一种融合声纹数据与CAE算法的大型风机叶片寿命预测方法与流程

一种融合声纹数据与cae算法的大型风机叶片寿命预测方法
技术领域
1.本发明属于风力发电技术领域，具体涉及一种融合声纹数据与cae算法的大型风机叶片寿命预测方法。


背景技术：

2.由于海上风电场距离大陆很远，因此应用了许多远程健康监测系统，以通过分析风力发电机测量的数据来降低故障风险、识别故障发生并提高工作性能。监督控制和数据采集(scada)系统和状态监测系统(cms)被认为是两种最常见的结构健康监测手段。
3.scada系统通常用于监测与不同风力涡轮机部件相关的几个参数(例如，结构振动水平、温度、轴承、塔架和传动系统加速度)。研究人员充分利用scada系统采集的数据进行参数识别、故障诊断和风险预测的进一步分析。cms是另一个重要的工具，可以在更高的频率(通常超过50hz)下连续监测和测量海上风机(owt)结构的振动、载荷、风速和温度等数据，以检查风机是否正在运行正确，实现基于时域和频域分析的轮齿损坏检测、故障诊断和上报报警的目的。
4.目前采用的主要技术有：
5.1)scada系统和cms被认为是owt结构中最常见的两种健康监测系统。然而，这两个系统都试图相互集成，以显着提高owt结构健康监测的效率和准确性。两种系统都以检测数据为分析对象，缺乏疲劳机理数据支持，结合机理模型的整体监控系统的设计和优化将是未来的发展趋势。
6.2)目前，大多数研究集中在振动信号特征信息提取和识别的新技术上。然而，很少构建能够集成多种识别技术的有效指标和安全评估体系来评估owt的运行安全性和稳定性。
7.本专利技术开发的基于cae机理模型与声纹数据模型的海上风机在线预测性维护算法提高大型风电机组，特别是大型风机叶片寿命预测的有效手段。


