一种风力机复合材料叶片全局应变重构方法及系统

1.本发明属于风电技术领域，涉及一种应变重构方法及系统，具体地说是一种风力机复合材料叶片全局应变重构方法及系统。


背景技术：

2.叶片是风力机获取风能的关键部件。大型风力机柔性叶片在惯性力、离心力、气动载荷的作用下发生弹性形变，甚至在多因素耦合作用下造成叶片损伤。在风力机实际运行状态下，对叶片应变进行全局实时监测，全方位观测叶片早期损伤具体位置和大小，对保障风电系统安全具有重要意义。
3.现有风力机叶片监测通常将加速度传感器、电阻应变传感器等安装在叶根位置，无法获得叶片全局应变状态；如果将电传感器设置在叶片中部和尖部位置，带来成本增加和安全隐患问题。
4.如何在在风力机实际运行状态下，对叶片应变进行全局监测和可视化，是目前亟待解决的问题。


技术实现要素：

5.本发明的目的是为了提供一种风力机复合材料叶片全局应变重构方法及系统，从而实现在风力机实际运行状态下，对叶片应变进行全局实时监测和可视化。
6.为实现上述目的，本发明提供了一种风力机复合材料叶片全局应变重构方法，该方法包括以下步骤：
7.建立与实际风力机复合材料叶片结构特性参数一致的叶片有限元模型；
8.确定u个叶片根部应变测试位置，u为大于2的整数；
9.建立叶片载荷反演模型；
10.所述的建立叶片载荷反演模型包括以下步骤：
11.设置n种工况参数组合，n为大于2的整数，所述工况参数包括风速大小、风速方向和湍流强度，基于叶素动量理论，将叶片划分为m个叶素，m为大于2的整数，获得第i种工况参数组合下的第j个叶素的升力l
ij
、阻力d
ij
、力矩m
ij
，i＝1,2,
…
n，j＝1,2,
…
m；
12.在所述叶片有限元模型中施加所述的升力l
ij
、阻力d
ij
、力矩m
ij
，获得所述第i种工况参数组合下的第q个叶片根部应变测试位置的应变ε
iq
，q＝1,2,
…
u，获得所述n种工况参数组合下的叶片全局应变数据集e；
13.以所述升力l
ij
、阻力d
ij
、力矩m
ij
和所述应变ε
iq
建立载荷反演训练样本数据集t；
14.基于所述的载荷反演训练样本数据集t，以所述应变ε
iq
作为输入，以所述的升力l
ij
、阻力d
ij
、力矩m
ij
作为输出，基于带输出反馈的径向基函数神经网络，获得叶片载荷反演模型；
15.对所述实际风力机复合材料叶片进行应变动态测试，获得所述u个叶片根部应变测试位置的应变时序谱，基于所述的叶片载荷反演模型，获得所述实际风力机复合材料叶
片的等效载荷时序谱；
16.建立叶片载荷-应变场降阶预测模型；
17.以所述实际风力机复合材料叶片的等效载荷时序谱为输入，根据所述叶片载荷-应变场降阶预测模型，获得叶片全局应变云图。
18.所述的建立与实际风力机复合材料叶片结构特性参数一致的叶片有限元模型的步骤包括：
19.根据实际风力机复合材料叶片的尺寸、载荷、材料、工艺水平、安装方式，确定有限元叶片的初始铺层参数，建立初始叶片有限元模型；
20.通过所述的初始叶片有限元模型，获取实际风力机复合材料叶片结构特性参数；所述实际风力机复合材料叶片结构特性参数包括刚度分布特性、质量特性和模态参数；
21.选取所述有限元叶片的初始铺层参数为优化设计变量，以所述有限元叶片的结构特性参数与所述实际风力机复合材料叶片结构特性参数一致为优化目标，结合寻优算法，求解获得有限元叶片的优化后的铺层参数；
22.根据所述有限元叶片的优化后的铺层参数，对所述初始叶片有限元模型进行调整修改，获得优化后的叶片有限元模型，校核所述优化后的叶片有限元模型，获得与实际风力机复合材料叶片结构特性参数一致的叶片有限元模型。
23.所述的建立叶片载荷-应变场降阶预测模型的步骤包括：
24.将所述叶片全局应变数据集e的数据编写为列矩阵，并按照时间顺序组合，获得应变快照矩阵a；
25.采用本征正交分解方法对所述的应变快照矩阵a进行模态分解，获得主导模态的应变快照矩阵b；
26.根据所述的叶片载荷反演模型，获得所述n种工况参数组合的等效载荷时序谱；
27.以所述n种工况参数组合的等效载荷时序谱为输入，以所述应变快照矩阵b为输出，构建训练数据库z；
28.采用径向基函数神经网络，基于所述训练数据库z，构建叶片载荷-应变场降阶预测模型。
29.本发明还提供了一种风力机复合材料叶片全局应变重构系统，该系统包括：
