基于神经网络算法的海上风机结构状态监测研究

王 春，陆义超，邢占清，周建华

（1.中国水利水电科学研究院，北京 100038；2.中国三峡新能源公司，北京 100053）

基于神经网络算法的海上风机结构状态监测研究

王 春1，陆义超2，邢占清1，周建华1

（1.中国水利水电科学研究院，北京 100038；2.中国三峡新能源公司，北京 100053）

针对目前海上风机结构状态监测研究很少涉及包括基础在内的整个结构体系，而现有模态分析方法某些情况下精度较差，且未经过工程验证的现状，本文采用静力分析与风机结构模态分析相结合的方法，分析并提取了各种环境荷载对风机结构响应显著的特征要数，建立了BP神经网络，提出了传感器的布置原则，并利用克里格插值得到了结构的分布云图。通过对比，神经网络与有限元计算误差在5%左右，具有较高的精度，且计算速度快，可为海上风机结构状态在线监测提供参考。

海上风机；结构状态；神经网络；传感器布置原则

1 研究背景

截止2013年底，全球风电总装机达到318 GW，其中海上风电为6.8 GW，我国风电总装机为91.4 GW，海上风电装机428 MW［1］。随着时间的推移，风电机组运行的安全事故也呈上升趋势，2007年后每年发生的安全事故超过100次，2012年、2013年全球发生的风电安全事故326次，超过20世纪后30年总和的2倍［2-3］。国内风电近年来发生多起事故，如大唐左云风电2010年发生风机倒塌事故，塔筒法兰连接螺栓1/3断裂，且多台风机发生事故，造成重大损失。据报告［3］，在各类风电事故中，结构失效仅次于火灾和叶片失效，因此对风机结构体系状态进行监测有重要的意义。风机监测主要集中在发电机组方面，结构监测的研究也以叶片和塔筒为主，较少涉及基础结构。相比陆上，海上风机所受荷载环境更复杂，多变的风、浪、流，甚至极端情况下的冰、台风、地震等荷载激励对结构影响机理更加复杂，可能存在有别于陆上风机的结构失效模式；建设难度更大，运行维护成本更高，由于海上风机远离陆地，风电场管理工作人员无法经常性的对结构进行评估与检测，对于事故的响应时间也远长于陆上风机的处理，这也为风机结构的安全监督与管理提出了难题。因此，在全寿命期内对海上风电场发电机组进行监控和风机结构体系进行监测就尤为重要。

目前对于风机结构状态监测与评价的研究多以振动模态分析为手段，且以叶片及塔筒为重点，较少涉及基础结构，同时由于环境和技术的限制，海上风机结构体系的安全监测研究则更少。传统的模态识别方法NExT法、ITD法、STD法及ERA法都是以外部激励具有或近似随机白噪声特性为假设前提，而对于风机由于叶片旋转存在周期性荷载混入，往往不能满足随机白噪声的假设要求，这样对于固有频率与谐波较为接近时，特别是响应中谐波成分占比较大时，这些方法不能区分真伪模态导致识别精度较低［4-7］。 James.G.H［8］、David McM illan等［9］、MoritzW.Häckell等［10］从不同的角度对海上风机安全监测进行了研究，但都没有得到实际工程的验证，主要是该类方法在处理谐波成分淹没结构固有模态成分时精度较差，例如风机叶轮高转速条件下。本文拟采用静动力相结合的方法，即分析海上风机各类结构的应力、应变、位移和动力响应的模态特征值，利用神经网络强大的映射功能进行风机结构状态监测研究。

2 神经网络简介

神经网络是模拟人思维时神经元的工作原理而形成的一个非线性动力系统，该系统根据对外部输入信息的动态响应来处理信息，具有信息的分布式存储、并行协同处理、信息处理单元互连和结构可塑、集体运算能力、自学习能力和自适应能力等特点，特别适用于处理高度非线性问题，并且有着较强的容错性和鲁棒性。神经网络的最突出特点是：设计合理的神经网络通过对系统输入输出样本进行自动学习，能够以任意精度逼近任意复杂的非线性映射，因此可以作为多维非线性函数的通用数学模型。本文采用常用的三层BP神经网络，包括输入层（环境荷载 xi）、中间层 yi和输出层（响应oi），链接权值wi、vi。通过不断修正链接权值w、v，得到输入输出的映射关系，下式（1）—（4）构成了BP网络训练的算法。

