CN117905651A - 一种基于形变分析的结构监测方法 - Google Patents
一种基于形变分析的结构监测方法 Download PDFInfo
- Publication number
- CN117905651A CN117905651A CN202311796239.XA CN202311796239A CN117905651A CN 117905651 A CN117905651 A CN 117905651A CN 202311796239 A CN202311796239 A CN 202311796239A CN 117905651 A CN117905651 A CN 117905651A
- Authority
- CN
- China
- Prior art keywords
- data
- period
- blade
- rotation
- abnormal
- 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 57
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 89
- 230000000737 periodic effect Effects 0.000 claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Landscapes
- Wind Motors (AREA)
Abstract
本发明涉及风力发电机监测技术领域,具体涉及一种基于形变分析的结构监测方法。本发明获得每个叶片的旋转周期;并在每段旋转周期内的预设角度位置采集数据,得到每个叶片每段旋转周期的周期数据;根据相同周期长度的周期数据之间的数据整体差异获得初始相似程度;根据旋转周期时间间隔的变化程度获得时间波动情况;获得旋转周期的旋转周期长度变化,进而获得风速影响程度;利用风速影响程度修正获得最终相似程度并获得异常周期数据簇;根据异常叶片与其他叶片之间相同位置上的应变力数据差异确定叶片的异常位置。本发明计算出风速对于应变力数据的影响从而修正聚类条件,使聚类结果能够更加准确地监测叶片结构是否发生异常。
Description
技术领域
本发明涉及风力发电机监测技术领域,具体涉及一种基于形变分析的结构监测方法。
背景技术
风力发电作为清洁的能源之一被我国广泛使用,风电机组在发电过程中由于其叶片快速的转动导致可能会产生损坏。叶片在工作一段时间后需要对其进行检测和维护,避免由于其工作时的损伤导致整体的机组都产生损坏造成较为严重的后果。由于叶片在进行检查时需要停止工作,影响叶片的工作状态和经济效益,所以可以通过在叶片上安装应变片传感器检测叶片上的应变力的分布情况,根据叶片上应变力的变化情况,可以对叶片进行实时的监测。
在现有技术中,常使用聚类算法对采集的叶片应变力进行簇类划分,并根据聚类簇对应变力数据进行异常分析。然而在聚类过程中没有考虑到外界环境对应变力数据会产生一定的影响从而导致正常的应变力数据被聚类到异常数据点簇类中,影响到了对叶片结构的准确监测。
发明内容
为了解决聚类过程中没有考虑到外界环境对应变力数据会产生一定的影响从而导致正常的应变力数据被聚类到异常数据点簇类中,影响到对叶片结构的准确监测的技术问题,本发明的目的在于提供一种基于形变分析的结构监测方法,所采用的技术方案具体如下:
一种基于形变分析的结构监测方法,该方法包括:
获得风力发电机中的每个叶片的叶片应变力数据集;所述叶片应变力数据集包括每个叶片上不同位置的所有应变力数据;
获得每个叶片的每段旋转周期;获得每个叶片每段旋转周期内在不同预设旋转角度位置下采集到的所有叶片应变力数据集,组成每个叶片每段旋转周期内的周期数据;
根据任意两个旋转周期长度相同的所述周期数据的数据整体差异,获得任意两个旋转周期长度相同的所述周期数据的初始相似程度;根据任意两个相同长度的旋转周期内相邻叶片经过同一位置的时间间隔的变化程度,获得相同周期长度的周期数据对应旋转周期内的时间波动情况;获得任意两个相同周期长度的周期数据对应每个叶片旋转周期的旋转周期长度变化;根据所述时间波动情况与所述旋转周期长度变化获得任意两个旋转周期长度相同的所述周期数据的风速影响程度;
利用所述风速影响程度对所述初始相似程度进行修正,获得最终相似程度;利用所述最终相似程度对所有周期长度相同的所述周期数据进行聚类,确定异常周期数据簇;在异常周期数据簇中根据对应异常叶片与其他叶片之间相同位置上的应变力数据差异确定异常叶片上的异常位置。
进一步地,所述数据整体差异的获取方法包括:
计算任意两个相同长度旋转周期内的周期数据中每个对应角度位置的叶片应变力数据集平均值之间的差异作为对应位置差异;
将两个相同长度旋转周期内的周期数据之间的所有所述对应位置差异求平均获得所述数据整体差异。
进一步地,所述初始相似程度的获取方法包括:
将所述数据整体差异进行负相关映射并归一化处理获得所述初始相似程度。
进一步地,时间间隔的变化程度的获取方法包括:
获取每个旋转周期内相邻两个叶片经过同一位置的所有时间间隔;
将每个旋转周期中包含的所有所述时间间隔之间的方差,作为每个旋转周期内时间间隔的变化程度。
进一步地,所述时间波动情况的获取方法包括:
将任意两个相同长度的旋转周期之间时间间隔的所述变化程度的最大值作为任意两个相同长度的旋转周期内的时间波动情况。
进一步地,所述旋转周期长度变化的获取方法包括:
除去每个叶片的第一个旋转周期,将每个叶片的其余每个旋转周期与前一个旋转周期时间长度之间的差异作为每个叶片其余每个周期的旋转周期长度变化。
进一步地,所述风速影响程度的获取方法包括:
将任意两个相同长度的旋转周期的所述旋转周期长度变化之间的差异作为周期变化差异;
将所述时间波动情况与所述周期变化差异之间的乘积作为所述风速影响程度。
进一步地,所述最终相似程度的获取方法包括:
根据最终相似程度计算公式获得所述最终相似程度,所述最终相似程度计算公式如下所示:
Di ′=norm(Di×max(εi)×(|Δl1-Δl2|));式中,Di ′表示第i对周期数据之间的最终相似程度;Di表示第i对周期数据之间的初始相似程度;εi表示第i对周期数据内每个周期数据所在旋转周期内时间间隔的变化程度;Δl1表示第i对周期数据之间第一个周期数据的旋转周期长度变化;Δl2表示第i对周期数据之间第二个周期数据的旋转周期长度变化;max(εi)表示第i对周期数据的时间波动情况;|Δl1-Δl2|表示第i对周期数据之间的周期变化差异;norm()表示归一化函数;max()表示最大值函数。
进一步地,在异常周期数据簇中根据对应异常叶片与其他叶片之间相同位置上的应变力数据差异确定异常叶片上的异常位置,包括:
对于异常周期数据簇中的一个异常周期数据,在异常周期数据中任选一个旋转角度位置作为参考旋转角度位置;
在时序上统计异常叶片经过参考旋转角度位置之前,其他叶片经过参考旋转角度位置时的应变力数据集合作为分析应变力数据集合,分析应变力数据集合的数量与其他叶片的数量相同;
计算分析应变力数据集合内每个位置处应变力数据的数据均值,当异常应变力集合中每个位置的应变力数据与分析应变力数据集合中对应位置上的数据均值之间的数据差异归一化处理,当归一化的数据差异大于预设第一阈值时,认为该位置为异常叶片的异常位置。
进一步地,所述第一阈值设置为0.75。
本发明具有如下有益效果:
本发明获得风力发电机中的所有叶片应变力数据集,数据集中的应变力数据能够反映出每个叶片的结构特征;获取相邻两个叶片经过预设位置时的时间间隔与每个叶片的旋转周期,方便后续对风速对周期变化的影响;获得每个叶片每段旋转周期内在不同预设角度位置下采集到的所有叶片应变力数据集,组成每个叶片每段旋转周期内的周期数据,方便后续分析不同周期数据之间相似程度并保证任意两个长度相同的周期数据之间每个叶片应变力数据集都有对应数据集;根据任意两个旋转周期长度相同的不同周期数据之间的数据整体差异获得周期数据之间的初始相似程度,初始相似程度反映了无风速影响下,不同旋转周期内对应位置的应变力是否发生变化;接着根据一个旋转周期内时间间隔的变化程度获得任意两个相同长度的旋转周期内的时间波动情况,获得每个叶片相邻两个旋转周期之间的旋转周期长度变化,时间波动情况与旋转周期长度变化反映了风速对于周期数据的影响;根据时间波动情况与旋转周期长度变化获得风速影响程度,利用风速影响程度对初始相似程度进行修正,获得最终相似程度,减少风速对于周期数据之间相似程度的影响,使后续聚类结果更加准确;利用最终相似程度对所有周期长度相同的周期数据进行聚类,确定异常周期数据簇;在异常周期数据簇中根据对应异常叶片与其他叶片之间相同位置上的应变力数据差异确定异常叶片上的异常位置。本发明计算出风速对于应变力数据的影响从而修正聚类条件,使聚类结果能够更加准确地监测叶片结构是否发生异常。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于形变分析的结构监测方法流程图;
图2为本发明一个实施例所提供的一种应变力传感器安装示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于形变分析的结构监测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于形变分析的结构监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于形变分析的结构监测方法流程图,该方法包括:
步骤S1:获得风力发电机中的每个叶片的叶片应变力数据集;叶片应变力数据集包括每个叶片上不同位置的所有应变力数据。
本发明实施例提供了一种基于形变分析的结构检测方法,针对于风力发电机的叶片结构进行形变分析进而对叶片结构进行检测,所以首先需要获取叶片的应变力数据,并将每个叶片的所有应变力数据组成每个叶片的叶片应变力数据集。
本发明一个实施例中,风力发电机的叶片需要受力均匀以保证风力发电机能够保持平衡与稳定,所以通常风力发电机的叶片数量为3且叶片的结构完全相同。在风力发电机的每个叶片安装应变力传感器以保证应变力传感器采集到的应变力数据能够反映出叶片的结构特征,具体可参考图2,提供了一种应变力传感器安装示意图,通过应变力传感器采集到的应变力数据能够反映出叶片工作时的应变力变化情况。在每个叶片中以相同方式安装应变力传感器,以保证所有叶片进行结构检测的部位相同。需要说明的是,应变力传感器安装方式可以由实施人员根据具体实施场景自行设置,为本领域技术人员所熟知的技术手段,在此不做限定。
至此,获得每个叶片的叶片应变力数据集。
步骤S2:获得每个叶片的每段旋转周期;获得每个叶片每段旋转周期内在不同预设旋转角度位置下采集到的所有叶片应变力数据集,组成每个叶片每段旋转周期内的周期数据。
风力发电机的叶片在工作过程中会呈现周期性地转动,转动过程中的应变力的变化也会呈现周期性变化,在对叶片上的应变力变化情况进行异常分析时需要通过不同旋转周期的各应变力数据的变化情况去判断应变力数据是否异常,所以本发明实施例中,需要首先获取每个叶片的每段旋转周期。因为不同叶片之间的位置不同,所以不同叶片相同旋转周期的对应时间段具有滞后性,对于不同的叶片,按照统一的旋转周期对应时间点对叶片应变力数据集进行划分,会导致后续进行聚类操作时因为叶片位置的影响导致聚类结果不准确,所以对于不同的叶片需要采用不同的周期划分方式获得每个叶片的每段旋转周期。
本发明一个实施例中,在风力发电机的塔筒上安装一个固定的激光采集器,当叶片旋转经过激光采集器所在位置时,记录叶片经过的时间点,获得相邻两个叶片经过激光采集器的时间间隔,根据实际情况可知,叶片数量为3,将每个叶片连续两次经过激光采集器所在位置的时间段作为每个叶片的一段旋转周期,且每段旋转周期包含三个相邻两个叶片经过激光采集器的时间间隔,由此可以获得每个旋转周期以及每个旋转周期对应的旋转周期长度,方便后续对风速造成的影响进行分析。
需要说明的是,本发明实施例提供一种旋转周期与对应旋转周期长度的表达形式:获取相邻两个叶片经过激光采集器所在位置时的时间间隔合集为{t1,t2,t3…tz};式中,z表示采集的相邻两个叶片经过激光采集器所在位置的时间间隔序号;将风力发电机的叶片按照经过激光采集器所在位置的顺序进行编号,分别为1号叶片、2号叶片与3号叶片;其中1号叶片的第一个旋转周期对应的旋转周期长度为t1+t2+t3,2号叶片的第一个旋转周期对应的旋转周期长度为t2+t3+t4,3号叶片的第一个旋转周期对应的旋转周期长度为t3+t4+t5;由此获得每个叶片的每个旋转周期与每个旋转周期对应的旋转周期长度。
需要说明的是,本发明获取叶片经过预设位置的时间点的方式不唯一,且方式为本领域技术人员所熟知的技术手段,可以由实施人员自行设定,在此不做限定及赘述。
由于叶片所受应变力包括当前时刻叶片所受气动力与惯性力,为了后续对风速产生的影响进行分析,需要保证不同叶片应变力数据集在进行比较时所受惯性力应当保持一致,所以本发明实施例中,获得每个叶片每段旋转周期内在不同预设角度位置下采集到的所有叶片应变力数据集,组成每个叶片每段旋转周期内的周期数据。
本发明一个实施例中,周期数据的获取方法包括:
在所有叶片所在平面上,以风力发电机的中心建立笛卡尔坐标系,设置预设角度位置:0°、30°、60°、90°、120°、150°、180°、210°、240°、270°、300°、330°与360°,当每个叶片在笛卡尔坐标系上旋转到预设角度位置上时,对每个叶片的所有应变力数据进行采集,获取每个叶片每段旋转周期的所有叶片应变力数据集,组成每个叶片每段旋转周期的周期数据,方便后续对叶片应变力数据集进行相似程度的分析。
至此,获得每个叶片每段旋转周期内的周期数据。
步骤S3:根据任意两个旋转周期长度相同的周期数据的数据整体差异,获得任意两个旋转周期长度相同的周期数据的初始相似程度;根据任意两个相同长度的旋转周期内相邻叶片经过同一位置的时间间隔的变化程度,获得相同周期长度的周期数据对应旋转周期内的时间波动情况;获得任意两个相同周期长度的周期数据对应每个叶片旋转周期的旋转周期长度变化;根据时间波动情况与旋转周期长度变化获得任意两个旋转周期长度相同的周期数据的风速影响程度。
