本发明涉及风电叶片损伤识别技术，具体来说，涉及一种基于数据驱动的风电叶片褶皱损伤识别方法。
背景技术：
1、近年来，可再生能源正在取代传统能源成为主要能源。风力发电作为增长最快的新能源发电之一，其安全性和可靠性越来越受到重视。
2、叶片是风力机最重要的捕风结构，并且随着风力机规模逐年递增，叶片承受的载荷也越来越大，风电叶片一旦出现损伤将严重降低风力机整体的安全性并导致运维成本的增加。叶片通常是由数十层纤维-树脂复合材料层压而成的层合板结构，在制造生产过程中纤维会随着树脂固化产生收缩、扭曲的现象，或在加压时部分铺层受到挤压产生弯曲变形和滑移现象，导致主梁中产生褶皱缺陷。
3、褶皱影响叶片的拉伸、压缩强度及其疲劳性能，降低叶片的承载能力，影响叶片运行寿命，是对叶片运行安全影响较为严重且产生频繁的成型缺陷。褶皱一般在叶片内部出现，不容易被发现，在叶片长期运行过程中褶皱会演化成分层、裂纹等多种损伤，导致叶片振动增大、引起叶片刚度下降,不仅会导致叶片的刚度和强度显著降低，承载时在褶皱区域容易产生应力集中，危机叶片服役安全，甚至会引起整机的坍塌破坏。
4、因此，对风电叶片褶皱损伤识别保障叶片运行安全有重要指导意义，但由于褶皱识别困难，一旦识别往往已经进入到很严重的阶段。传统的风电叶片损伤识别方法无法识别具体的损伤类别，如褶皱、分层等，并且在复杂的现实环境下，其预测精度和适应性有限。
技术实现思路
1、针对现有技术中存在的问题，本发明提供了一种基于数据驱动的风电叶片褶皱损伤识别方法。
2、为实现上述技术目的，本发明采用的技术方案是：
3、一种基于数据驱动的风电叶片褶皱损伤识别方法，包括以下步骤：
4、步骤1：在全尺寸叶片叶根处布置电阻式应变传感器，对其在摆振疲劳测试期间进行应变监测，得到监测数据；
5、步骤2：对监测数据进行降噪处理和提取特征值；
6、步骤3：依据气动布局和翼型数据建立叶片几何模型，通过体壳耦合方式将褶皱缺陷引入叶片分析，对叶片几何模型施加等效疲劳载荷并提取损伤区域应变值的有限元数据；
7、步骤4：利用动态时间规整方法将步骤3所得的有限元数据与监测数据进行分析对比，判断识别叶片由褶皱引起的损伤信号特征。
8、为优化技术方案，采取的进一步改进包括：
9、步骤1所述的电阻式应变传感器采用东华dh5908h，根据实际相对挥舞摆振方向交叉45°布置，以采样频率50hz对叶片进行应变监测。
10、步骤2中，对监测数据首先使用离散小波阈值法去噪，再使用lstm分析方法进行对提取的特征值进行无效数据剔除，所述的特征值包括均值、方差、最大最小值、峰峰值。
11、对监测数据首先使用离散小波阈值法去噪的具体方法为：
12、将监测数据作为原始信号进行小波变换，将信号分解成不同频率的子带，对小波变换后的子带进行阈值处理，将小于阈值的系数设为零，而保留大于阈值的系数，将经过阈值处理后的小波系数进行逆小波变换，得到去噪后的信号，其表达式为：
13、小波变换：
14、逆小波变换：
15、阈值处理：
16、其中，a为尺度因子，b为平移参数，a、b均为小波系数，x(t)为原始信号，x(a,b)为小波变换后的信号，ψa,b(t)为小波函数(小波基)，为小波函数的复共轭，λ为阈值；
17、使用lstm分析方法进行对提取的特征值进行无效数据剔除的具体方法为：
18、首先将去噪后的信号按时间顺序构建时间序列数据集，从时间序列数据中提取特征值，这些特征值将作为lstm模型的输入。将特征值划分为训练集、验证集和测试集，随后通过训练集构建包括一个输入层、一个lstm层、一个全连接层、一个softmax层和一个分类层的模型使其学习数据正常和异常状态的数据表示，并通过验证集进行验证以设置训练选项，包括优化器、训练迭代次数、mini-batch大小。利用训练好的lstm模型对测试集进行异常数据剔除，随后通过计算均方误差评估lstm模型在剔除异常数据的准确率。
19、步骤3的具体方法为：
20、在ug软件中建立叶片几何模型，叶片几何模型的所有翼型截面的气动中心均位于同一直线上，且这些气动中心位于叶片弦长的1/3位置，并根据气动外形将叶片翼型数据进行三维坐标变换，将叶片几何模型导入商业有限元软件abaqus中对其进行弦向、展向分区，设施铺层以及施加等效疲劳载荷，并采用体壳耦合方法将褶皱引入叶片，提取损伤区域应变值的有限元数据。
