孫棟欽，湯占軍，李英娜，陸鵬

腐蝕與防護

基于ISOA?KELM的風(fēng)機葉片腐蝕速率預(yù)測

孫棟欽1，湯占軍1，李英娜1，陸鵬2

（1.昆明理工大學(xué) 信息工程與自動化學(xué)院，昆明 650000；2.云南龍源風(fēng)力發(fā)電有限公司，云南 曲靖 655000）

針對風(fēng)機運行安全問題，建立風(fēng)機葉片表面腐蝕速率預(yù)測模型，實現(xiàn)對風(fēng)機葉片安全的預(yù)警。對風(fēng)機葉片腐蝕的原理進行分析，探討復(fù)合材料的腐蝕機理，根據(jù)現(xiàn)場實測的數(shù)據(jù)對葉片表面腐蝕速率進行預(yù)測。針對海鷗算法（SOA）易陷入局部最優(yōu)的問題提出了相應(yīng)的改進方案，采用logistics混沌映射取代了隨機選取海鷗初始位置的方式，提高海鷗初始位置的質(zhì)量；在海鷗位置更新方式中引入了Levy飛行策略，使得海鷗算法有更強的全局搜索能力；采用Metropolis準(zhǔn)則，使處于較差位置的海鷗個體也有一定概率被接受，以提高種群多樣性。將改進的海鷗算法用于對核極限學(xué)習(xí)機（KELM）參數(shù)的尋優(yōu)，建立ISOA?KELM風(fēng)機葉片表面腐蝕速率預(yù)測模型。對該模型進行實驗，并與SOA?KELM、PSO?KELM、GA?KELM進行預(yù)測誤差對比。使用ISOA優(yōu)化KELM提升了KELM的預(yù)測精度，獲得的平均絕對誤差（MAE）為0.457、均方誤差（MSE）為0.280、確定系數(shù)（R?square）為0.959，均優(yōu)于SOA?KELM、PSO?KELM、GA?KELM對比模型。用ISOA?KLEM模型建立的風(fēng)機葉片表面腐蝕速率模型具有更高的預(yù)測精度，基于相關(guān)環(huán)境數(shù)據(jù)預(yù)測的腐蝕速率對風(fēng)電場的維修計劃具有良好的指導(dǎo)作用。

海鷗優(yōu)化算法；核極限學(xué)習(xí)機；風(fēng)機葉片；表面腐蝕；腐蝕速率預(yù)測

2020年我國風(fēng)電并網(wǎng)裝機容量達(dá)到了7.167× 107kW，年發(fā)電量達(dá)到4.665×1011kWh，并且新增裝機連續(xù)多年全球第一。風(fēng)機葉片作為風(fēng)力發(fā)電機造價最高也是極容易損壞的部件，由于維修不及時導(dǎo)致需要更換葉片的花費早已超過了其他部件維護所需的費用，因此其檢測與防護尤為重要。風(fēng)機葉片由復(fù)合材料制成，其中的增強材料一般是玻璃纖維和碳纖維，具有良好的防腐蝕性能[1]。但在風(fēng)機運行過程中風(fēng)沙和鳥類撞擊會造成小的擦痕，在環(huán)境作用下擦痕轉(zhuǎn)變?yōu)楦g，腐蝕會進一步擴大，導(dǎo)致葉片力學(xué)性能下降，最終葉片折斷。由于維修葉片需要停機，同時擦痕幾乎不對風(fēng)機葉片運行產(chǎn)生影響，小面積腐蝕也不需要立即修復(fù)，為了不打亂發(fā)電計劃，因此風(fēng)電場人員在記錄損傷位置后，根據(jù)腐蝕情況制定維修計劃集中修復(fù)。在等待維修這段時間，需要持續(xù)關(guān)注腐蝕情況。風(fēng)電機分布范圍大，風(fēng)電場地理環(huán)境復(fù)雜，依靠人力對多個風(fēng)機持續(xù)檢測十分困難，因此根據(jù)影響葉片腐蝕的因素，對各個腐蝕點進行腐蝕速率預(yù)測有一定現(xiàn)實意義。

多位專家對玻璃纖維復(fù)合材料的腐蝕行為進行了研究。瞿立[2]等對復(fù)合材料進行了鹽霧試驗，對材料腐蝕后的拉伸性能、彎曲強度和剪切性能進行分時段測試，發(fā)現(xiàn)在腐蝕過程中這3種力學(xué)性能都呈現(xiàn)先增加后下降趨勢。劉志[3]等研究了在紫外光和酸、堿、鹽溶液的作用下，老化、腐蝕對材料力學(xué)性能的影響，同樣得到了力學(xué)性能先增加后減小的結(jié)論。代禮葵[4]用多種方式表征了復(fù)雜環(huán)境下復(fù)合材料沖蝕損傷的演化行為，并通過不同老化周期中材料各項指標(biāo)的變化，得出了水解反應(yīng)和光氧化反應(yīng)是產(chǎn)生腐蝕主要原因的結(jié)論。

