基于TR-LSTM神经网络的风力机叶片疲劳寿命预测与结构优化设计.pdf

摘要

目前风力机叶片逐渐大型化，叶片的疲劳寿命是其非常重要的设计考量标准。

但由于叶片复合材料的疲劳测试数据有限，缺少完整的S-N曲线，不易准确地实

现叶片疲劳寿命的预测。本文提出了一种基于TR-LSTM神经网络的风力机叶片

复合材料S-N曲线预测方法，实现了由叶片复合材料部分疲劳离散数据点获得完

整S-N曲线的研究目的。在此基础上，本文还建立了基于疲劳寿命的风力机叶片

优化数学模型，通过优化叶片的最大弦长位置、主梁偏移及宽度、前后缘宽度、

材料铺层层数及单层厚度等参数来提高叶片寿命。结果表明在满足叶片变形及结

构强度的条件下，优化后叶片对比初始叶片使用寿命可提高1.19年，约5.6%。

本文主要内容如下所述：

1.本文利用MATLAB编写程序对Sandia5MW叶片翼型数据中空缺值进行插

值处理，得到详细的叶片三维坐标，建立了翼型间过渡更加平滑的叶片三维外形。

在此外形基础上，利用ANYSYAPDL编写程序，建立了基于参数化的复合材料

风力机叶片三维模型，并通过模态分析得到叶片一阶固有频率为0.879Hz，结果

对比Sandia5MW叶片符合设计要求，验证了该有限元模型的准确性。

2.本文利用长短期记忆网络模型（LSTM）结合转移模型（TR）实现了叶片

复合材料完整S-N曲线的预测。提取叶片复合材料的疲劳离散点数据，以低于

5

10循环次数的数据作为训练集，剩余数据作为测试集，对比单一LSTM模型和

TR-LSTM模型的预测结果。结果表明TR-LSTM模型对预测叶片复合材料S-N曲

线的效果更好，均方根差（RMSE）和平均绝对误差（MAE）均远小于LSTM模

型结果，预测后曲线更相似于初始数据，为后续叶片的疲劳分析提供了材料数据

基础。

3.本文基于IEC61400-2标准规范，对风力机叶片的极限载荷与疲劳载荷进行

计算与分析。利用GH-Bladed软件，以叶素-动量理论为基础，分析风电机组等级

与各种复杂工况，确定了计算叶片极限载荷与疲劳载荷的两种不同组合工况，得

到了载荷结果。基于叶片极限载荷，叶片最大位移为6.37m，最大应力出现在距

离叶根7m左右位置，结果对比Sandia5MW叶片均处于合理范围，验证了本文

初始叶片模型的合理性。基于疲劳载荷，叶片最小寿命循环次数为1.894e8，且

出现在最大弦长附近，通过公式计算得到叶片最小寿命为21.6年，对比5MW叶

片的设计寿命结果合理。

4.本文建立了基于疲劳寿命的风力机叶片优化数学模型。利用Maltab编制程

序结合粒子群算法，以叶片总重量、叶尖位移、叶片固有频率及蔡-吴理论作为约

束条件，通过对叶片的最大弦长位置、主梁偏移及宽度、前后缘宽度、材料铺层

层数及单层厚度等参数进行优化，达到了提高叶片寿命的设计目的。结果表明在

相关约束条件下，经过多次迭代优化后，叶片最大弦长位置对比原始位置向叶尖

方向偏移0.31m，满足叶片强度和结构变形的前提下，优化后叶片寿命为22.79

年，对比初始叶片寿命提高1.19年，约5.6%。

关键词：风力机叶片；神经网络；S-N曲线；粒子群算法；疲劳寿命

Abstract

Atpresent,windturbinebladesaregraduallyenlarged,andthefatiguelifeofthe

bladesisaveryimportantdesigncriterion.However,duetothelimitedfatiguetestdata

ofbladecompositesandthelackofcompleteS-Ncurve,itisdifficulttoaccurately

predictbladefatiguelife.Inthispaper,apredictionmethodofS-Ncurveofwind

turbinebladecompositesbasedonTR-LSTMneural