基于续尺度卷积网络的10 MW漂浮式风力机筋腱损伤识别

2022-02-22许子非缪维跑张万福金江涛王鑫雨

振动与冲击 2022年3期

许子非，杨阳，李春，缪维跑，张万福，金江涛，王鑫雨

(1.上海理工大学能源与动力工程学院，上海 200093；2.利物浦约翰摩尔斯大学海洋与机械学院,利物浦 L3 3AF；3.宁波大学海运学院，浙江宁波 315211；4.上海市动力工程多项流动与传热重点实验室，上海 200093)

由于陆上风资源开发近趋饱和，海上风能因其低湍流、大储量、高风速、对环境影响小及不占土地资源等优势备受世界各国重视。海上风电已成为主要的发展方向为学术和企业界的共识[1]。

漂浮式风力机为海上获捕风能的主要设备，为更高效的捕获风能，提高风能转化率以降低度电成本，风力机大型化是漂浮式风力机主要发展趋势[2]。但大型化使风力机质量增加、柔性增强，在风、浪、流等随机激励作用下引发非平稳响应易导致属细长弹性柔性结构的漂浮式风力机具有复杂的动态响应；环境、载荷、材料老化以及施工缺陷将使结构出现损伤[3-4]。其中，筋腱为海上漂浮式风力机连接浮体间重要支撑部件，其结构健康状况决定浮台稳定性，浮台系统的健康状况对漂浮式风力机安全、稳定与高效的运行密切相关。若无法对结构健康状况有效监测、对结构损伤位置与程度实施准确识别，轻则加剧维修成本，重则导致风力机倾覆，使整机系统损坏[5-6]。因此，研究和建立一种有效、精准的结构健康监测与损伤检测方法和模型，用来识别筋腱结构损伤位置及程度，从而保证发电效率、降低维修成本、延长风力机寿命。

目前，有两类方法实现筋腱的结构健康监测：基于物理模型与基于数据模型[7]。由于基于物理模型的损伤识别方法求解并重建系泊系统质量、刚度与阻尼矩阵，对结构动力学模型精度要求严苛[8]，且Jahangiri等[9]研究发现：基于数据模型建立损伤监测的方法比传统基于物理模型时间损伤诊断的方法更具鲁棒性。基于数据驱动的结构健康监测主要涉及特征提取及状态分类。Chandrasekaran等[10]采用无线传感器获取漂浮式平台动力学响应，通过傅里叶变换获取频域信息并完成特征提取，以实现结构健康监测，结果显示基于时频分解算法可实现损伤特征有效提取。Mohammad等[11]提出一种基于小波变换的大型海工结构损伤检测与定位方法，结果表明采用小波子信号进行结构损伤定位更为准确。Jiang等[12]采用经验模态分解算法解决了模态混叠引发的搜寻相似结构响应模式困难的问题，结果显示提取有效IMF(intrinsic mode function)模态可提升损伤识别的准确度。Hakim等[13]采用模态特征作为人工神经网络训练数据，建立智能诊断模型，结果表明此方法可有效识别在桥梁、建筑及海洋平台的结构损伤。陈保家等[14]的研究表明：将支持向量机与小波变换、主成分分析和经验模态分解等算法相结合可实现故障诊断与状态监测。

以上由特征提取与状态分类所组成的“混合式”健康监测方法存在以下问题：① 传统特征提取方法过多依赖人为经验，其可靠性决定状态分类准确度上限;② 状态分类算法的有效性将影响损伤诊断方法的鲁棒性。因此，同时考虑长时间序列因超出环境载荷变化周期引起特征识别失败；短序列由于数据量过少造成频率分辨率低致使损伤诊断困难。提出基于连续多尺度卷积神经网络(continues-multi-scale convolutional neural network，CMS-CNN)框架，建立“端到端”的健康监测与损伤识别方法。此方法直接作用于动力学响应信号，无需额外的信号处理方法。以10 MW漂浮式海上风力机为对象，对浮台筋腱结构隐性损伤进行识别，同时实现故障定位与损伤程度识别。为大型漂浮式风力机结构健康监测提供技术支持与解决方案。

2 研究对象

1.1 漂浮式风力机模型

DTU 10 MW风力机具备详细的气动、结构参数，已广泛用于开发各种海洋平台支持结构的海上风力机模型，其设计参数如表1所示。

表1 DTU 10 MW风力机模型

基于DTU 10 MW风力机，采用TELWIND模型进行海上漂浮式风力机响应研究。其中，浮体平台由上、下浮体及6根筋腱组成，该结构保证了漂浮式风力机系统的稳定性。

图1为10 MW TELWIND漂浮式风力机示意图，适用于水深超过110 m的海域。吃水深度:上浮体为16.75 m，下浮体为22.50 m;总体结构为92.25 m；上下浮体的直径分别为44.5 m和23.0 m，筋腱长度为48.81 m，等效直径为0.271 m。

图1 10 MW TELWIND 风力机

2.2 损伤场景

为获取平台筋腱健康状态与隐性损伤状态下的振动响应数据，考虑不规则波，基于FAST-AQWA软件建立气动-水动-伺服的10 MW漂浮式风力机全耦合模型，其筋腱、系泊系统示意图如图2所示。