復(fù)合材料腐蝕一定程度后，粘結(jié)強度變差且不易修復(fù)[5]。為了減少腐蝕帶來的損失，多位專家提出了多種腐蝕預(yù)測方法。丁康康[6]對復(fù)合材料在南海島礁大氣環(huán)境下的腐蝕規(guī)律進行預(yù)測，并建立了灰色預(yù)測模型。李暉等[7]利用人工加速玻璃纖維老化過程，并確定各因素比例系數(shù)建立回歸方程。牛一凡[8]等通過分析材料的濕熱損傷機制，結(jié)合環(huán)境當(dāng)量、老化時間建立材料的壽命預(yù)測模型。王濤等[9]將材料的彎曲性能作為性能指標(biāo)，將時間、溫度、腐蝕介質(zhì)含量作為影響因素，建立了BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測材料壽命。這些研究成果給出的都是實驗室內(nèi)靜態(tài)的材料老化預(yù)測，并不能直接應(yīng)用在不間斷運行的風(fēng)機葉片腐蝕預(yù)測上?？紤]到風(fēng)電場的露天環(huán)境和葉片的運動狀態(tài)，通過分析相關(guān)因素，構(gòu)建了核極限學(xué)習(xí)機預(yù)測模型。由于檢測手段所限，僅將腐蝕面積擴大的速率作為預(yù)測對象。

1 風(fēng)機葉片腐蝕影響因素

風(fēng)機葉片的腐蝕實際上受到葉片材料本身和環(huán)境的巨大影響。復(fù)合材料的老化程度對腐蝕有著至關(guān)重要的影響，碳纖維和玻璃纖維材料容易受溫度影響，且老化速率與溫度高低呈正相關(guān)[10-12]。水的存在會加速破壞復(fù)合材料[13-14]，導(dǎo)致風(fēng)機葉片的耐老化性能下降。水附著在風(fēng)機葉片上將玻璃纖維中的堿金屬化合物溶解，導(dǎo)致水體呈堿性。氫氧根與SiO2的反應(yīng)見式（1）。

同時，氫氧根離子的存在會使復(fù)合材料中樹脂基體發(fā)生水解，反應(yīng)式見式（2）。

另外，玻璃纖維吸濕膨脹、脫濕收縮等物理變化也會引起風(fēng)機葉片損傷擴大，因而當(dāng)?shù)氐慕邓亢蜐穸葘︼L(fēng)機葉片的腐蝕有很大影響。

樹脂基體作為復(fù)合材料中的基體材料，能在一定程度上保護纖維材料，其性能受損也會影響風(fēng)機表面的損傷情況。在輻照條件下，單個樹脂分子吸收的能量大于其化學(xué)鍵能時，分子鏈段轉(zhuǎn)變?yōu)榧ぐl(fā)態(tài)；在氧氣作用下發(fā)生光氧化降解[15]。該過程是一個較為復(fù)雜的過程，其主要降解過程見式（3）—（6）。

其中，式（3）為激發(fā)過程；式（4）為樹脂分子與O2反應(yīng)過程；式（5）—（6）生成的小分子化合物流失，導(dǎo)致樹脂基體流失，對纖維材料的保護能力下降。

在應(yīng)力作用下玻璃纖維的耐腐蝕性能會下降[16]，葉片同時受到風(fēng)力和風(fēng)機旋轉(zhuǎn)產(chǎn)生不斷交變的力。風(fēng)速的大小同時也影響著風(fēng)機轉(zhuǎn)速大小。經(jīng)過上述腐蝕機理分析可知，影響腐蝕的主要因素是溫度、外部載荷、濕度和光照，還有材料自身的老化時間。因此，該研究考慮的影響因素是最高溫度、平均溫度、風(fēng)速、濕度、降水量、光照強度及葉片服役時間。

