人工智能技術(shù)在海上風(fēng)機領(lǐng)域的應(yīng)用綜述

康藝柔 陳 鵬 程正順 胡志強

（1. 上海交通大學(xué) 海洋工程國家重點實驗室 上海 200240；2. 上海交通大學(xué)三亞崖州灣深?？萍佳芯吭喝齺?572024； 3. 紐卡斯?fàn)柎髮W(xué) 工程學(xué)院 紐卡斯?fàn)?NE1 7RU）

0 引 言

綠色低碳在我國的能源發(fā)展藍(lán)圖中已被確立為主要目標(biāo)。習(xí)近平主席的倡議中強調(diào)，我國計劃在2030年前實現(xiàn)“碳達峰”，并在2060年前達到“碳中和”的目標(biāo)。在該背景下，海上風(fēng)電作為新興能源領(lǐng)域的領(lǐng)軍者正迅速崛起，成為全球綠色低碳技術(shù)的制高點[1]。我國幅員遼闊的海域蘊藏著豐富海洋風(fēng)能資源，這為海上風(fēng)電的可持續(xù)發(fā)展提供了堅實基礎(chǔ)。近年來，隨著近海風(fēng)能資源的加速開發(fā)，海上風(fēng)機不斷向離岸化、規(guī)?；痛笮突~進，同時逐步拓展至深遠(yuǎn)海領(lǐng)域[2]。

三峽能源、中國海裝和中海油等機構(gòu)作為我國海上風(fēng)電領(lǐng)域最早開展研發(fā)的企業(yè)，取得了顯著的成就，諸如三峽引領(lǐng)號、扶搖號等漂浮式風(fēng)機的示范項目，具有突出的標(biāo)志性意義[3]。這些項目的推進也豐富了海上風(fēng)電開發(fā)的經(jīng)驗，進一步提升了對風(fēng)機結(jié)構(gòu)安全性能的認(rèn)識。鑒于海上風(fēng)機的工作環(huán)境異常惡劣，其結(jié)構(gòu)往往需承受來自風(fēng)、浪、流等多重荷載的持續(xù)作用。因此，在設(shè)計和優(yōu)化階段,開展高效的海上風(fēng)機動力響應(yīng)分析至關(guān)重要，可以確保海上風(fēng)機安全運行，降低結(jié)構(gòu)受損的風(fēng)險[4]。與此同時，實現(xiàn)智能化健康狀態(tài)監(jiān)測和精確的故障診斷技術(shù)，對于風(fēng)機運維階段的成本降低和效率提升同樣具有重要推動作用。通過實時監(jiān)測風(fēng)機的工作狀態(tài)，智能系統(tǒng)可以及時捕捉潛在問題并預(yù)測可能的故障，從而實現(xiàn)減少停機時間、提高運維效率的目標(biāo)。智能化技術(shù)的應(yīng)用，不僅有助于延長海上風(fēng)機的使用壽命，還能夠為未來海上風(fēng)電行業(yè)的可持續(xù)發(fā)展帶來關(guān)鍵性的支撐。

人工智能（artificial intelligence, AI）技術(shù)近年來正處于快速發(fā)展階段，受益于計算機運算能力的提升，AI技術(shù)已經(jīng)可以在許多任務(wù)上超越人類[5]。目前，AI技術(shù)的應(yīng)用主要分為[6]：

（1）監(jiān)督學(xué)習(xí)：依賴于標(biāo)記的訓(xùn)練數(shù)據(jù)來學(xué)習(xí)輸入與輸出之間的映射關(guān)系，以實現(xiàn)對未見過的輸入進行準(zhǔn)確的預(yù)測，常見于分類和回歸任務(wù)[7]。

（2）無監(jiān)督學(xué)習(xí)：不依賴于標(biāo)記的訓(xùn)練數(shù)據(jù)，而是直接分析數(shù)據(jù)以發(fā)現(xiàn)其中的模式或結(jié)構(gòu)，常用于聚類、降維和生成模型等任務(wù)[8]。

（3）強化學(xué)習(xí)：通過智能體與環(huán)境的交互來學(xué)習(xí)如何實現(xiàn)目標(biāo)。智能體的目標(biāo)是學(xué)習(xí)一個策略，以最大化長期獎勵，廣泛應(yīng)用于游戲、機器人控制和實時決策等領(lǐng)域[9]。