由图2可知，上下浮体由6根筋腱连接，通过改变筋腱刚度，实现具有不同损伤程度的隐性损伤振动数据，试验分别模拟了1～6号筋腱不同损伤程度时的10 MW漂浮式风力机响应情况，且损伤不包括锚链结构。

(a)

1.3 仿真环境与数据采样

考虑不规则波，基于FAST-AQWA软件建立气动-水动-伺服全耦合10 MW漂浮式风力机模型获取筋腱健康与隐性损伤下振动响应[15]。

采用六自由度传感器采集上浮体纵荡、垂荡、横荡、艏摇、横摇以及纵摇加速度信号，采样频率为10 Hz，每次采样时间为2 000 s(即20 000个数据点)。

本文以加速度信号作为对象进行筋腱故障诊断研究，筋腱结构损伤时其刚度下降步长为10%，筋腱损伤及样本划分详情如表2所示。

表2 筋腱损伤与振动信号样本的详情

由表2可知，通过改变筋腱刚度以实现每根筋腱具有不同程度的隐性结构损伤，通过监测10 MW漂浮式风力机加速度信号进行故障诊断研究。

2 筋腱损伤诊断方法

2.1 卷积神经网络

卷积神经网络(convolutional neural network，CNN)用于处理具有类似网格结构的数据神经网络，例如包含具时间采样规律的一维网格或具二维像素网格的图像。CNN对输入样本数据进行逐层卷积与池化，提取数据结构中拓扑结构特征，具有旋转、平移不变形的特点，并广泛应用于工程及数学领域。

CNN因具备稀疏连接、参数共享及等变表示的能力，可降低模型训练参数个数、避免算法过拟合及减少数据维度等优点。传统CNN具备输入层、卷积层、池化层、全连接层和输出层。

2.1.1 卷积层

卷积神经网络前期通过交替进行的卷积与池化对输入特征张量进行提取，而靠近输出层部分则采用传统多层神经网络。其过程如下所示。

采用卷积核与输入目标进行卷积运算，基于偏置，通过激活函数获取特征张量[16]。卷积过程数学表达式为

(1)

式中：i为第i个卷积核；g(i)为第i个经卷积所习得的特征张量；u为输入数组;v为卷积核偏置；x、y、z为输入目标维度，若为二维像素，则去x、y即可。

完成卷积运算后，采用激活函数实现非线性变换，而ReLU[17]为CNN中应用最广泛的激活函数之一

y(i)=f(g(i))=max{0,g(i)},i=1,2,…,q

(2)

2.1.2 池化层

池化层为对上层数据缩放与映射，池化过程包括最大值及均值池化

(3)

(4)

式中：ul(i,t)为第l层中第i个特征张量的第t个神经元；ω为卷积核宽度；j为第j个池化层。

2.1.3 全连接层与激活单元

全连接层包含对应多层感知机的隐含层，该层中所有神经元与前一层中神经元全连接，进而整合处理卷积、池化处理后的数据信息，其激活函数一般为sigmoid。

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

(5)

输出层采用SoftMax分类器对全连接层给予的结果进行分类输出，实现状态分类。

2.1.4 Dropout

Dropout正则化技术被用于防止模型过拟合，以一定比例随机关闭神经单元使得神经元之间敏感性降低，其标准过程由式(6)给出。

y=f(Wx)·m，mi～Bernoulli(p)

(6)

式中：f为激活函数;x为输入量;W为权值矩阵;y为输出。

2.2 多尺度粗粒度过程

为捕捉更丰富的漂浮式风力机平台筋腱结构隐性损伤特征。引入多尺度粗粒度过程获取多尺度子信号，传统多尺度粗粒度过程由式(7)给出，示意图如图3所示。

图3 传统多尺度粗粒度过程示意图

由图3可知，传统多尺度粗粒度过程由于使用间断滑窗采样使得捕获信息缺失，且使得数据长度呈指数下降，导致短序列随神经层递进而无法进行卷积运算。为此，提出连续多尺度粗粒度过程，捕捉更丰富的多尺度信息，充足的特征信息保证了深度学习的诊断性能。

(7)

式中：τ为粗粒度尺度;N为原始信号长度;xn为信号第n个值;yτ,j为子信号。

2.3 连续多尺度卷积神经网络

基于传统多尺度粗粒度过程，提出连续多尺度粗粒度，其过程由式(8)给出，示意图如图4所示。

图4 连续多尺度粗粒度过程

由图4可知，连续多尺度保证了子信号的数据长度，连续采样包含更多的序列信息，且可改善传统多尺度因数据量过少导致深层网络无法进行卷积运算的问题。

(8)

式中：τ为粗粒度尺度;N为原始信号长度;xn为信号第n个值，zτ,j为子信号。

基于连续多尺度粗粒度过程与卷积神经网络，提出连续多尺度神经网络，其拓扑结构及网络参数如图5所示。

图5 CMS-CNN模型

Fig.5 The CMS-CNN model

2.4 损伤诊断框架

为解决基于数据驱动的结构隐性损伤识别需先提取损伤特征再进行状态分类的分步式诊断方法的不足，其故障诊断准确率受限于特征提取的有效性与状态分类的可靠性，基于所提出CMS-CNN模型，建立“端到端”10 MW漂浮式风力机平台筋腱结构隐性损伤诊断方法，CMS-CNN模型及诊断流程如图6所示。

由图6可知，通过信号采集系统获取10 MW漂浮式风力机平台响应数据，数据源自于Yang等的研究，将数据集划分为训练及测试样本。通过训练集训练CMS-CNN模型，以获含参模型；采用训练完备的CMS-CNN诊断模型测试并识别独立与训练样本的测试数据集，实现损伤诊断与故障分类。因方法包含多尺度特征融合，提升模型面对数据分布变动时的鲁棒性，因此泛化性能更佳。

3 结果与分析

为验证所提出CMS-CNN诊断方法的有效性，以10 MW漂浮式风力机筋腱结构损伤/结构健康时平台的纵荡加速度为对象，采用CMS-CNN方法进行故障诊断，对隐性损伤程度、损伤位置以及位置与程度混合3种故障场景进行诊断。

3.1 场景设置

为验证所提出CMS-CNN的有效性与优越性，构建筋腱损伤位置识别以及损伤演化诊断场景，场景设置详情,如表3所示。

表3 场景设置

图6 10 MW漂浮式风力机平台筋腱结构隐性损伤诊断系统

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

由表3可知，场景K中不同损伤程度被赋予标签:0～6代表损伤30%下健康以及6种不同的筋腱损伤;7～13代表损伤60%下健康以及6种不同的筋腱损伤;14～20代表损伤90%下健康以及6种不同的筋腱损伤。

以完全场景J为例，与MS-CNN(multi-scaleconvolutional neural network)方法[18]建立的诊断模型进行对比，体现CMS-CNN模型的优越性，结果如图7所示。

图7 CMS-CNN与MS-CNN对比

由图7可知，CMS-CNN因连续多尺度采样获取比传统多尺度方法更丰富的信息，使得模型收敛更快。

3.2 CMS-CNN诊断结果

分别以平台纵荡、垂荡以及横荡加速度响应为特征，基于CMS-CNN模型建立筋腱损伤故障诊断系统，对10 MW漂浮式风力机筋腱进行故障诊断研究。场景F、J下模型训练结果如图8所示。

(a) 场景F，60%损伤

由图8(a)和图8(b)所示，分别为筋腱完全损伤与部分损伤时训练准确度随迭代次数变化。纵荡加速度因为平台主动力学响应方向，其振动幅值与垂荡、横荡相比更为显著，并对风、波、流耦合外载荷作用较为敏感，随机载荷的波动导致以纵荡加速度作为特征构建CMS-CNN诊断系统，其训练时间比以横荡加速度为特征更久。以图8(b)为例，基于纵荡加速度为特征训练的CMS-CNN诊断模型比基于横荡加速度为特征所训练的模型慢了约1 000个迭代步。如图8(a)所示，在识别结构60%损伤时，以横荡加速度为特征受训的CMS-CNN模型收敛最快。因此，论文后续采用横荡加速度为特征，基于CMS-CNN模型进行智能损伤诊断。

4.2.1 损伤位置识别

以平台横荡加速度响应为特征，采用基于CMS-CNN所建立的故障诊断方法分别对筋腱损伤10%～100%时故障位置进行诊断，其准确率如图9所示。

由图9可知，筋腱完全损伤时(100%)，基于CMS-CNN所建立的诊断模型具有最佳的诊断准确率且模型训练迅速收敛；当筋腱受损程度变化时，训练模型所需时间增加，但仍具有较高的诊断准确度。当损伤程度为50%时，模型训练收敛速度最慢，且诊断准确度最低。

图9 场景A～J下损伤识别结果

为进一步体现模型的外推性，采用与训练、验证集独立的响应数据以测试CMS-CNN模型泛化性能，测试结果由表4所示。

表4 不同场景下损伤识别率

由表4可知:在损伤末期(场景J)，对筋腱损伤位置诊断准确率高达98.66%；由于早期微弱损伤对结构动力学响应影响较小，损伤初期(场景A)的诊断准确率较低，为83.00%。纵观筋腱损伤演化全阶段(场景A～场景J)，全阶段准确度均值为87.87%，表明CMS-CNN损伤识别模型的可靠性及泛化性。

4.2.2 损伤位置、程度混合识别

为满足工程需求，突出CMS-CNN模型的优越性，以场景K的数据集模拟筋腱结构损伤位置与损伤识别，测试诊断结果如图10所示。

由图10可知，准确率模糊矩阵表明：场景K下CMS-CNN模型接近92%的损伤识别率，说明CMS-CNN模型在识别损伤位置、程度时具有可信的准确度。由于结构内在损伤变化对平台动力学响应影响较小，导致正常平台响应情况误报为结构损伤，但不同损伤程度的相同位置识别时误报率较低。此测试体现CMS-CNN模型在损伤位置、程度混合识别时的可靠性。