[发明专利]一种对风电机组叶片损伤类型的分析方法及系统

说明书

本发明公开了一种对风电机组叶片损伤类型的分析方法及系统，包括：获取风电机组叶片的监测参数，所述监测参数包括运行参数和/或环境参数；将所述电机组叶片的监测参数带入预先构建的跨尺度微损伤深度学习模型，得到所述风电机组叶片的损伤类型；其中，所述跨尺度微损伤深度学习模型为，根据风电机组叶片的监测参数与所述风电机组叶片的损伤类型之间的映射关系进行构建。本发明提供的技术方案实现了在叶片处于运行状态时，通过风电机组叶片的监测参数对褶皱缺陷位置的微结构损伤进行分析。

技术领域

本发明涉及发电系统技术领域，具体涉及一种对风电机组叶片损伤类型的分析方法及系统。

背景技术

随着海上风电机组向大型化发展，叶片尺寸已达百米级，造价约占风力发电机组的1/3，其可靠性和安全性尤为重要。风电机组叶片主要结构由纤维增强复合材料制成，其工作环境恶劣，受力复杂多变，如果在运行中发生破坏，一般会引起机舱起火、倒塔等严重事故，将带来极大的经济损失。对挂机运行的风电机组叶片，目前缺乏有效的在线安全评估和预警方法。在空间尺度方面，海上风电机组叶片可达百米级，而其结构件材料中的增强纤维仅有几十微米，叶片微变形和材料损伤分析过程在空间尺度上跨越9个数量级。在时间尺度方面，风电机组叶片设计寿命在20年以上，缺陷影响下的结构性破坏多发生在5~8年左右，整体结构发生实质性破坏的过程为几秒，而材料损伤的发生时间仅为毫秒级，时间尺度上更是跨越十几个数量级。经典的分析方法计算效率低，不能用于在线分析，分析过程会错过叶片损伤的时间点，即现有叶片破坏分析技术无法在破坏前发出预警，仅在破坏对宏观力学性能产生可观测的影响时适用。可见，利用在线测量的外部载荷条件，对叶片材料的微变形和损伤进行跨尺度分析，从而对破坏进行预测，是实时评估叶片安全需要解决的问题。叶片运行状态下的损伤问题是空间和时间上的双重跨尺度问题，不管是叶片在运行过程中的微损伤预测，还是材料损伤积累下的宏观力学性能反演，都是有待解决的科学难题。另外，叶片工作环境复杂恶劣，尤其是海上风电机组叶片常年处于高盐、高湿、大温差等多物理场耦合作用下，进一步增加了问题分析难度，经典分析方法难以开展，因此需要一种新的多尺度方法来解决这一问题。

发明人基于多尺度分析方法在叶片损伤方面的应用，检索到现有技术包括：陈玉丽, 马勇, 潘飞, 王升涛, 多尺度复合材料力学研究进展, 固体力学学报, vol. 1,pp. 1-68, 2018.杨强, 解维华, 孟松鹤, 杜善义, 李勇霞, 复合材料多尺度分析方法与典型元件拉伸损伤模拟, 复合材料学报, pp. 617-624, 2015.

上述现有技术的技术方案概括为：目前多尺度分析方法可分为逐层分析方法、协同多尺度分析方法、并发多尺度分析方法，但该现有技术存在以下缺点：

逐层分析方法考虑了一个尺度层级对另一尺度层级的单向影响，计算效率相对较高，但各尺度层级之间关联参数的双向反馈实现起来相对繁琐；并发多尺度方法可从第一性原理或分子动力学出发，或将材料细观特性耦合到宏观尺度形函数中，拥有较高的求解精度，但需要大量的耦合计算过程，计算量大，求解效率较低，不便应用于工程中大型复合材料结构的分析；协同多尺度分析方法的计算规模、精度和求解效率介于两者之间，其计算精优于逐层分析法，计算规模和求解效率优于并发多尺度方法，但距工程中实际应用仍然具有一定差距。

发明人基于神经网络在损伤领域的应用进行检索，最接近的文献是：张鑫, 深度学习在风机叶片结构损伤识别中的仿真研究, 硕士, 兰州交通大学, 2016.

文献提出利用深度信念网络对风机叶片结构模态参数进行特征抽取，将模态参数特征向量作为 BP 神经网络训练的输入信号，叶片损伤状态为输出信号，建立风机叶片结构损伤识别网络，以减小噪声等干扰对于损伤识别结果的影响，提高风机叶片结构损伤识别的精度。主要技术方案如下：