基于逆有限元重构图像识别的风机叶片损伤快速检测方法技术

本发明专利技术公开了一种基于逆有限元重构图像识别的风机叶片损伤快速检测方法。方法包括：将训练应变分布数据集输入逆有限元应变场重构算法模型，根据校准应变分布数据集使用逆有限元应变场重构参数校准方法对训练应变分布数据集校准，输出风机叶片应变场重构图像集；预处理获得预处理风机叶片应变场重构图像集；将风机叶片未损伤时的应变分布数据以及实时应变分布数据输入训练完成的卷积神经网络图像识别算法模型，输出当前风机叶片的损伤位置和损伤程度，实现对风机叶片损伤的快速检测。本发明专利技术方法能有效提高现有风机叶片损伤检测效率和准确性，且模型中无需用到结构材料特性和载荷信息，因此该损伤检测方法在复杂工况下具有普遍适用性。具有普遍适用性。具有普遍适用性。

【技术实现步骤摘要】
基于逆有限元重构图像识别的风机叶片损伤快速检测方法


[0001]本专利技术涉及了一种风机叶片损伤快速检测方法，具体涉及一种基于逆有限元重构图像识别的风机叶片损伤快速检测方法。

技术介绍

[0002]在连续运行期间，风机叶片由于受到风、暴雨、雷击、积冰、叶片材料强度不足、疲劳载荷或者制造、安装过程中的个人错误等因素影响，易发生结构变形和疲劳损伤，而且早期微小损伤或缺陷难以发现，使得风机气动效率降低，缩短其运行寿命。更为严重的是随着风机叶片疲劳退化，叶片表面出现裂纹，并迅速扩展，使得风机结构可靠性和安全性能大幅度下降，最终造成严重的经济损失和安全事故，所以能够实时快速地监测到它的健康状况尤为重要。其中，结构应变场重构与损伤识别是结构健康实时监测系统当中的一个关键问题。
[0003]然而基于振动信号分析的传统损伤识别方法检测效率不高，若要实现较为精确的检测通常需要大量的测量数据和损伤前后的模态信息，导致模型复杂、分析耗时，不便于实时在线检测，且对于早期微小损伤的检测灵敏度不高。尤其是针对风机叶片结构，其工作环境和操作条件复杂，例如风速、风机叶片的转速、温度、环境负载条件等，可能会明显影响叶片的动态特性(固有频率、振型和阻尼等)，导致难以区分损伤引起的振动与环境和操作条件引起的振动，需要用到更为复杂的算法，这将进一步增加分析耗时，不符合实时快速监测的要求。因此，在风机叶片结构损伤前模态信息缺失或不了解材料特性和初始损伤/裂纹位置的情况下，通过监测风机叶片结构少量应变信息来重构风机叶片结构的位移/应变场，并以此精确地检测材料内部存在的损伤，预测其裂纹长度及其动态传播路径直到材料整体失效是一个拟解决的重要问题。

