海上风机支撑结构状态监测研究进展＊

2022-04-12张学森吴香国李伟涛苏家战胡晓江

自动化技术与应用 2022年3期

张学森,吴香国,李伟涛,苏家战,胡晓江

（1.中国广核新能源控股有限公司，北京 100070；2.福州大学土木工程学院，福建福州 350108；3.哈尔滨工业大学结构工程灾变与控制教育部重点实验室，黑龙江哈尔滨 150090；4.黑龙江大数据产业发展有限公司，黑龙江哈尔滨 150001)

1 引言

在公共投资[1]和全球气候变化的推动下，世界范围内对可再生能源的开发量逐年增加。2017年全球市场风电装机容量为52492MW，约占全球总容量的10%[2]。由于海上风机具有风力更强、更稳定，大型机组更容易运输和部署，视觉干扰更小等优点，风电场越来越多地建在海上[3]。然而，为确保风电机组在其使用期内(通常为20-25年)保持最佳性能，海上风电机组的维护成本较高，约为海上安装成本的25%[4]。

风电系统的维护可以是被动性、预防性或预测性的[5-6]。预测性维护策略可以对故障进行预警，往往成本更低[7]。状态监测可为海上风力发电机组运行和维护提供重要依据，用于预测性维护策略。由于海上风机的运行环境恶劣，长期暴露在含盐的海洋环境中，使得海上风电支撑结构更容易受到腐蚀[8]。此外，结构要承受长期的动力荷载作用，例如风荷载、海浪和冰荷载，疲劳问题尤其突出，因此需要准确预测结构遭受的实际疲劳损伤。综上，要求风机支撑结构具有较高的耐腐蚀性，以及较高的强度和疲劳强度。同时，为了提高风电场的经济效益和竞争力，也需要不断加强运行维护。目前，针对风机支撑结构状态监测的研究还很少，而且大多沿用传统的结构健康监测策略。

本文在Web of Science 和中国知网上根据“海上风机”、“风机支撑结构”、“运维”、“智能运维”、“状态监测”、“智能结构健康监测”等关键词及其组合筛选了50余篇相关领域的文献进行研究综述，介绍目前风机支撑结构状态监测领域的研究现状，总结现有研究的成果和特点。同时，本文还结合智能健康监测技术在土木工程相关领域[9]的成功应用，展望风机支撑结构等基础设施状态监测的未来发展和研究方向，期望给相关领域的科研工作者提供借鉴和参考。

2 风机支撑结构的状态监测

风机支撑结构状态监测的研究现状，主要集中于风机塔架和基础两部分。目前的风机塔架应用较广泛的结构形式包括钢结构、混凝土结构、以及钢-混凝土组合结构等，而基础主要是钢筋混凝土结构。当面临复杂的海洋风、浪、流、环境作用，以及处于动力加载情况时，很难确定真实结构的破坏(如疲劳损伤)程度，而对结构进行服役期的状态监测可以不断地评估结构损坏程度[10]。本节从数据来源的角度对风机支撑结构的状态监测研究成果进行分类，综述近年来相关领域的主要关注点。

2.1 基于声学的结构监测

声波的衰减、反射或飞行时间的变化，通常可用于检测和定位损伤[11]。从结构声发射监测技术的发展脉络来看，早在2011年，Mudge PJ 等[12]就介绍了使用低频超声导波来提供远程监测整个塔架结构的方法，其中包括了对覆盖范围、灵敏度和现场经验的考虑。2012年，Godinez-Azcuaga VF 等[13]讨论了一种原本用于钢筋混凝土桥梁监测和预判的自供电无线传感器节点的发展状况。但这一发展的影响超越了桥梁健康监测领域，延伸到多个领域，比如风机叶片等。2014年，Urban S等[10]展示了海上风机基础随时间变化的疲劳过程的有限元模拟，并提出了包括实验室测试在内的疲劳监测概念，从而能够检测混凝土结构的真实退化程度。在测试过程中，该研究认为超声波为最合适的方法。2017年，Poozesh P等[14]提出了一种基于声学监测的非接触测量技术，通过使用单个麦克风或波束成形阵列观察声辐射来检测结构内部的裂缝或损伤。试验表明，声学波束成形和基于CLEAN的点传播函数减法(CLEAN-based subtraction of point spread function)都能以足够高的保真度识别测试结构的损伤。2020年，Beale C等[15]根据结构空腔边界的声学可透射性变化的可检测性，研究了一种主动声发射结构损伤检测方法。

