System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及风电,特别是涉及一种风力机叶片寿命智能监测方法及系统。
技术介绍
1、在风力发电系统中,风力机叶片是转换风能为机械能的关键部件之一。然而,由于长期受到风力的冲击和环境影响,叶片的材料和结构会逐渐发生损伤和疲劳,从而降低了其性能和寿命。因此,准确监测和评估风力机叶片的寿命变得至关重要。传统的风力机叶片寿命监测方法主要依赖人工巡检和离线试验,这种方法存在成本高、时效性差和数据采集不连续等问题。近年来,随着智能监测技术的发展,基于数据分析和模型建立的智能监测方法逐渐成为研究热点。
技术实现思路
1、本专利技术的目的是提供一种风力机叶片寿命智能监测方法及系统,提高风力机叶片寿命的预测精度。
2、为实现上述目的,本专利技术提供了如下方案:
3、一种风力机叶片寿命智能监测方法,所述方法包括:
4、基于风力机叶片结构模型进行仿真,得到风力机叶片表面疲劳裂纹的仿真数据;
5、对仿真数据进行异常点剔除,对异常点剔除后的仿真数据进行退化量提取,将提取后不同仿真循环次数的仿真数据的退化量的差值作为退化量差值;
6、基于退化量差值进行线性拟合,得到拟合曲线;
7、判断所述拟合曲线是否存在拐点,若存在拐点,则采用两阶段随机失效阈值wiener退化模型进行预测得到风力机叶片的寿命信息;所述两阶段随机失效阈值wiener退化模型包括第一阶段的随机失效阈值wiener退化模型和第二阶段的随机失效阈值wiener退化模型;若不存在
8、可选的,所述两阶段随机失效阈值wiener退化模型是基于随机失效阈值、第一阶段的仿真数据的退化量、第二阶段的仿真数据的退化量、第一阶段的漂移系数、第二阶段的漂移系数、第一阶段扩散系数和第二阶段的扩散系数构建得到的;
9、所述两阶段随机失效阈值wiener退化模型为:
10、当0<t≤tk时,
11、
12、当tk<t时,
13、
14、式中,qα(t)表示风力机以1-α概率继续正常工作的时间,r-1(*)表示风力机叶片的可靠度r(*)的逆函数,α是介于0和1之间的参数,t是仿真循环次数;d为随机失效阈值,a为当t=0时的仿真数据的退化量,a1为当t=tk时的仿真数据的退化量,μ1、μ2分别是第一阶段和第二阶段的漂移系数,σ1、σ2分别是第一阶段和第二阶段的扩散系数,t为仿真循环次数,tk是拐点k的仿真循环次数;
15、其中,风力机叶片的可靠度函数如下:
16、
17、其中,r1(*)、r2(*)分别为第一阶段和第二阶段的可靠度函数。
18、可选的,所述拐点k的确定过程包括:
19、将退化量差值代入aicc最小准则公式中以寻找最小aicc值点,所述aicc最小准则公式为:
20、alcc(ki)=-2in(l)+2ki+(2ki(ki+1))/(n-ki-1);
21、式中,ki为两阶段wiener模型参数的个数,n为两阶段wiener模型样本的大小,in(l)为两阶段wiener模型的极大似然函数值;
22、其中:
23、
24、式中,δxi为第i次和i-1次仿真循环的退化量差值;k为第一阶段的最后一个退化量的编号,即拐点;m为第二阶段的最后一个退化量的编号;其中,μ1、μ2分别是第一阶段和第二阶段的漂移系数,σ1、σ2分别是第一阶段和第二阶段的扩散系数,δti为第i次和i-1次仿真循环的次数的差值,为第一阶段提取后的仿真数据的退化量差值的平均值,为第二阶段提取后的仿真数据退化量差值的平均值;
25、基于aicc最小准则确定aicc最小值点,aicc最小值点即为拐点k;
26、
27、基于拐点k的仿真循环次数tk,将仿真退化量分成两个阶段,即:第一阶段为0<t≤tk;第二阶段为tk≤t。
28、可选的,所述第一阶段的漂移系数、所述第二阶段的漂移系数、所述第一阶段的扩散系数和所述第二阶段的扩散系数的确定过程包括:
29、对两阶段wiener模型的极大似然函数值in(l)分别求偏导数,令可以得到参数的最大似然估计值分别为:
30、
31、将k和m代入上式,即得到第一阶段的漂移系数μ1、第二阶段的漂移系数μ2、第一阶段的扩散系数σ1和第二阶段的扩散系数σ2。
32、可选的,所述随机失效阈值d的确定过程包括:
33、
34、式中,θ1和θ2为服从正态分布的预设参数。
35、可选的,基于退化量差值进行线性拟合,得到拟合曲线之前,还包括:通过自适应函数对退化量差值中的异常点进行剔除。
36、可选的,通过自适应函数对退化量差值中的异常点进行剔除,具体包括:
37、基于提取后的仿真数据和获取的风力机叶片表面疲劳裂纹的实测数据得到退化量差值的标准值;
38、将低于标准值的退化量差值设定为异常点,通过自适应函数对异常点进行剔除,同时自适应函数中的自适应参数基于提取后的仿真数据和实测数据进行更新。
39、可选的,在得到风力机叶片的寿命信息之后,还包括:当风力机叶片的寿命超过预警阈值时,对风力机叶片进行预警和维护。
40、一种风力机叶片寿命智能监测系统,所述系统包括:
41、仿真模块,用于基于风力机叶片结构模型进行仿真,得到风力机叶片表面疲劳裂纹的仿真数据;
42、数据处理模块,用于对仿真数据进行异常点剔除,对异常点剔除后的仿真数据进行退化量提取,将提取后不同仿真循环次数的仿真数据的退化量的差值作为退化量差值;
43、拟合模块,用于基于退化量差值进行线性拟合,得到拟合曲线;
44、预测模块,用于判断所述拟合曲线是否存在拐点,若存在拐点,则采用两阶段随机失效阈值wiener退化模型进行预测得到风力机叶片的寿命信息;所述两阶段随机失效阈值wiener退化模型包括第一阶段的随机失效阈值wiener退化模型和第二阶段的随机失效阈值wiener退化模型;若不存在拐点,则采用第一阶段的随机失效阈值wiener退化模型进行预测,得到风力机叶片的寿命信息。
45、根据本专利技术提供的具体实施例,本专利技术公开了以下技术效果:
46、本专利技术通过对异常点剔除和退化量提取,进而得到退化量差值,然后基于退化量差值进行线性拟合并判断拐点后,并基于拐点分两个阶段对风力机叶片的寿命进行预测,提高了风力机叶片寿命的预测精度。
本文档来自技高网...【技术保护点】
1.一种风力机叶片寿命智能监测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种风力机叶片寿命智能监测方法,其特征在于,所述两阶段随机失效阈值Wiener退化模型是基于随机失效阈值、第一阶段的仿真数据的退化量、第二阶段的仿真数据的退化量、第一阶段的漂移系数、第二阶段的漂移系数、第一阶段扩散系数和第二阶段的扩散系数构建得到的;
3.根据权利要求2所述的一种风力机叶片寿命智能监测方法,其特征在于,所述拐点k的确定过程包括:
4.根据权利要求3所述的一种风力机叶片寿命智能监测方法,其特征在于,所述第一阶段的漂移系数、所述第二阶段的漂移系数、所述第一阶段的扩散系数和所述第二阶段的扩散系数的确定过程包括:
5.根据权利要求2所述的一种风力机叶片寿命智能监测方法,其特征在于,所述随机失效阈值D的确定过程包括:
6.根据权利要求1所述的一种风力机叶片寿命智能监测方法,其特征在于,基于退化量差值进行线性拟合,得到拟合曲线之前,还包括:通过自适应函数对退化量差值中的异常点进行剔除。
7.根据权利要求1所述的一种风力
8.根据权利要求1所述的一种风力机叶片寿命智能监测方法,其特征在于,在得到风力机叶片的寿命信息之后,还包括:当风力机叶片的寿命超过预警阈值时,对风力机叶片进行预警和维护。
9.一种风力机叶片寿命智能监测系统,其特征在于,所述系统包括:
...【技术特征摘要】
1.一种风力机叶片寿命智能监测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种风力机叶片寿命智能监测方法,其特征在于,所述两阶段随机失效阈值wiener退化模型是基于随机失效阈值、第一阶段的仿真数据的退化量、第二阶段的仿真数据的退化量、第一阶段的漂移系数、第二阶段的漂移系数、第一阶段扩散系数和第二阶段的扩散系数构建得到的;
3.根据权利要求2所述的一种风力机叶片寿命智能监测方法,其特征在于,所述拐点k的确定过程包括:
4.根据权利要求3所述的一种风力机叶片寿命智能监测方法,其特征在于,所述第一阶段的漂移系数、所述第二阶段的漂移系数、所述第一阶段的扩散系数和所述第二阶段的扩散系数的确定过程包括:
5.根据权...
【专利技术属性】
技术研发人员:毕俊喜,刘飞,杨少楠,李海滨,周燕,祁晓,王柳樱,王妍,
申请(专利权)人:内蒙古工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。