技术实现思路

[0004]为了解决
技术介绍
中存在的问题，本专利技术所提供一种基于逆有限元重构图像识别的风机叶片损伤快速检测方法，能根据风机叶片结构表面布置的少量应变传感器测量的局部应变信息实时重构三维结构全局位移/应变场，并首次提出将逆有限元应变场重构图像用于卷积神经网络图像识别算法模型损伤检测训练，从而提供一种风机叶片端到端的损伤检测方法，检测效率较高；同时提供了一种风机叶片逆有限元应变场重构参数校准方法以对重构应变场参数进行实时校准，保证了风机叶片逆有限元应变场重构的准确性，从而进一步保证了最终风机叶片损伤检测的准确性；总而言之，该风机叶片损伤检测方法的模型简单、分析快速，能有效提高现有风机叶片损伤检测效率和准确性，且模型中无需用到结构材料特性和载荷信息，因此该损伤检测方法在复杂工况下具有普遍适用性。
[0005]本专利技术采用的技术方案是：
[0006]本专利技术风机叶片损伤快速检测方法包括如下步骤：
[0007]步骤一：在风机叶片的表面均匀间隔布设若干应变传感器，通过各个应变传感器
采集风机叶片的不同位置和不同程度的损伤的应变分布数据，并划分为训练应变分布数据集和校准应变分布数据集。
[0008]步骤二：将训练应变分布数据集输入逆有限元应变场重构算法模型处理，并根据校准应变分布数据集使用逆有限元应变场重构参数校准方法对训练应变分布数据集进行校准，逆有限元应变场重构算法模型最终输出风机叶片应变场重构图像集。
[0009]步骤三，对风机叶片应变场重构图像集进行图像预处理获得预处理风机叶片应变场重构图像集。
[0010]步骤四：将预处理风机叶片应变场重构图像集输入卷积神经网络图像识别算法模型中进行训练，获得训练完成的卷积神经网络图像识别算法模型。
[0011]步骤五：通过各个应变传感器采集风机叶片未损伤时的应变分布数据以及实时应变分布数据，将风机叶片未损伤时的应变分布数据以及实时应变分布数据输入训练完成的卷积神经网络图像识别算法模型中处理，处理后输出当前风机叶片的损伤位置和损伤程度，实现对风机叶片损伤的快速检测。
[0012]所述的步骤一中，通过各个应变传感器采集风机叶片的不同位置和不同程度的损伤的应变分布数据，并划分为训练应变分布数据集和校准应变分布数据集，具体为通过各个应变传感器每次采集风机叶片在相同位置和相同程度的损伤的应变分布数据，针对各个应变传感器每次采集的应变分布数据，将其中一部分应变传感器每次采集的应变分布数据划分为训练应变分布数据集，另一部分应变传感器每次采集的应变分布数据划分为校准应变分布数据集。
[0013]训练应变分布数据集中包括其中一部分应变传感器各次采集的应变分布数据，校准应变分布数据集中包括另一部分应变传感器各次采集的应变分布数据；每个应变分布数据均包括x轴方向应变、y轴方向应变以及xy轴方向剪切应变。
[0014]所述的步骤二中，将训练应变分布数据集和风机叶片结构类型输入逆有限元应变场重构算法模型处理，并根据校准应变分布数据集使用逆有限元应变场重构参数校准方法对训练应变分布数据集进行校准，具体为针对训练应变分布数据集中的每个应变传感器每次采集的应变分布数据以及校准应变分布数据集中的每个应变传感器当次采集的应变分布数据，将训练应变分布数据集中的每个应变传感器每次采集的应变分布数据输入逆有限元应变场重构算法模型处理，处理后输出应变参数重构后的应变分布数据的预处理风机叶片应变场重构图像，并获取当前的逆有限元应变场重构算法模型的第一加权系数w
e
、第二加权系数w
k
和第三加权系数w
g
；预处理风机叶片应变场重构图像中包括重构应变参数，计算预处理风机叶片应变场重构图像的重构应变参数和校准应变分布数据集中的应变传感器当次采集的应变分布数据的应变参数之间的误差，当误差大于2％时，则通过自适应权重调整算法调整当前的逆有限元应变场重构算法模型的第一加权系数w
e
、第二加权系数w
k
和第三加权系数w
g
的数值，将训练应变分布数据集中的每个应变传感器每次采集的应变分布数据输入调整后的逆有限元应变场重构算法模型中并重复步骤二对训练应变分布数据集进行校准，直至多次迭代后计算获得的误差小于等于2％时完成校准，获取此时的预处理风机叶片应变场重构图像作为最终的风机叶片应变场重构图像。
[0015]各个风机叶片应变场重构图像构成风机叶片应变场重构图像集。
[0016]训练应变分布数据集中的每个应变传感器每次采集的应变分布数据在逆有限元
应变场重构算法模型中进行应变场参数重构处理，首先处理获得全局位移场重构，全局位移场重构经过应变
‑