由于不同叶片之间的材质大小完全一致,当外界环境相同时不同的叶片处于相同的位置时其采集的应变力数据应该一致,所以对于旋转周期长度相同的不同旋转周期而言,如果叶片结构没有发生变化,则周期数据内每个对应位置的叶片应变力数据集是相似的,且周期数据整体之间的差异很小。所以本发明实施例中,获取数据整体差异任意两个旋转周期长度相同的周期数据的数据整体差异,进而获得任意两个旋转周期长度相同的周期数据的初始相似程度。
优选地,本发明一个实施例中,数据整体差异的获取方法包括:
计算任意两个相同长度旋转周期内的周期数据中每个对应角度位置的叶片应变力数据集平均值之间的差异作为对应位置差异;将两个相同长度旋转周期内的周期数据之间的所有对应位置差异求平均获得数据整体差异。
优选地,本发明一个实施例中,初始相似程度的获取方法包括:
将数据整体差异进行负相关映射并归一化处理获得初始相似程度。
本发明一个实施例中,初始相似程度计算公式如下所示:
式中,Di表示第i对旋转周期长度相同的周期数据之间的初始相似程度;ΔRk表示第i对旋转周期长度相同的周期数据之间第k个对应角度位置叶片应变力数据集之间的对应位置差异;N表示第i对旋转周期长度相同的每个周期数据内叶片应变力数据集的数量;k表示第i对旋转周期长度相同的周期数据之间对应角度位置叶片应变力数据集的序号;表示i对旋转周期长度相同的周期数据之间的数据整体差异;exp()表示以自然常数为底的指数函数。
在初始相似程度计算公式中,通过ΔRk计算旋转周期长度相同的两个周期数据内对应位置的叶片应变力数据集之间的相似程度,并将两个周期数据之间所有对应位置的叶片应变力数据集之间的相似程度求平均获得周期数据之间的数据整体差异,数据整体差异越小,周期数据内各个位置的叶片应变力数据集发生变化越小,两个周期长度相同的不同旋转周期的周期数据之间越相似。
在实际情况中,叶片可能会受到多种因素,例如风速、叶片自身结构疲劳等影响,从而出现周期长度相同的两个不同周期数据之间差异很大。对于叶片结构疲劳对周期数据造成的影响,通常认为该周期数据对应的时间段叶片结构可能会产生形变;而对于风速对周期数据造成的影响,由于风力发电机的叶片在不同旋转周期内受到的风力大小不同,叶片自身受到的应变力也有所不同,但在风力发电机规定范围内,风速不会对叶片的结构产生影响,所以应该减小风速对于周期数据之间初始相似程度的影响。故本发明实施例中,采用相邻叶片经过同一位置的时间间隔的变化程度代表风速对于旋转周期内部的影响,并获得旋转周期内的时间波动情况。
优选地,本发明一个实施例中,时间间隔的变化程度的获取方法包括:
获取每个旋转周期内相邻两个叶片经过同一位置的所有时间间隔;将每个旋转周期中包含的所有时间间隔之间的方差,作为每个旋转周期内时间间隔的变化程度。
优选地,本发明一个实施例中,时间波动情况的获取方法包括:
将任意两个相同长度的旋转周期之间时间间隔的变化程度的最大值作为任意两个相同长度的旋转周期内的时间波动情况。
风速除了对旋转周期内部造成影响,还会对旋转周期之间的变化产生影响。所以本发明实施例,获得任意两个相同长度的旋转周期各自的旋转周期长度变化,进而根据时间波动情况与旋转周期长度变化获得风速影响程度。
优选地,本发明一个实施例中,旋转周期长度变化的获取方法包括:
由于在叶片旋转较长时间后才可能会出现叶片结构发生形变,所以可以除去每个叶片的第一个旋转周期,将每个叶片的其余每个旋转周期与前一个旋转周期时间长度之间的差异作为每个叶片其余每个周期的旋转周期长度变化。
优选地,本发明一个实施例中,风速影响程度的获取方法包括:
将任意两个相同长度的旋转周期的旋转周期长度变化之间的差异作为周期变化差异;将时间波动情况与周期变化差异之间的乘积作为风速影响程度。
步骤S4:利用风速影响程度对初始相似程度进行修正,获得最终相似程度;利用最终相似程度对所有周期长度相同的周期数据进行聚类,确定异常周期数据簇;在异常周期数据簇中根据对应异常叶片与其他叶片之间相同位置上的应变力数据差异确定异常叶片上的异常位置。
由步骤S3获得的风速影响程度可以获得风速对于两个周期相同的不同旋转周期内的周期数据造成的影响,为了降低后续聚类操作对正常周期数据的误判,本发明实施例需要利用风速影响程度对初始相似程度进行修正,获得最终相似程度。
优选地,本发明一个实施例中,最终相似程度的获取方法包括:
根据最终相似程度计算公式获得最终相似程度,最终相似程度计算公式如下所示:
Di ′=norm(Di×max(εi)×(|Δl1-Δl2|))
