真,对海上大型风机叶片的结构应力分布和疲劳进行分析,构建结构力学仿真模型对叶片的寿命与断裂进行预测分析;
建立耦合机理模型:耦合流体力学仿真和结构力学仿真,对海上大型风机叶片在不同复杂风场下的叶片受力、疲劳、断裂以及相互之间影响进行仿真和分析,构建海上大型风机叶片力学故障预测机理模型;
建立声纹数据模型:通过对风机叶片运行过程中的声音数据进行采集,对声纹数据进行特征提取后构建基于声纹数据的故障预测数据模型,并采用机器学习算法对故障预测数据模型进行训练;
耦合机理模型和数据模型:将故障预测机理模型与故障预测数据模型进行耦合,对风机叶片的故障进行分级预警预测。
2.根据权利要求1所述的一种融合声纹数据与CAE算法的大型风机叶片寿命预测方法,其特征在于:所述流体力学仿真分析具体包括:
(1)基于计算流体力学仿真,构建复杂风场仿真模型与风场动态仿真,对风机叶片在复杂风场下受力动态变化过程仿真;
(2)建立风场与叶片气动力之间的联系,以及叶片运动与叶片气动力之间的联系,分析影响叶片受力的工况因素和设计因素;
(3)分析风机叶片运动过程中气动力的各相异性特性和周期性。
3.根据权利要求2所述的一种融合声纹数据与CAE算法的大型风机叶片寿命预测方法,其特征在于:所述构建复杂风场仿真模型与风场动态仿真,包括:
根据海上大型风机安装位置地区的气候数据,建立风场数据库;
从数据库中提取风场特征参数作为风场仿真的输入,利用计算流体学方法对该地区的风场进行动态仿真,模拟真实的恶劣天气情况。
4.根据权利要求1所述的一种融合声纹数据与CAE算法的大型风机叶片寿命预测方法,其特征在于:所述结构力学仿真分析包括:
(1)基于静力学仿真原理分析大型风机叶片结构部件的强度和变形;
(2)基于多体动力学仿真原理分析大型风机叶片结构部件在运动过程中的强度和变形;
(3)基于动力学仿真原理分析运行过程中的振动和稳定性;
(4)基于屈曲仿真原理分析运行失效问题;
(5)基于疲劳仿真原理分析设备运行状态,确定叶片的维护问题。
5.根据权利要求1所述的一种融合声纹数据与CAE算法的大型风机叶片寿命预测方法,其特征在于:所述对海上大型风机叶片在不同复杂风场下的叶片受力、疲劳、断裂以及相互之间影响进行仿真和分析,具体包括:
(1)使用模态试验和仿真分析,获取健康叶片和裂纹故障叶片的固有频率和振型变化规律,分析对比了叶片表面气动力与叶片各阶振型之间的相互作用以及裂纹故障位置与气动力的相互作用;
(2)分析不同工况,不同风场下,流体场中气动力的分布规律,分析对比叶片表面气动力分布情况,为叶片动力学分析提供载荷基础,利用通风机流体场流线图,分析不同参数下,流体场内流体流动的变化规律;
(4)仿真不同风场下,风机健康叶片和裂纹故障叶片的应力、应变、总变形之间的分布规律,通过仿真分析,研究裂纹对叶片应变,应力的影响规律以及叶片裂纹的扩展趋势。
6.根据权利要求1所述的一种融合声纹数据与CAE算法的大型风机叶片寿命预测方法,其特征在于:所述构建基于声纹数据的故障预测数据模型包括:
(1)基于短时傅里叶变换与时频变换算法的声纹数据处理方法开发;
(2)故障声音特征提取算法开发;
(3)基于机器学习算法的声纹数据模型训练与故障预测算法开发。
7.根据权利要求1所述的一种融合声纹数据与CAE算法的大型风机叶片寿命预测方法,其特征在于:所述将故障预测机理模型与故障预测数据模型进行耦合,具体包括:
(1)基于机理模型,集成动力学仿真数据分析,开发力学故障诊断模型,同时提供大量数据给数据分析模型;
(2)基于机理模型研究成果和数据模型分析方法,建立风机叶片状态参数数据库;
(3)应用大数据算法对风机叶片状态数据进行特征提取后通过机器学习算法对故障预测模型进行训练,实现对风机叶片故障进行预警预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210208681.5A CN114611424B (zh) | 2022-03-04 | 2022-03-04 | 一种融合声纹数据与cae算法的大型风机叶片寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210208681.5A CN114611424B (zh) | 2022-03-04 | 2022-03-04 | 一种融合声纹数据与cae算法的大型风机叶片寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114611424A true CN114611424A (zh) | 2022-06-10 |
CN114611424B CN114611424B (zh) | 2024-07-12 |
Family
ID=81861657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210208681.5A Active CN114611424B (zh) | 2022-03-04 | 2022-03-04 | 一种融合声纹数据与cae算法的大型风机叶片寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114611424B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018115635A (ja) * | 2017-01-20 | 2018-07-26 | 株式会社東芝 | 風力発電システムおよび風力発電方法 |
CN111125959A (zh) * | 2019-12-26 | 2020-05-08 | 通标标准技术服务(天津)有限公司 | 兆瓦级风力发电复合材料叶片疲劳寿命的预测方法 |
CN111692050A (zh) * | 2020-07-01 | 2020-09-22 | 上海电气风电集团股份有限公司 | 连接组件及包含其的风机叶片 |
WO2021253823A1 (zh) * | 2021-01-15 | 2021-12-23 | 浙江大学 | 考虑雨滴侵蚀的风力发电机叶片涂层疲劳分析方法 |
-
2022