特别地，对海上风机装配式平台来说，混凝土灌浆连接的性能对结构安全至关重要，在这一领域应用声发射技术进行结构监测也得到了重视。比如，针对灌浆料在使用过程中可能发生退化的问题，2018年，Brett CR等[16]提出使用低于100kHz 的扫频超声波技术给出海上风机基础结构的共振特征及监测各种故障状态，制定了将传感器送至基础中相关区域的方法，在一个运行中的风力发电场进行了海上试验，效果良好。2019年，Gunn DA等[17]采用低频超声波背散射法对两块钢板之间灌浆料的完整性进行了试验测试，通过比较试验与建模的结果对灌浆状态进行分类，包括状态良好、灌浆料与任一钢面板之间有缝隙和完全没有灌浆料，使用Pearson相关系数和Kolmogorov-Smirnov(K-S)相似性检验，从后者获得显著性水平，支持背散射低频超声波在灌浆料状态检测中的潜在应用。2020年，Tziavos NI 等[18]在弯曲试验中使用了声发射检测技术，研究灌浆连接内部的损伤演化和失效机理。声发射活动与荷载-位移测量结果和观察到的试样失效模式相关联，声发射信号的数量和信号持续时间被用来识别加载过程中的损伤演变，均方根和上升时间与振幅的比值作为关键性能指标，用于损伤预判。

2.2 基于振动(加速度)数据的监测

基于振动的损伤识别的基本思想是，物理特性(质量、阻尼和刚度)的变化将导致结构的模态参数(自然频率、模态阻尼和模态形状)和描述结构动力响应的其他损伤敏感特征的可检测变化[11]。在文献中，可以找到一些从各种模型中提取损伤敏感特征的研究[11]，基于振动的方法无法检测非常小的损伤或定位损伤，然而，他们提供了整体结构状态的信息，并且需要较少的传感器数量，使他们成为结构全局状态监测的最常用方法之一。

为了解决风机支撑结构在复杂多变的工作环境下的结构健康监测问题，很多学者基于振动加速度数据进行了这方面的研究。比如，2016年，Weijtjens W 等[19]提出基于共振频率的海上风机基础结构的健康监测方法，考虑到具有风机自振频率的运行和环境变化可能掩盖结构变化，采用(非)线性回归模型来补偿环境变化，并提出逐个监测策略来解决运行情况变化问题。2018年，Oliveira G等[20]介绍了基于最重要振动模态的模态特性来对陆上2.0-MW 风力发电机组进行振动监测的方法，提出基于回归模型的统计程序，用于最小化运行和环境效应对用于检测风机结构变化的特征的影响，分析了三种常见的损伤情况：陆上基础损伤、海上基础冲刷损伤和叶片损伤，评估系统检测损伤的适用性。最近，Jiang YF等[21]从监测算法本身出发，提出了一种高效的元启发式算法，命名为天牛群优化(BSO)，利用有限的海上风机结构振动(数值和试验)测量数据对结构损伤进行定位和量化，克服了天牛须搜索算法(BAS)收敛比例显著依赖于高维问题的随机方向和差值(须的长度)的缺点，数值结果表明，即使在噪声和温度变化的数据污染环境中，BSO 也能准确定位和量化各种类型的损伤，同时获得了比BAS 和粒子群优化(PSO)算法更高的精度和更快的收敛速度。

疲劳损伤问题和多荷载激励问题也是近期研究的主要关注点。2018年，Cianetti F等[22]提出一种通过简单的时间处理参考信号，如塔顶加速度(典型的实验采集)或塔基弯矩(典型的数值测量)来在线评估和预测潜在疲劳损伤的工具，并将其转换为Simulink代码，通过协同仿真方法用于多体仿真。2019年，Luczak MM等[23]比较了两种基于振动的实验室尺度模型进行损伤检测的方法，一种方法是在模态分析中使用加速度信号(输入-输出模态分析)，另一种基于运行模态分析(仅输出模态分析)，通过计算模态参数并跟踪它们的偏差来监测连续损伤。两种方法应用在不同支撑条件和激励(振动台、摆锤、水盆中的波浪激励)下的损坏和未损坏的结构，指出对于检测和评估结构开裂是有效的。

2.3 基于应变传感器的监测

为了适应应变测量的需求，应变传感技术本身的发展是早期研究的侧重点。比如，2011年，Bang HJ等[24]开发了一种用于高速应变传感的波分复用(WDM)布拉格光栅传感系统，适用于高速以及低速动态应变的传感，介绍了对陆上风机塔架结构动态应变监测的现场测试结果。2016年，Saafi M等[25]首次展示了一种用于结构健康监测的新型混合超离子长规格传感器，成功实现了结构中高精度的温度和拉伸应变传感。

应变传感器广泛应用于对钢筋混凝土基础进行状态监测，本文总结为三个主要方面：

(1) 裂缝检测方面。由于使用不合格的混凝土掺合料、基础设计错误或在恶劣天气条件下进行多阶段混凝土浇筑等因素，风力发电机组的钢筋混凝土基础可能出现裂缝[26]。考虑到基础裂缝通常发生在地面以下，对基础开裂行为的持续测量可以量化基础进水和钢筋腐蚀的风险，2017年，Perry M 等[27]概述了地下光纤传感器的设计、制造和现场安装，用于监测风机运行期间基础裂缝的开口和侧向位移，指出测量的基础裂缝开口位移随着塔架应变线性变化。2018年，McAlorum J等[26]在陆上风机基础中安装光纤应变传感器来检测表面下裂缝，分析随着时间的推移结构退化的严重程度和规模，提出将裂缝退化类型划分为“反应性(reactive)”、“永久性(permanent)”和“行为性(behavioural)”。

(2) 基础设计优化方面。2018年，Rubert T 等[28]介绍了对运行中的风机基础进行实时应变监测的初步结果，在混凝土浇筑之前，对选定的钢筋装上了金属封装的光纤应变传感器，实测应变数据与测得的塔架位移和基础有限元模型的结果都表现出很强的相关性，该研究的一个特色是尝试帮助运营商和政策制定者量化现有设计规范的保守性。

(3) 基础环损伤检测方面。由于在大量的现有基础中观察到基础环的底部法兰板周围有局部损伤，而风机基础缺乏结构冗余度，塔架-基础界面是薄弱点，界面的恶化将降低基础的有效性[29]。2019年，He MJ 等[29]在连续采集风机基础应变信号的基础上，对1.5-MW 陆上风机带有基础环的基础结构进行异常状态预警，建立局部混凝土变形行为与施加在基础上的特征荷载之间的关系，指出风速和风向对施加在基础上的荷载和基础内部的局部混凝土变形起主导作用。

综上所述，总之，目前的风机支撑结构的状态监测具有如下特点：

(1) 结构隐蔽性

首先，风机基础结构一般埋置在地面或者海面以下，很难通过外部观察了解其表观裂缝和疲劳损伤。此外，由于基础结构具有一定的体量，即使采用挖掘检查的方式也很难发现结构内部的损伤。对于风机塔架结构，针对一些干连接预应力混凝土塔架，考虑到海上恶劣的风、浪、腐蚀运行环境，往往对螺栓连接等部位做灌浆保护，塔架与基础的连接处也常常做灌浆连接处理。这些因素导致了风电支撑结构的隐蔽性，为表观状态监测方法带来一定的挑战。

(2) 数据异构性

监测数据主要涉及声学、振动加速度、应变以及位移[30]等，数据选择的重要考量是基于力学概念的可解释性和不受视觉遮挡的限制。目前，监督控制与数据获取(SCADA)系统在风电机组中广泛应用[31-35]，蕴含大量关于风场和风机运行状态的信息，将现有传感数据与SCADA数据联合，以便开发更有效的风电支撑结构状态监测系统具有一定的前景。但多样化的数据也将导致数据的高度异构化[4]，给数据融合带来一定的挑战。

(3) 技术传统性

目前，风机支撑结构状态监测领域智能化程度相对较低，对前沿的智能技术应用较少，主流的研究思路集中在传统的基于振动的模态分析和基于监测数据的异常值的经验判断上。比如用某些测点的应变大幅增加来表征混凝土基础出现了裂缝，根据混凝土压应变值确定报警的阈值[29]，以及利用模态参数检测损伤[23]等等。

3 分析及展望

从上述分析可以看出，对风机支撑结构的状态监测研究有以下特点：(1)着眼于结构的损伤检测和分类；(2)尝试应用多种不同类型的数据实现最好的状态监测效果；(3)着力完善相关的检测模型和算法，体现出显著的交叉学科特点；此外，(4)对风机支撑结构的状态监测面临着数据获取不充分以及处理手段相对传统和单一的现状。总体来说，目前关于风电支撑结构状态监测的研究过于依赖传统的分析思路，比如模态分析手段以及直接针对获取的数据时程曲线给定一个阈值等，有时不能满足结构运维提出的高效、准确地实时诊断甚至预测未来故障的要求。

