Passive Structural Health Monitoring Applied to a Wind Turbine Model
Notice bibliographique
Résumé
Structural health monitoring is a technique devised to monitor the structural conditions of a system in an attempt to take corrective measures before the system fails. A passive structural health monitoring technique is presented, which serves to leverage historic time series data in order to both detect and localize damage on a wind turbine blade aerodynamic model. First, vibration signals from the healthy system are recorded for various input conditions. The data is normalized and auto-regressive (AR) coefficients are determined in order to uniquely identify the normal behavior of the system for each input condition. This data is then stored in a healthy state database. When the structural condition of the system is unknown the vibration signals are acquired, normalized and identified by their AR coefficients. Damage is detected through the residual error which is calculated as the difference between the AR coefficients of the unknown and healthy structural conditions. This technique is tailored for wind turbines and the application of this approach is demonstrated in a wind tunnel using a small turbine blade held with four springs to create a dual degree-of-freedom system. The vibration signals from this system are characterized by free-stream speed. Damage is replicated through mass addition on each of the blades ends and is located by an increase in residual error from the accelerometer mounted closest to the damaged area. The outlined procedure and demonstration illustrate a single stage structural health monitoring technique that, when applied on a large scale, can avoid catastrophic turbine disasters and work to effectively reduce the maintenance costs and downtime of wind farm operations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».