AI技術(shù)可以用于模擬物理問題，具有很好的泛化能力和統(tǒng)計推斷能力，可為物理建?；?qū)嶋H工程解決方案提供一種替代方法，涵蓋了數(shù)據(jù)分析、預(yù)測模型、自動化控制和可再生能源等多個方面。例如：AI模型能夠通過分析海洋環(huán)境數(shù)據(jù)來預(yù)測精確的海洋波動、風(fēng)速和其他環(huán)境參數(shù)，這對于海洋工程的規(guī)劃和運營至關(guān)重要[10-11]。此外，AI技術(shù)還在開發(fā)自動化控制系統(tǒng)和決策支持系統(tǒng)方面發(fā)揮著重要作用，這些系統(tǒng)可以實時監(jiān)測海洋工程設(shè)施的狀態(tài)，并在必要時提供決策支持。在海洋可再生能源領(lǐng)域，AI技術(shù)的應(yīng)用主要集中在優(yōu)化能源捕獲和轉(zhuǎn)換，通過實時分析海洋環(huán)境數(shù)據(jù)，AI模型可以優(yōu)化海洋能源轉(zhuǎn)換設(shè)備的運行參數(shù)，從而提高能源轉(zhuǎn)換效率[11]。綜合來看，AI技術(shù)在海洋工程領(lǐng)域展現(xiàn)出廣泛的應(yīng)用潛力和實際價值，為海洋工程的設(shè)計、優(yōu)化、運營和教育提供了強大的支持和無限的可能性。

隨著AI技術(shù)的蓬勃發(fā)展，海上風(fēng)電技術(shù)正逐步融入智能化的浪潮。海上風(fēng)機作為當(dāng)今新能源領(lǐng)域的重要代表，構(gòu)成了1個高度復(fù)雜的工程系統(tǒng)，其由上部風(fēng)機結(jié)構(gòu)、塔架、支撐平臺和系泊等多個精密組件組成。這些組件不僅需要在多變的海洋環(huán)境中實現(xiàn)協(xié)調(diào)配合，還必須承受來自風(fēng)、浪、流等復(fù)雜荷載的持續(xù)挑戰(zhàn)。AI技術(shù)的迅速崛起為海上風(fēng)電領(lǐng)域帶來了前所未有的創(chuàng)新契機，其豐富的多樣性為海上風(fēng)電的多個方面提供了更多解決方案，如：監(jiān)督學(xué)習(xí)技術(shù)能夠通過歷史數(shù)據(jù)進行模型訓(xùn)練，以預(yù)測風(fēng)機性能、動態(tài)響應(yīng)等關(guān)鍵參數(shù)；非監(jiān)督學(xué)習(xí)技術(shù)則可以從大量數(shù)據(jù)中挖掘隱藏的模式和規(guī)律，為風(fēng)機的優(yōu)化設(shè)計和運維策略提供數(shù)據(jù)支持；聚類技術(shù)則有助于將海上風(fēng)電場中的風(fēng)機進行分類，實現(xiàn)定制化管理和運維；強化學(xué)習(xí)技術(shù)則能夠通過不斷學(xué)習(xí)與優(yōu)化，為海上風(fēng)機提供更智能化的控制策略。一些學(xué)者回顧了機器學(xué)習(xí)在風(fēng)電行業(yè)關(guān)于狀態(tài)監(jiān)測[12]和功率預(yù)測[13]方面的應(yīng)用?？偠灾?，這些技術(shù)的有機融合，將為海上風(fēng)電的整體性能、穩(wěn)定性和智能化提供更加全面的提升。

由于復(fù)雜的氣象和海洋波浪的隨機性、流動的黏性效應(yīng)、非線性共振等因素的影響，在海上風(fēng)機設(shè)計、運維和優(yōu)化過程中，傳統(tǒng)的物理建模方法可能受限。物理神經(jīng)網(wǎng)絡(luò)（physics-informed neural network，PINN）作為AI技術(shù)與工程實踐相結(jié)合的應(yīng)用，在未來海上風(fēng)機領(lǐng)域的智慧化發(fā)展過程中將具有重要意義。值得注意的是，盡管PINN等方法在風(fēng)機建模與控制領(lǐng)域展現(xiàn)了廣泛的應(yīng)用潛力，但其在某些情況下需要大量數(shù)據(jù)進行訓(xùn)練和優(yōu)化，特別是在涉及機器學(xué)習(xí)算法的情況下，獲取數(shù)據(jù)的功能可能受限。

基于以上背景，本文旨在以海上風(fēng)機為研究對象，方向性地探討AI技術(shù)在海上風(fēng)機動力響應(yīng)預(yù)報、運維監(jiān)測、設(shè)計運維優(yōu)化這3個關(guān)鍵領(lǐng)域的主要應(yīng)用（如圖1所示）。此外，PINN作為AI技術(shù)與物理模型相融合的新興方法，會在第3章詳細(xì)介紹。通過將物理方程嵌入神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，PINN可以在有限的數(shù)據(jù)情況下更精確地建模和預(yù)測海上風(fēng)機的復(fù)雜行為[14]。這種融合方法為風(fēng)機性能的精確預(yù)測、智能化運維和優(yōu)化設(shè)計提供了新的途徑，為海上風(fēng)電領(lǐng)域的持續(xù)創(chuàng)新和進步提供了有益的參考。

