CN116150899A - 一种基于gwo-lssvm的风机叶片全尺寸静态测试应变预测方法 - Google Patents
一种基于gwo-lssvm的风机叶片全尺寸静态测试应变预测方法 Download PDFInfo
- Publication number
- CN116150899A CN116150899A CN202211627500.9A CN202211627500A CN116150899A CN 116150899 A CN116150899 A CN 116150899A CN 202211627500 A CN202211627500 A CN 202211627500A CN 116150899 A CN116150899 A CN 116150899A
- Authority
- CN
- China
- Prior art keywords
- lssvm
- gwo
- static test
- model
- fan 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- 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]
-
- 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)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明涉及材料测试领域,且公开了一种基于GWO‑LSSVM的风机叶片全尺寸静态测试应变预测方法,包括以下步骤:用分层抽样的方法随机划分训练样本和测试样本,并将样本数据结果在[0,1]之间归一化;通过GWO进行参数优化,得到最佳组合参数gam和sig2;通过GWO‑LSSVM模型进行应变预测;输入参数的重要性分析,采用随机森林算法对叶片数据完成特征分析,并结合静态测试结果与LSSVM及BP神经网络结果进行对比,验证了基于GWO‑LSSVM的叶片应变预测模型的准确性和可靠性,为风机叶片的结构设计和稳定运行提供更多的有效依据。
Description
技术领域
本发明涉及材料测试领域,具体为一种基于GWO-LSSVM的风机叶片全尺寸静态测试应变预测方法。
背景技术
环境污染和能源问题愈加凸显形势下,风力发电在国家政策和政府支持下蓬勃发展,成为近年来发展最为迅速的绿色能源技术。风机叶片作为风电机组的核心承载部件之一,其结构稳定性和可靠性是保证机组正常运行的关键。全尺寸结构试验是验证叶片在极限工况条件下承载能力的主要手段,也是检验叶片出厂前设计合理性和运行可靠性的必要手段。
在叶片全尺寸结构静态试验中,多点静力加载方向受叶片大变形而发生偏移,致使叶片各截面施加的实际载荷难以达到设计要求;加载***强耦合、非线性等特征使各点静力加载出现交联耦合现象,导致其加载精度难以保证,并且叶片上测点和应变片的数量有限,未测截面结构状态难以分析。因此,叶片全尺寸静态试验无法准确反映叶片实际的应变传递及获取叶片整体的结构响应特性。此外,由于叶片应变与施加载荷、测点位置和测试位移等相关,其非线性强、输入参数多等特点,传统基于物理模拟和数学模型法建模过程复杂、预测模型适用性低,难以满足叶片结构应变准确预测的需求,而以模式识别、机器学习为典型的数据驱动法在风机叶片可靠性研究中的应用愈加广泛,为此我们提出了一种基于GWO-LSSVM的风机叶片全尺寸静态测试应变预测方法。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于GWO-LSSVM的风机叶片全尺寸静态测试应变预测方法,提出了基于灰狼优化最小二乘支持向量机算法(GWO-LSSVM)的风机叶片静态试验应变预测方法,利用GWO算法优化LSSVM模型参数以建立了叶片静态试验应变预测模型;采用随机森林算法对叶片数据完成特征分析,并结合静态测试结果与LSSVM及BP神经网络结果进行对比,验证了基于GWO-LSSVM的叶片应变预测模型的准确性和可靠性,为风机叶片的结构设计和稳定运行提供更多的有效依据。
(二)技术方案
为实现上述所述目的,本发明提供如下技术方案:一种基于GWO-LSSVM的风机叶片全尺寸静态测试应变预测方法,包括以下步骤:
第一步:用分层抽样的方法随机划分训练样本和测试样本,并将样本数据结果在[0,1]之间归一化;
第二步:通过GWO进行参数优化,得到最佳组合参数gam和sig2;
第三步:通过GWO-LSSVM模型进行应变预测;
第四步:通过使用随机森林算法计算每个输入参数的袋外误差值,完成输入参数的重要性分析。