式中,Di ′表示第i对周期数据之间的最终相似程度;Di表示第i对周期数据之间的初始相似程度;εi表示第i对周期数据内每个周期数据所在旋转周期内时间间隔的变化程度;Δl1表示第i对周期数据之间第一个周期数据的旋转周期长度变化;Δl2表示第i对周期数据之间第二个周期数据的旋转周期长度变化;max(εi)表示第i对周期数据的时间波动情况;|Δl1-Δl2|表示第i对周期数据之间的周期变化差异;norm()表示归一化函数;max()表示最大值函数。
在最终相似程度计算公式中,max(εi)×(|Δl1-Δl2|)表示第i对周期数据的风速影响程度,当风速影响程度越大时,第i对周期数据之间的差异越大,即初始相似程度越小,为了减小风速对于周期数据之间相似程度的影响,应当调整第i对周期数据之间的初始相似程度,使第i对周期数据之间的最终相似程度变大,即最终相似程度与初始相似程度和风速影响程度均呈正相关关系。
通过最终相似程度可以对周期长度相同的周期数据进行聚类,确定异常周期数据簇。由于风力发电机是一个整体,当其中一个叶片产生问题时会影响风力发电机整体的稳定性,风力发电机整体的应变力数据都有可能表现为异常情况,所以需要通过异常周期数据簇中对应异常叶片与其他叶片之间相同位置上的应变力数据差异确定异常叶片上的异常位置。
本发明一个实施例中,采用迭代自组织聚类算法对所有周期数据进行聚类,在相同周期长度的不同周期数据中,获得相同周期长度的异常周期数据簇;在异常周期数据簇中的周期数据认为存在异常应变力数据,即异常周期数据对应的叶片为异常叶片,此时需要进一步确定异常叶片上的异常位置。
优选地,本发明一个实施例中,在异常周期数据簇中根据对应异常叶片与其他叶片之间相同位置上的应变力数据差异确定异常叶片上的异常位置,包括:
对于异常周期数据簇中的一个异常周期数据,在异常周期数据中任选一个旋转角度位置作为参考旋转角度位置;在时序上统计异常叶片经过参考旋转角度位置之前,其他叶片经过参考旋转角度位置时的应变力数据集合作为分析应变力数据集合,分析应变力数据集合的数量与其他叶片的数量相同;计算分析应变力数据集合内每个传感器位置处应变力数据的数据均值,当异常应变力集合中每个传感器位置的应变力数据与分析应变力数据集合中对应传感器位置上的数据均值之间的数据差异归一化处理,当归一化的数据差异大于预设第一阈值时,认为该位置为异常叶片的异常位置。
需要说明的是,本发明一个实施例提供一种确定异常叶片的异常位置的步骤流程:
异常周期数据为叶片1在16点开始的一个周期,则在该周期内选择0°作为参考旋转角度,在16点之前,统计叶片2和叶片3旋转到0°时的数据,将统计到的两个数据作为分析应变力数据集合,将叶片2与叶片3之间相同位置的应变力数据求平均获得分析应变力数据集合每个位置的数据均值,当叶片1的异常应变力集合中每个位置的应变力数据与分析应变力数据集合中每个位置上的数据均值之间的数据差异进行归一化处理,当归一化的数据差异大于预设第一阈值时,认为此时的位置为异常叶片的异常位置。
优选地,本发明一个实施例中,第一阈值设置为0.75。需要说明的是,第一阈值的设置可以由实施人员依据具体实施场景自行设置,在此不做限定。
需要说明的是,迭代自组织聚类算法为本领域技术人员熟知的技术手段,在此不做赘述。此外,在本发明其他实施例中,还可以采用K-means聚类算法等其他算法对应变力数据进行聚类,在此不做限定。
至此,完成对风力发电机的结构监测。
综上,本发明获得风力发电机中的所有叶片应变力数据集;获取相邻两个叶片经过预设位置时的时间间隔与每个叶片的旋转周期,方便后续对风速对周期变化的影响;根据旋转周期对每个叶片的叶片应变力数据集进行划分,获得周期数据;根据任意两个旋转周期长度相同的不同周期数据之间的数据整体差异获得周期数据之间的初始相似程度,初始相似程度反映了无风速影响下,不同旋转周期内对应位置的应变力是否发生变化;接着根据一个旋转周期内时间间隔的变化程度获得任意两个相同长度的旋转周期内的时间波动情况,获得旋转周期长度与前一个旋转周期长度之间的旋转周期长度变化,时间波动情况与旋转周期长度变化反映了风速对于周期数据的影响;根据时间波动情况与旋转周期长度变化获得风速影响程度,利用风速影响程度对初始相似程度进行修正,获得最终相似程度,减少风速对于周期数据之间相似程度的影响,使后续聚类结果更加准确;根据最终相似程度对所有叶片相同位置上的所有应变力数据进行聚类,寻找出每个叶片中采集部位上的异常应变力数据点;利用最终相似程度对所有周期长度相同的周期数据进行聚类,确定异常周期数据簇;在异常周期数据簇中根据对应异常叶片与其他叶片之间相同位置上的应变力数据差异确定异常叶片上的异常位置。本发明计算出风速对于应变力数据的影响从而修正聚类条件,使聚类结果能够更加准确地监测叶片结构是否发生异常。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种基于形变分析的结构监测方法,其特征在于,所述方法包括:
获得风力发电机中的每个叶片的叶片应变力数据集;所述叶片应变力数据集包括每个叶片上不同位置的所有应变力数据;
获得每个叶片的每段旋转周期;获得每个叶片每段旋转周期内在不同预设旋转角度位置下采集到的所有叶片应变力数据集,组成每个叶片每段旋转周期内的周期数据;
根据任意两个旋转周期长度相同的所述周期数据的数据整体差异,获得任意两个旋转周期长度相同的所述周期数据的初始相似程度;根据任意两个相同长度的旋转周期内相邻叶片经过同一位置的时间间隔的变化程度,获得相同周期长度的周期数据对应旋转周期内的时间波动情况;获得任意两个相同周期长度的周期数据对应每个叶片旋转周期的旋转周期长度变化;根据所述时间波动情况与所述旋转周期长度变化获得任意两个旋转周期长度相同的所述周期数据的风速影响程度;
利用所述风速影响程度对所述初始相似程度进行修正,获得最终相似程度;利用所述最终相似程度对所有周期长度相同的所述周期数据进行聚类,确定异常周期数据簇;在异常周期数据簇中根据对应异常叶片与其他叶片之间相同位置上的应变力数据差异确定异常叶片上的异常位置。
2.根据权利要求1所述的一种基于形变分析的结构监测方法,其特征在于,所述数据整体差异的获取方法包括:
计算任意两个相同长度旋转周期内的周期数据中每个对应角度位置的叶片应变力数据集平均值之间的差异作为对应位置差异;
将两个相同长度旋转周期内的周期数据之间的所有所述对应位置差异求平均获得所述数据整体差异。
3.根据权利要求1所述的一种基于形变分析的结构监测方法,其特征在于,所述初始相似程度的获取方法包括:
将所述数据整体差异进行负相关映射并归一化处理获得所述初始相似程度。
4.根据权利要求1所述的一种基于形变分析的结构监测方法,其特征在于,时间间隔的变化程度的获取方法包括:
获取每个旋转周期内相邻两个叶片经过同一位置的所有时间间隔;
将每个旋转周期中包含的所有所述时间间隔之间的方差,作为每个旋转周期内时间间隔的变化程度。
5.根据权利要求1所述的一种基于形变分析的结构监测方法,其特征在于,所述时间波动情况的获取方法包括:
将任意两个相同长度的旋转周期之间时间间隔的所述变化程度的最大值作为任意两个相同长度的旋转周期内的时间波动情况。
6.根据权利要求1所述的一种基于形变分析的结构监测方法,其特征在于,所述旋转周期长度变化的获取方法包括:
除去每个叶片的第一个旋转周期,将每个叶片的其余每个旋转周期与前一个旋转周期时间长度之间的差异作为每个叶片其余每个周期的旋转周期长度变化。
7.根据权利要求5所述的一种基于形变分析的结构监测方法,其特征在于,所述风速影响程度的获取方法包括:
将任意两个相同长度的旋转周期的所述旋转周期长度变化之间的差异作为周期变化差异;
将所述时间波动情况与所述周期变化差异之间的乘积作为所述风速影响程度。
8.根据权利要求1所述的一种基于形变分析的结构监测方法,其特征在于,所述最终相似程度的获取方法包括:
根据最终相似程度计算公式获得所述最终相似程度,所述最终相似程度计算公式如下所示:
Di ′=norm(Di×max(εi)×(|Δl1-Δl2|));式中,Di ′表示第i对周期数据之间的最终相似程度;Di表示第i对周期数据之间的初始相似程度;εi表示第i对周期数据内每个周期数据所在旋转周期内时间间隔的变化程度;Δl1表示第i对周期数据之间第一个周期数据的旋转周期长度变化;Δl2表示第i对周期数据之间第二个周期数据的旋转周期长度变化;max(εi)表示第i对周期数据的时间波动情况;|Δl1-Δl2|表示第i对周期数据之间的周期变化差异;norm()表示归一化函数;max()表示最大值函数。
9.根据权利要求1所述的一种基于形变分析的结构监测方法,其特征在于,在异常周期数据簇中根据对应异常叶片与其他叶片之间相同位置上的应变力数据差异确定异常叶片上的异常位置,包括:
对于异常周期数据簇中的一个异常周期数据,在异常周期数据中任选一个旋转角度位置作为参考旋转角度位置;
在时序上统计异常叶片经过参考旋转角度位置之前,其他叶片经过参考旋转角度位置时的应变力数据集合作为分析应变力数据集合,分析应变力数据集合的数量与其他叶片的数量相同;
计算分析应变力数据集合内每个位置处应变力数据的数据均值,当异常应变力集合中每个位置的应变力数据与分析应变力数据集合中对应位置上的数据均值之间的数据差异归一化处理,当归一化的数据差异大于预设第一阈值时,认为该位置为异常叶片的异常位置。