圖1 海上風(fēng)機與AI應(yīng)用導(dǎo)圖

1 AI技術(shù)在海上風(fēng)機動力響應(yīng)預(yù)報的應(yīng)用

動力響應(yīng)預(yù)報在海上風(fēng)電領(lǐng)域中具有至關(guān)重要的作用，它通過對風(fēng)速、波浪等海洋環(huán)境變量的精確預(yù)測，使海上風(fēng)機能夠更加準(zhǔn)確地預(yù)測其響應(yīng)情況，從而在提高安全性、降低損耗和維護成本、增加發(fā)電效率、確保電網(wǎng)穩(wěn)定性、優(yōu)化運維計劃等方面發(fā)揮著積極作用。AI和機器學(xué)習(xí)技術(shù)在這過程中發(fā)揮著關(guān)鍵作用，它們能夠從大量的環(huán)境數(shù)據(jù)中提取出關(guān)鍵特征，進而實現(xiàn)風(fēng)機在不同海洋環(huán)境下的響應(yīng)預(yù)測。這些技術(shù)的應(yīng)用主要集中在風(fēng)速和功率預(yù)測[15]、風(fēng)機性能優(yōu)化、機械組件監(jiān)測[16]、故障預(yù)測以及運維計劃[17]的優(yōu)化等方面。這種結(jié)合使風(fēng)機的運行和維護更加智能化，有助于提高風(fēng)機的性能、降低事故風(fēng)險并提高運營效率。鑒于此，本章旨在深入探討AI技術(shù)在海上風(fēng)機動力響應(yīng)預(yù)報中的應(yīng)用，其中涵蓋了推力、系泊張力和平臺運動等關(guān)鍵領(lǐng)域。本文1.3節(jié)中討論的系泊張力與平臺運動響應(yīng)僅針對漂浮式風(fēng)機。

1.1 風(fēng)機氣動載荷預(yù)報

風(fēng)機實時推力的詳細(xì)分析與精準(zhǔn)預(yù)測，日益成為保障海上風(fēng)電系統(tǒng)實現(xiàn)多重目標(biāo)時不可或缺的要素。在風(fēng)能轉(zhuǎn)化的過程中，風(fēng)機的推力效應(yīng)直接影響著發(fā)電效率，因此準(zhǔn)確預(yù)測風(fēng)機實時推力對于實現(xiàn)能量最大化具有重要意義。此外，通過深入了解和預(yù)測風(fēng)機的推力響應(yīng)，還可以更好地應(yīng)對不同風(fēng)速和海況條件下的發(fā)電變化，從而在維持電網(wǎng)穩(wěn)定性的同時，優(yōu)化風(fēng)機的運行控制策略，實現(xiàn)對電力輸出的精準(zhǔn)掌控。

對于海上漂浮式風(fēng)機而言，針對推力的實時預(yù)測能夠在一定程度上彌補短期運動響應(yīng)預(yù)報的局限性,并為日常運維提供更為詳細(xì)的參考依據(jù)。JIANG等[18]在OC3-Hywind漂浮式風(fēng)機方面開展了深入的研究, 通過數(shù)值仿真獲取了實時推力性能數(shù)據(jù)，以此數(shù)據(jù)為基礎(chǔ)進行AI模型的訓(xùn)練。為實現(xiàn)準(zhǔn)確的推力預(yù)測，研究考慮了涵蓋4種不同耦合環(huán)境條件的數(shù)據(jù),并詳細(xì)研究了湍流和波譜對推力、漂浮式基礎(chǔ)平臺縱搖和縱蕩響應(yīng)幅值算子（response amplitude operator,RAO），以及風(fēng)速等的影響機制。研究認(rèn)為，推力的高頻響應(yīng)主要受波浪變化影響，而低頻響應(yīng)主要受風(fēng)速變化所驅(qū)動。實時推力預(yù)測的重要性在于能夠有效地預(yù)測風(fēng)機在多樣環(huán)境下的性能表現(xiàn)，為避免突發(fā)情況提供預(yù)警。通過準(zhǔn)確預(yù)測風(fēng)機的推力響應(yīng)，不僅有助于提高風(fēng)機的可靠性和穩(wěn)定性，還能夠根據(jù)預(yù)測結(jié)果調(diào)整風(fēng)機的控制策略，以實現(xiàn)最大化的能源捕獲。這種精準(zhǔn)的實時推力預(yù)測在風(fēng)機的長期運行中具有重要作用，為海上漂浮式風(fēng)機在多變環(huán)境中的安全運行和高效發(fā)電提供了關(guān)鍵支持。