优选的,所述第二步包括以下内容:
S1、初始化狼的数量、最大迭代次数、狼(α,β,δ)的位置以及gam和sig2的取值区间。
S2、计算种群中灰狼个体的适配度函数值,确定前三名最佳适配度的狼α,β和δ。
S3、更新α,β,δ和猎物的位置,直到算法满足终止条件,并将与最小适应度函数值相对应的α-狼的位置被作为gam和sig2的最佳组合参数。
优选的,所述第三步的具体内容为:在算法停止迭代后,将建立GWO-LSSVM模型,并将优化后的gam和sig2参数作为LSSVM模型的输入参数,完成对样本数据的拟合和预测。
优选的,所述第四步的具体步骤为:
S1:假设有n训练样本{(xi,yi)|i=1,2,···,n},其中xi是第i-个输入数据,yi是第i-个输出数据,那么基于LSSVM的优化模型可以写为:
S2:拉格朗日函数可以写成:
其中αi为拉格朗日乘数,根据Karush-Kuhn-Tucker的条件,最终得到y(x)回归预测模型的公式如下:
K(x,xi)内核函数和径向基函数(RBF)的内核函数,为K(x,xi)=exp(-|x-xi|2/2σ2)。
(三)有益效果
与现有技术相比,本发明提供了一种基于GWO-LSSVM的风机叶片全尺寸静态测试应变预测方法,具备以下有益效果:
1、采用随机森林算法对叶片数据完成特征分析,并结合静态测试结果与LSSVM及BP神经网络结果进行对比,验证了基于GWO-LSSVM的叶片应变预测模型的准确性和可靠性,为风机叶片的结构设计和稳定运行提供更多的有效依据,解决了在叶片全尺寸结构静态试验中,存在加载***强耦合、非线性等特征使各点静力加载出现交联耦合现象,导致其加载精度难以保证问题,同时解决了现有技术中由于叶片上测点和应变片的数量有限,未测截面结构状态难以分析问题,导致叶片全尺寸静态试验无法准确反映叶片实际的应变传递及获取叶片整体的结构响应特性问题。
2、由于叶片应变与施加载荷、测点位置和测试位移等相关,其非线性强、输入参数多等特点,传统基于物理模拟和数学模型法建模过程复杂、预测模型适用性低,难以满足叶片结构应变准确预测的需求,本方法弥补了现有方法的不足。
附图说明
图1为本发明流程示意图;
图2为灰狼内部层次结构和猎物狩猎行为示意图;
图3为GWO-LSSVM模型训练样本拟合示意图;
图4为GWO-LSSVM模型测试样本拟合示意图;
图5为GWO-LSSVM、LSSVM、BPNN模型测试样本预测相对误差对比示意图;
图6为GWO-LSSVM、LSSVM、BPNN模型MAPE值对比示意图。
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。
请参阅图1-6,一种基于GWO-LSSVM的风机叶片全尺寸静态测试应变预测方法,包括以下步骤:
步骤1:数据预处理。用分层抽样的方法随机划分训练样本和测试样本,并将样本数据结果在[0,1]之间归一化。归一化函数为:
步骤2:通过GWO进行参数优化。
1、初始化狼的数量、最大迭代次数、狼(α,β,δ)的位置以及gam和sig2的取值区间。
2、计算种群中灰狼个体的适配度函数值,确定前三名最佳适配度的狼α,β和δ。
3、更新α,β,δ和猎物的位置,直到算法满足终止条件,并将与最小适应度函数值相对应的α-狼的位置被作为gam和sig2的最佳组合参数。
步骤3:通过GWO-LSSVM模型进行应变预测。在算法停止迭代后,将建立GWO-LSSVM模型,并将优化后的gam和sig2参数作为LSSVM模型的输入参数,完成对样本数据的拟合和预测。
步骤4:输入参数的重要性分析。输入参数对预测结果的重要性分析是通过使用随机森林算法(Random Forest Algorithm)计算每个输入参数的袋外(OOB)误差值来完成的。
其中:最小二乘支持向量机(LSSVM)是一种基于最小二乘法的支持向量机(SVM)算法,其中不等式约束被等式约束重新取代,平方误差损失函数之和作为训练集的经验损失。假设有n训练样本{(xi,yi)|i=1,2,···,n},其中xi是第i-个输入数据,yi是第i-个输出数据,那么基于LSSVM的优化模型可以写为:
拉格朗日函数可以写成:
其中αi为拉格朗日乘数。根据Karush-Kuhn-Tucker(KKT)的条件,最终得到y(x)回归预测模型的公式如下:
其中,K(x,xi)内核函数和径向基函数(RBF)的内核函数,为K(x,xi)=exp(-|x-xi|2/2σ2)。