式中：E为总误差；d为样本库输出量真值；η为比例系数；n为输入量数量；l为输出量数量；m为中间层节点数；Δw、Δv为权值调整量；δ为运算符。

海上风机结构体系受恶劣环境下多种荷载的共同作用，其响应与环境荷载之间存在着异常复杂的关系，依靠传统的有限元方法显然没法做到在线监测的目的，仅依靠现有的振动模态分析存在着激励不完备等不确定因素，且谐波可能淹没结构振动信息使得监测精度较差。风、浪、流等环境荷载之间存在着某种联系，这些特点与神经网络的功能相符，而且一个训练好的网络可以迅速完成结构的响应分析，通过与实测响应进行比较，即可对结构体系的安全性进行评价，从而实现在线监测。

3 海上荷载条件下风机结构响应特性

海上风机一般均高于海平面60 m，随着单机功率的增大可达到80～90m，属于高耸结构，顶部为机舱，底部为基础结构，中间由塔筒链接。其中基础型式多样，如重力式基础、导管架基础、高桩承台、低桩承台、桶形基础等等，各种基础的承载机理有别，结构复杂程度不同，对海上荷载的响应特性也有差别。

3.1 海上风机受环境荷载特点海上风机主要受到风、浪、流的长期作用，某些情况下会承受冰荷载、地震、台风荷载等，这些荷载具有一定的随机性，对于风机结构体系具有静态和动态两方面的作用效果。研究各种荷载对风机结构体系作用的特点，是要分析荷载的特征值与结构体系响应之间的关系，提取荷载和响应的有效特征值，作为神经网络的输入输出参数，以设计准确的网络。

风荷载：根据风载理论，瞬时风速通常认为由平均风速（周期大于10m in）和脉动风速（周期在几秒至几十秒以内）两部分组成，其中平均风速一般远离各种建筑结构物的自振周期，其作用通常可认为是静力荷载作用；脉动风速则一般与建筑结构的自振周期相对接近，其作用具有一定的动力特性，应按照动荷载作用进行计算分析。表征风荷载的参数很多，如粗糙度、湍流长度、风切变指数等，而对风机结构影响较大的特征值主要有平均风速、计算周期内的最大、最小风速、均方根及风向等参数。

波浪荷载：波浪生成原因很多，风是波浪生成的重要因素，波浪大小和风速、风时、风距等密

由图1图2可以看出：风速、均方差与塔架顶部振动加速度存在一定的相关性，均方差较大时，振动加速度相对较大；风速和波高存在较好的相关关系，风速较大时，波高相对较高，反之亦然。

根据表1，zd4、zd1位置振动加速度相对较大，分别为塔顶和桩基波浪荷载作用点，浪流荷载对于风机结构的作用也不可忽略；zd2、zd3两个位置的振动加速度相对较小，分别为混凝土承台底面切相关。对于近岸水域还受水深影响，再加上波浪内部涡动、波面破碎等因素，使得海浪高度不规则和不可重复，实际上是一种随机波浪。其对结构体系的作用主要体现在基础上，如拍击、冲刷、涡流作用等，也是海床冲刷的主要作用力之一。其特征参数较多，包括波高、波速、波向、波面、周期、频率、波浪角、波数、波长等等。