1.2 海上風(fēng)機上部結(jié)構(gòu)動力響應(yīng)分析

風(fēng)機的控制系統(tǒng)在其整體動力響應(yīng)中承擔(dān)重要角色。然而，傳統(tǒng)的控制方法可能受到多重限制（包括模型不準(zhǔn)確性及外部環(huán)境變化），尤其在復(fù)雜海洋環(huán)境下，一些傳統(tǒng)控制策略可能難以滿足動態(tài)需求。例如，傳統(tǒng)的重復(fù)型模糊比例積分微分（proportional integral derivative, PID）控制策略雖著眼于特定周期性控制問題，卻在面對非周期性和高動態(tài)海上風(fēng)機運行時顯現(xiàn)出局限性[19]。為適應(yīng)實際海上運行，需采用更加靈活且適應(yīng)性強的控制策略。SIERRA-GARCIA等[20]提出了一種結(jié)合深度學(xué)習(xí)與模糊邏輯的新型風(fēng)機葉片控制方法，旨在提高風(fēng)能轉(zhuǎn)化效率與系統(tǒng)性能，即運用人工神經(jīng)網(wǎng)絡(luò)（artifical neurul network, ANN）來預(yù)測風(fēng)速和風(fēng)向，以優(yōu)化風(fēng)機葉片角度控制。該系統(tǒng)通過捕捉復(fù)雜動力響應(yīng)特征，實現(xiàn)更精準(zhǔn)預(yù)測風(fēng)機在不同風(fēng)速和風(fēng)向條件下的響應(yīng)，并及時調(diào)整葉片角度，使風(fēng)機更加靈活地應(yīng)對動力響應(yīng)。在該領(lǐng)域，深度學(xué)習(xí)的參數(shù)配置對混合控制系統(tǒng)的訓(xùn)練有顯著影響，增加隱藏單元的數(shù)量能夠改善訓(xùn)練效果。

海上風(fēng)機塔結(jié)構(gòu)的穩(wěn)定性是另一個關(guān)鍵考量因素，其中塔頂加速度和塔底載荷是重要的安全指標(biāo)。WANG等[21]運用深度學(xué)習(xí)技術(shù)預(yù)測塔結(jié)構(gòu)響應(yīng)，提出一種識別塔頂加速度與塔底載荷耦合特性的方法。該方案通過在塔頂安裝加速度計傳感器、在塔底安裝應(yīng)變傳感器，以深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型預(yù)測塔頂加速度和塔底載荷。研究表明，多層感知神經(jīng)網(wǎng)絡(luò)模型可準(zhǔn)確識別塔響應(yīng)指標(biāo)，揭示力與運動響應(yīng)間的耦合機制。這種方法結(jié)合不同傳感器數(shù)據(jù)和風(fēng)機運動響應(yīng)，創(chuàng)新性地提高了海上漂浮式風(fēng)機塔結(jié)構(gòu)的安全性。此外，SIMPSON等[22]針對漂浮式風(fēng)機單樁結(jié)構(gòu)的動力響應(yīng)建模問題，提出基于自編碼器（autoencoder）和長短期記憶（long short-term memory, LSTM）神經(jīng)網(wǎng)絡(luò)的降階建模方法。通過實際單樁動力響應(yīng)數(shù)據(jù)驗證，準(zhǔn)確捕捉單樁動態(tài)特性，相對于傳統(tǒng)方法可更好地保留系統(tǒng)動態(tài)行為。該方法為風(fēng)能領(lǐng)域漂浮式風(fēng)機單樁動力響應(yīng)預(yù)測與分析提供了新思路和工具。通過這些前沿方法，海上風(fēng)機控制系統(tǒng)能夠更好地應(yīng)對復(fù)雜的海洋環(huán)境與動力變化，從而為可持續(xù)發(fā)展提供關(guān)鍵支持。

1.3 系泊張力與平臺運動響應(yīng)

海上漂浮式風(fēng)機的穩(wěn)定性是保障風(fēng)機運行安全的關(guān)鍵因素，系泊張力與平臺運動響應(yīng)的預(yù)測在海上漂浮式風(fēng)機中對于確保安全運行、材料保護、降低維護成本、維持電網(wǎng)穩(wěn)定性以及降低能耗具有關(guān)鍵性意義，為漂浮式風(fēng)機的可持續(xù)發(fā)展提供了重要支持。

系泊張力的準(zhǔn)確預(yù)測在保障海上風(fēng)機穩(wěn)定運行方面具有至關(guān)重要的作用。通過對系泊系統(tǒng)的張力變化進行精準(zhǔn)預(yù)測，可以提前發(fā)現(xiàn)潛在的安全隱患，從而及時采取必要措施以確保風(fēng)機的平穩(wěn)運行。此外，該預(yù)測還有助于指導(dǎo)風(fēng)機的運維計劃，降低維護成本，提高維護效率。早在海上漂浮式風(fēng)機概念提出之前，學(xué)者們就已在傳統(tǒng)海洋漂浮式基礎(chǔ)平臺的研究中考慮了系泊張力的預(yù)測。為了實現(xiàn)該目標(biāo)，傳統(tǒng)的基于誤差方向傳播的神經(jīng)網(wǎng)絡(luò)（back propagation, BP）方法被應(yīng)用于海洋漂浮式系統(tǒng)動力響應(yīng)的預(yù)測。張德慶等[23]以某深海半潛式生產(chǎn)平臺/系泊系統(tǒng)為研究對象，采用基于附加動量法的BP神經(jīng)網(wǎng)絡(luò)，構(gòu)建了漂浮式平臺運動和系纜張力等動力響應(yīng)統(tǒng)計值的預(yù)測模型（如圖2所示）。

