[发明专利]一种基于GWO-LSSVM的风机叶片全尺寸静态测试应变预测方法

说明书

本发明涉及材料测试领域，且公开了一种基于GWO‑LSSVM的风机叶片全尺寸静态测试应变预测方法，包括以下步骤：用分层抽样的方法随机划分训练样本和测试样本，并将样本数据结果在[0,1]之间归一化；通过GWO进行参数优化，得到最佳组合参数gam和sig2；通过GWO‑LSSVM模型进行应变预测；输入参数的重要性分析，采用随机森林算法对叶片数据完成特征分析，并结合静态测试结果与LSSVM及BP神经网络结果进行对比，验证了基于GWO‑LSSVM的叶片应变预测模型的准确性和可靠性，为风机叶片的结构设计和稳定运行提供更多的有效依据。

技术领域

本发明涉及材料测试领域，具体为一种基于GWO-LSSVM的风机叶片全尺寸静态测试应变预测方法。

背景技术

环境污染和能源问题愈加凸显形势下，风力发电在国家政策和政府支持下蓬勃发展，成为近年来发展最为迅速的绿色能源技术。风机叶片作为风电机组的核心承载部件之一，其结构稳定性和可靠性是保证机组正常运行的关键。全尺寸结构试验是验证叶片在极限工况条件下承载能力的主要手段，也是检验叶片出厂前设计合理性和运行可靠性的必要手段。

在叶片全尺寸结构静态试验中，多点静力加载方向受叶片大变形而发生偏移，致使叶片各截面施加的实际载荷难以达到设计要求；加载系统强耦合、非线性等特征使各点静力加载出现交联耦合现象，导致其加载精度难以保证，并且叶片上测点和应变片的数量有限，未测截面结构状态难以分析。因此，叶片全尺寸静态试验无法准确反映叶片实际的应变传递及获取叶片整体的结构响应特性。此外，由于叶片应变与施加载荷、测点位置和测试位移等相关，其非线性强、输入参数多等特点，传统基于物理模拟和数学模型法建模过程复杂、预测模型适用性低，难以满足叶片结构应变准确预测的需求，而以模式识别、机器学习为典型的数据驱动法在风机叶片可靠性研究中的应用愈加广泛，为此我们提出了一种基于GWO-LSSVM的风机叶片全尺寸静态测试应变预测方法。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于GWO-LSSVM的风机叶片全尺寸静态测试应变预测方法，提出了基于灰狼优化最小二乘支持向量机算法(GWO-LSSVM)的风机叶片静态试验应变预测方法，利用GWO算法优化LSSVM模型参数以建立了叶片静态试验应变预测模型；采用随机森林算法对叶片数据完成特征分析，并结合静态测试结果与LSSVM及BP神经网络结果进行对比，验证了基于GWO-LSSVM的叶片应变预测模型的准确性和可靠性，为风机叶片的结构设计和稳定运行提供更多的有效依据。

(二)技术方案

为实现上述所述目的，本发明提供如下技术方案：一种基于GWO-LSSVM的风机叶片全尺寸静态测试应变预测方法，包括以下步骤：

第一步：用分层抽样的方法随机划分训练样本和测试样本，并将样本数据结果在[0,1]之间归一化；

第二步：通过GWO进行参数优化，得到最佳组合参数gam和sig2；

第三步：通过GWO-LSSVM模型进行应变预测；

第四步：通过使用随机森林算法计算每个输入参数的袋外误差值，完成输入参数的重要性分析。

优选的，所述第二步包括以下内容：

S1、初始化狼的数量、最大迭代次数、狼(α，β，δ)的位置以及gam和sig2的取值区间。

S2、计算种群中灰狼个体的适配度函数值，确定前三名最佳适配度的狼α,β和δ。

S3、更新α,β,δ和猎物的位置，直到算法满足终止条件，并将与最小适应度函数值相对应的α-狼的位置被作为gam和sig2的最佳组合参数。