背景和概述

風力發電機主要由葉片、變槳系統、齒輪箱、發電機、偏航系統和輪轂等部分組成。輪轂是風力發電機組中的關鍵零部件，連接著葉片根部和風機主軸，葉片上承受推力、扭矩、彎矩等復雜的交變載荷，通過變槳軸承作用在輪轂上，再經由輪轂傳速給主傳動系統。因而在整個風力發電機組中，對輪轂的強度及壽命要求必須嚴格控制。

輪轂結構的強度計算屬于極其復雜的工程實際問題，利用現有的工程力學和彈性力學等理論很難準確地對承受復雜載荷的輪轂結構進行受力狀態描述，即通過理論計算難以獲得輪轂強度、壽命問題的解析解。

問題和難點

風力機輪轂的設計及強度分析存在以下的問題和難點：

1. 傳統的風電機組輪轂設計受設計人員的主觀因素影響較大，而且設計出輪轂的強度往往安全裕量過大，不滿足控制生產成本的要求；

2. 基于有限元的輪轂強度分析方法需要耗費大量的計算資源和時間，研發周期較長，這是影響輪轂強度計算的主要瓶頸；

3. 輪轂設計和優化需要依賴高精度的強度分析模型。

解決方案：基于DTEmpower的輪轂強度分析建模實戰 

為了對輪轂在不同載荷下的應力情況進行快速分析，快速判斷輪轂結構的可靠性，本案例基于DTEmpower數據建模平臺，采用數據驅動的方法建立輪轂載荷和輪轂應力之間高精度的回歸模型，為輪轂的強度分析提供代理模型支撐。

輪轂強度分析建模試驗1

1. 數據集介紹：根據客戶提供的計算程序，結合AIPOD中的智能采樣功能生成輪轂強度數據集。數據集的3維輸入表示輪轂上的三個扭矩，5維輸出表示五個節點的應力。目標是得到輸入輸出變量之間的映射關系；

2. 建模方法和結果：圖1所示的建模方法采用了GBDT、隨機森林和AIAgent等多種算法進行回歸分析，最終選取精度最高的模型；

圖1 基于DTEmpower軟件平臺的輪轂強度分析建模流程和結果。首先利用AIPOD的智能采樣功能計算生成數據集，然后在DTEmpower中進行建模分析

3. 建模結果分析：結合DTEmpower數據建模工具，使用 AIAgent擬合輸入輸出變量之間的映射關系，可使模型的R2指標達到99%以上，優于其他訓練算法。

輪轂強度分析建模試驗2

1. 數據集介紹：某頭部風機制造商提供的結構應力評估數據集，含有15維輸入，為5個測點在三個方向上的載荷；輸出為9個測點的應力，共27維。數據集中有2400個樣本，目標是快速評估測點的結構應力；

2. 建模方法和結果：圖3所示的建模方法在試驗1的基礎上綜合使用了ROD、 MDI/MDA 等數據和特征的預處理技術。然后在不同的實驗條件下對比模型的評價指標。 其中ROD是一 種基于回歸分析并搭配使用天洑軟件自 研的tf_accuracy作為評價指標的異常點檢測方法。 ROD在本數據集上的檢測結果如圖2所 示；

圖2 ROD的異常點檢測結果，ROD成功的檢測出部分樣本的輸出變量量綱較小，發現數據集中存在樣本采樣不均衡的問題，并得到客戶認可

圖3 基于ROD的輪轂強度分析建模對比結果：試驗中使用了普通的異常點檢測算法和ROD進行異常點的篩選。對比結果表明了ROD在挖掘工業數據集中 “潛在異常點”的優秀性能

3. 建模結果分析：結合DTEmpower數據建模工具，并綜合使用ROD、MDA和AIAgent，通過層層遞進式的數據挖掘探索和建模，可使最終模型的R2指標達到0.94左右。

總結 

本案例基于DTEmpower軟件平臺，采用數據建模的方式建立輪轂的載荷-應力代理模型，為輪轂的強度分析提供高精度的數據模型支撐。

實驗1使用 AIAgent智能訓練算法進行回歸分析，最終模型R2指標在0.99以上；實驗2在實驗1建模方法的基礎上綜合使用ROD、MDI/MDA和AIAgent等關鍵模塊，逐步迭代探索數據、特征和訓練算法，最終使模型的R2指標提高到0.94。 

DTEmpower建模工具在風力機輪轂強度分析的建模實驗中提供了一站式的數據建模解決方案，平臺提供了強大的異常點檢測、特征工程、回歸分析等支撐技術，可以幫助用戶快速、便捷的構建高精度的數據模型。

應用價值

節省風力機輪轂強度分析的建模時間

采用數據訓練的方式得到輪轂載荷-應力的高精度代理模型，用戶只需給定相應的輸入條件，即可在毫秒級的時間內得到輸出。這與小時級別的基于有限元分析的輪轂強度的建模耗時相比，具有巨大優勢。

強有力的輪轂強度數據模型支撐

試驗中所得到的輪轂載荷-應力模型的R2指標在0.99以上，這為后續的輪轂結構設計和優化提供強有力的數據模型支撐。

相關案例

如對完整實施方案或相關軟件感興趣，可以 聯系我們 或申請 軟件試用 。