[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

说明书

本发明公开了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。方法包括：在风机塔筒上布设应变传感器，采集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模拟损伤下的三维位移分布；转换为二维位移分布并输入卷积神经网络模型中训练，获得训练完成的卷积神经网络模型；采集风机塔筒的实际损伤引起的应变分布数据，并重构转换为二维位移分布；输入训练完成的卷积神经网络模型中，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。本发明能通过监测风机塔筒上部分位置点的应变信息重构出风机塔筒整体结构的位移分布，并能够识别出塔筒是否存在损伤并指示损伤位置和程度信息，为风电机组的安全服役提供保障。

技术领域

本发明涉及了一种风机塔筒结构监测方法，具体涉及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。

背景技术

在现有的大中型风力发电机组中，往往采用较高的塔筒来支撑风机叶轮和机舱，以便获得更多的风能。在风力发电机组服役期间，风机塔筒经常暴露在极端的风环境中，大挠度变形和重复应力循环都会导致塔筒发生损伤。塔筒是风电机组重要的承载部件，塔筒的性能直接影响了风电机组运行的稳定性和可靠性，它的损坏可能导致整个风力发电机组的灾难性破坏。

目前，针对风机塔筒的结构损伤监测，主要采用基于模态特性的方法。其原理是：结构损伤会引起物理性能参数(如质量、阻尼和刚度等)的变化，从而改变系统的模态特性参数(如固有频率、阻尼比和模态振型等)。其具体实施为：通过布设在风机塔筒上的若干振动传感器，对塔筒的动态响应进行测量，获得其振动响应数据，进而从中提取塔筒的固有频率、阻尼比和模态振型等结构模态参数，通过判断模态参数的变化确定风机塔筒是否发生损伤。但基于模态特性的风机塔筒结构健康监测存在以下不足之处：(1)为确保塔筒模态参数的精确识别，需要沿塔筒高度方向安装大量的固定式振动传感器，其长期工作于振动环境下，振动导致的松动将导致可靠性降低；(2)模态参数是结构的整体特性，从振动响应中提取分析塔筒的模态参数变化，仅能确定风机塔筒是否发生损伤，并不能指示具体损伤区域和损伤程度，从而很难开展后期的定位维护工作；(3)基于模态特性的损伤检测方法需要风机塔筒健康状态下的模态参数做参考，对于已经服役的风电机组，其健康状态下的模态参数有可能缺失，导致其已有损伤无法有效的检测。因此，为了确保风机塔筒服役过程中的安全运行，需要一种可靠性高且不依靠其健康状态下的参数就能够准确检测并指示损伤部位和损伤程度的风机塔筒损伤监测方法。

发明内容

为了解决背景技术中存在的问题，本发明所提供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。本发明可实现对待测塔筒的损伤位置和损伤程度进行识别。

本发明采用的技术方案是：

本发明塔筒结构监测方法包括如下步骤：

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。