位移转换矩阵转换获得全局应变场重构，最终输出应变分布数据的风机叶片应变场重构图像。
[0017]逆有限元应变场重构算法的核心基于所构造的理论应变和实际测量应变之间的最小二乘误差函数最小化，使用的加权系数w
e
、w
k
、w
g
控制着理论应变与实际测量应变之间的一致性程度，在应变传感器布置位置相对较少或缺损的情况下，加权系数的取值尤为重要，而现阶段逆有限元应变场重构算法中加权系数的取值通常是简单地取一个较小的常值，不具备动态调整本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于逆有限元重构图像识别的风机叶片损伤快速检测方法，其特征在于：包括如下步骤：步骤一：在风机叶片的表面均匀间隔布设若干应变传感器，通过各个应变传感器采集风机叶片的不同位置和不同程度的损伤的应变分布数据，并划分为训练应变分布数据集和校准应变分布数据集；步骤二：将训练应变分布数据集输入逆有限元应变场重构算法模型处理，并根据校准应变分布数据集使用逆有限元应变场重构参数校准方法对训练应变分布数据集进行校准，逆有限元应变场重构算法模型最终输出风机叶片应变场重构图像集；步骤三，对风机叶片应变场重构图像集进行图像预处理获得预处理风机叶片应变场重构图像集；步骤四：将预处理风机叶片应变场重构图像集输入卷积神经网络图像识别算法模型中进行训练，获得训练完成的卷积神经网络图像识别算法模型；步骤五：通过各个应变传感器采集风机叶片未损伤时的应变分布数据以及实时应变分布数据，将风机叶片未损伤时的应变分布数据以及实时应变分布数据输入训练完成的卷积神经网络图像识别算法模型中处理，处理后输出当前风机叶片的损伤位置和损伤程度，实现对风机叶片损伤的快速检测。2.根据权利要求1所述的一种基于逆有限元重构图像识别的风机叶片损伤快速检测方法，其特征在于：所述的步骤一中，通过各个应变传感器采集风机叶片的不同位置和不同程度的损伤的应变分布数据，并划分为训练应变分布数据集和校准应变分布数据集，具体为通过各个应变传感器每次采集风机叶片在相同位置和相同程度的损伤的应变分布数据，针对各个应变传感器每次采集的应变分布数据，将其中一部分应变传感器每次采集的应变分布数据划分为训练应变分布数据集，另一部分应变传感器每次采集的应变分布数据划分为校准应变分布数据集；训练应变分布数据集中包括其中一部分应变传感器各次采集的应变分布数据，校准应变分布数据集中包括另一部分应变传感器各次采集的应变分布数据；每个应变分布数据均包括x轴方向应变、y轴方向应变以及xy轴方向剪切应变。3.根据权利要求2所述的一种基于逆有限元重构图像识别的风机叶片损伤快速检测方法，其特征在于：所述的步骤二中，将训练应变分布数据集和风机叶片结构类型输入逆有限元应变场重构算法模型处理，并根据校准应变分布数据集使用逆有限元应变场重构参数校准方法对训练应变分布数据集进行校准，具体为针对训练应变分布数据集中的每个应变传感器每次采集的应变分布数据以及校准应变分布数据集中的每个应变传感器当次采集的应变分布数据，将训练应变分布数据集中的每个应变传感器每次采集的应变分布数据输入逆有限元应变场重构算法模型处理，处理后输出应变参数重构后的应变分布数据的预处理风机叶片应变场重构图像，并获取当前的逆有限元应变场重构算法模型的第一加权系数w
e
、第二加权系数w
k
和第三加权系数w
g
；预处理风机叶片应变场重构图像中包括重构应变参数，计算预处理风机叶片应变场重构图像的重构应变参数和校准应变分布数据集中的应变传感器当次采集的应变分布数据的应变参数之间的误差，当误差大于2％时，则通过自适应权重调整算法调整当前的逆有限元应变场重构算法模型的第一加权系数w
e
、第二加权系数w
k
和第三加权系数w
g
的数值，将训练应变分布数据集中的每个应变传感器每次采集的应变
分布数据输入调整后的逆有限元应变场重构算法模型中并重复步骤二对训练应变分布数据集进行校准，直至多次迭代后计算获得的误差小于等于2％时完成校准，获取此时的预处理风机叶片应变场重构图像作为最终的风机叶片应变场重构图像；各个风机叶片应变场重构图像构成风机叶片应变场重构图像集。4.根据权利要求3所述的一种基于逆有限元重构图像识别的风机叶片损伤快速检测方法，其特征在于：所述的计算预处理风机叶片应变场重构图像的重构应变参数和校准应变分布数据集中的应变传感器当次采集的应变分布数据的应变参数之间的误差error，具体如下：其中，ε
iFEM
...

【专利技术属性】
技术研发人员：钱鹏，王涛，张大海，徐海洋，
申请(专利权)人：浙江大学，
类型：发明
国别省市：