- 2022-03-04 CN CN202210208681.5A patent/CN114611424B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018115635A (ja) * | 2017-01-20 | 2018-07-26 | 株式会社東芝 | 風力発電システムおよび風力発電方法 |
CN111125959A (zh) * | 2019-12-26 | 2020-05-08 | 通标标准技术服务(天津)有限公司 | 兆瓦级风力发电复合材料叶片疲劳寿命的预测方法 |
CN111692050A (zh) * | 2020-07-01 | 2020-09-22 | 上海电气风电集团股份有限公司 | 连接组件及包含其的风机叶片 |
WO2021253823A1 (zh) * | 2021-01-15 | 2021-12-23 | 浙江大学 | 考虑雨滴侵蚀的风力发电机叶片涂层疲劳分析方法 |
Non-Patent Citations (1)
Title |
---|
朱松晔;朱子默;柯世堂;: "海上风机灾害分析及健康监测技术综述", 南方能源建设, no. 02, 25 June 2018 (2018-06-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN114611424B (zh) | 2024-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Joshuva et al. | An insight on VMD for diagnosing wind turbine blade faults using C4. 5 as feature selection and discriminating through multilayer perceptron | |
CN102022264B (zh) | 用于风力涡轮机健康管理的***和方法 | |
JP4995134B2 (ja) | 風車の監視装置及び方法並びにプログラム | |
WO2011024304A1 (ja) | 風車の監視装置及び方法並びにプログラム | |
CN104018988B (zh) | 基于物理组件模型和实时数据的风力发电机组监测*** | |
CN104952000A (zh) | 基于马尔科夫链的风电机组运行状态模糊综合评价方法 | |
CN103645052A (zh) | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 | |
EP3026587A1 (en) | Method for determining the life of components of a wind turbine or similar according to its location | |
Márquez et al. | An overview of wind turbine maintenance management | |
Sharma et al. | Condition monitoring of wind turbines: a review | |
Zhu et al. | Operational state assessment of wind turbine gearbox based on long short-term memory networks and fuzzy synthesis | |
CN114004059B (zh) | 一种水轮发电机组健康画像方法 | |
CN114169718A (zh) | 一种基于风电机组状态评估提高机组可靠性的方法 | |
CN106596110A (zh) | 基于在线数据的水轮发电机组水力不平衡故障的自动分析诊断方法 | |
Entezami et al. | Wind turbine condition monitoring system | |
CN114611424B (zh) | 一种融合声纹数据与cae算法的大型风机叶片寿命预测方法 | |
CN117649044A (zh) | 一种海上风电机组多维度量化状态评估方法 | |
Jin et al. | Research on wind turbine safety analysis: failure analysis, reliability analysis, and risk assessment | |
CN112855462A (zh) | 一种风机设备预警方法及*** | |
CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
Sethi et al. | Vibration signal-based diagnosis of wind turbine blade conditions for improving energy extraction using machine learning approach | |
Gao et al. | Real-time monitoring, fault prediction and health management for offshore wind turbine systems | |
Song et al. | Framework of designing an adaptive and multi-regime prognostics and health management for wind turbine reliability and efficiency improvement | |
JP2023179851A (ja) | 装置状態評価システムおよび装置状態評価方法 | |
Griffith et al. | Prognostic control to enhance offshore wind turbine operations and maintenance strategies |
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 |