由于传统的LSSVM方法需要根据人工经验手动设置多个初始参数,特别复杂,而且不能保证预测的准确性,因此引入了灰狼优化(GWO)算法来验证LSSVM方法的效果。GWO算法是根据灰狼内部层次结构(见图2中的a部分)和它们的猎物狩猎行为(见图2中的b部分)提出的。GWO-LSSVM方法可以有效地优化模型参数,提高模型收敛性[18],[19]。
实验案例:
根据IEC61400-23的叶片结构测试标准,对风机叶片开展全尺寸静载测试;基于全尺寸静力测试数据,在应变预测模型建立过程中,选择了76组测试数据,包括4个项目(外加载荷、测量位置、位移和应变),其中外加载荷、测量位置和位移的值作为训练输入,并输出应变值。表2分别列出了应用载荷、测量位置、位移以及部分应变数据的样本数据。在不失一般性的前提下,将测试数据按照载荷水平(40%、60%、80%和100%)分为四组,每组中随机抽取5个样本组成测试集,其余56组作为训练样本,然后建立基于GWO-LSSVM的风机叶片应变预测模型。
表2模型样本具体数据
GWO-LSSVM的具体程序设置如下:输入维度为12,输出维度为1,灰狼种群的设定数量为30。为了保证算法的收敛稳定性,最大生成次数设为80,变量维度设为2,参数值的上下限分别设为ub=[1e6,1e3]和lb=[1e-6,1e-6],预测结果如图3-图6所示。
表3GWO-LSSVM、LSSVM和BPNN的平均预测误差比较。
根据上面预测数据结果表明,GWO-LSSVM模型的预测结果优于传统的LSSVM和BPNN模型,并且GWO-LSSVM模型的相对误差很小,GWO-LSSVM的MAPE为2.82%,这进一步说明GWO-LSSVM模型比传统的LSSVM和BPNN具有更好的应变预测效果。最终通过随机森林算法对3个输入特征进行特征值分析,其结果如下表4,从表4可以看出,测量位置对预测结果的影响最大,其重要性为1.201。
表4基于GWO-LSSVM模型的输入特征的重要性
本方案经过随机森林算法对叶片数据完成特征分析,并结合静态测试结果与LSSVM及BP神经网络结果进行对比,验证了基于GWO-LSSVM的叶片应变预测模型的准确性和可靠性,解决了下述问题:
在叶片全尺寸结构静态试验中,存在加载***强耦合、非线性等特征使各点静力加载出现交联耦合现象,导致其加载精度难以保证问题;
叶片上测点和应变片的数量有限,未测截面结构状态难以分析问题,导致叶片全尺寸静态试验无法准确反映叶片实际的应变传递及获取叶片整体的结构响应特性问题。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种基于GWO-LSSVM的风机叶片全尺寸静态测试应变预测方法,其特征在于,包括以下步骤:
第一步:用分层抽样的方法随机划分训练样本和测试样本,并将样本数据结果在[0,1]之间归一化;
第二步:通过GWO进行参数优化,得到最佳组合参数gam和sig2;
第三步:通过GWO-LSSVM模型进行应变预测;
第四步:通过使用随机森林算法计算每个输入参数的袋外误差值,完成输入参数的重要性分析。
2.根据权利要求1所述的一种基于GWO-LSSVM的风机叶片全尺寸静态测试应变预测方法,其特征在于:所述第二步包括以下内容:
S1、初始化狼的数量、最大迭代次数、狼(α,β,δ)的位置以及gam和sig2的取值区间。
S2、计算种群中灰狼个体的适配度函数值,确定前三名最佳适配度的狼α,β和δ。
S3、更新α,β,δ和猎物的位置,直到算法满足终止条件,并将与最小适应度函数值相对应的α-狼的位置被作为gam和sig2的最佳组合参数。
3.根据权利要求1所述的一种基于GWO-LSSVM的风机叶片全尺寸静态测试应变预测方法,其特征在于:所述第三步的具体内容为:在算法停止迭代后,将建立GWO-LSSVM模型,并将优化后的gam和sig2参数作为LSSVM模型的输入参数,完成对样本数据的拟合和预测。
4.根据权利要求1所述的一种基于GWO-LSSVM的风机叶片全尺寸静态测试应变预测方法,其特征在于:所述第四步的具体步骤为:
S1:假设有n训练样本{(xi,yi)i=1,2,···,n},其中xi是第i-个输入数据,yi是第i-个输出数据,那么基于LSSVM的优化模型可以写为:
S2:拉格朗日函数可以写成:
其中αi为拉格朗日乘数,根据Karush-Kuhn-Tucker的条件,最终得到y(x)回归预测模型的公式如下:
K(x,xi)内核函数和径向基函数(RBF)的内核函数,为K(x,xi)=exp(-|x-xi|2/2σ2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211627500.9A CN116150899A (zh) | 2022-12-16 | 2022-12-16 | 一种基于gwo-lssvm的风机叶片全尺寸静态测试应变预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211627500.9A CN116150899A (zh) | 2022-12-16 | 2022-12-16 | 一种基于gwo-lssvm的风机叶片全尺寸静态测试应变预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116150899A true CN116150899A (zh) | 2023-05-23 |
Family
ID=86372753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211627500.9A Pending CN116150899A (zh) | 2022-12-16 | 2022-12-16 | 一种基于gwo-lssvm的风机叶片全尺寸静态测试应变预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116150899A (zh) |
-
2022
- 2022-12-16 CN CN202211627500.9A patent/CN116150899A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111738512B (zh) | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 | |
CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
US10331810B2 (en) | Method for determining a model of an output quantity of a technical system | |
CN111209708A (zh) | 基于机器学习的桩-土相互作用预测分析方法 | |
CN112001110A (zh) | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 | |
CN112085254A (zh) | 基于多重分形协同度量门控循环单元的预测方法及模型 | |
CN110991737A (zh) | 一种基于深度置信网络的超短期风电功率预测方法 | |
CN108879732A (zh) | 电力***暂态稳定评估方法及装置 | |
CN112765743A (zh) | 一种风电机组整机一体化设计多目标协同优化方法及装置 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN112597702A (zh) | 基于径向基函数的气动建模生成式对抗网络模型训练方法 | |
CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
US20220243347A1 (en) | Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water | |
CN112052604B (zh) | 风机等效疲劳载荷的预测方法、***、设备及可读介质 | |
CN112307536B (zh) | 一种大坝渗流参数反演方法 | |
CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
CN116150899A (zh) | 一种基于gwo-lssvm的风机叶片全尺寸静态测试应变预测方法 | |
CN116316600A (zh) | 基于季节分型的面向风电功率日前预测自适应滤波方法 | |
CN116484675A (zh) | 一种舰船发动机叶片的裂纹扩展寿命预测方法及*** | |
CN113642784B (zh) | 一种计及风机状态的风电功率超短期预测的方法 | |
CN116011071A (zh) | 基于主动学习的空中造楼机结构可靠性分析方法及*** | |
CN115965177A (zh) | 基于注意力机制改进的自回归误差补偿风电功率预测方法 | |
CN114638421A (zh) | 一种发电机组备件需求的预测方法 | |
CN114744618A (zh) | 考虑气象特征的深度学习短期风电功率预测方法及*** |
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 |