2 ISOA?KELM模型原理

2.1 改進海鷗算法（ISOA）

海鷗算法正是根據(jù)海鷗的遷徙習(xí)慣和攻擊行為設(shè)計的一種智能算法，在文獻[17]中已有詳細(xì)介紹，在此不再贅述。雖然海鷗算法在優(yōu)化問題上能產(chǎn)生良好結(jié)果，但也有明顯缺陷。文獻[18]表明，算法初始種群的分布能夠很大程度影響算法性能?；竞ｚt算法通過隨機選擇確定種群初始位置，可能在一定程度上導(dǎo)致分布不均，使種群多樣性不足。另外，海鷗算法會過早收斂，陷入局部最優(yōu)。采用混沌算子能增加初始種群的多樣性，提高算法的求解精度和收斂速度[19]。logistic混沌序列公式見式（7）。

初始海鷗種群由個維個體組成，對每個個體都進行混沌映射，得到個維序列，見式（8）。

式中：X為第個個體第維的值。

通過式（9）將產(chǎn)生的混沌序列映射到搜索空間內(nèi)。

式中：ub和lb分別表示設(shè)定的上、下限。

為使海鷗算法具有逃脫局部極值的能力，可采用2種方法，即在海鷗位置更新公式中加入Levy飛行機制，以及采用metropolis準(zhǔn)則使算法有一定的概率接受差值。

Levy飛行機制廣泛應(yīng)用于解決算法的過早收斂問題，文獻[20-21]通過在搜索過程中加入Levy飛行機制都取得了一定效果。在海鷗算法的位置更新方式中引入Levy飛行機制，見式（10）—（11）。

退火算法（SA）[22]于1983年提出，原理類似于物體升溫再冷卻的過程，隨著溫度下降，物體中的粒子逐漸穩(wěn)定排列成高密度有規(guī)則的晶體，對應(yīng)算法中的全局最優(yōu)解。其中，Metropolis準(zhǔn)則使更差的解也有機會成為新解。在文獻[23-24]中，為解決算法過早陷入局部最優(yōu)的問題，在選擇新解時采用了Metro-polis準(zhǔn)則。

2.2 核極限學(xué)習(xí)機（KELM）

極限學(xué)習(xí)機是單隱含層神經(jīng)網(wǎng)絡(luò)[25]，各層之間的權(quán)值、閾值隨機產(chǎn)生。ELM模型的輸出表示見式（12）。

Huang等[26]引入核函數(shù)作為極限學(xué)習(xí)機隱含層節(jié)點映射，提高了ELM的非線性映射能力[27]。將徑向基核函數(shù)（rbf）引入極限學(xué)習(xí)機，那么式（12）可表達(dá)為式（13）—（14）。

核函數(shù)為徑向基核函數(shù)，的定義見式（15）。

2.3 ISOA?KELM模型構(gòu)建步驟

根據(jù)對核極限學(xué)習(xí)機的介紹可知，其正則化系數(shù)和核函數(shù)參數(shù)需要選擇，且會直接影響模型的預(yù)測性能。為提高模型的預(yù)測性能，先使用改進的海鷗算法（ISOA）對參數(shù)和尋優(yōu)，然后使用核極限學(xué)習(xí)機對數(shù)據(jù)進行訓(xùn)練和預(yù)測，流程圖如圖1所示。

圖1 ISOA?KELM預(yù)測模型流程

3 預(yù)測實例分析

3.1 數(shù)據(jù)來源

風(fēng)電場通過無人機拍攝方式，每周記錄風(fēng)機葉片上特定的腐蝕區(qū)域，通過腐蝕面積變化計算出每周的腐蝕速率。由于腐蝕區(qū)域是不規(guī)則圖像，無法直接計算其面積，因此為減少無關(guān)因素的影響，將腐蝕區(qū)域進行裁剪，經(jīng)過裁剪后灰度化的腐蝕點圖像見圖2a，再進行二值化得到圖2b。二值化后圖像可以視為由0和1組成的矩陣，黑色像素在矩陣中表達(dá)為0，統(tǒng)計0的個數(shù)得到腐蝕所占的像素點個數(shù)。葉片單面的實際面積已知，在原圖像中將風(fēng)機葉片分割，得到整個葉片所占的像素點個數(shù)，通過腐蝕面積像素點個數(shù)占比，計算得到腐蝕的實際面積。

圖2 腐蝕圖像

從風(fēng)電場數(shù)據(jù)庫和氣象站獲得每周最高溫度、平均溫度、平均風(fēng)速、平均濕度、總降水量、平均光照強度和風(fēng)機葉片的服役時間。從2019年6月到2020年12月，一共得到80組數(shù)據(jù)，相關(guān)數(shù)據(jù)變化曲線 見圖3。

部分?jǐn)?shù)據(jù)展示見表1。將7個影響腐蝕的因素作為模型的輸入，腐蝕速率作為輸出，腐蝕速率曲線 見圖4。

圖3 數(shù)據(jù)變化曲線

圖4 每周腐蝕面積

式中：max，min分別為樣本中的最大值和最小值。

3.2 模型對比

將2019年6月到2020年8月共60組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，2020年8月到2020年12月共20組數(shù)據(jù)作為測試集。用改進的海鷗算法對KELM的參數(shù)進行尋優(yōu)。因為在尋優(yōu)過程中使用均方誤差作為適應(yīng)度函數(shù)，所以適應(yīng)度值越低表示該參數(shù)的適應(yīng)度越高。均方誤差計算公式見式（17）。

表2為各模型在不同尋優(yōu)算法下的均方誤差。

表1 腐蝕影響因素和腐蝕速率

Tab.1 Corrosion influencing factors and corrosion rate

各算法尋優(yōu)過程適應(yīng)度值變化曲線見圖5。

圖5 各模型適應(yīng)度值變化曲線

由圖5可以看出，各算法適應(yīng)度值均隨著迭代次數(shù)的增加而減小，但ISOA能在較少的迭代次數(shù)中達(dá)到最小的均方誤差。SOA也能在較少的迭代次數(shù)中取得較好的適應(yīng)度值，但尋優(yōu)能力還是次于ISOA。ISOA的初始適應(yīng)度值低于SOA，說明經(jīng)過混沌算子優(yōu)化，提高了種群初始位置質(zhì)量。PSO迅速穩(wěn)定在適應(yīng)度值較高的位置，說明容易受困于局部最佳。GA隨迭代次數(shù)增加而趨于穩(wěn)定，但適應(yīng)度在ISOA- KELM、SOA-KELM、PSO-KELM、GA-KELM中IPSO最高。通過ISOA得到的最優(yōu)正則化系數(shù)和核函數(shù)參數(shù)分別為2.050 6和1.842 6。4個模型相應(yīng)的評價指標(biāo)對比見表2。

平均絕對誤差的計算公式見式（18）。

表2 各模型預(yù)測結(jié)果

Tab.2 Forecast results of each model

確定系數(shù)（R?square）的計算公式見式（19）。

R?square越接近1，表示擬合程度越好。由表2可以看出，GA?KELM模型的預(yù)測誤差最大，表明GA?KELM容易陷入局部極值。4種模型的預(yù)測誤差對比見圖6。

圖6 預(yù)測誤差對比

從圖6可以看出，ISOA?KELM模型不能做到對每一個樣本的預(yù)測結(jié)果都與實際值最接近，但預(yù)測結(jié)果在整體上更加接近實際值曲線。由表2和圖6可以看出，PSO?KELM模型和GA?KELM模型的預(yù)測誤差波動較大，證明這2種方法并不適用對風(fēng)機葉片腐蝕速率的預(yù)測。通過平均絕對誤差和確定系數(shù)對比發(fā)現(xiàn)，ISOA?KELM模型的誤差遠(yuǎn)小于SOA?KELM模型，證明該種新模型更加適用于風(fēng)機葉片腐蝕速率的預(yù)測。從數(shù)據(jù)訓(xùn)練時間分析，在4種模型中，ISOA?KELM模型的訓(xùn)練時間更長，但該研究的應(yīng)用場景對訓(xùn)練時間的要求不高。把ISOA?KELM預(yù)測的腐蝕速率和實際腐蝕速率進行相關(guān)性分析，結(jié)果見圖7。

圖7 ISOA?KELM預(yù)測結(jié)果擬合

經(jīng)過多次實驗，ISOA?KELM模型的R?square均高于0.95，進一步證明該模型在預(yù)測風(fēng)機葉片腐蝕速率問題上有良好的魯棒性。并且觀察圖7可知，每周腐蝕面積為1.5～3.2 cm2時ISOA?KELM模型的預(yù)測結(jié)果更加準(zhǔn)確，而一般情況下每周腐蝕的面積都在此范圍內(nèi)，說明該預(yù)測模型在通常情況下都能有良好的表現(xiàn)。

3.3 腐蝕速率預(yù)測

對2021年1、2月份的腐蝕速率進行預(yù)測實驗，需要7個影響腐蝕因素數(shù)據(jù)，天氣預(yù)報無法預(yù)知2個月的氣象數(shù)據(jù)。過去3 a的1～2月的最高溫度、平均溫度、風(fēng)速、濕度、總降水量、光照強度（平均值），風(fēng)機葉片服役時間已知，得到結(jié)果見表3。將得到的各項平均值和服役時間輸入模型，對2021年1～2月風(fēng)機葉片的腐蝕速率進行預(yù)測。為檢驗預(yù)測效果，將結(jié)果與實際腐蝕速率進行相關(guān)性分析，結(jié)果如圖8所示。

經(jīng)過20次實驗，得到各項指標(biāo)的平均值為0.502，平均絕對誤差0.531，確定系數(shù)為0.912。因為腐蝕的影響因素是過去3 a的平均值，所以預(yù)測效果不如模型對比中對測試集的預(yù)測效果，但仍然具有較高的準(zhǔn)確性。這證明了該模型具有較好的魯棒性，可為風(fēng)電場的維修計劃提供決策參考。

表3 腐蝕影響因素和腐蝕速率

Tab.3 Corrosion influencing factors and corrosion rate

圖8 ISOA?KELM預(yù)測結(jié)果擬合

4 結(jié)語

1）基于風(fēng)機葉片腐蝕狀況監(jiān)測難度大的問題，選取影響腐蝕的7個因素，建立風(fēng)機葉片腐蝕速率預(yù)測模型，這能給風(fēng)電場提供有價值的維修建議。

2）目前，國內(nèi)外文獻中關(guān)于預(yù)測風(fēng)機葉片腐蝕速率的研究較少，該領(lǐng)域的數(shù)據(jù)庫較小，這直接阻礙了該領(lǐng)域人工智能的發(fā)展。使用核極限學(xué)習(xí)機作為預(yù)測模型，由于正則化系數(shù)和核函數(shù)參數(shù)的選擇將會對預(yù)測結(jié)果產(chǎn)生較大影響，如何對這些系數(shù)進行選擇是其難點。

3）分別使用 ISOA?KELM、SOA?KELM、PSO?KELM、GA?KELM等4種模型進行對比實驗。研究結(jié)果顯示，ISOA?KELM模型的預(yù)測均方誤差、平均絕對誤差都相對較小，分別為 0.280和0.457，同時確定系數(shù)為0.959，表明模型對數(shù)據(jù)的擬合較好。

4）通過計算過去3 a相關(guān)因素的平均值，對2021年1～2月風(fēng)機葉片的腐蝕速率進行預(yù)測，與實際腐蝕速率進行比較，得到的平均確定系數(shù)為0.912，證明ISOA?KELM模型可用于風(fēng)機葉片腐蝕速率預(yù)測。

[1] 陳秋宇, 赫玉欣, 張麗, 等. 碳纖維/玻璃纖維混雜復(fù)合材料的力學(xué)性能研究[J]. 化工新型材料, 2020, 48(7): 134-138.

CHEN Qin-yu, HE Yu-xin, ZHANG Li, et al. Mechanical Property of Carbon /Glass Hybrid Fiber Composite[J]. New Chemical Materials, 2020, 48(7): 134-138.

[2] 瞿立, 康少付, 李進, 等. 玻纖/乙烯基酯復(fù)合材料的制備及其鹽霧腐蝕行為[J]. 玻璃鋼/復(fù)合材料, 2019(11): 95-99.

QU Li, KANG Shao-fu, LI Jing, et al. Preparation and Salt Spray Atmospheric Corrosion Behavior of Glass Fiber/ Vinyl Ester Composites[J]. Fiber Reinforced Plastics/ Composites, 2019(11): 95-99.

[3] 劉志, 張勇, 張彬, 等. 玻璃纖維/聚氨酯復(fù)合材料耐腐蝕和耐UV研究[J]. 聚氨酯工業(yè), 2020, 35(1): 26-28.

LIU Zhi, ZHANG Yong, ZHANG Bin, et al. Study on Corrosion-Resistance and UV-Resistance of Glass Fiber / Polyurethane Composites[J]. Polyurethane Industry, 2020, 35(1): 26-28.

[4] 代禮葵. 環(huán)境因素下玻纖增強樹脂基復(fù)合材料沖蝕損傷行為[D]. 新疆大學(xué), 2019: 15-60.

DAI Li-kui. Erosion Damage Behavior of Glass Fiber Rein-forced Resin Matrix Composites under Environ-men-tal Factors[D]. Xinjiang University, 2019: 15-60.

[5] Zerbst U, Madia M, Vormwald M. Fatigue Strength and Fracture Mechanics[J]. Procedia Structural Integrity, 2017(5) : 745-752．

[6] 丁康康, 杜建平, 王振華, 等. 嚴(yán)酷海洋大氣環(huán)境下玻璃纖維復(fù)合材料腐蝕老化規(guī)律研究[J]. 裝備環(huán)境工程, 2021, 18(11): 10-17.

Ding Kang-kang, DU Jian-ping, WANG Zhen-hua, et al. Study on Corrosion Aging Behavior of Glass Fiber Reinforced Composites in Severe Marine Atmospheric Environment[J]. Equipment Environmental Engineering, 2021, 18(11): 10-17.

[7] 李暉, 張錄平, 孫巖, 等. 玻璃纖維增強復(fù)合材料的壽命預(yù)測[J]. 工程塑料應(yīng)用, 2011, 39(1): 68-73.

LI Hui, ZHANG Lu-ping, SUN Yan, et al. Prediction of Service Life of the Glass Fibre Reinforced Composite[J]. Engineering Plastics Application, 2011, 39(1): 68-73.

[8] 牛一凡, 李璋琪, 朱曉峰. 全濕熱場下碳纖維/環(huán)氧樹脂復(fù)合材料彎曲性能及壽命預(yù)測[J]. 復(fù)合材料學(xué)報, 2020, 37(1): 104-112.

NIU Yi-fan, LI Zhang-qi, ZHU Xiao-feng. Flexural Pro-per-ties and Life-time Estimation of Carbon Fiber/Epoxy Composite under Hygrothermal Conditions[J]. Acta Ma-te-riae Compositae Sinica, 2020, 37(1): 104-112.

[9] 王濤, 王俊, 趙迪宇, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的玻璃纖維增強塑料腐蝕條件下的壽命預(yù)測[J]. 化工學(xué)報, 2019, 70(12): 4872-4880.

WANG Tao, WANG Jun, ZHAO Di-yu, et al. Life Pre-diction of Glass Fiber Reinforced Plastics Based on BP Neural Network under Corrosion Condition[J]. CIESC Journal, 2019, 70(12): 4872-4880.

[10] 謝桂華, 卞玉龍, 唐永生, 等. 纖維增強復(fù)合材料疲勞性能的溫度效應(yīng)[J]. 玻璃鋼/復(fù)合材料, 2017(9): 19-24.

XIE Gui-hua, BIAN Yu-long, TANG Yong-sheng, et al. Temperature Effect on Fatigue Performance of Fiber- Reinforced Polymer[J]. Fiber Reinforced Plastics/ Composites, 2017(9): 19-24.

[11] 楊麗穎, 聶百勝, 董小平, 等. 溫度和CO2環(huán)境對玻璃鋼腐蝕形貌及力學(xué)性能的影響[J]. 材料熱處理學(xué)報, 2016, 37(10): 109-114.

YANG Li-ying, NIE Bai-sheng, DONG Xiao-ping, et al. Effect of Temperature on Morphology and Mechanical Properties of Carbon Fiber Reinforced Polymer (FRP) Composites Corroded by CO2[J]. Transactions of Mate-rials and Heat Treatment, 2016, 37(10): 109-114.

[12] 李亞南, 于運花, 楊小平. 玻璃纖維/乙烯基酯樹脂復(fù)合材料在硫酸溶液中的腐蝕機理研究[J]. 玻璃鋼/復(fù)合材料, 2014(6): 30-34.

LI Ya-nan, YU Yun-hua, YANG Xiao-ping. The Corro-sion Mechanism Research of Glass Fiber Reinforced Vinyl Ester Resin Composites in Sulfuric Acid Solutions [J]. Fiber Reinforced Plastics/Composites, 2014(6): 30-34.

[13] 譚藝蓓, 倪愛清, 陳宏達(dá), 等. 吸水對連續(xù)玻璃纖維增強聚丙烯復(fù)合材料的力學(xué)性能影響的研究[J]. 玻璃鋼/復(fù)合材料, 2017(10): 72-78.

TAN Yi-bei, NI Ai-qing, CHEN Hong-da, et al. Effect of Water Absorption on Mechanical Properties of Conti-nu-ous Glass Fiber Reinforced Polypropylene Composites[J]. Fiber Reinforced Plastics/Composites, 2017(10): 72-78.

[14] 朱坤坤, 倪愛清, 王繼輝. 苧麻/玻璃纖維混雜復(fù)合材料的老化研究及壽命預(yù)測[J]. 玻璃鋼/復(fù)合材料, 2016(5): 48-54.

ZHU Kun-kun, NI Ai-qing, WANG Ji-hui. Aging Study and Life Prediction of Ramie/Glass Fiber Hybrid Com-po-sites[J]. Fiber Reinforced Plastics/ Composites, 2016(5): 48-54.

[15] 代禮葵, 孫耀寧, 王國建. 玻璃纖維/環(huán)氧乙烯基酯樹脂復(fù)合材料環(huán)境綜合因素下的沖蝕行為及機制[J]. 復(fù)合材料學(xué)報, 2019, 36(9): 2059-2066.

DAI Li-kui, SUN Yao-ning, WANG Guo-jian. Erosion Behavior and Mechanism of Glass Fiber/Epoxy Vinlester Composites under Multiple Environmental Factors[J]. Acta Materiae Compositae Sinica, 2019, 36(9): 2059- 2066.

[16] 程基偉, 王天民. TWINTEX纖維增強塑料的應(yīng)力腐蝕開裂[J]. 材料研究學(xué)報, 2005(3): 269-276.

CHENG Ji-wei, WANG Tian-min. Stress Corrosion Crac-king of TWINTEX Fiber Reinforced Plastics [J]. Journal of Materials Research, 2005 (3): 269-276.

[17] DHIMAN G, KUMAR V. Seagull Optimization Algori-thm: Theory and its Applications for Large-Scale Indus-trial Engineering Problems[J]. Knowledge-Based Sys-tems, 2019, 165: 169-196.

[18] HAUPT R, HAUPT S. Practical Genetic Algorithm[M]. New York: John Wiley and Sons, 2004: 51-65.

[19] 湯安迪, 韓統(tǒng), 徐登武, 等. 基于混沌麻雀搜索算法的無人機航跡規(guī)劃方法[J]. 計算機應(yīng)用, 2021, 41(7): 2128-2136.

TANG An-di, HAN Tong, XU Deng-wu, et al. Path Planning Method of Unmanned Aerial Vehicle Based on Chaos Sparrow Search Algorithm[J]. Journal of Computer Applications, 2021, 41(7): 2128-2136.

[20] 張嚴(yán), 秦亮曦. 基于Levy飛行策略的改進樽海鞘群算法[J]. 計算機科學(xué), 2020, 47(7): 154-160.

ZHANG Yan, QIN Liang-xi. Improved Salp Swarm Algo-rithm Based on Levy Flight Strategy[J]. Computer Science, 2020, 47(7): 154-160.

[21] 唐朝國. 基于改進Levy飛行的PSO濕度傳感器補償算法[J]. 電子測量與儀器學(xué)報, 2020, 34(3): 119-125.

Tang Chao-guo. PSO Humidity Sensor Compensation Algorithm Based on Improved Levy Flight[J]. Journal of Electronic Measurement and Instrumentation, 2020, 34(3): 119-125.

[22] SIMOPOULOS D N, KAVATZA S D, VOURNAS C D. Unit Commitment by an Enhanced Simulated Annealing Algorithm[J]. IEEE Trans on Power Systems, 2006, 21(1): 68-76.

[23] 陳久梅, 張松毅, 但斌. 求解多隔室車輛路徑問題的改進粒子群優(yōu)化算法[J]. 計算機集成制造系統(tǒng), 2019, 25(11): 2952-2962.

CHEN Jiu-mei, ZHENG Song-yi, DAN Bin. Improved Par-ticle Swarm Optimization for Multi-Compartment Vehi-cle Routing Problem[J]. Computer Integrated Manufac-turing Systems, 2019, 25(11): 2952-2962.

[24] 郭彩杏, 郭曉金, 柏林江. 改進遺傳模擬退火算法優(yōu)化BP算法研究[J]. 小型微型計算機系統(tǒng), 2019, 40(10): 2063-2067.

GUO Cai-xing, GUO Xiao-jin, BAI Lin-jiang. Rsearch on Improved BP Algorithm for Genetic Simulated Annealing Algorithm[J]. Journal of Chinese Computer Systems, 2019, 40(10): 2063-2067.

[25] TANG J, DENG C, GUANG G B. Extreme Learning Machine for Multilayer Perceptron[J]. IEEE Transactions on Neural Networks & Learning Systems (S2162-237X), 2016, 27(4): 809-821.

[26] HUANG G B, ZHOU H, DING X, et al. Extreme Lear-ning Machine for Regression and Multiclass Classifi-ca-tion[J]. IEEE Transactions on Systems, Man and Cyber-netics, Part B: Cybernetics, 2012, 42(2): 513-529．

[27] HUANG G B, BAI Z, KASUN L L C, et al. Local Receptive Fields Based Extreme Learning Machine[J]. IEEE Computational Intelligence Magazine, 2015, 10(2): 18-27.

