基于續尺度卷積網絡的10 MW漂浮式風力機筋腱損傷識別

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 能源與動力工程學院，上海 200093；2.利物浦約翰摩爾斯大學 海洋與機械學院,利物浦 L3 3AF；3.寧波大學 海運學院，浙江 寧波 315211；4.上海市動力工程多項流動與傳熱重點實驗室，上海 200093)

由于陸上風資源開發近趨飽和，海上風能因其低湍流、大儲量、高風速、對環境影響小及不占土地資源等優勢備受世界各國重視。海上風電已成為主要的發展方向為學術和企業界的共識[1]。

漂浮式風力機為海上獲捕風能的主要設備，為更高效的捕獲風能，提高風能轉化率以降低度電成本，風力機大型化是漂浮式風力機主要發展趨勢[2]。但大型化使風力機質量增加、柔性增強，在風、浪、流等隨機激勵作用下引發非平穩響應易導致屬細長彈性柔性結構的漂浮式風力機具有復雜的動態響應；環境、載荷、材料老化以及施工缺陷將使結構出現損傷[3-4]。其中，筋腱為海上漂浮式風力機連接浮體間重要支撐部件，其結構健康狀況決定浮臺穩定性，浮臺系統的健康狀況對漂浮式風力機安全、穩定與高效的運行密切相關。若無法對結構健康狀況有效監測、對結構損傷位置與程度實施準確識別，輕則加劇維修成本，重則導致風力機傾覆，使整機系統損壞[5-6]。因此，研究和建立一種有效、精準的結構健康監測與損傷檢測方法和模型，用來識別筋腱結構損傷位置及程度，從而保證發電效率、降低維修成本、延長風力機壽命。

目前，有兩類方法實現筋腱的結構健康監測：基于物理模型與基于數據模型[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質量、剛度與阻尼矩陣，對結構動力學模型精度要求嚴苛[8]，且Jahangiri等[9]研究發現：基于數據模型建立損傷監測的方法比傳統基于物理模型時間損傷診斷的方法更具魯棒性。基于數據驅動的結構健康監測主要涉及特征提取及狀態分類。Chandrasekaran等[10]采用無線傳感器獲取漂浮式平臺動力學響應，通過傅里葉變換獲取頻域信息并完成特征提取，以實現結構健康監測，結果顯示基于時頻分解算法可實現損傷特征有效提取。Mohammad等[11]提出一種基于小波變換的大型海工結構損傷檢測與定位方法，結果表明采用小波子信號進行結構損傷定位更為準確。Jiang等[12]采用經驗模態分解算法解決了模態混疊引發的搜尋相似結構響應模式困難的問題，結果顯示提取有效IMF(intrinsic mode function)模態可提升損傷識別的準確度。Hakim等[13]采用模態特征作為人工神經網絡訓練數據，建立智能診斷模型，結果表明此方法可有效識別在橋梁、建筑及海洋平臺的結構損傷。陳保家等[14]的研究表明：將支持向量機與小波變換、主成分分析和經驗模態分解等算法相結合可實現故障診斷與狀態監測。

以上由特征提取與狀態分類所組成的“混合式”健康監測方法存在以下問題：① 傳統特征提取方法過多依賴人為經驗，其可靠性決定狀態分類準確度上限;② 狀態分類算法的有效性將影響損傷診斷方法的魯棒性。因此，同時考慮長時間序列因超出環境載荷變化周期引起特征識別失敗；短序列由于數據量過少造成頻率分辨率低致使損傷診斷困難。提出基于連續多尺度卷積神經網絡(continues-multi-scale convolutional neural network，CMS-CNN)框架，建立“端到端”的健康監測與損傷識別方法。此方法直接作用于動力學響應信號，無需額外的信號處理方法。以10 MW漂浮式海上風力機為對象，對浮臺筋腱結構隱性損傷進行識別，同時實現故障定位與損傷程度識別。為大型漂浮式風力機結構健康監測提供技術支持與解決方案。

2 研究對象

1.1 漂浮式風力機模型

DTU 10 MW風力機具備詳細的氣動、結構參數，已廣泛用于開發各種海洋平臺支持結構的海上風力機模型，其設計參數如表1所示。

表1 DTU 10 MW風力機模型

基于DTU 10 MW風力機，采用TELWIND模型進行海上漂浮式風力機響應研究。其中，浮體平臺由上、下浮體及6根筋腱組成，該結構保證了漂浮式風力機系統的穩定性。