表1 监测期内各测点最大加速度值

海流：主要为潮流，一般与波浪荷载一起讨论，特征参数包括流速、流向、周期等。

其他荷载：其他如地震、冰荷载、台风等属于临时荷载，需要根据实际情况和监测数据进行分析，不作为常规监测方案的网络输入量。

3.2 海上风机受荷载条件下响应特性海上风机在风、浪、流作用下，产生振动、位移、应力应变等响应［11-12］。为分析风机受荷载作用的敏感性，分别对江苏海上试验风机进行了振动监测和数值模拟计算，其基础为8桩高桩承台，在承台中部至塔筒顶部布置4支加速度传感器。表1是各点最大加速度结果，图1和图2为塔筒顶部振动监测数据与风浪流荷载的相关性图，图3和图4为该风机基础的数值模拟水平位移分布图。和承台顶5m高度的塔筒内位于塔筒，可见承台对于结构的稳定性的贡献较大。

图1 峰值加速度与风速方差、浪高相关性图

图2 平均风速、均方差与振动加速度对比

图3 x方向基础位移分布图

图4 z方向基础位移分布图

3.3 风机运行条件下结构响应在振动监测过程中发现，风机运行对结构振动亦有较大影响：平均风速3m/s左右的启动风速时，塔架顶部也存在一定振动，可能是风机频繁启动、停车时的振动引起；风机正常运行时其振动频率主要包括46.3 Hz、0.46 Hz等，可能分别为发电机发电的频率［13-14］、结构体系的自振频率。振动加速度幅值总体上随着机组负荷的增加而增大，在转速较低时增加趋势较为缓慢，随后当转速达到80%额定转速时，振动幅度发生急剧增加，并均在90%额定转速处取得最大值。同时，结构体系的振动位移随着振动加速度的增大而增大，尤其是塔筒顶部，随高度的降低而逐渐减小，到达承台基础处时已经很小，可以认为风机运行主要影响结构体系的上部，而对基础结构的影响相对较小。

综上，海上风机受多种荷载作用，风机结构体系对不同的荷载及运行工况表现出不同的特点：在动力响应方面，塔筒上部和发电机组受风载和风机运行负荷的作用更显著，基础受浪流荷载作用的动力响应更大；在静力响应方面，塔筒上部位移为主要响应，应力应变则较小，塔筒下部及基础部分则以应力应变响应为主，位移量较小。这要求海上风机监测时，上部塔筒以动力监测为主，下部结构应重点考虑静力监测；环境荷载监测应包含风、浪、流。

4 风机结构状态监测

海上风机的基础型式多种多样，不同基础型式的承载特性不同，结构监测方案亦有所差别，主要是传感器的布置和种类不同，但在结构响应显著或变化较大的位置应布置相应的传感器。以一桶型基础的海上风机结构体系为例。该风机额定功率3 MW，轮毂高度83.6m，桶形基础直径30m，高12m，桶与风机基础环之间为弧线形的混凝土连接段。

4.1 风机结构监测变量监测变量包括环境荷载特征值和结构响应代表值，前者作为神经网络的输入值，后者与神经网络的计算结果进行比较以判断结构体系的安全状态。根据上一节环境荷载对风机结构的作用特性，确定神经网络的输入量，如表2所示，其中风荷载较容易测得，目前通过风速仪测量均能满足表中要求；浪、流荷载需要专门的仪器，该设备较为昂贵，不可能每台风机均安装，考虑到风、浪、流之间存在较好的相关性，可考虑整个风场安装2～3台；风机运行状态也较为容易获取。

神经网络的输出量也是结构体系监测的变量，应根据有限元分析及桶形基础的特点确定，应包含结构振动加速度的特征值、基础各构件和材质的应力、应变和基础位移，具体见表3。

4.2 神经网络设计与训练由上节神经网络输入量为11个，而输出量为122个，若按此设计，网络结构较复杂，为提高计算精度，减少不同类别监测量之间的干扰，本文根据不同监测量类别，分别设计，均采用三层BP网络，设输入层含有n个分量，输出层含有l个分量，则中间层的节点数m可以由初步确定，根据训练的结果进行调整。

网络训练需要输入与输出样本对，样本的质量直接决定了神经网络的精度和实际可用性，要求样本对具有代表性和完备性。样本对的确定分为室内和现场两种情况，为验证该方案的可行性在室内利用有限元模拟各种工况，计算分析结构体系的响应情况，从而得到输入输出的样本对；在实际使用过程中可以根据现场实测资料，选取具有代表性和完备性的数据对作为样本。本文采用有限元模拟计算了30种工况，风速范围取0.7～25m/s，其结果通过插值扩充至59个样本对，作为神经网络的样本库。

