(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211128284.3 (22)申请日 2022.09.16 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 钱鹏　徐海洋　张大海　应有　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 林超 (51)Int.Cl. G01M 13/00(2019.01) G01B 21/32(2006.01) G01B 21/02(2006.01) G06F 30/23(2020.01) G06F 30/27(2020.01)G06N 3/04(2006.01) (54)发明名称 基于逆有限元变形重构和深度学习的塔筒 结构监测方法 (57)摘要 本发明公开了一种基于逆有限元变形重构 和深度学习的塔筒结构监测方法。 方法包括： 在 风机塔筒上布设应变传感器， 采集模拟损伤引起 的应变分布数据； 通过逆有限元变形重构算法重 构模拟损伤下的三维位移分布； 转换为二维位移 分布并输入 卷积神经网络模型中训练， 获得训练 完成的卷积神经网络模型； 采集风机塔筒的实际 损伤引起的应变 分布数据， 并重构转换为二维位 移分布； 输入训练完成的卷积神经网络模型中， 输出风机塔筒的损伤位置和损伤 程度信息， 实现 风机塔筒的结构监测。 本发明能通过监测风机塔 筒上部分位置点的应变信息重构出风机塔筒整 体结构的位移分布， 并 能够识别出塔筒是否存在 损伤并指示损伤位置和程度信息， 为风电机组的 安全服役提供保障。 权利要求书2页 说明书4页 附图2页 CN 115508066 A 2022.12.23 CN 115508066 A 1.一种基于逆有限元变形重构和深度学习的塔筒结构监测方法， 其特征在于： 包括如 下步骤： S1、 在风机塔筒的内壁上均匀间隔布设若干应变传感器， 通过各个应变传感器采集风 机塔筒的不同位置和不同程度的模拟损伤引起的应 变分布数据； S2、 针对各个应变传感器采集的风机塔筒的一个位置处 的一种程度的模拟损伤引起的 应变分布数据， 通过逆有限元变形重构算法重构出风机塔筒的一个位置处的一种程度的模 拟损伤下的风机塔筒 结构的整体三维位移分布； 各个应变传感器采集风机塔筒的不同位置 和不同程度的模拟损伤引起的应变分布数据获得各自的风机塔筒结构的整体三维位移分 布； S3、 构建卷积神经网络模型， 将风机塔筒的不同位置和不同程度的模拟损伤下的风机 塔筒结构的整体三维位移分布均转换为整体二维位移分布， 将风机塔筒的不同位置和不同 程度的模拟损伤下 的风机塔筒结构的整体二维位移分布输入卷积神经网络模型中进行训 练， 获得训练完成的卷积神经网络模型； S4、 在风机塔筒产生实际损伤后， 通过风机塔筒上的各个应变传感器采集风机塔筒上 的实际损伤引起的应变分布数据， 并通过逆有限元算法重构出风机塔筒的实际损伤下的风 机塔筒结构的整体三 维位移分布并转换为整体二 维位移分布； 将风机塔筒的实际损伤下的 风机塔筒 结构的整体二 维位移分布输入训练完成的卷积神经网络模型中， 训练完成的卷积 神经网络模型输出风机塔筒的损伤位置和损伤程度信息， 实现风机塔筒的结构监测。 2.根据权利要求1所述的一种基于逆有限元变形重构和深度学习的塔筒结构监测方 法， 其特征在于： 所述的步骤S1中， 在风机塔筒的内壁上均匀间隔布设若干应变传感器， 具 体为将风机塔筒的内壁均匀划分为网格状， 在网格上的每个节点位置处布置一个应变传感 器。 3.根据权利要求2所述的一种基于逆有限元变形重构和深度学习的塔筒结构监测方 法， 其特征在于： 所述的步骤S1中， 通过各个应变传感器采集风机塔筒的不同位置和不同程 度的模拟损伤引起的应变分布数据， 具体为选取若干质量从小到大 的磁铁， 针对风机塔筒 的内壁均匀划分的网格上 的其中一个方格， 在方格内贴附各个质量从小到大 的磁铁， 每次 贴附一个磁铁， 使得方格位置处产生不同程度的模拟损伤， 每个磁铁的质量对应一个模拟 损伤的程度， 磁铁的质量越大， 模拟损伤的程度越重， 从而获得每个磁铁的质量和模拟损伤 的程度的对应关系； 每次贴 附磁铁时均通过各个应变传感器采集风机塔筒的应变分布数 据。 4.根据权利要求1所述的一种基于逆有限元变形重构和深度学习的塔筒结构监测方 法， 其特征在于： 所述的应 变传感器采用应 变片或光纤光 栅。 5.根据权利要求1所述的一种基于逆有限元变形重构和深度学习的塔筒结构监测方 法， 其特征在于： 所述的步骤S3中， 构建的卷积神经网络模型包括依次连接的第一卷积层、 第二卷积层、 第一池化层、 第三卷积层、 第二池化层和全连接层。 6.根据权利要求1所述的一种基于逆有限元变形重构和深度学习的塔筒结构监测方 法， 其特征在于： 所述的步骤S 3中， 将风机塔筒的不同位置和不同程度的模拟损伤下的风机 塔筒结构的整体三维位移分布转换为整体二 维位移分布， 具体为将风机塔筒的三 维结构沿 塔筒圆柱面任一母线展开成二维矩形平面， 进而将风机塔筒的三 维结构坐标转换为二维结权　利　要　求　书 1/2 页 2 CN 115508066 A 2构坐标。 7.根据权利要求1所述的一种基于逆有限元变形重构和深度学习的塔筒结构监测方 法， 其特征在于： 所述的步骤S 3中， 将风机塔筒的不同位置和不同程度的模拟损伤下的风机 塔筒结构的整体二维位移分布输入卷积神经网络模型中进 行训练， 针对风机塔筒的一个位 置处的一种程度的模拟损伤下的风机塔筒 结构的整体二 维位移分布， 整体二 维位移分布中 包括风机塔筒的模拟损伤的实际损伤位置和实际损伤程度， 卷积神经网络模型 处理后输出 风机塔筒的模拟损伤的预测损伤程度和预测损伤 位置， 分别计算卷积神经网络模型输出的 风机塔筒的模拟损伤的预测损伤位置和预测损伤程度与风机塔筒的模拟损伤的实际损伤 位置和实际损伤程度之间的误差； 直至多次迭代计算获得的卷积神经网络模型输出的风机塔筒的模拟损伤的预测损伤 位置和预测损伤程度与风机塔筒的模拟损伤的实际损伤位置和实际损伤程度之间的误差 均小于预设误差阈值， 完成卷积神经网络模型的训练， 获得训练完成的卷积神经网络模型。权　利　要　求　书 2/2 页 3 CN 115508066 A 3