[发明专利]基于逆有限元变形重构和深度学习的塔筒结构监测方法

权利要求书

1.一种基于逆有限元变形重构和深度学习的塔筒结构监测方法，其特征在于：包括如下步骤：

S1、在风机塔筒的内壁上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塔筒的不同位置和不同程度的模拟损伤引起的应变分布数据；

S2、针对各个应变传感器采集的风机塔筒的一个位置处的一种程度的模拟损伤引起的应变分布数据，通过逆有限元变形重构算法重构出风机塔筒的一个位置处的一种程度的模拟损伤下的风机塔筒结构的整体三维位移分布；各个应变传感器采集风机塔筒的不同位置和不同程度的模拟损伤引起的应变分布数据获得各自的风机塔筒结构的整体三维位移分布；

S3、构建卷积神经网络模型，将风机塔筒的不同位置和不同程度的模拟损伤下的风机塔筒结构的整体三维位移分布均转换为整体二维位移分布，将风机塔筒的不同位置和不同程度的模拟损伤下的风机塔筒结构的整体二维位移分布输入卷积神经网络模型中进行训练，获得训练完成的卷积神经网络模型；

S4、在风机塔筒产生实际损伤后，通过风机塔筒上的各个应变传感器采集风机塔筒上的实际损伤引起的应变分布数据，并通过逆有限元算法重构出风机塔筒的实际损伤下的风机塔筒结构的整体三维位移分布并转换为整体二维位移分布；将风机塔筒的实际损伤下的风机塔筒结构的整体二维位移分布输入训练完成的卷积神经网络模型中，训练完成的卷积神经网络模型输出风机塔筒的损伤位置和损伤程度信息，实现风机塔筒的结构监测。

2.根据权利要求1所述的一种基于逆有限元变形重构和深度学习的塔筒结构监测方法，其特征在于：所述的步骤S1中，在风机塔筒的内壁上均匀间隔布设若干应变传感器，具体为将风机塔筒的内壁均匀划分为网格状，在网格上的每个节点位置处布置一个应变传感器。

3.根据权利要求2所述的一种基于逆有限元变形重构和深度学习的塔筒结构监测方法，其特征在于：所述的步骤S1中，通过各个应变传感器采集风机塔筒的不同位置和不同程度的模拟损伤引起的应变分布数据，具体为选取若干质量从小到大的磁铁，针对风机塔筒的内壁均匀划分的网格上的其中一个方格，在方格内贴附各个质量从小到大的磁铁，每次贴附一个磁铁，使得方格位置处产生不同程度的模拟损伤，每个磁铁的质量对应一个模拟损伤的程度，磁铁的质量越大，模拟损伤的程度越重，从而获得每个磁铁的质量和模拟损伤的程度的对应关系；每次贴附磁铁时均通过各个应变传感器采集风机塔筒的应变分布数据。

4.根据权利要求1所述的一种基于逆有限元变形重构和深度学习的塔筒结构监测方法，其特征在于：所述的应变传感器采用应变片或光纤光栅。

5.根据权利要求1所述的一种基于逆有限元变形重构和深度学习的塔筒结构监测方法，其特征在于：所述的步骤S3中，构建的卷积神经网络模型包括依次连接的第一卷积层、第二卷积层、第一池化层、第三卷积层、第二池化层和全连接层。

6.根据权利要求1所述的一种基于逆有限元变形重构和深度学习的塔筒结构监测方法，其特征在于：所述的步骤S3中，将风机塔筒的不同位置和不同程度的模拟损伤下的风机塔筒结构的整体三维位移分布转换为整体二维位移分布，具体为将风机塔筒的三维结构沿塔筒圆柱面任一母线展开成二维矩形平面，进而将风机塔筒的三维结构坐标转换为二维结构坐标。

7.根据权利要求1所述的一种基于逆有限元变形重构和深度学习的塔筒结构监测方法，其特征在于：所述的步骤S3中，将风机塔筒的不同位置和不同程度的模拟损伤下的风机塔筒结构的整体二维位移分布输入卷积神经网络模型中进行训练，针对风机塔筒的一个位置处的一种程度的模拟损伤下的风机塔筒结构的整体二维位移分布，整体二维位移分布中包括风机塔筒的模拟损伤的实际损伤位置和实际损伤程度，卷积神经网络模型处理后输出风机塔筒的模拟损伤的预测损伤程度和预测损伤位置，分别计算卷积神经网络模型输出的风机塔筒的模拟损伤的预测损伤位置和预测损伤程度与风机塔筒的模拟损伤的实际损伤位置和实际损伤程度之间的误差；

直至多次迭代计算获得的卷积神经网络模型输出的风机塔筒的模拟损伤的预测损伤位置和预测损伤程度与风机塔筒的模拟损伤的实际损伤位置和实际损伤程度之间的误差均小于预设误差阈值，完成卷积神经网络模型的训练，获得训练完成的卷积神经网络模型。