Altair 数字孪生助力新一代风力涡轮机高效建模，提升5倍速度

时间：2024-01-19 17:50:22 发布：tgy 来源： Altair澳汰尔第一对焦：数字孪生

　　【ZiDongHua 之方案应用场收录关键词：数字孪生 Altair 澳汰尔人工智能虚拟现实物联网】

　　成功案例丨Altair 数字孪生助力新一代风力涡轮机高效建模，提升5倍速度

　　风能是当今最有效、最成熟的可再生能源。它对环境的有害影响远远小于许多其他能源，尤其是与化石燃料相比。然而，像风力发电所需的风力涡轮机这样的复杂系统需要定期检查和维护，以确保有效、持久的使用寿命。这正是数字孪生技术凭借其实时分析和预测能力能够带来直接、有影响力价值的地方。

　　主要看点

　　行业：

　　新能源

　　挑战：

　　作为数字孪生计划的一部分，NITTTR 需要建立一个能代表现实生活场景的实用模型。该模型在设计和运行方面都必须具备足够的复杂性。

　　Altair 解决方案：

　　Altair 的数字孪生解决方案非常适合创建精确的风机虚拟模型，不仅能够同时解决物理和数据驱动的孪生问题，还可以同时分析项目的工程和运行方面。因此 Altair 的解决方案能够满足NITTTR的要求。

　　优点：

　　由于风力涡轮机大多位于偏远地区，这些工具非常有用，因为它们允许用户通过物联网技术远程访问实时数据。通过将实时数据应用到虚拟模型中，团队和组织可以利用风力涡轮机的数字孪生系统更好地预测和制定维护计划。

　　客户介绍

　　昌迪加尔国立技术师范学院（NITTTR）是印度政府教育部（MoE）下属的一所自主教育机构。NITTTR 的目标是成为促进技术教育系统卓越发展的领先机构。

　　作为其数字项目计划的一部分，NITTTR 已建立了多个实验室活动，作为其官方培训课程的一部分，包括数字孪生、嵌入式人工智能 (EAI) 和虚拟现实等项目。

　　NITTTR 致力于引入数字孪生模型，并将其纳入课程、在课程中，师生们可以通过融合模拟和物联网（IoT）技术，更好地了解实施数字孪生的重要性和影响。

　　面临的挑战

　　作为数字孪生计划的一部分，NITTTR 需要建立一个能代表现实生活场景的实用模型。该模型在设计和运行方面都必须具备足够的复杂性。要创建这样一个模型，需要一个技术平台，使用户能够创建一个同时解决物理和数据问题的数字孪生模型。这样的模型可以帮助用户更好地理解模型的运行，从而对未来的设计要求提出见解。为此，NITTTR 认为风力涡轮机是一个理想的真实世界分析场景。他们选择 Altair 来开发这个模型。

　　数字孪生平台：物理模拟、数据分析和 AI/ML 的独特融合

　　NITTTR 选择对风力涡轮机进行建模，是因为它们是复杂的机器，面临着独特的挑战。例如，风力涡轮机的制造、安装和维护成本很高。风力涡轮机还面临着恶劣、不断变化的天气，使其维护计划难以预测。日常维护、定期检查和实时分析是确保风力涡轮机在整个使用寿命内保持功能和效率的重要步骤。这些特点使风力涡轮机成为数字孪生系统的理想基础。

　　Altair解决方案

　　数字孪生是物理对象、流程或服务（如风力涡轮机、喷气发动机、机械臂甚至建筑物）的数字呈现。它实现了物理模型和虚拟模型之间的实时通信，可用于模拟物理系统，以达到性能测试、安装、预测健康状况等各种目的。

　　风车的有限元 (FE) 模型

　　数据融合：FeModel 中的强制激励与加速度计位置对比。

　　NITTTR还利用了 Altair 强大的专业领域知识，进一步定义模型并扩大项目范围。这使得NITTTR能够更好地教授数字孪生技术。

　　对于 NITTTR 来说，一个物理垂直轴风力涡轮机被安装、调试，并与各种传感器、加速度计、应变仪和风速计连接。传感器还经过校准，并与运行 Altair 机器学习和 CAE 软件的计算机系统连接。

　　结果：观察到的 FE 应变与实验应变

　　在此基础上，使用 Altair Embed®、Altair® RapidMiner® 数据分析平台、Altair® HyperGraph® 和 Altair® OptiStruct® 对风机的数字孪生进行计算。这些工具涵盖数据采集、建模、数据可视化和处理以及有限元（FE）建模和分析。

　　关键结果

　　通过 Altair 的数字孪生解决方案，NITTTR能够持续观察虚拟风力涡轮机的参数，从而提高物理资产的性能，并向学生和用户展示数字孪生技术的基本概念。

　　得益于 Altair 技术，NITTTR 能够利用两个数据集开发出机器学习模型，这两个数据集由使用加速度计和应变计收集的 18000 次测试组成。这些数据包括一组健康数据和另一组通过在结构上引入断裂以记录故障而收集的数据。

　　总体而言，该模型能够以 97% 的准确率预测风力涡轮机结构的 "良好 "状态，以 95% 的准确率预测风力涡轮机结构的 "故障 "状态。通过对健康和故障结构的有限元模型应用不同的激励频率，观测到的物理应变与实验结果非常吻合。