圖1為10 MW TELWIND漂浮式風力機示意圖，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;總體結構為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 風力機

2.2 損傷場景

為獲取平臺筋腱健康狀態與隱性損傷狀態下的振動響應數據，考慮不規則波，基于FAST-AQWA軟件建立氣動-水動-伺服的10 MW漂浮式風力機全耦合模型，其筋腱、系泊系統示意圖如圖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，實現具有不同損傷程度的隱性損傷振動數據，試驗分別模擬了1～6號筋腱不同損傷程度時的10 MW漂浮式風力機響應情況，且損傷不包括錨鏈結構。

(a)

1.3 仿真環境與數據采樣

考慮不規則波，基于FAST-AQWA軟件建立氣動-水動-伺服全耦合10 MW漂浮式風力機模型獲取筋腱健康與隱性損傷下振動響應[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，每次采樣時間為2 000 s(即20 000個數據點)。

本文以加速度信號作為對象進行筋腱故障診斷研究，筋腱結構損傷時其剛度下降步長為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現每根筋腱具有不同程度的隱性結構損傷，通過監測10 MW漂浮式風力機加速度信號進行故障診斷研究。

2 筋腱損傷診斷方法

2.1 卷積神經網絡

卷積神經網絡(convolutional neural network，CNN)用于處理具有類似網格結構的數據神經網絡，例如包含具時間采樣規律的一維網格或具二維像素網格的圖像。CNN對輸入樣本數據進行逐層卷積與池化，提取數據結構中拓撲結構特征，具有旋轉、平移不變形的特點，并廣泛應用于工程及數學領域。

CNN因具備稀疏連接、參數共享及等變表示的能力，可降低模型訓練參數個數、避免算法過擬合及減少數據維度等優點。傳統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

卷積神經網絡前期通過交替進行的卷積與池化對輸入特征張量進行提取，而靠近輸出層部分則采用傳統多層神經網絡。其過程如下所示。

采用卷積核與輸入目標進行卷積運算，基于偏置，通過激活函數獲取特征張量[16]。卷積過程數學表達式為

(1)

式中：i為第i個卷積核；g(i)為第i個經卷積所習得的特征張量；u為輸入數組;v為卷積核偏置；x、y、z為輸入目標維度，若為二維像素，則去x、y即可。

完成卷積運算后，采用激活函數實現非線性變換，而ReLU[17]為CNN中應用最廣泛的激活函數之一

y(i)=f(g(i))=max{0,g(i)},i=1,2,…,q

(2)

2.1.2 池化層

池化層為對上層數據縮放與映射，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個特征張量的第t個神經元；ω為卷積核寬度；j為第j個池化層。

2.1.3 全連接層與激活單元

全連接層包含對應多層感知機的隱含層，該層中所有神經元與前一層中神經元全連接，進而整合處理卷積、池化處理后的數據信息，其激活函數一般為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果進行分類輸出，實現狀態分類。

2.1.4 Dropout

Dropout正則化技術被用于防止模型過擬合，以一定比例隨機關閉神經單元使得神經元之間敏感性降低，其標準過程由式(6)給出。

y=f(Wx)·m，mi～Bernoulli(p)

(6)

式中：f為激活函數;x為輸入量;W為權值矩陣;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力機平臺筋腱結構隱性損傷特征。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 傳統多尺度粗粒度過程示意圖

由圖3可知，傳統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，且使得數據長度呈指數下降，導致短序列隨神經層遞進而無法進行卷積運算。為此，提出連續多尺度粗粒度過程，捕捉更豐富的多尺度信息，充足的特征信息保證了深度學習的診斷性能。

(7)

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

2.3 連續多尺度卷積神經網絡

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

圖4 連續多尺度粗粒度過程

由圖4可知，連續多尺度保證了子信號的數據長度，連續采樣包含更多的序列信息，且可改善傳統多尺度因數據量過少導致深層網絡無法進行卷積運算的問題。

(8)

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

基于連續多尺度粗粒度過程與卷積神經網絡，提出連續多尺度神經網絡，其拓撲結構及網絡參數如圖5所示。

圖5 CMS-CNN模型

Fig.5 The CMS-CNN model

2.4 損傷診斷框架

為解決基于數據驅動的結構隱性損傷識別需先提取損傷特征再進行狀態分類的分步式診斷方法的不足，其故障診斷準確率受限于特征提取的有效性與狀態分類的可靠性，基于所提出CMS-CNN模型，建立“端到端”10 MW漂浮式風力機平臺筋腱結構隱性損傷診斷方法，CMS-CNN模型及診斷流程如圖6所示。

由圖6可知，通過信號采集系統獲取10 MW漂浮式風力機平臺響應數據，數據源自于Yang等的研究，將數據集劃分為訓練及測試樣本。通過訓練集訓練CMS-CNN模型，以獲含參模型；采用訓練完備的CMS-CNN診斷模型測試并識別獨立與訓練樣本的測試數據集，實現損傷診斷與故障分類。因方法包含多尺度特征融合，提升模型面對數據分布變動時的魯棒性，因此泛化性能更佳。

3 結果與分析

為驗證所提出CMS-CNN診斷方法的有效性，以10 MW漂浮式風力機筋腱結構損傷/結構健康時平臺的縱蕩加速度為對象，采用CMS-CNN方法進行故障診斷，對隱性損傷程度、損傷位置以及位置與程度混合3種故障場景進行診斷。

3.1 場景設置

為驗證所提出CMS-CNN的有效性與優越性，構建筋腱損傷位置識別以及損傷演化診斷場景，場景設置詳情,如表3所示。

表3 場景設置

圖6 10 MW漂浮式風力機平臺筋腱結構隱性損傷診斷系統

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]建立的診斷模型進行對比，體現CMS-CNN模型的優越性，結果如圖7所示。

圖7 CMS-CNN與MS-CNN對比

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

3.2 CMS-CNN診斷結果

分別以平臺縱蕩、垂蕩以及橫蕩加速度響應為特征，基于CMS-CNN模型建立筋腱損傷故障診斷系統，對10 MW漂浮式風力機筋腱進行故障診斷研究。場景F、J下模型訓練結果如圖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訓練準確度隨迭代次數變化。縱蕩加速度因為平臺主動力學響應方向，其振動幅值與垂蕩、橫蕩相比更為顯著，并對風、波、流耦合外載荷作用較為敏感，隨機載荷的波動導致以縱蕩加速度作為特征構建CMS-CNN診斷系統，其訓練時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練的CMS-CNN診斷模型比基于橫蕩加速度為特征所訓練的模型慢了約1 000個迭代步。如圖8(a)所示，在識別結構60%損傷時，以橫蕩加速度為特征受訓的CMS-CNN模型收斂最快。因此，論文后續采用橫蕩加速度為特征，基于CMS-CNN模型進行智能損傷診斷。

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%時故障位置進行診斷，其準確率如圖9所示。

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

圖9 場景A～J下損傷識別結果

為進一步體現模型的外推性，采用與訓練、驗證集獨立的響應數據以測試CMS-CNN模型泛化性能，測試結果由表4所示。

表4 不同場景下損傷識別率

由表4可知:在損傷末期(場景J)，對筋腱損傷位置診斷準確率高達98.66%；由于早期微弱損傷對結構動力學響應影響較小，損傷初期(場景A)的診斷準確率較低，為83.00%。縱觀筋腱損傷演化全階段(場景A～場景J)，全階段準確度均值為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模型的優越性，以場景K的數據集模擬筋腱結構損傷位置與損傷識別，測試診斷結果如圖10所示。

由圖10可知，準確率模糊矩陣表明：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、程度時具有可信的準確度。由于結構內在損傷變化對平臺動力學響應影響較小，導致正常平臺響應情況誤報為結構損傷，但不同損傷程度的相同位置識別時誤報率較低。此測試體現CMS-CNN模型在損傷位置、程度混合識別時的可靠性。

圖10 損傷程度、位置識別結果

4 結 論

針對漂浮式風力機平臺筋腱結構隱性損傷識別困難，基于CNN，提出“端到端”的CMS-CNN智能診斷模型，以10 MW漂浮式風力機平臺縱蕩加速度為輸入源，實現損傷位置、程度識別，結論如下：

(1) 因CMS-CNN模型可獲取比傳統MS-CNN模型更廣泛的多尺度信號，在識別筋腱損傷時準確度高出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模型在識別筋腱結構微弱損傷定位時具有83%的準確度；在完全損傷時具有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準確度高于90%，且識別損傷程度及位置時誤報率較低。