21、在ug软件中建立叶片几何模型的具体方法为：
22、将风电叶片通过扭转和缩放构成风力机叶片模型，其厚度和弦长沿叶片的展向逐步变化，其原理如下：
23、
24、其中，d为弦长，β为扭角，xp为截面变桨轴线，取叶片弦长的1/3，x、y为翼型原坐标，xt、yt、z为变换后的截面坐标，r为翼型截面所处的位置，
25、根据将式(1)转换之后三维截面坐标，每个截面分别保存为sat文件，在ug软件中选择放样命令，选择根据文件中的点，依次导入每个截面的sat文件生成叶片几何模型。
26、将叶片几何模型导入商业有限元软件abaqus中提取损伤区域应变值的有限元数据的具体方法为：
27、将叶片几何模型以iges文件导入abaqus中进行区域划分，区域划分完毕后，在abaqus对不同的区域进行材料属性的赋予与网格划分，将叶片设计的不同材料属性、铺层角度、厚度一一对应的赋予到不同的区域中，得到全尺寸叶片模型，
28、将褶皱引入全尺寸叶片模型中，
29、
30、式中：a为褶皱曲线的高度值；l为褶皱缺陷区域的长度，既正弦曲线的幅值；z(x)为褶皱的几何表示方法。
31、在abaqus中对全尺寸叶片施加载荷，提取损伤区域应变值的有限元数据。
32、步骤4的具体方法为：
33、使用动态时间规整方法计算各个电阻式应变传感器各自的监测数据与有限元数据的相似性，得出一个相似性矩阵，对于每对数据点(xi,yi)和(xj,yj)，计算欧几里得距离：
34、
35、构建一个距离矩阵，其中行表示参考曲线上的数据点，列表示其他曲线上的数据点，矩阵中的每个元素dij表示参考曲线上第i个点与其他曲线上第j个点之间的欧几里得距离，
36、建立一个与距离矩阵相同大小的矩阵，记为累积距离矩阵，对于矩阵中的每个元素d[i,j]，计算如下：
37、d[i,j]＝dij+min(d[i-1,j],d[i,j-1],d[i-1,j-1])
38、其中，dij是距离矩阵中的元素，d[i-1,j]、d[i,j-1]和d[i-1,j-1]是累积距离矩阵中的相邻元素，
39、从累积距离矩阵的右下角开始，向左上角回溯，以确定对齐有限元数据和监测数据的最佳路径，找到一条最优路径，其路径上的点表示对齐有限元数据和监测数据的最优解，以最小化它们之间的累积距离，将累积距离值作为相似性度量指标，最小的累积距离值则表明褶皱损伤在对应的电阻式应变传感器处出现。
40、与现有技术相比，本发明具有以下有益效果：
41、本发明通过识别褶皱缺陷，预测褶皱的渐进损伤演变机制，结合状态监测技术，联合数值仿真与应变传感器监测数据挖掘后的运行数据，实现全尺寸的含褶皱缺陷的叶片模型和监测数据的特征融合与特征对比，实现数模联合驱动的风电叶片褶皱损伤特征识别，本发明解决了传统的叶片损伤识别方法无法具体识别损伤类型，以及褶皱损伤识别困难的问题，对降低风电叶片运维成本、确保风电叶片健康平稳的运行具有重大意义。
1.一种基于数据驱动的风电叶片褶皱损伤识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于数据驱动的风电叶片褶皱损伤识别方法，其特征在于，步骤1所述的电阻式应变传感器采用东华dh5908h，根据实际相对挥舞摆振方向交叉45°布置，以采样频率50hz对叶片进行应变监测。
3.根据权利要求1所述的一种基于数据驱动的风电叶片褶皱损伤识别方法，其特征在于，步骤2中，对监测数据首先使用离散小波阈值法去噪，再使用lstm分析方法对提取的特征值进行无效数据剔除，所述的特征值包括均值、方差、最大最小值、峰峰值。
4.根据权利要求3所述的一种基于数据驱动的风电叶片褶皱损伤识别方法，其特征在于，对监测数据首先使用离散小波阈值法去噪的具体方法为：
5.根据权利要求4所述的一种基于数据驱动的风电叶片褶皱损伤识别方法，其特征在于，步骤3的具体方法为：
6.根据权利要求5所述的一种基于数据驱动的风电叶片褶皱损伤识别方法，其特征在于，在ug软件中建立叶片几何模型的具体方法为：
7.根据权利要求6所述的一种基于数据驱动的风电叶片褶皱损伤识别方法，其特征在于，将叶片几何模型导入商业有限元软件abaqus中提取损伤区域应变值的有限元数据的具体方法为：
8.根据权利要求7所述的一种基于数据驱动的风电叶片褶皱损伤识别方法，其特征在于，步骤4的具体方法为：