表2 BP神经网络输入量

表3 桶形基础风机结构监测输出变量

4.3 传感器布置传感器是风机结构状态监测的基础，布置合理与否关系到监测成果的有效性和监测成本。传感器的布置原则：（1）传感器种类应包括监测环境荷载和结构响应特征值，能够监测到结构体系主要构件，对于桶形基础如表3所示；（2）安装位置应在结构响应最不利位置，如主风向上受拉和受压最大值处；（3）传感器应满足可靠、经济、易用、便于维护的要求，要考虑施工、防腐、传感器成活率等因素综合选定，且要和监测方法相适应。由表3，需要布置的传感器包括：混凝土应力计、钢筋计、土压力计、倾角计、振动加速度计，其中振动加速度传感器应均匀分布于塔筒顶到基础范围内，且在多年平均潮位处应埋设一加速度传感器；应力计应分布于结构受拉、受压最大值处，且具有一定的数量，可以利用这些监测点的实测值通过插值得到整个基础结构的分布云图；土压力计应在主风向剖面均匀、对称布置；倾角计布置于塔筒自上而下等距布置4～6支及混凝土承台面上，用于监测塔筒的挠曲和基础的变形。图5是基础部分传感器布置图（图中按轴对称还有一半传感器未标出）。

4.4 状态监测训练好的网络可以实现对海上风机结构的在线监测。由于尚未进行现场监测，文中所述方法仍是以数值模拟为主，为验证训练后的BP网络性能，另计算了5种工况，模拟在线监测，即根据输入条件，神经网络进行计算，并与有限元计算的结果进行比较，表4为分析结果。

图5 桶形基础部分传感器布置图

由表4可以看出，BP网络误差较小，最大误差为7.3%，大部分误差小于5%，输入量中缺少了风向和风机运行状态，对计算结果有一定的影响，在实际应用中，精度可能会差一些，需要进一步分析。

为了进一步考察基础结构整体响应状态，通过有限的监测数据进行插值计算，得到结构的响应云图，图6中左图是桶型基础过渡段小主应力有限元计算云图，右图是通过克里格法插值绘制的云图，可以看出，12个点的监测数据基本反应了基础结构的响应状态。

表4 部分模拟在线监测结果对比

根据有限元计算的塔筒及基础的在风速下的最大位移变形结果，如图7，在塔筒上选取了4个点，用于模拟支倾角计安置位置的结构变形，进行了插值计算，模拟塔筒的变形，结果如图8。从塔筒的变形云图上看，通过4个点的监测数据能较好的分析出塔筒的整体结构变形。

由于本文中采用有限元计算结果进行神经网络监测及插值计算分析，从结果上看，神经网络和克里格插值方法具有较高的精度，考虑到神经网络具有计算快，消耗资源小的特点，可以认为该方法能够满足海上风机结构状态在线监测的要求。但未有实际的监测数据验证，仍需要在实践中进一步完善。

图6 有限元计算与监测插值小主应力分布对比

图7 有限元计算结构最大位移分布

图8 插值计算的塔筒位移分布

5 结论

本文分析了海上风机结构体系所受风、浪、流等环境荷载及其响应的特性，提取了各种环境荷载的特征要数，提出了海上风机结构状态监测的传感器布置原则，分析了神经网络应用于海上风机结构在线监测的可行性，讨论了输入输出量的获取方法，通过桶型基础过渡段的计算，神经网络具有较高的精度，同时，神经网络具有计算快，占用资源小的特点，证明了神经网络用于海上风机结构体系在线监测是可行性的；并利用克里格等插值方法绘制了基础的应力响应云图及塔筒的变形云图，取得了较好的结果，可为海上风机健康监测的进一步研究提供参考。

［ 1］ World W ind Energy Association（WWEA）.World wind energy report2013［EB/OL］.

