申请/专利权人：中国海洋大学

申请日：2024-04-11

公开（公告）日：2024-06-21

公开（公告）号：CN118053046B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/80;G06V10/77;G06F30/23;G06F30/17;F03D17/00

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2024.06.04#实质审查的生效;2024.05.17#公开

摘要：本发明涉及海洋工程技术领域，为一种海上风力发电连接结构健康状态融合表征及判定方法。构造海上风力发电连接结构正常状态数据融合表征参量；获取海上风力发电连接结构运行过程中的振动数据，构造运行状态数据融合表征参量；对正常状态数据融合表征参量和运行状态数据融合表征参量进行特征层融合，获得总体数据融合表征参量，对总体数据融合表征参量进行主成分分析，计算主成分空间投影矩阵；基于主成分空间投影矩阵，进行主成分投影，获得海上风力发电连接结构正常状态参量投影点和运行状态参量投影点，将运行状态参量投影点与正常状态参量投影点进行比较，获得投影点集中度，根据投影点集中度判定海上风力发电连接结构的状态是否异常。

主权项：1.一种海上风力发电连接结构健康状态融合表征及判定方法，其特征在于，包括以下步骤：S1：构造海上风力发电连接结构正常状态数据融合表征参量；S2：获取海上风力发电连接结构运行过程中的振动数据，构造运行状态数据融合表征参量；S3：对正常状态数据融合表征参量和运行状态数据融合表征参量进行特征层融合，获得总体数据融合表征参量，对总体数据融合表征参量进行主成分分析，计算主成分空间投影矩阵；S4：基于主成分空间投影矩阵，进行主成分投影，获得海上风力发电连接结构正常状态参量投影点和运行状态参量投影点，将运行状态参量投影点与正常状态参量投影点进行比较，获得投影点集中度，根据投影点集中度判定海上风力发电连接结构的状态是否异常；步骤S1包括：S11：建立海上风力发电结构的有限元模型，采用有限元模型对待检测海上风力发电结构进行数值仿真，根据有限元模型数值仿真结果，获得待检测海上风力发电连接结构正常状态下的多源振动数据；根据有限元模型数值仿真结果，获得待检测海上风力发电连接结构正常状态下的多源振动数据的方法包括：采用有限元模型对待检测海上风力发电结构进行数值仿真，获取待检测海上风力发电连接结构正常状态，连接位置上部和下部两处位置处连续振动时程数据；连续采集个上部位置向和向振动数据和，连续采集个下部位置向和向振动数据和；其中，为采样时长，为采样频率；基于和获得待检测海上风力发电连接结构正常状态连接结构上部位置多源振动数据和，基于和获得待检测海上风力发电连接结构正常状态连接结构下部位置多源振动数据和，综合上部位置多源振动数据和下部位置多源振动数据获得待检测海上风力发电连接结构正常状态下的多源振动数据；S12：对海上风力发电连接结构正常状态下的多源振动数据进行样本划分，获取多个正常样本数据；对海上风力发电连接结构正常状态下的多源振动数据进行样本划分，获取多个正常样本数据的方法包括：以为时间间隔，对待检测海上风力发电连接结构状态下的多源振动数据进行样本划分，获取个正常样本数据，每个样本数据包括个振动数据；S13：对各正常样本数据进行数据层融合，获得正常融合振动数据，依次对各正常样本数据的正常融合振动数据进行经验模态分解，获取各正常样本数据本征模态函数分量；在坐标系内，将同一时刻上部位置多源振动数据和向45°角平分线上投影，将下部位置多源数据和向45°角平分线上投影，取两投影的模的和作为数据层融合后的基准数据，其中：，；分别对连接结构上部位置和下部位置的个样本数据依次进行经验模态分解，每样本数据分解后可得到个本征模态函数分量，上部位置及下部位置各获得个本征模态函数；S14：根据各正常样本数据本征模态函数分量计算各正常样本数据本征模态函数分量的概率密度函数，并对概率密度函数进行图像化处理，获得概率密度函数图像，对概率密度函数图像进行平滑处理；分别计算各样本数据个本征模态函数分量的概率密度函数，获取各样本层IMF的概率密度函数；采用临近点平均法对各层IMF计算得到的概率密度函数进行图像化及平滑处理；S15：对平滑处理后的概率密度函数图像进行网格化特征提取，根据提取结果组装拼接构造海上风力发电连接结构正常状态数据融合表征参量；设第个样本第层IMF的概率密度函数为，统计概率密度函数的最大幅值和最小幅值，概率密度最大值，定义横向为轴，竖向为轴，横坐标和纵坐标区域内等距划分出个网格，定义零矩阵，矩阵中每个元素对应概率密度函数图像中相应位置的网格，其中网格内包含的数据点的数量为矩阵对应位置元素的数值，若点落在网格线上，规定将此点分配给右侧或上侧的临近网格；对第个第层IMF的概率密度函数进行特征提取，获得第个第层IMF的概率密度函数的特征矩阵，将网格所有列的数据按序首尾拼接合并成列向量： 组装拼接形成第个样本数据特征向量，将全部个列向量按序首尾拼接合并成列，构成基准数据特征向量，其中特征向量为包含个特征的高维向量；对所有样本数据进行特征提取，组装拼接形成上部和下部位置正常状态数据融合特征参量和；步骤S2包括：在待检测海上风力发电连接结构运行过程中，对连接结构的上部及下部位置布置加速度传感器，实时获取待检测海上风力发电连接结构运行过程中的上部位置多源振动数据和及下部位置多源振动数据和；对运行过程中的多源振动数据进行样本划分，获取多个实时样本数据；对各实时样本数据进行数据层融合，获得实时融合振动数据，依次对各实时样本数据的实时融合振动数据进行经验模态分解，获取各实时样本本征模态函数分量；根据各实时样本数据本征模态函数分量计算各实时样本数据本征模态函数分量的概率密度函数，并概率密度函数进行图像化处理，获得概率密度函数图像，对概率密度函数图像进行平滑处理；对平滑处理后的概率密度函数图像进行网格化特征提取，组装拼接构造形成上部和下部位置运行过程中数据融合表征参量和。

全文数据：

权利要求：

百度查询： 中国海洋大学 一种海上风力发电连接结构健康状态融合表征及判定方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD