許子非， 楊 陽， 李 春， 繆維跑， 張萬福， 金江濤， 王鑫雨

(1.上海理工大學(xué) 能源與動力工程學(xué)院，上海 200093；2.利物浦約翰摩爾斯大學(xué) 海洋與機(jī)械學(xué)院,利物浦 L3 3AF；3.寧波大學(xué) 海運(yùn)學(xué)院，浙江 寧波 315211；4.上海市動力工程多項(xiàng)流動與傳熱重點(diǎn)實(shí)驗(yàn)室，上海 200093)

由于陸上風(fēng)資源開發(fā)近趨飽和，海上風(fēng)能因其低湍流、大儲量、高風(fēng)速、對環(huán)境影響小及不占土地資源等優(yōu)勢備受世界各國重視。海上風(fēng)電已成為主要的發(fā)展方向?yàn)閷W(xué)術(shù)和企業(yè)界的共識[1]。

漂浮式風(fēng)力機(jī)為海上獲捕風(fēng)能的主要設(shè)備，為更高效的捕獲風(fēng)能，提高風(fēng)能轉(zhuǎn)化率以降低度電成本，風(fēng)力機(jī)大型化是漂浮式風(fēng)力機(jī)主要發(fā)展趨勢[2]。但大型化使風(fēng)力機(jī)質(zhì)量增加、柔性增強(qiáng)，在風(fēng)、浪、流等隨機(jī)激勵(lì)作用下引發(fā)非平穩(wěn)響應(yīng)易導(dǎo)致屬細(xì)長彈性柔性結(jié)構(gòu)的漂浮式風(fēng)力機(jī)具有復(fù)雜的動態(tài)響應(yīng)；環(huán)境、載荷、材料老化以及施工缺陷將使結(jié)構(gòu)出現(xiàn)損傷[3-4]。其中，筋腱為海上漂浮式風(fēng)力機(jī)連接浮體間重要支撐部件，其結(jié)構(gòu)健康狀況決定浮臺穩(wěn)定性，浮臺系統(tǒng)的健康狀況對漂浮式風(fēng)力機(jī)安全、穩(wěn)定與高效的運(yùn)行密切相關(guān)。若無法對結(jié)構(gòu)健康狀況有效監(jiān)測、對結(jié)構(gòu)損傷位置與程度實(shí)施準(zhǔn)確識別，輕則加劇維修成本，重則導(dǎo)致風(fēng)力機(jī)傾覆，使整機(jī)系統(tǒng)損壞[5-6]。因此，研究和建立一種有效、精準(zhǔn)的結(jié)構(gòu)健康監(jiān)測與損傷檢測方法和模型，用來識別筋腱結(jié)構(gòu)損傷位置及程度，從而保證發(fā)電效率、降低維修成本、延長風(fēng)力機(jī)壽命。

目前，有兩類方法實(shí)現(xiàn)筋腱的結(jié)構(gòu)健康監(jiān)測：基于物理模型與基于數(shù)據(jù)模型[7]。由于基于物理模型的損傷識別方法求解并重建系泊系統(tǒng)質(zhì)量、剛度與阻尼矩陣，對結(jié)構(gòu)動力學(xué)模型精度要求嚴(yán)苛[8]，且Jahangiri等[9]研究發(fā)現(xiàn)：基于數(shù)據(jù)模型建立損傷監(jiān)測的方法比傳統(tǒng)基于物理模型時(shí)間損傷診斷的方法更具魯棒性?；跀?shù)據(jù)驅(qū)動的結(jié)構(gòu)健康監(jiān)測主要涉及特征提取及狀態(tài)分類。Chandrasekaran等[10]采用無線傳感器獲取漂浮式平臺動力學(xué)響應(yīng)，通過傅里葉變換獲取頻域信息并完成特征提取，以實(shí)現(xiàn)結(jié)構(gòu)健康監(jiān)測，結(jié)果顯示基于時(shí)頻分解算法可實(shí)現(xiàn)損傷特征有效提取。Mohammad等[11]提出一種基于小波變換的大型海工結(jié)構(gòu)損傷檢測與定位方法，結(jié)果表明采用小波子信號進(jìn)行結(jié)構(gòu)損傷定位更為準(zhǔn)確。Jiang等[12]采用經(jīng)驗(yàn)?zāi)B(tài)分解算法解決了模態(tài)混疊引發(fā)的搜尋相似結(jié)構(gòu)響應(yīng)模式困難的問題，結(jié)果顯示提取有效IMF(intrinsic mode function)模態(tài)可提升損傷識別的準(zhǔn)確度。Hakim等[13]采用模態(tài)特征作為人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，建立智能診斷模型，結(jié)果表明此方法可有效識別在橋梁、建筑及海洋平臺的結(jié)構(gòu)損傷。陳保家等[14]的研究表明：將支持向量機(jī)與小波變換、主成分分析和經(jīng)驗(yàn)?zāi)B(tài)分解等算法相結(jié)合可實(shí)現(xiàn)故障診斷與狀態(tài)監(jiān)測。

以上由特征提取與狀態(tài)分類所組成的“混合式”健康監(jiān)測方法存在以下問題：① 傳統(tǒng)特征提取方法過多依賴人為經(jīng)驗(yàn)，其可靠性決定狀態(tài)分類準(zhǔn)確度上限;② 狀態(tài)分類算法的有效性將影響損傷診斷方法的魯棒性。因此，同時(shí)考慮長時(shí)間序列因超出環(huán)境載荷變化周期引起特征識別失?。欢绦蛄杏捎跀?shù)據(jù)量過少造成頻率分辨率低致使損傷診斷困難。提出基于連續(xù)多尺度卷積神經(jīng)網(wǎng)絡(luò)(continues-multi-scale convolutional neural network，CMS-CNN)框架，建立“端到端”的健康監(jiān)測與損傷識別方法。此方法直接作用于動力學(xué)響應(yīng)信號，無需額外的信號處理方法。以10 MW漂浮式海上風(fēng)力機(jī)為對象，對浮臺筋腱結(jié)構(gòu)隱性損傷進(jìn)行識別，同時(shí)實(shí)現(xiàn)故障定位與損傷程度識別。為大型漂浮式風(fēng)力機(jī)結(jié)構(gòu)健康監(jiān)測提供技術(shù)支持與解決方案。

2 研究對象

1.1 漂浮式風(fēng)力機(jī)模型

DTU 10 MW風(fēng)力機(jī)具備詳細(xì)的氣動、結(jié)構(gòu)參數(shù)，已廣泛用于開發(fā)各種海洋平臺支持結(jié)構(gòu)的海上風(fēng)力機(jī)模型，其設(shè)計(jì)參數(shù)如表1所示。

表1 DTU 10 MW風(fēng)力機(jī)模型

基于DTU 10 MW風(fēng)力機(jī)，采用TELWIND模型進(jìn)行海上漂浮式風(fēng)力機(jī)響應(yīng)研究。其中，浮體平臺由上、下浮體及6根筋腱組成，該結(jié)構(gòu)保證了漂浮式風(fēng)力機(jī)系統(tǒng)的穩(wěn)定性。

圖1為10 MW TELWIND漂浮式風(fēng)力機(jī)示意圖，適用于水深超過110 m的海域。吃水深度:上浮體為16.75 m，下浮體為22.50 m;總體結(jié)構(gòu)為92.25 m；上下浮體的直徑分別為44.5 m和23.0 m，筋腱長度為48.81 m，等效直徑為0.271 m。

圖1 10 MW TELWIND 風(fēng)力機(jī)

2.2 損傷場景

為獲取平臺筋腱健康狀態(tài)與隱性損傷狀態(tài)下的振動響應(yīng)數(shù)據(jù)，考慮不規(guī)則波，基于FAST-AQWA軟件建立氣動-水動-伺服的10 MW漂浮式風(fēng)力機(jī)全耦合模型，其筋腱、系泊系統(tǒng)示意圖如圖2所示。

由圖2可知，上下浮體由6根筋腱連接，通過改變筋腱剛度，實(shí)現(xiàn)具有不同損傷程度的隱性損傷振動數(shù)據(jù)，試驗(yàn)分別模擬了1～6號筋腱不同損傷程度時(shí)的10 MW漂浮式風(fēng)力機(jī)響應(yīng)情況，且損傷不包括錨鏈結(jié)構(gòu)。

(a)

1.3 仿真環(huán)境與數(shù)據(jù)采樣

考慮不規(guī)則波，基于FAST-AQWA軟件建立氣動-水動-伺服全耦合10 MW漂浮式風(fēng)力機(jī)模型獲取筋腱健康與隱性損傷下振動響應(yīng)[15]。

采用六自由度傳感器采集上浮體縱蕩、垂蕩、橫蕩、艏搖、橫搖以及縱搖加速度信號，采樣頻率為10 Hz，每次采樣時(shí)間為2 000 s(即20 000個(gè)數(shù)據(jù)點(diǎn))。

本文以加速度信號作為對象進(jìn)行筋腱故障診斷研究，筋腱結(jié)構(gòu)損傷時(shí)其剛度下降步長為10%，筋腱損傷及樣本劃分詳情如表2所示。

表2 筋腱損傷與振動信號樣本的詳情

由表2可知，通過改變筋腱剛度以實(shí)現(xiàn)每根筋腱具有不同程度的隱性結(jié)構(gòu)損傷，通過監(jiān)測10 MW漂浮式風(fēng)力機(jī)加速度信號進(jìn)行故障診斷研究。

2 筋腱損傷診斷方法

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)用于處理具有類似網(wǎng)格結(jié)構(gòu)的數(shù)據(jù)神經(jīng)網(wǎng)絡(luò)，例如包含具時(shí)間采樣規(guī)律的一維網(wǎng)格或具二維像素網(wǎng)格的圖像。CNN對輸入樣本數(shù)據(jù)進(jìn)行逐層卷積與池化，提取數(shù)據(jù)結(jié)構(gòu)中拓?fù)浣Y(jié)構(gòu)特征，具有旋轉(zhuǎn)、平移不變形的特點(diǎn)，并廣泛應(yīng)用于工程及數(shù)學(xué)領(lǐng)域。

CNN因具備稀疏連接、參數(shù)共享及等變表示的能力，可降低模型訓(xùn)練參數(shù)個(gè)數(shù)、避免算法過擬合及減少數(shù)據(jù)維度等優(yōu)點(diǎn)。傳統(tǒng)CNN具備輸入層、卷積層、池化層、全連接層和輸出層。

2.1.1 卷積層

卷積神經(jīng)網(wǎng)絡(luò)前期通過交替進(jìn)行的卷積與池化對輸入特征張量進(jìn)行提取，而靠近輸出層部分則采用傳統(tǒng)多層神經(jīng)網(wǎng)絡(luò)。其過程如下所示。

采用卷積核與輸入目標(biāo)進(jìn)行卷積運(yùn)算，基于偏置，通過激活函數(shù)獲取特征張量[16]。卷積過程數(shù)學(xué)表達(dá)式為

(1)

式中：i為第i個(gè)卷積核；g(i)為第i個(gè)經(jīng)卷積所習(xí)得的特征張量；u為輸入數(shù)組;v為卷積核偏置；x、y、z為輸入目標(biāo)維度，若為二維像素，則去x、y即可。

完成卷積運(yùn)算后，采用激活函數(shù)實(shí)現(xiàn)非線性變換，而ReLU[17]為CNN中應(yīng)用最廣泛的激活函數(shù)之一

y(i)=f(g(i))=max{0,g(i)},i=1,2,…,q

(2)

2.1.2 池化層

池化層為對上層數(shù)據(jù)縮放與映射，池化過程包括最大值及均值池化

(3)

(4)

式中：ul(i,t)為第l層中第i個(gè)特征張量的第t個(gè)神經(jīng)元；ω為卷積核寬度；j為第j個(gè)池化層。

2.1.3 全連接層與激活單元

全連接層包含對應(yīng)多層感知機(jī)的隱含層，該層中所有神經(jīng)元與前一層中神經(jīng)元全連接，進(jìn)而整合處理卷積、池化處理后的數(shù)據(jù)信息，其激活函數(shù)一般為sigmoid。

s(x)=1/(1+e-x)

(5)

輸出層采用SoftMax分類器對全連接層給予的結(jié)果進(jìn)行分類輸出，實(shí)現(xiàn)狀態(tài)分類。

2.1.4 Dropout

Dropout正則化技術(shù)被用于防止模型過擬合，以一定比例隨機(jī)關(guān)閉神經(jīng)單元使得神經(jīng)元之間敏感性降低，其標(biāo)準(zhǔn)過程由式(6)給出。

y=f(Wx)·m，mi～Bernoulli(p)

(6)

式中：f為激活函數(shù);x為輸入量;W為權(quán)值矩陣;y為輸出。

2.2 多尺度粗粒度過程

為捕捉更豐富的漂浮式風(fēng)力機(jī)平臺筋腱結(jié)構(gòu)隱性損傷特征。引入多尺度粗粒度過程獲取多尺度子信號，傳統(tǒng)多尺度粗粒度過程由式(7)給出，示意圖如圖3所示。

圖3 傳統(tǒng)多尺度粗粒度過程示意圖

由圖3可知，傳統(tǒng)多尺度粗粒度過程由于使用間斷滑窗采樣使得捕獲信息缺失，且使得數(shù)據(jù)長度呈指數(shù)下降，導(dǎo)致短序列隨神經(jīng)層遞進(jìn)而無法進(jìn)行卷積運(yùn)算。為此，提出連續(xù)多尺度粗粒度過程，捕捉更豐富的多尺度信息，充足的特征信息保證了深度學(xué)習(xí)的診斷性能。

(7)

式中：τ為粗粒度尺度;N為原始信號長度;xn為信號第n個(gè)值;yτ,j為子信號。

2.3 連續(xù)多尺度卷積神經(jīng)網(wǎng)絡(luò)

基于傳統(tǒng)多尺度粗粒度過程，提出連續(xù)多尺度粗粒度，其過程由式(8)給出，示意圖如圖4所示。

圖4 連續(xù)多尺度粗粒度過程

由圖4可知，連續(xù)多尺度保證了子信號的數(shù)據(jù)長度，連續(xù)采樣包含更多的序列信息，且可改善傳統(tǒng)多尺度因數(shù)據(jù)量過少導(dǎo)致深層網(wǎng)絡(luò)無法進(jìn)行卷積運(yùn)算的問題。

(8)

式中：τ為粗粒度尺度;N為原始信號長度;xn為信號第n個(gè)值，zτ,j為子信號。

基于連續(xù)多尺度粗粒度過程與卷積神經(jīng)網(wǎng)絡(luò)，提出連續(xù)多尺度神經(jīng)網(wǎng)絡(luò)，其拓?fù)浣Y(jié)構(gòu)及網(wǎng)絡(luò)參數(shù)如圖5所示。

圖5 CMS-CNN模型

Fig.5 The CMS-CNN model

2.4 損傷診斷框架

為解決基于數(shù)據(jù)驅(qū)動的結(jié)構(gòu)隱性損傷識別需先提取損傷特征再進(jìn)行狀態(tài)分類的分步式診斷方法的不足，其故障診斷準(zhǔn)確率受限于特征提取的有效性與狀態(tài)分類的可靠性，基于所提出CMS-CNN模型，建立“端到端”10 MW漂浮式風(fēng)力機(jī)平臺筋腱結(jié)構(gòu)隱性損傷診斷方法，CMS-CNN模型及診斷流程如圖6所示。

由圖6可知，通過信號采集系統(tǒng)獲取10 MW漂浮式風(fēng)力機(jī)平臺響應(yīng)數(shù)據(jù)，數(shù)據(jù)源自于Yang等的研究，將數(shù)據(jù)集劃分為訓(xùn)練及測試樣本。通過訓(xùn)練集訓(xùn)練CMS-CNN模型，以獲含參模型；采用訓(xùn)練完備的CMS-CNN診斷模型測試并識別獨(dú)立與訓(xùn)練樣本的測試數(shù)據(jù)集，實(shí)現(xiàn)損傷診斷與故障分類。因方法包含多尺度特征融合，提升模型面對數(shù)據(jù)分布變動時(shí)的魯棒性，因此泛化性能更佳。

3 結(jié)果與分析

為驗(yàn)證所提出CMS-CNN診斷方法的有效性，以10 MW漂浮式風(fēng)力機(jī)筋腱結(jié)構(gòu)損傷/結(jié)構(gòu)健康時(shí)平臺的縱蕩加速度為對象，采用CMS-CNN方法進(jìn)行故障診斷，對隱性損傷程度、損傷位置以及位置與程度混合3種故障場景進(jìn)行診斷。

3.1 場景設(shè)置

為驗(yàn)證所提出CMS-CNN的有效性與優(yōu)越性，構(gòu)建筋腱損傷位置識別以及損傷演化診斷場景，場景設(shè)置詳情,如表3所示。

表3 場景設(shè)置

圖6 10 MW漂浮式風(fēng)力機(jī)平臺筋腱結(jié)構(gòu)隱性損傷診斷系統(tǒng)

Fig.6 Fault diagnosis system of the damaged tendons of 10 MW floating offshore wind turbine

由表3可知，場景K中不同損傷程度被賦予標(biāo)簽:0～6代表損傷30%下健康以及6種不同的筋腱損傷;7～13代表損傷60%下健康以及6種不同的筋腱損傷;14～20代表損傷90%下健康以及6種不同的筋腱損傷。

以完全場景J為例，與MS-CNN(multi-scaleconvolutional neural network)方法[18]建立的診斷模型進(jìn)行對比，體現(xiàn)CMS-CNN模型的優(yōu)越性，結(jié)果如圖7所示。

圖7 CMS-CNN與MS-CNN對比

由圖7可知，CMS-CNN因連續(xù)多尺度采樣獲取比傳統(tǒng)多尺度方法更豐富的信息，使得模型收斂更快。

3.2 CMS-CNN診斷結(jié)果

分別以平臺縱蕩、垂蕩以及橫蕩加速度響應(yīng)為特征，基于CMS-CNN模型建立筋腱損傷故障診斷系統(tǒng)，對10 MW漂浮式風(fēng)力機(jī)筋腱進(jìn)行故障診斷研究。場景F、J下模型訓(xùn)練結(jié)果如圖8所示。

(a) 場景F，60%損傷

由圖8(a)和圖8(b)所示，分別為筋腱完全損傷與部分損傷時(shí)訓(xùn)練準(zhǔn)確度隨迭代次數(shù)變化。縱蕩加速度因?yàn)槠脚_主動力學(xué)響應(yīng)方向，其振動幅值與垂蕩、橫蕩相比更為顯著，并對風(fēng)、波、流耦合外載荷作用較為敏感，隨機(jī)載荷的波動導(dǎo)致以縱蕩加速度作為特征構(gòu)建CMS-CNN診斷系統(tǒng)，其訓(xùn)練時(shí)間比以橫蕩加速度為特征更久。以圖8(b)為例，基于縱蕩加速度為特征訓(xùn)練的CMS-CNN診斷模型比基于橫蕩加速度為特征所訓(xùn)練的模型慢了約1 000個(gè)迭代步。如圖8(a)所示，在識別結(jié)構(gòu)60%損傷時(shí)，以橫蕩加速度為特征受訓(xùn)的CMS-CNN模型收斂最快。因此，論文后續(xù)采用橫蕩加速度為特征，基于CMS-CNN模型進(jìn)行智能損傷診斷。

4.2.1 損傷位置識別

以平臺橫蕩加速度響應(yīng)為特征，采用基于CMS-CNN所建立的故障診斷方法分別對筋腱損傷10%～100%時(shí)故障位置進(jìn)行診斷，其準(zhǔn)確率如圖9所示。

由圖9可知，筋腱完全損傷時(shí)(100%)，基于CMS-CNN所建立的診斷模型具有最佳的診斷準(zhǔn)確率且模型訓(xùn)練迅速收斂；當(dāng)筋腱受損程度變化時(shí)，訓(xùn)練模型所需時(shí)間增加，但仍具有較高的診斷準(zhǔn)確度。當(dāng)損傷程度為50%時(shí)，模型訓(xùn)練收斂速度最慢，且診斷準(zhǔn)確度最低。

圖9 場景A～J下?lián)p傷識別結(jié)果

為進(jìn)一步體現(xiàn)模型的外推性，采用與訓(xùn)練、驗(yàn)證集獨(dú)立的響應(yīng)數(shù)據(jù)以測試CMS-CNN模型泛化性能，測試結(jié)果由表4所示。

表4 不同場景下?lián)p傷識別率

由表4可知:在損傷末期(場景J)，對筋腱損傷位置診斷準(zhǔn)確率高達(dá)98.66%；由于早期微弱損傷對結(jié)構(gòu)動力學(xué)響應(yīng)影響較小，損傷初期(場景A)的診斷準(zhǔn)確率較低，為83.00%?？v觀筋腱損傷演化全階段(場景A～場景J)，全階段準(zhǔn)確度均值為87.87%，表明CMS-CNN損傷識別模型的可靠性及泛化性。

4.2.2 損傷位置、程度混合識別

為滿足工程需求，突出CMS-CNN模型的優(yōu)越性，以場景K的數(shù)據(jù)集模擬筋腱結(jié)構(gòu)損傷位置與損傷識別，測試診斷結(jié)果如圖10所示。

由圖10可知，準(zhǔn)確率模糊矩陣表明：場景K下CMS-CNN模型接近92%的損傷識別率，說明CMS-CNN模型在識別損傷位置、程度時(shí)具有可信的準(zhǔn)確度。由于結(jié)構(gòu)內(nèi)在損傷變化對平臺動力學(xué)響應(yīng)影響較小，導(dǎo)致正常平臺響應(yīng)情況誤報(bào)為結(jié)構(gòu)損傷，但不同損傷程度的相同位置識別時(shí)誤報(bào)率較低。此測試體現(xiàn)CMS-CNN模型在損傷位置、程度混合識別時(shí)的可靠性。

圖10 損傷程度、位置識別結(jié)果

4 結(jié) 論

針對漂浮式風(fēng)力機(jī)平臺筋腱結(jié)構(gòu)隱性損傷識別困難，基于CNN，提出“端到端”的CMS-CNN智能診斷模型，以10 MW漂浮式風(fēng)力機(jī)平臺縱蕩加速度為輸入源，實(shí)現(xiàn)損傷位置、程度識別，結(jié)論如下：

(1) 因CMS-CNN模型可獲取比傳統(tǒng)MS-CNN模型更廣泛的多尺度信號，在識別筋腱損傷時(shí)準(zhǔn)確度高出15%。

(2) 以橫蕩加速度為CMS-CNN輸入源比縱蕩、垂蕩加速度作為輸入源建立診斷模型更可靠。

(3) CMS-CNN模型在識別筋腱結(jié)構(gòu)微弱損傷定位時(shí)具有83%的準(zhǔn)確度；在完全損傷時(shí)具有99%的故障診斷率。

(4) CMS-CNN模型在識別不同程度及位置診斷的筋腱時(shí)準(zhǔn)確度高于90%，且識別損傷程度及位置時(shí)誤報(bào)率較低。