技术实现要素：

8.本发明的目的在于提供一种融合声纹数据与cae算法的大型风机叶片寿命预测方法，克服了现有技术的不足，通过耦合机理模型仿真结果数据库和基于声音数据分析的数据模型，大幅度提高预测的准确性与一致性。
9.为解决上述问题，本发明所采取的技术方案如下：
10.一种融合声纹数据与cae算法的大型风机叶片寿命预测方法，包括：
11.流体力学仿真分析：对大型风机叶片在不同风场中的受理情况进行分析并采集数据，构建海上复杂风场数据模型及风机叶片空气动力学模型；
12.结构力学仿真分析：基于风机叶片的静力学和动力学仿真，对海上大型风机叶片的结构应力分布和疲劳进行分析，构建结构力学仿真模型对叶片的寿命与断裂进行预测分析；
13.建立耦合机理模型：耦合流体力学仿真和结构力学仿真，对海上大型风机叶片在不同复杂风场下的叶片受力、疲劳、断裂以及相互之间影响进行仿真和分析，构建海上大型风机叶片力学故障预测机理模型；
14.建立声纹数据模型：通过对风机叶片运行过程中的声音数据进行采集，对声纹数据进行特征提取后构建基于声纹数据的故障预测数据模型，并采用机器学习算法对故障预测数据模型进行训练；
15.耦合机理模型和数据模型：将故障预测机理模型与故障预测数据模型进行耦合，对风机叶片的故障进行分级预警预测。
16.进一步，所述流体力学仿真分析具体包括：
17.(1)基于计算流体力学仿真，构建复杂风场仿真模型与风场动态仿真，对风机叶片在复杂风场下受力动态变化过程仿真；
18.(2)建立风场与叶片气动力之间的联系，以及叶片运动与叶片气动力之间的联系，分析影响叶片受力的工况因素和设计因素；
19.(3)分析风机叶片运动过程中气动力的各相异性特性和周期性。
20.进一步，所述构建复杂风场仿真模型与风场动态仿真，包括：
21.根据海上大型风机安装位置地区的气候数据，建立风场数据库；
22.从数据库中提取风场特征参数作为风场仿真的输入，利用计算流体学方法对该地区的风场进行动态仿真，模拟真实的恶劣天气情况。
23.进一步，所述结构力学仿真分析包括：
24.(1)基于静力学仿真原理分析大型风机叶片结构部件的强度和变形；
25.(2)基于多体动力学仿真原理分析大型风机叶片结构部件在运动过程中的强度和变形；
26.(3)基于动力学仿真原理分析运行过程中的振动和稳定性；
27.(4)基于屈曲仿真原理分析运行失效问题；
28.(5)基于疲劳仿真原理分析设备运行状态，确定叶片的维护问题。
29.进一步，所述对海上大型风机叶片在不同复杂风场下的叶片受力、疲劳、断裂以及相互之间影响进行仿真和分析，具体包括：
30.(1)使用模态试验和仿真分析,获取健康叶片和裂纹故障叶片的固有频率和振型变化规律，分析对比了叶片表面气动力与叶片各阶振型之间的相互作用以及裂纹故障位置与气动力的相互作用；
31.(2)分析不同工况,不同风场下,流体场中气动力的分布规律，分析对比叶片表面气动力分布情况,为叶片动力学分析提供载荷基础，利用通风机流体场流线图,分析不同参数下,流体场内流体流动的变化规律；
32.(4)仿真不同风场下,风机健康叶片和裂纹故障叶片的应力、应变、总变形之间的分布规律，通过仿真分析,研究裂纹对叶片应变,应力的影响规律以及叶片裂纹的扩展趋势。
33.进一步，所述构建基于声纹数据的故障预测数据模型包括：
34.(1)基于短时傅里叶变换与时频变换算法的声纹数据处理方法开发；
35.(2)故障声音特征提取算法开发；
36.(3)基于机器学习算法的声纹数据模型训练与故障预测算法开发。
37.进一步，所述将故障预测机理模型与故障预测数据模型进行耦合，具体包括：
38.(1)基于机理模型，集成动力学仿真数据分析，开发力学故障诊断模型，同时提供大量数据给数据分析模型；
39.(2)基于机理模型研究成果和数据模型分析方法，建立风机叶片状态参数数据库；
40.(3)应用大数据算法对风机叶片状态数据进行特征提取后通过机器学习算法对故障预测模型进行训练，实现对风机叶片故障进行预警预测。
41.本发明与现有技术相比较，具有以下有益效果：
42.本发明通过耦合机理模型仿真结果数据库和基于声音数据分析的数据模型，大幅度提高预测的准确性与一致性，实现短中长期3级预警，为大型风机叶片的安全运行与检维修提供数据依据。
附图说明
43.图1为大型风机叶片的流体场。
44.图2为大型风机叶片的结构力学分析图。
45.图3为大型风机叶片的流体场中气动力的分布模拟图。
46.图4为声纹数据模型的模拟图。
47.图5为大型风机叶片的故障率预测折线图。
具体实施方式
48.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
49.本发明所述一种融合声纹数据与cae算法的大型风机叶片寿命预测方法。
50.1、流体力学仿真分析：对大型风机叶片在不同风场中的受理情况进行分析并采集数据，构建海上复杂风场数据模型及风机叶片空气动力学模型；
51.具体包括：
52.(1)基于计算流体力学仿真，根据海上大型风机安装位置地区的气候数据，建立风场数据库；从数据库中提取风场特征参数作为风场仿真的输入，利用计算流体学方法对该地区的风场进行动态仿真，模拟真实的恶劣天气情况，构建复杂风场仿真模型与风场动态仿真，对风机叶片在复杂风场下受力动态变化过程仿真；
53.(2)利用计算流体力学方法，对叶片运动过程中的风场、叶片受力进行仿真分析；重点分析各种复杂风场环境下叶片的受力分布和力的动态分布情况；建立风场与叶片气动力之间的联系，以及叶片运动与叶片气动力之间的联系，分析影响叶片受力的工况因素和设计因素；
54.(3)分析风机叶片运动过程中气动力的各相异性特性和周期性。
55.该步骤主要是为风机叶片的气动载荷计算提供边界条件。
56.2、结构力学仿真分析：基于风机叶片的静力学和动力学仿真，对海上大型风机叶
片的结构应力分布和疲劳进行分析，构建结构力学仿真模型对叶片的寿命与断裂进行预测分析；
57.结构力学仿真分析包括：
58.(1)基于静力学仿真原理分析大型风机叶片结构部件的强度和变形；
59.(2)基于多体动力学仿真原理分析大型风机叶片结构部件在运动过程中的强度和变形；
60.(3)基于动力学仿真原理分析运行过程中的振动和稳定性；
61.(4)基于屈曲仿真原理分析运行失效问题；
62.(5)基于疲劳仿真原理分析设备运行状态，确定叶片的维护问题。
63.3、建立耦合机理模型：耦合流体力学仿真和结构力学仿真，对海上大型风机叶片在不同复杂风场下的叶片受力、疲劳、断裂以及相互之间影响进行仿真和分析，构建海上大型风机叶片力学故障预测机理模型；
64.具体包括：
65.(1)使用模态试验和仿真分析,获取健康叶片和裂纹故障叶片的固有频率和振型变化规律，分析对比了叶片表面气动力与叶片各阶振型之间的相互作用以及裂纹故障位置与气动力的相互作用；
66.(2)分析不同工况,不同风场下,流体场中气动力的分布规律，分析对比叶片表面气动力分布情况,为叶片动力学分析提供载荷基础，利用通风机流体场流线图,分析不同参数下,流体场内流体流动的变化规律；
67.(4)仿真不同风场下,风机健康叶片和裂纹故障叶片的应力、应变、总变形之间的分布规律，通过仿真分析,研究裂纹对叶片应变,应力的影响规律以及叶片裂纹的扩展趋势。
68.4、建立声纹数据模型：通过对风机叶片运行过程中的声音数据进行采集，对声纹数据进行特征提取后构建基于声纹数据的故障预测数据模型，并采用机器学习算法对故障预测数据模型进行训练；
69.其中，构建基于声纹数据的故障预测数据模型包括：
70.(1)基于短时傅里叶变换与时频变换算法的声纹数据处理方法开发；
71.(2)故障声音特征提取算法开发；
72.(3)基于机器学习算法的声纹数据模型训练与故障预测算法开发。
73.5、耦合机理模型和数据模型：将故障预测机理模型与故障预测数据模型进行耦合，建立包含风机叶片流体模型和固体模型的双向流固耦合数学模型,仿真分析风机流体场和叶片模态之间的关系以及叶片的固有频率；运用搭建的流固耦合仿真模型,仿真分析了不同转速,风阻工况下,通风机流体场气动力和叶片裂纹的变化规律，从而对风机叶片的故障进行分级预警预测；
74.其中，将故障预测机理模型与故障预测数据模型进行耦合，具体包括：
75.(1)基于机理模型，集成动力学仿真数据分析，开发力学故障诊断模型，同时提供大量数据给数据分析模型；
76.(2)基于机理模型研究成果和数据模型分析方法，建立风机叶片状态参数数据库；
77.(3)应用大数据算法对风机叶片状态数据进行特征提取后通过机器学习算法对故
障预测模型进行训练，实现对风机叶片故障进行预警预测。
78.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。