10.根据权利要求9所述的一种基于形变分析的结构监测方法,其特征在于,所述第一阈值设置为0.75。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311796239.XA CN117905651B (zh) | 2023-12-25 | 2023-12-25 | 一种基于形变分析的结构监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311796239.XA CN117905651B (zh) | 2023-12-25 | 2023-12-25 | 一种基于形变分析的结构监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117905651A true CN117905651A (zh) | 2024-04-19 |
CN117905651B CN117905651B (zh) | 2024-07-09 |
Family
ID=90693549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311796239.XA Active CN117905651B (zh) | 2023-12-25 | 2023-12-25 | 一种基于形变分析的结构监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117905651B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102341597A (zh) * | 2009-03-02 | 2012-02-01 | 苏司兰能源有限公司 | 用于监控风力涡轮机的方法 |
US20170074743A1 (en) * | 2015-09-11 | 2017-03-16 | Mitsubishi Heavy Industries, Ltd. | Method of calibrating load measurement apparatus, load measurement system of wind turbine blade, and wind turbine |
CN106837709A (zh) * | 2017-04-20 | 2017-06-13 | 北京金风科创风电设备有限公司 | 风力发电机组叶片的监测方法和监测*** |
CN108087210A (zh) * | 2017-12-19 | 2018-05-29 | 北京金风科创风电设备有限公司 | 风力发电机组叶片异常识别方法及装置 |
US20190010923A1 (en) * | 2017-07-10 | 2019-01-10 | WindESCo, Inc. | System and method for augmenting control of a wind turbine assembly |
CN116498496A (zh) * | 2023-03-27 | 2023-07-28 | 国家电投集团江苏海上风力发电有限公司 | 基于多传感器信号的风力发电机组监测管理***及方法 |
-
2023
- 2023-12-25 CN CN202311796239.XA patent/CN117905651B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102341597A (zh) * | 2009-03-02 | 2012-02-01 | 苏司兰能源有限公司 | 用于监控风力涡轮机的方法 |
US20170074743A1 (en) * | 2015-09-11 | 2017-03-16 | Mitsubishi Heavy Industries, Ltd. | Method of calibrating load measurement apparatus, load measurement system of wind turbine blade, and wind turbine |
CN106837709A (zh) * | 2017-04-20 | 2017-06-13 | 北京金风科创风电设备有限公司 | 风力发电机组叶片的监测方法和监测*** |
US20190010923A1 (en) * | 2017-07-10 | 2019-01-10 | WindESCo, Inc. | System and method for augmenting control of a wind turbine assembly |
CN108087210A (zh) * | 2017-12-19 | 2018-05-29 | 北京金风科创风电设备有限公司 | 风力发电机组叶片异常识别方法及装置 |
CN116498496A (zh) * | 2023-03-27 | 2023-07-28 | 国家电投集团江苏海上风力发电有限公司 | 基于多传感器信号的风力发电机组监测管理***及方法 |
Non-Patent Citations (1)
Title |
---|
陶佳丽;王敏;周游游;陈冰;: "风电叶片结构健康监测***", 电气自动化, no. 04, 30 July 2016 (2016-07-30), pages 62 - 64 * |
Also Published As
Publication number | Publication date |
---|---|
CN117905651B (zh) | 2024-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10072635B2 (en) | Wind turbine and method for evaluating health state of blade thereof | |
CN117196353B (zh) | 基于大数据的环境污染评估与监测方法及*** | |
US20200363282A1 (en) | System and method for diagnosing a rotor unbalance of a wind turbine | |
CN117195137B (zh) | 基于数据分析的转子压铸误差检测*** | |
EP4100646B1 (en) | Wake monitoring, wake management and sensory arrangements to such | |
CN112418306B (zh) | 基于lstm-svm的燃气轮机压气机故障预警方法 | |
CN117407734B (zh) | 一种气缸密封性检测方法及*** | |
CN116950917A (zh) | 基于叶尖定时的大型离心压缩机叶片裂纹在线诊断方法 | |
CN111980871A (zh) | 一种基于ps0-anfis的风力发电机传感器状态诊断*** | |
CN117905651B (zh) | 一种基于形变分析的结构监测方法 | |
CN110007660B (zh) | 一种火电厂汽轮机组瞬态等效热应力在线软测量方法 | |
WO2022064038A1 (en) | Method and system for wind speed determination using vibration data | |
CN117609739A (zh) | 基于多点形变数据联合分析的结构在线监测方法 | |
CN110578659A (zh) | 一种用于对风电机组scada数据进行处理的***和方法 | |
CN112067289A (zh) | 一种基于神经网络的电机轴及传动轴异常振动预警算法 | |
CN111622815A (zh) | 基于叶尖定时和优化朴素贝叶斯的叶片裂纹在线测量方法 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN113807693B (zh) | 一种基于机载雷达的风电机组发电量优化效果评价方法 | |
Gu et al. | A prediction method of operation trend for large axial-flow fan based on vibration-electric information fusion | |
CN114033736A (zh) | 一种基于气压脉动信号风机故障监测*** | |
CN113933012B (zh) | 基于K-means聚类的螺旋桨转速测量方法 | |
JP7125518B2 (ja) | 多変量データの異常診断支援方法及び異常診断支援装置 | |
CN112001234B (zh) | 一种基于仿射不变度量的旋转机械采样数据聚类方法 | |
CN117874687B (zh) | 一种工业平板电脑的数据交互方法 | |
CN115355142B (zh) | 一种风电机组风向标故障检测方法、***、设备和介质 |
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 |