基于机器学习新方法的运行中风力机叶片损伤检测
机器学习
2021-01-29 v1 数据分析、统计与概率
摘要
由于运行环境具有不确定性，将可靠的结构健康监测（SHM）技术应用于运行中的风力机叶片是一项具有挑战性的任务。本文提出了一种使用高斯过程（GPs）的新型 SHM 方法。该方法利用了以下事实：风力机上的叶片在结构特性上名义上完全相同，并且遭遇相同的环境与运行变量（EOVs）。所关注的属性是叶片的一阶边梁频率。在叶片处于健康状态时学习叶片对之间的关系后，利用 GPs 在已知一个叶片边梁频率的情况下预测另一叶片的边梁频率。使用该方法，所提出的 SHM 方法能够识别叶片随时间开始表现出彼此不同的时刻。为验证该概念，所提出的 SHM 系统被应用于真实的陆上风力机叶片数据，其中已知发生了某种形式的损伤。对 GP 预测与实际频率之间残差的 X-bar 控制图分析表明，该系统成功地在损伤被发现和修复前六个月即识别出损伤的初期迹象。
引用
@article{arxiv.2101.11711,
title = {Damage detection in operational wind turbine blades using a new approach based on machine learning},
author = {Kartik Chandrasekhar and Nevena Stevanovic and Elizabeth J. Cross and Nikolaos Dervilis and Keith Worden},
journal= {arXiv preprint arXiv:2101.11711},
year = {2021}
}