基于数字孪生建模的风机叶片动态冲击检测方法及系统技术方案

本发明专利技术公开了一种基于数字孪生建模的风机叶片动态冲击检测方法及系统，涉及风力发电机健康监测技术领域。该方法通过获取在线测量的冲击载荷数据，利用微调后的深度神经网络模型，得到最终确定的冲击区域。其中，深度神经网络模型构建包括步骤：获取随机冲击载荷数据，建立风力发电机的数字孪生模型，利用数字孪生模型扩充冲击载荷数据，得到源域数据集；构建带有接受域注意力机制的深度神经网络模型，利用源域数据集对深度神经网络模型进行预训练；采用迁移学习的方法对深度神经网络模型进行自适应微调。本发明专利技术为风机叶片动态冲击检测中小样本数据学习、复杂结构响应分析以及在线部署问题提供了一种新的范式。署问题提供了一种新的范式。署问题提供了一种新的范式。

【技术实现步骤摘要】
基于数字孪生建模的风机叶片动态冲击检测方法及系统


[0001]本专利技术涉及风力发电机健康监测
，尤其涉及一种基于数字孪生建模的风机叶片动态冲击检测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]风力发电机的结构健康监测是新能源领域的一个新兴研究课题。在实际的风机运行场景中，风机叶片很容易被周围物体（砾石、冰雹、鸟类等）撞击。叶片表面的冲击载荷可能进一步导致结构完整性的恶化或严重损坏。因此，可靠、高效地检测叶片结构的动态冲击载荷对风机的安全运行和维护至关重要。
[0004]冲击检测过程涉及结构表面动态碰撞的识别和定位。在风机监测任务中，利用在风机上安装的传感器在线记录振动测量信号，并通过对信号的分析进行叶片冲击的识别和定位。为了有效地处理收集到的测量数据，数据驱动框架下的深度学习方法已被广泛用于处理结构振动响应和冲击识别问题。在数据驱动的学习框架下，深度神经网络模型不仅能提供良好的识别性能，而且能够满足在线运行的实时性要求。
[0005]尽管数据驱动深度学习为冲击识别提供了有效方法，但是专利技术人发现，在现有风机监测任务的实践应用中，还存在着以下问题：在风力发电机的整个运行周期内，由于真实冲击数量有限，一般较难收集到风机冲击的大量真实测量数据，导致目标域数据集仅有少量样本。因此，真实风机场景中少量的数据样本使得风机冲击检测成为一个小样本学习问题，无法仅仅通过小样本数据满足学习训练过程，同时无法满足冲击检测精度。
[0006]冲击下的风机叶片瞬态响应具有复杂的动态信号特征，存在难以学习的时序及通道间复杂的相互潜在关联，导致难以利用冲击下的风机叶片瞬态响应信号来分析冲击发生的区域。
[0007]碰撞事件在极短的时间内发生，而由此产生的瞬态结构响应需要被实时捕捉与处理，而现有技术缺乏高计算效率的在线决策方法。

技术实现思路

[0008]针对现有技术存在的不足，本专利技术的目的是提供一种基于数字孪生建模的风机叶片动态冲击检测方法及系统，建立了一个结构数字孪生模型与一个自适应的预训练与微调神经网络。前者用于模拟并生成冲击源域数据，后者用于自适应地挖掘从源域数据到目标域数据迁移过程的隐特征。本专利技术为风机叶片动态冲击检测中小样本数据学习、复杂结构响应分析以及在线部署问题提供了一种新的范式。
[0009]为了实现上述目的，本专利技术是通过如下的技术方案来实现：本专利技术第一方面提供了一种基于数字孪生建模的风机叶片动态冲击检测方法，包
括以下步骤：获取在线测量的冲击载荷数据，利用深度神经网络模型，得到最终确定的冲击区域；其中，深度神经网络模型的构建过程为：获取随机冲击载荷数据，通过有限元分析方法建立风力发电机的数字孪生模型，利用数字孪生模型扩充冲击载荷数据，得到源域数据集；构建带有接受域注意力机制的深度神经网络模型，利用源域数据集对深度神经网络模型进行预训练；采用迁移学习的方法对预训练后的深度神经网络模型进行自适应微调。
[0010]进一步的，通过有限元分析方法建立风力发电机的数字孪生模型，利用数字孪生模型扩充冲击载荷数据，得到源域数据集的具体过程为：利用有限元分析方法将风机结构体数字化地描述为结构有限元单元；根据有限元单元对风机结构构件进行有限元仿真得到风力发电机的数字孪生模型；风力发电机的数字孪生模型通过有限元分析过程计算冲击下的风机结构响应，将风机结构响应作为源域数据集。
[0011]更进一步的，风力发电机的数字孪生模型通过有限元分析过程计算冲击下的风机结构响应得具体过程为：根据风机结构在外部载荷下的运动控制方程构建风力发电机的数字孪生模型；利用时程分析方法在时域上求解运动控制方程得到结构响应。
[0012]更进一步的，利用有限元分析方法将风机结构体数字化地描述为结构有限元单元的具体过程为：固定风机的塔基位置，重力方向沿塔柱向下设置；采用网格离散化方法指定有限的叶片单元；通过模拟转子轴在角速度下的风机旋转以模拟风载荷效应；在叶片表面增加的可编辑强度的轴向力以模拟冲击载荷效应。
[0013]进一步的，接受域注意力机制包括时间接受域注意力机制和通道接受域注意力机制。
[0014]更进一步的，利用源域数据集对深度神经网络模型进行预训练的具体过程为：将源域数据集输入时间接受域注意力机制获得的时域加权的特征；将时域加权的特征平均分成若干序列块，将序列块输入通道接受域注意力机制，获得通道维度的加权特征；将通道维度的加权特征输入循环神经网络中进行更新和堆叠，输出冲击区域的分类概率。
[0015]更进一步的，构建以循环模块堆栈的形式构成的循环神经网络，最后一个循环模块的输出经过全连接层后输出冲击区域的分类概率；其中，循环模块为门控循环单元。
[0016]进一步的，采用迁移学习的方法对预训练后的深度神经网络模型进行自适应微调的具体过程为：构建开关网络并嵌入到预训练后的深度神经网络模型中；
利用开关网络对目标域数据集进行判断，得到各注意力模块开关值；按照开关情况分别选择微调或固定神经网络的注意力模块，得到网络预测的概率分布；利用交叉熵损失函数对深度神经网络模型预测的概率分布和真实的概率分布之间的差异进行测量，直到差异满足期望。
[0017]更进一步的，开关网络使用Gumbel
‑
Softmax函数来对开关网络的输出进行采样。
[0018]本专利技术第二方面提供了一种基于数字孪生建模的风机叶片动态冲击检测系统，包括：在线部署模块，被配置为获取在线测量的冲击载荷数据，利用深度神经网络模型，得到最终确定的冲击区域；其中，深度神经网络模型的构建包括：获取随机冲击载荷数据，通过有限元分析方法建立风力发电机的数字孪生模型，利用数字孪生模型扩充冲击载荷数据，得到源域数据集；构建带有接受域注意力机制的深度神经网络模型，利用源域数据集对接受域注意力深度神经网络模型进行预训练；采用迁移学习的方法对预训练后的深度神经网络模型进行自适应微调。
[0019]以上一个或多个技术方案存在以下有益效果：本专利技术公开了一种基于数字孪生建模的风机叶片动态冲击检测方法及系统，用于准确识别风机叶片的动态冲击载荷。
[0020]本专利技术为了解决实际冲击数据的小样本问题，提出了一种结构数字孪生模型，该模型通过精确有限元建模来产生作为源域数据集的结构冲击响应。
[0021]本专利技术为了解决冲击下的风机叶片瞬态响应难以学习的问题，提出了一种具有时间和通道接受域注意力机制的预训练深度神经网络模型，自适应地提取结构冲击响应中的复杂相关性。本专利技术还提出了一种新型的注意力开关网络以实现自适应迁移学习，该网络通过自适应网络层筛选实现了从源域数据到目标域数据的微调，保证了深度神经网络模型的鲁棒性和稳定性，能够得到高效准确的风机叶片动态冲击检测结果。
[0022]本专利技术通过实际风力发电机平台的实验获得目标域数据集，系统地验证了所提出风机叶片动态冲击检测方法的有效性，获得了高精度的冲击检测结果，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于数字孪生建模的风机叶片动态冲击检测方法，其特征在于，包括以下步骤：获取在线测量的冲击载荷数据，利用深度神经网络模型，得到最终确定的冲击区域；其中，深度神经网络模型的构建过程为：获取随机冲击载荷数据，通过有限元分析方法建立风力发电机的数字孪生模型，利用数字孪生模型扩充冲击载荷数据，得到源域数据集；构建带有接受域注意力机制的深度神经网络模型，利用源域数据集对深度神经网络模型进行预训练；采用迁移学习的方法对预训练后的深度神经网络模型进行自适应微调。2.如权利要求1所述的基于数字孪生建模的风机叶片动态冲击检测方法，其特征在于，通过有限元分析方法建立风力发电机的数字孪生模型，利用数字孪生模型扩充冲击载荷数据，得到源域数据集的具体过程为：利用有限元分析方法将风机结构体数字化地描述为结构有限元单元；根据有限元单元对风机结构构件进行有限元仿真得到风力发电机的数字孪生模型；风力发电机的数字孪生模型通过有限元分析过程计算冲击下的风机结构响应，将风机结构响应作为源域数据集。3.如权利要求2所述的基于数字孪生建模的风机叶片动态冲击检测方法，其特征在于，风力发电机的数字孪生模型通过有限元分析过程计算冲击下的风机结构响应得具体过程为：根据风机结构在外部载荷下的运动控制方程构建风力发电机的数字孪生模型；利用时程分析方法在时域上求解运动控制方程得到结构响应。4.如权利要求2所述的基于数字孪生建模的风机叶片动态冲击检测方法，其特征在于，利用有限元分析方法将风机结构体数字化地描述为结构有限元单元的具体过程为：固定风机的塔基位置，重力方向沿塔柱向下设置；采用网格离散化方法指定有限的叶片单元；通过模拟转子轴在角速度下的风机旋转以模拟风载荷效应；在叶片表面增加的可编辑强度的轴向力以模拟冲击载荷效应。5.如权利要求1所述的基于数字孪生建模的风机叶片动态冲击检测方法，其特征在于，接受域注意力机制包括时间接受域注意力机制和通道接受域注意力机制。6.如权利要求5所述的基于数字孪生建...

【专利技术属性】
技术研发人员：李腾，栾迎新，逄镇东，张伟，
申请(专利权)人：山东大学，
类型：发明
国别省市：