论文部分内容阅读
风机叶片是风力发电机组的关键部件之一,由于受到复杂荷载和各种突然因素的作用,风机叶片极易发生结构损伤。及时地发现风机叶片结构损伤,并对损伤进行定位和定量,对保证风电机组正常运行,减少经济损失有着重要的意义。针对传统无损检测技术效率较低、需要先验知识、精度不高的缺点,基于振动特性的结构损伤识别方法被广泛使用,但基于风机叶片振动特性的损伤识别方法依赖于叶片模态参数的准确辨识,而在模态参数辨识的过程中,由于环境噪声、测试误差等原因,会造成实测模态参数与真值之间存在偏差,出现虚假模态信息。本文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。论文的主要研究内容如下:(1)利用ANSYS软件建立风机叶片结构有限元模型;采用折减弹性模量的方法模拟风机叶片可能发生的多种损伤工况,通过模态分析对比风机叶片损伤前后的固有频率和振型变化,得出风机叶片结构损伤与模态参数变化的定性关系;利用单元模态应变能变化率实现风机叶片结构损伤的定位判断。(2)建立基于深度信念网络的风机叶片结构损伤识别的网络模型;将单元模态应变能变化率作为损伤标识量,分别构造单损伤和双损伤的网络训练样本,通过网络学习有效地识别风机叶片结构损伤的位置和程度;然后,将上述方法的识别结果与基于BP神经网络的结构损伤识别方法的识别结果进行对比,验证本文方法用于提高风机叶片结构损伤识别精度的可行性。(3)搭建风机叶片振动检测实验平台后,通过开裂纹的方式模拟风机叶片结构损伤,采集风机叶片振动响应数据;利用自互功率谱法辨别叶片损伤前后的模态参数;利用本文方法对风机叶片结构损伤进行识别,在实验室条件下验证本文方法用于风机叶片结构损伤识别的有效性。