圖2 深海漂浮式系統(tǒng)動力響應(yīng)預(yù)報方法基本流程圖

圖3 實驗測試平臺概覽

圖4 SADA中KDPs的流程圖

研究結(jié)果表明，在常規(guī)作業(yè)海況和極端生存海況下，這種基于神經(jīng)網(wǎng)絡(luò)算法的預(yù)測模型能夠穩(wěn)定、準(zhǔn)確地預(yù)測深海漂浮式系統(tǒng)的動力響應(yīng)。此外，WANG等[24]和QIAO等[25]采用基于LSTM模型的方法，實現(xiàn)了漂浮式平臺系泊張力的實時預(yù)測。其中，漂浮式基礎(chǔ)平臺運動響應(yīng)數(shù)據(jù)被視為輸入，系泊張力響應(yīng)被視為輸出結(jié)果。與此同時，MAO等[26]對系泊線故障條件下的動態(tài)張力預(yù)測進行了深入研究。

這種基于神經(jīng)網(wǎng)絡(luò)算法的預(yù)測模型對于平臺運動響應(yīng)的準(zhǔn)確預(yù)測，同樣具有重要意義。平臺的運動變化不僅直接影響風(fēng)機的性能，還對風(fēng)機所處的環(huán)境條件產(chǎn)生影響。因此，通過精準(zhǔn)預(yù)測平臺的運動響應(yīng)，能夠優(yōu)化風(fēng)機的控制策略，確保其在各種不同的運動環(huán)境中都能保持良好的運行狀態(tài)。在該背景下，SHI等[27]采用了多輸入LSTM神經(jīng)網(wǎng)絡(luò)方法，直接應(yīng)用于漂浮式風(fēng)機基礎(chǔ)平臺的短期運動響應(yīng)預(yù)測，該模型將平臺運動響應(yīng)、波浪高程和系泊張力等數(shù)值結(jié)果作為輸入變量。研究結(jié)果表明，該模型在預(yù)測海上風(fēng)機組的運動時展現(xiàn)出良好的性能，具備高度的預(yù)測準(zhǔn)確度和泛化能力。該方法通過將多個輸入數(shù)據(jù)源和深度學(xué)習(xí)技術(shù)有效融合，從而為海上風(fēng)機的安全性和穩(wěn)定性提供了更強的短期預(yù)測能力。需要指出的是，盡管這種方法在預(yù)測中表現(xiàn)出潛力，但其仍需經(jīng)過海上風(fēng)機試驗或?qū)崪y數(shù)據(jù)的驗證，以確保在實際應(yīng)用中的可靠性和準(zhǔn)確性。通過不斷地將理論與實踐相結(jié)合，海上風(fēng)機領(lǐng)域的研究和發(fā)展將不斷取得新突破，為海上風(fēng)電技術(shù)的進一步完善和創(chuàng)新提供堅實的基礎(chǔ)。

2 AI技術(shù)在海上風(fēng)機運維監(jiān)測的應(yīng)用

海上風(fēng)機由于其結(jié)構(gòu)易受氣候、風(fēng)浪和海水腐蝕等多方面的影響，運維監(jiān)測成為確保其高效安全運行的核心環(huán)節(jié)。AI技術(shù)在海上風(fēng)機的運維監(jiān)測中展現(xiàn)出巨大的應(yīng)用潛力，它能夠通過實時數(shù)據(jù)分析[28]、快速故障診斷[29]和智能化維護策略[30-31]，顯著提高風(fēng)機的可靠性、效率和安全性。學(xué)術(shù)界已有眾多研究涉及到AI技術(shù)在此領(lǐng)域的應(yīng)用[32-34]，包括但不限于ANN、支持向量機（support vector machine, SVM）和決策樹等多種AI方法，這些方法在基于結(jié)構(gòu)振動數(shù)據(jù)的故障診斷等方面表現(xiàn)出極高的準(zhǔn)確性，能夠精準(zhǔn)確定故障類型和原因。因此，本章將從葉片、伺服系統(tǒng)、塔架以及系泊系統(tǒng)故障監(jiān)測等多個方面深入探討基于AI的運維監(jiān)測技術(shù)在海上風(fēng)機領(lǐng)域中的實際應(yīng)用和發(fā)展?jié)摿Α?/p>