自从2006年以来，深度学习成为了一个快速发展的研究方向，重新定义了很多领域的最高性能标准[36]，特别是在结构健康监测领域，深度学习等机器学习技术的应用成为近年来的研究热点。为此，本文总结了应用机器学习的结构智能状态监测技术在除风机以外的其他土木工程领域的几个主要应用场景，为阐述风机支撑结构应用相关技术进行状态监测的前景提供研究背景。

通过CiteSpace软件进行文献共被引分析，得到聚类分析结果，如图1所示。图1中节点(深色小圆点)表示所分析的各篇文献，小圆点越大表明其被引频次越多，可视为越关键的文献。图中将相关文献分为17 个主题类别(以#加数字标记)，各类别主题词的选择采用CiteSpace软件对数似然分析得到[52-53]，并分别用不同颜色的背景轮廓表明所囊括的文献范围。结合进一步的手动筛选，本文总结出与风机状态监测相关的土木其他领域的智能健康监测主要集中于以下几个方面：

图1 CiteSpace[52-53]文献共被引及聚类分析得出的主要研究主题

(1) 混凝土结构和钢结构的表面裂缝检测问题[37-45]。比如2018年，Modarres C等[37]用卷积神经网络处理图像，识别组合板的剥离和混凝土桥的裂缝。2018年，Dorafshan S等[41]在同一个混凝土高清图像数据集上比较了普通边缘检测器和深度卷积神经网络(DCNN)在基于图像的混凝土结构裂缝检测中的性能，分析了6种常见的边缘检测方案以及三种不同模式下的AlexNet DCNN架构，指出在不考虑训练过程的情况下，DCNN计算时间短、能分辨更精细的裂缝、精度高。Yang X[42]使用全卷积神经网络对不同尺度的像素级裂纹进行语义识别和分割，把预测精度提高到了像素级。之后，像素级分割得到迅速发展。

(2) 螺栓松动检测问题[46-47]。比如2019年Zhao XF等[46]提出将深度学习与机器视觉相结合的螺栓松动角度检测技术，并在不同拍摄角度和不同光照条件下获取的图像集上验证了模型的有效性。2020年，Zhang Y 等[47]用更快速的基于区域的神经网络模型检测螺栓松动情况，采用不同螺纹高度，并分别对应不同拍摄角度、光照条件和振动条件获得图像进行检测，效果良好。

(3) 结构动力响应特征提取与损伤分类问题[48-51]。比如2019年，Kim H 等[48]提出了一种自动峰拾取方法，利用基于区域的卷积神经网络和可能的目标位置来准确识别物理量图像的波峰，并从梁、桁架和斜拉索的三种测试结构获得的加速度响应进行实验室和现场测试。2020年，Zhang B 等[49]提出了一种基于深度迁移学习的多任务集成监测方法，采用导波卷积神经网络作为一般特征提取模型，并训练浅层回归网络评估损伤程度，该方法有效地将损伤程度监测模型迁移到损伤位置监测模型中。Zhang Z 等[50]设计了17 种不同类型、大小和方向的损伤状态，用于训练集的特征提取和损伤敏感特征的选择，指出基于支持向量机(SVM)的Lamb 波损伤检测方法可以高效、准确地识别损伤程度和方向。该研究考虑了结构不确定性，比如噪声的干扰；并注重提取基于物理意义的特征，模型可解释性强。Sajedi SO 等[51]开发了一个全卷积编-解码器神经网络，通过网格环境在自动特征提取过程中考虑传感器的空间相关性，在10层10跨钢筋混凝土受弯框架模型中得到良好的损伤定位全局测试准确率和对16种损伤机制的分类准确率。

风机支撑结构同样面临着结构表面裂缝检测、连接螺栓松动检测、结构动力响应特征提取与损伤分类等问题，但相关的智能分析手段，比如通过深度学习模型处理结构的高清图像等，并没有在风机支撑结构上广泛应用。而相关的技术在土木其他领域的成功应用为风机支撑结构的智能监测提供了很好的研究范例，所以提升风机支撑结构状态监测的智能化水平具有很好的研究基础和前景。