Prediction of the Corrosion Rate of Wind Turbine Blade Based on ISOA-KELM

1,1,1,2

(1. Kunming University of Science and Technology, College of Information Engineering and Automation Kunming 650000;2. Yunnan Longyuan Wind Power Generation Limited Company Yunnan Qujing, 655000)

To scientifically stimulate the wind turbine blades maintenance plan and to protect the safety of wind farm personnel and property, the corrosion mechanism analysis of raw material for wind turbine blades was conducted. It was found that there are five main factors affecting the corrosion rate, which are temperature, external load, humidity, light, and the aging time of the material itself. Therefore, for the wind turbine blade in service, the influencing factors considered in this study are maximum temperature, average temperature, wind speed, humidity, precipitation, light intensity, and blade service time. Weekly maximum temperature, average temperature, average wind speed, average humidity, total precipitation, average light intensity, and service time of the wind turbine blades are obtained from the wind farm database and weather stations. These data are used to train the model to predict the corrosion rate of the wind turbine blades.

The prediction model consists of a classifier and an optimization algorithm. A Kernel Extreme Learning Machine (KELM) was chosen as the classifier, and the hyper parameters of the KELM are optimized using an optimization algorithm to improve the classification performance. The corresponding improvement scheme is proposed to solve the problem that the SOA is easy to fall into local optimal. The method of randomly selecting the initial position of the seagull is replaced by the method of logistics chaotic mapping to improve the quality of the initial position of the seagull. The Levy flight strategy is introduced in the update method of seagull position, which makes the Seagull Optimization Algorithm have stronger global search ability. Metropolis criterion is adopted to make seagull individuals in poor positions have a certain probability to be accepted and improve the diversity of the population. The modified SOA is used to optimize the parameters of KELM, and establishes prediction model of corrosion rate on the surface of ISOA-KELM wind turbine blades.

To verify the prediction performance of the ISOA-KELM model, the parameters of KELM were optimized using the basic seagull optimization algorithm (SOA), particle swarm optimization (PSO), and genetic algorithm (GA) to compare the prediction errors with SOA-KELM, PSO-KELM, and GA-KELM, respectively. The obtained data are divided into training and test sets in a ratio of 3:1, and the model is trained using the training set. The results show that optimizing KELM using ISOA improves the prediction accuracy of KELM, and the obtained values of Mean Absolute Error (MAE) of 0.457, Mean Square Error (MSE) of 0.280, and R-square of 0.959 are better than the above three comparison models. After a series of experiments, the R-square of ISOA-KELM model is higher than 0.95, which further proves that the model has good accuracy and robustness in predicting the corrosion rate of wind turbine blades. And the prediction accuracy of ISOA-KELM model is higher than the average when the weekly corrosion area is 1.5～3.2 cm2, and the corrosion rate in general is within this range, which shows that the prediction model can have good performance under normal circumstances.

After obtaining the prediction model, the prediction experiment was conducted for the corrosion rate in January and February 2021. Calculate the average values of maximum temperature, temperature, wind speed, humidity, total precipitation, and light intensity in January and February of the past three years, and input the obtained average values and service time into the model to predict the corrosion rate of wind turbine blades in January and February of 2021. After 20 experiments, the average value of each index is obtained as MSE is 0.502, MAE is 0.531, R-square is 0.912. Because the influence of corrosion is the average of the past three years, so the prediction effect is not as good as the prediction effect of the model comparison for the test set, but still has high accuracy. It is proved that the model has good robustness and can provide decision suggestions for the maintenance plan of wind farms, so as to guarantee the safety of wind turbine blades.

seagull optimization algorithm; nuclear extreme learning machine; wind turbine blade; surface corrosion; corrosion rate prediction

TH391；TH145.9

A

1001-3660(2022)11-0271-08

10.16490/j.cnki.issn.1001-3660.2022.11.025

2000–00–00；

2000–00–00

2000-00-00；

2000-00-00

國家自然科學(xué)基金（61962031）

The National Natural Science Foundation of China(61962031)

孫棟欽（1995—），男，碩士，主要研究方向為風(fēng)力發(fā)電、智能算法。

SUN Dong-qin (1995-), Male, Master, Research focus: Wind power generation, intelligent algorithm。

湯占軍（1969—），男，博士，副教授，主要研究方向為新能源發(fā)電、智能控制。

TANG Zhan-jun (1969-), Male, Doctor, Associate professor, Research focus: New energy power generation and intel-ligent control.

孫棟欽, 湯占軍, 李英娜, 等.基于ISOA?KELM的風(fēng)機葉片腐蝕速率預(yù)測[J]. 表面技術(shù), 2022, 51(11): 271-278.

SUN Dong-qin, TANG Zhan-jun, LI Ying-na, et al. Prediction of the Corrosion Rate of Wind Turbine Blade Based on ISOA-KELM[J]. Surface Technology, 2022, 51(11): 271-278.