2.1 海上風(fēng)機上部結(jié)構(gòu)故障監(jiān)測

在海上風(fēng)機的上部結(jié)構(gòu)故障監(jiān)測中，涉及葉片、傳動系統(tǒng)以及塔架等多個關(guān)鍵部件的健康與故障監(jiān)測。針對葉片方面，BURTON等[35]探索了基于憶阻器的LSTM神經(jīng)元仿生電路，用于更高效的海上風(fēng)機葉片故障檢測，同時還能克服馮·諾依曼瓶頸（由于存儲器和處理器之間的數(shù)據(jù)傳輸速度不匹配，導(dǎo)致處理器的運算能力無法得到充分利用[36]）。CHOE等[37]利用LSTM和門控循環(huán)單元（gated recunrrent unit, GRU）神經(jīng)網(wǎng)絡(luò)監(jiān)測葉片損傷這2種循環(huán)神經(jīng)網(wǎng)絡(luò)能夠有效處理時序性和依賴關(guān)系，相對于傳統(tǒng)方法在準(zhǔn)確性和魯棒性方面有明顯優(yōu)勢，凸顯了深度學(xué)習(xí)在漂浮式海上風(fēng)機葉片結(jié)構(gòu)監(jiān)測中的潛力。

在傳動系統(tǒng)方面，ATTALLAH等[38]提出了基于深度學(xué)習(xí)的集成診斷方法，依賴紅外熱成像技術(shù)（infrared thermongraphy, IRT）實時監(jiān)測風(fēng)機及其組件的溫度分布，實現(xiàn)風(fēng)機故障早期診斷。類似的，DIBAJ等[39]利用主成分分析（principal component analysis, PCA）和多尺度卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network, CNN）相結(jié)合的方法，針對漂浮式風(fēng)機傳動系統(tǒng)開展故障監(jiān)測。由于風(fēng)機齒輪箱的復(fù)雜故障模式，YIN等[40]通過優(yōu)化的LSTM神經(jīng)網(wǎng)絡(luò)和余弦損失函數(shù)實現(xiàn)了齒輪箱故障的準(zhǔn)確診斷。然而，復(fù)雜的故障模式可能需要更復(fù)雜的方法來進行準(zhǔn)確診斷。ZHU等[41]將LSTM神經(jīng)網(wǎng)絡(luò)與模糊綜合技術(shù)結(jié)合，通過多模態(tài)數(shù)據(jù)融合來評估風(fēng)機齒輪箱運行狀態(tài)，提升了故障診斷的準(zhǔn)確性和可靠性。

在結(jié)構(gòu)模態(tài)方面，王春等[42]結(jié)合靜力分析和風(fēng)機結(jié)構(gòu)模態(tài)分析建立了BP神經(jīng)網(wǎng)絡(luò)（如表1[43]所示），實現(xiàn)海上風(fēng)機結(jié)構(gòu)狀態(tài)的監(jiān)測與預(yù)測。然而，該方法在實驗驗證方面需要更多的樣本數(shù)據(jù)和應(yīng)用研究。

表1 BP神經(jīng)網(wǎng)絡(luò)輸入量

另外，QIU等[43]通過改進的ANN模型對不同環(huán)境條件下的海上風(fēng)機塔結(jié)構(gòu)損傷進行預(yù)測。GUO等[44]使用ANN來識別海上支架平臺的結(jié)構(gòu)損傷。這些方法為離岸結(jié)構(gòu)的健康監(jiān)測和維護提供有效手段，有助于及早發(fā)現(xiàn)和處理潛在的結(jié)構(gòu)損傷，提高結(jié)構(gòu)的可靠性和安全性。此外，對于海上固定式風(fēng)機而言，其推力的變化會與結(jié)構(gòu)的動態(tài)特性發(fā)生耦合作用，導(dǎo)致結(jié)構(gòu)的自然頻率發(fā)生變化。特別是推力頻率接近或與結(jié)構(gòu)自然頻率發(fā)生共振時，可能會導(dǎo)致疲勞破壞的風(fēng)險增加，而且海上固定式風(fēng)機安裝在松軟的海床上，地基與海床的相互作用會引起結(jié)構(gòu)的固有頻率變化。為應(yīng)對這些復(fù)雜的動態(tài)變化，PARK等[45]提出一種基于ANN的海上風(fēng)機預(yù)測模型。該模型的核心思想是利用三維海上風(fēng)機和海底有限元模型生成虛擬動態(tài)響應(yīng)數(shù)據(jù)，將這些動態(tài)響應(yīng)作為模型的輸入，然后使用LSTM模型進行訓(xùn)練，以預(yù)測固有頻率的變化。其結(jié)合了過去和現(xiàn)在的加速度和應(yīng)變數(shù)據(jù)，能夠精確預(yù)測未來幾年內(nèi)的固有頻率變化趨勢；同時，模型通過實際傳感器（如加速度計和應(yīng)變儀）進行動態(tài)響應(yīng)測量，從而保證預(yù)測結(jié)果的準(zhǔn)確性。