［ 2］ GLOBALW IND ENERGY COUNCIL.Annualmarketupdate 2013［R］.Belgium，2013.

［ 3］ CaithnessW indfarm Information Forum.Summary ofwind turbine accidentdata to 31stSeptember 2013［EB/OL］. http//：www.caithnesswindfarms.co.uk/page4.htm.

［ 4］ Mohanty P，Rixen D J.Operationalmodal analysis in the presence of harmonic excitation［J］.Journal of Sound and Vibration，2004，270：93-109.

［ 5］ Mohanty P，Rixen D J.A modified Ibrahim time domain algorithm for operationalmodal analysis including har⁃monic excitation［J］.Journalof Sound and Vibration，2004，275：375-390.

［ 6］ Mohanty P，Rixen D J.Modified ERA method for operationalmodal analysis in the presence of harmonic excita⁃tions［J］.Mechanical Systemsand Signal Processing，2006，20：114-130.

［ 7］ Mohanty P，Rixen D J.Modified SSTDmethod to account for harmonic excitations during operationalmodalanaly⁃sis［J］.Mechanism and Machine Theory，2004，39：1247-1255.

［ 8］ James G H.Extraction of modal parameters from an operating HAWT using the Natural Excitation Technique（NExT）［C］//Proceedings of the 13th ASME W ind Energy Symposium，W ind Energy 1994，New Orleans，LA，USA，1994.

［ 9］ David McM illan，Graham W Ault.Quantification of condition monitoring benefit for offshore wind turbiens［J］. W ind Engineering，2007，31：267-285.

［10］ Rolfes R，Zerbst S，Haake G，et al.Integral SHM-System for offshore wind trubines using smartwireless sensors［C］//the Proceedings of the 6th InternationalWorkshop on Structural Health Monitoring，Stanford，CA，Septem⁃ber 11-13，2007.

［11］ 邢占清，高季章，张金接，等.黏土地基近海风机桶形基础累积变形研究［J］.中国水利水电科学研究学院学报，2014，12（2）：149-154.

［12］ 周建华，张金接，邢占清.超静孔隙水压力影响的海上风机桩基承载力高应变检测方法研究［J］.中国水利水电科学研究学院学报，2012，10（1）：17-22.

［13］ 王琪，杜伟宏，等.水平轴风力发电机结构动态特性的测试与分析［J］.沈阳工业大学学报，2001，24（2）：107-109.

［14］ 杨锋，高季章，张金接，等.近海风机基础-塔架结构体系振动监测与动力响应分析［J］.中国水利水电科学研究学院学报，2013，11（2）：87-93.

Research of offshore wind turbine status monitoring based on neural network algorithm

WANG Chun1，LU Yichao2，XING Zhanqing1，ZHOU Jianhua1
（1.China InstituteofWater Resourcesand Hydropower Research，Beijing 100038，China；2.China ThreeGorgesNew Energy Co.，ltd，Beijing 100053，China）

Nowadays，research on status monitoring of offshore wind turbine is a hot topic，and most of it focuses on the blade and tower，rather than the whole structure including foundation.Modal analysis is the most common method，which is invalid in some cases for poor precision，and non-applied in any projec⁃tion.In this paper，the static analysis and modal analysis will be used in the study of structure state moni⁃toring，based on neural network algorithm.This paper presents the installation princip le of sensors，and ex⁃tracts the characteristics of various environment load which are remarkable effect on the whole structural. Compared with the finite element calculation，the results show error between neural network and finite ele⁃ment calculation is around 5%，and can provide reference for the on-line monitoring of the structure state of offshore wind turbine.

Offshore wind turbine；the structure state；neural network；installation principle of sensor

TK81文献识别号：Adoi：10.13244/j.cnki.jiwhr.2015.05.005

1672-3031（2015）05-0344-08

（责任编辑：韩 昆）

海上风电运行维护关键技术研究（之一）

王春（1982-），男，江苏泗阳人，博士生，主要从事风电场建设和地基处理工作。E-mail：wangch0105@126.com