30.模块m1：用于建立与实际风力机复合材料叶片结构特性参数一致的叶片有限元模型；
31.模块m2：用于确定u个叶片根部应变测试位置，u为大于2的整数；
32.模块m3：用于建立叶片载荷反演模型；
33.所述的模块m3包括以下模块：
34.模块m31：用于设置n种工况参数组合，n为大于2的整数，所述工况参数包括风速大小、风速方向和湍流强度，基于叶素动量理论，将叶片划分为m个叶素，m为大于2的整数，获得第i种工况参数组合下的第j个叶素的升力l
ij
、阻力d
ij
、力矩m
ij
，i＝1,2,
…
n，j＝1,2,
…
m；
35.模块m32：用于在所述叶片有限元模型中施加所述的升力l
ij
、阻力d
ij
、力矩m
ij
，获得所述第i种工况参数组合下的第q个叶片根部应变测试位置的应变ε
iq
，q＝1,2,
…
u，获得所述n种工况参数组合下的叶片全局应变数据集e；
36.模块m33：用于以所述升力l
ij
、阻力d
ij
、力矩m
ij
和所述应变ε
iq
建立载荷反演训练样本数据集t；
37.模块m34：用于基于所述的载荷反演训练样本数据集t，以所述应变ε
iq
作为输入，以所述的升力l
ij
、阻力d
ij
、力矩m
ij
作为输出，基于带输出反馈的径向基函数神经网络，获得叶片载荷反演模型；
38.模块m4：用于对所述实际风力机复合材料叶片进行应变动态测试，获得所述u个叶片根部应变测试位置的应变时序谱，基于所述的叶片载荷反演模型，获得所述实际风力机复合材料叶片的等效载荷时序谱；
39.模块m5：用于建立叶片载荷-应变场降阶预测模型；
40.模块m6：用于以所述实际风力机复合材料叶片的等效载荷时序谱为输入，根据所述叶片载荷-应变场降阶预测模型，获得叶片全局应变云图。
41.所述的模块m1包括以下模块：
42.模块m11：用于根据实际风力机复合材料叶片的尺寸、载荷、材料、工艺水平、安装方式，确定有限元叶片的初始铺层参数，建立初始叶片有限元模型；
43.模块m12：用于通过所述的初始叶片有限元模型，获取实际风力机复合材料叶片结构特性参数；所述实际风力机复合材料叶片结构特性参数包括刚度分布特性、质量特性和模态参数；
44.模块m13：用于选取所述有限元叶片的初始铺层参数为优化设计变量，以所述有限元叶片的结构特性参数与所述实际风力机复合材料叶片结构特性参数一致为优化目标，结合寻优算法，求解获得有限元叶片的优化后的铺层参数；
45.模块m14：用于根据所述有限元叶片的优化后的铺层参数，对所述初始叶片有限元模型进行调整修改，获得优化后的叶片有限元模型，校核所述优化后的叶片有限元模型，获得与实际风力机复合材料叶片结构特性参数一致的叶片有限元模型。
46.所述的模块m5包括以下模块：
47.模块m51：用于将所述叶片全局应变数据集e的数据编写为列矩阵，并按照时间顺序组合，获得应变快照矩阵a；
48.模块m52：用于采用本征正交分解方法对所述的应变快照矩阵a进行模态分解，获得主导模态的应变快照矩阵b；
49.模块m53：根据所述的叶片载荷反演模型，获得所述n种工况参数组合的等效载荷时序谱；
50.模块m54：用于以所述n种工况参数组合的等效载荷时序谱为输入，以所述应变快照矩阵b为输出，构建训练数据库z；
51.模块m55：用于采用径向基函数神经网络，基于所述训练数据库z，构建叶片载荷-应变场降阶预测模型。
52.根据本发明提供的具体实施例，本发明公开了以下技术效果：
53.本发明提出的所述建立叶片有限元模型，结合了寻优算法，可以保证叶片有限元模型与实际复合材料叶片的结构特性参数一致性，提高了全局应力场数值模拟的准确性。
54.本发明的所述应变测试位置位于叶片根部，避免了在叶片中部和尖部位置设置多处电传感器带来的成本和安全问题。
55.本发明提出的所述建立叶片载荷反演模型，采用基于带输出反馈的径向基函数神经网络，充分利用多工况样本数据集，结合叶片应变测试位置的应变时序谱，实现了高效准确获取实际风力机复合材料叶片等效载荷时序谱。
56.本发明提出的所述建立载荷-应变场降阶预测模型，采用本征正交分解方法，极大提高了神经网络模型的计算效率，提供了一种高效可行的风力机复合材料叶片全局应变重构与可视化解决方案。
附图说明
57.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
58.图1为本发明的风力机复合材料叶片全局应变重构方法及系统的实施例的流程图。
具体实施方式
59.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。
60.本发明的目的是提供一种风力机复合材料叶片全局应变重构方法及系统。
61.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
62.本发明的风力机复合材料叶片全局应变重构方法的实施例包括以下步骤：
63.步骤s1：建立与实际风力机复合材料叶片结构特性参数一致的叶片有限元模型；
64.步骤s2：确定u个叶片根部应变测试位置，u为大于2的整数；
65.步骤s3：建立叶片载荷反演模型；
66.所述建立叶片载荷反演模型包括以下s31～s34步骤：
67.步骤s31：设置n种工况参数组合，n为大于2的整数，所述工况参数包括风速大小、风速方向和湍流强度，基于叶素动量理论，将叶片划分为m个叶素，m为大于2的整数，获得第i种工况参数组合下的第j个叶素的升力l
ij
、阻力d
ij
、力矩m
ij
，i＝1,2,
…
n，j＝1,2,
…
m；
68.步骤s32：在所述叶片有限元模型中施加所述的升力l
ij
、阻力d
ij
、力矩m
ij
，获得所述第i种工况参数组合下的第q个叶片根部应变测试位置的应变ε
iq
，q＝1,2,
…
u，获得所述n种工况参数组合下的叶片全局应变数据集e；
69.步骤s33：以所述升力l
ij
、阻力d
ij
、力矩m
ij
和所述应变ε
iq
建立载荷反演训练样本数据集t；
70.步骤s34：基于所述的载荷反演训练样本数据集t，以所述应变ε
iq
作为输入，以所述的升力l
ij
、阻力d
ij
、力矩m
ij
作为输出，基于带输出反馈的径向基函数神经网络，获得叶片载荷反演模型；
71.步骤s4：对所述实际风力机复合材料叶片进行应变动态测试，获得所述u个叶片根部应变测试位置的应变时序谱，基于所述的叶片载荷反演模型，获得所述实际风力机复合材料叶片的等效载荷时序谱；
72.步骤s5：建立叶片载荷-应变场降阶预测模型；
73.步骤s6：以所述实际风力机复合材料叶片的等效载荷时序谱为输入，根据所述叶片载荷-应变场降阶预测模型，获得叶片全局应变云图。
74.所述的建立与实际风力机复合材料叶片结构特性参数一致的叶片有限元模型的步骤包括：
75.步骤s11：根据实际风力机复合材料叶片的尺寸、载荷、材料、工艺水平、安装方式，确定有限元叶片的初始铺层参数，建立初始叶片有限元模型；
76.步骤s12：通过所述的初始叶片有限元模型，获取实际风力机复合材料叶片结构特性参数；所述实际风力机复合材料叶片结构特性参数包括刚度分布特性、质量特性和模态参数；
77.步骤s13：选取所述有限元叶片的初始铺层参数为优化设计变量，以所述有限元叶片的结构特性参数与所述实际风力机复合材料叶片结构特性参数一致为优化目标，结合寻优算法，求解获得有限元叶片的优化后的铺层参数；
78.步骤s14：根据所述有限元叶片的优化后的铺层参数，对所述初始叶片有限元模型进行调整修改，获得优化后的叶片有限元模型，校核所述优化后的叶片有限元模型，获得与实际风力机复合材料叶片结构特性参数一致的叶片有限元模型。所述的建立叶片载荷-应变场降阶预测模型的步骤包括：
79.步骤s51：将所述叶片全局应变数据集e的数据编写为列矩阵，并按照时间顺序组合，获得应变快照矩阵a；
80.步骤s52：采用本征正交分解方法对所述的应变快照矩阵a进行模态分解，获得主导模态的应变快照矩阵b；
81.步骤s53：根据所述的叶片载荷反演模型，获得所述n种工况参数组合的等效载荷时序谱；
82.步骤s54：以所述n种工况参数组合的等效载荷时序谱为输入，以所述应变快照矩阵b为输出，构建训练数据库z；
83.步骤s55：采用径向基函数神经网络，基于所述训练数据库z，构建叶片载荷-应变场降阶预测模型。
84.基于同一发明构思，本发明实施例还提供了一种风力机复合材料叶片全局应变重构系统，由于这些设备解决问题的原理与一种风力机复合材料叶片全局应变重构方法相似，因此这些设备的实施可以参见方法的实施，重复之处不再赘述。
85.本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。