2.2 浮式平臺與系泊故障監(jiān)測

海上風(fēng)機的可靠穩(wěn)定運行與安全性緊密依賴于其各組件的健康狀況。其中導(dǎo)管架結(jié)構(gòu)是一種用于支撐海上風(fēng)力發(fā)電機組的基礎(chǔ)結(jié)構(gòu)，其能夠在海洋環(huán)境中提供穩(wěn)定的支撐，抵抗海浪、洋流和風(fēng)力的作用。VIDAL等[46]提出一種以實驗室平臺為規(guī)模的基于深度學(xué)習(xí)技術(shù)和傳感器網(wǎng)絡(luò)的導(dǎo)管架結(jié)構(gòu)損傷監(jiān)測與定位方法。通過傳感器網(wǎng)絡(luò)獲取海上風(fēng)機導(dǎo)管架結(jié)構(gòu)的振動信號數(shù)據(jù)，隨后采用CNN結(jié)合注意力機制對振動信號進行處理。具體而言，是從函數(shù)發(fā)生器給出的白噪聲信號開始，信號被放大后傳給慣性振動器；振動器負(fù)責(zé)對實驗室塔架結(jié)構(gòu)產(chǎn)生振動，并模擬機艙質(zhì)量；最后，由8個三軸加速度計對結(jié)構(gòu)進行監(jiān)測，并與數(shù)據(jù)采集系統(tǒng)相連（如圖 3所示）。該方法在實驗中展現(xiàn)了出色的效能，能有效應(yīng)對導(dǎo)管架結(jié)構(gòu)的健康監(jiān)測問題。

此外，海上風(fēng)機纜索結(jié)構(gòu)在海上風(fēng)力發(fā)電系統(tǒng)中起著重要作用，用于傳輸電力、通信信號和控制信息，確保風(fēng)機的穩(wěn)定運行和維護。漂浮式海上風(fēng)機的纜索結(jié)構(gòu)作為上下壓載艙間的連接纜，由于通常位于深水區(qū)域，纜索結(jié)構(gòu)需要考慮更復(fù)雜的水下環(huán)境和挑戰(zhàn)。在該領(lǐng)域，XU等[47]運用了CNN模型，構(gòu)建了名為“MS-ACNN”的智能損傷診斷框架,用于10 MW漂浮式海上風(fēng)機的纜索結(jié)構(gòu)。該研究借助注意力機制強化CNN模型對不同尺度特征圖的關(guān)注，從而提升了損傷診斷的準(zhǔn)確性和可靠性。然而，該方法的復(fù)雜性可能導(dǎo)致在訓(xùn)練和調(diào)整模型參數(shù)時耗費大量的計算資源和時間，限制了其實際應(yīng)用的可行性和效率。需注意的是，以上研究的數(shù)據(jù)收集依賴于傳感器網(wǎng)絡(luò)，而不同的傳感器布局可能導(dǎo)致不同的信號采集結(jié)果，從而影響數(shù)據(jù)的質(zhì)量和完整性。

值得關(guān)注的是，近期研究方向亦著眼于海上半潛式平臺的系泊失效監(jiān)測。MAO等[48]在2023年提出了一種基于混合LSTM神經(jīng)網(wǎng)絡(luò)和SVM的模型，結(jié)合深度學(xué)習(xí)和機器學(xué)習(xí)方法來監(jiān)測半潛式平臺的系泊失效。該方法綜合了LSTM的時間序列預(yù)測和特征提取能力，再與SVM進行失效分類，有力地捕捉了半潛式平臺系泊失效的動態(tài)變化。該方法為半潛式平臺的穩(wěn)定性維護提供了一種創(chuàng)新的手段，同時也凸顯了深度學(xué)習(xí)技術(shù)在監(jiān)測系統(tǒng)失效方面的潛在應(yīng)用價值。

2.3 疲勞損傷和故障診斷優(yōu)化

在風(fēng)機故障診斷領(lǐng)域，精準(zhǔn)判定風(fēng)機是否發(fā)生故障對于維護和性能提升具有關(guān)鍵意義。SVM作為一種常用的機器學(xué)習(xí)方法，能夠根據(jù)傳感器數(shù)據(jù)判斷故障狀態(tài)，然而其性能往往受到參數(shù)選擇和優(yōu)化的影響。為解決SVM參數(shù)優(yōu)化的難題，TUERXUN等[49]通過引入麻雀搜索算法（sparrow search algorithm, SSA）來優(yōu)化SVM參數(shù)，創(chuàng)造了SSA-SVM風(fēng)機故障診斷模型。SSA由XUE等[50]提出，作為新型群體智能優(yōu)化方法，主要用于解決優(yōu)化問題。相較于傳統(tǒng)算法，SSA在全局搜索方面表現(xiàn)出色，能夠更好地跳出局部最優(yōu)解，從而提供更為可靠的優(yōu)化結(jié)果。實驗結(jié)果證實，SSA-SVM模型適用于風(fēng)機的故障診斷，不僅提升了診斷準(zhǔn)確性和性能，還能更準(zhǔn)確地判定風(fēng)機的狀態(tài)。

海上風(fēng)機的穩(wěn)定性與維護診斷之間存在密切聯(lián)系。故障診斷有助于及早察覺海上風(fēng)機部件的異常狀態(tài)，包括可能引發(fā)的疲勞損傷問題，這些因素共同影響著風(fēng)機的健康運行。疲勞損傷是海上風(fēng)機在長時間運行中所面臨的主要挑戰(zhàn)之一，可導(dǎo)致結(jié)構(gòu)的退化和失效。在此背景下，漂浮式海上風(fēng)機的系泊線在海洋環(huán)境中承受巨大的動態(tài)負(fù)荷，容易發(fā)生疲勞損傷。LI等[51]運用ANN預(yù)測系泊線的疲勞損傷，為系泊系統(tǒng)參數(shù)優(yōu)化提供了指導(dǎo)。為驗證所訓(xùn)練的ANN模型性能，研究者對一系列新定義的負(fù)載情況進行了系泊動態(tài)模擬，并且通過與ANN模型預(yù)測結(jié)果的比較，發(fā)現(xiàn)新模擬結(jié)果較傳統(tǒng)方法能更快速地預(yù)測系泊線的疲勞損傷，為優(yōu)化設(shè)計和維護策略提供了有力支持。這些研究成果凸顯了AI技術(shù)在風(fēng)機維護與控制領(lǐng)域的巨大潛力。

2.4 海上風(fēng)機運維策略優(yōu)化

融合AI技術(shù)于風(fēng)機維護策略優(yōu)化構(gòu)成一個重要研究方向。在早期的研究中，HAMEED等[52]利用ANN來預(yù)測風(fēng)機未來的維護需求和最佳維護時機。該方法首先通過對海上風(fēng)機陣列進行聚類分析，然后借助自組織圖（self-organizing map, SOM）神經(jīng)網(wǎng)絡(luò)，根據(jù)聚類結(jié)果將相似的風(fēng)機分組。此外，通過標(biāo)準(zhǔn)反向傳播（standard back propagation,SBP）神經(jīng)網(wǎng)絡(luò)解決了天氣窗口問題，可提前借助預(yù)期功率輸出信息進行維護決策。這種方法建立了部件狀況、風(fēng)機群、功率輸出預(yù)測以及天氣條件下的運行狀態(tài)之間的關(guān)聯(lián)，從而有效地優(yōu)化海上風(fēng)機的維護策略。LU等[53]進一步發(fā)展了針對海上風(fēng)機的狀態(tài)維護（condition-based maintenance, CBM）優(yōu)化方法，同時采用ANN模型，以建模和預(yù)測風(fēng)機的工作狀態(tài)與維護需求。在每個監(jiān)測時間段，他們運用ANN壽命百分比預(yù)測模型評估各組件的故障時間分布，推導(dǎo)出海上風(fēng)機組件的條件故障概率值/條件失效率值，用以揭示風(fēng)機的劣化狀況。

3 物理神經(jīng)網(wǎng)絡(luò)應(yīng)用

物理神經(jīng)網(wǎng)絡(luò)是一種將物理方程和神經(jīng)網(wǎng)絡(luò)相融合的方法，其在海上風(fēng)機領(lǐng)域的應(yīng)用具有重要意義。在海上風(fēng)機設(shè)計、運維和優(yōu)化過程中，復(fù)雜的氣象和水動力環(huán)境使得傳統(tǒng)的建模方法可能受限。PINN通過將海上風(fēng)機的物理方程嵌入神經(jīng)網(wǎng)絡(luò)，可以在有限的實際數(shù)據(jù)下，更精確地模擬風(fēng)機的氣動性能、結(jié)構(gòu)響應(yīng)等。在這種方法中，物理模型是基于風(fēng)機的工程原理、流體動力學(xué)等物理基礎(chǔ)建立的數(shù)學(xué)模型。它可以描述風(fēng)機葉片、塔架、轉(zhuǎn)子等組件之間的相互作用，以及外部環(huán)境如風(fēng)速、浪高等的影響。數(shù)據(jù)驅(qū)動模型則是基于實際運行數(shù)據(jù)或仿真數(shù)據(jù)，通過機器學(xué)習(xí)、統(tǒng)計分析等方法建立的模型。這種融合方法不僅克服了數(shù)據(jù)不足的問題，還能結(jié)合神經(jīng)網(wǎng)絡(luò)的靈活性，實現(xiàn)更高效的風(fēng)機設(shè)計和性能預(yù)測。未來，它將推動風(fēng)機建模和控制方法的演進，實現(xiàn)智能化的運維策略、故障診斷和控制策略優(yōu)化。

LI等[14]采取了一種混合方法，將風(fēng)機系統(tǒng)的物理信息融入數(shù)據(jù)驅(qū)動模型，形成高效的仿真模型。他們將風(fēng)機系統(tǒng)的結(jié)構(gòu)特性和線性化表示作為物理約束，應(yīng)用于深度殘差循環(huán)神經(jīng)網(wǎng)絡(luò)中，從而構(gòu)建了物理信息深度學(xué)習(xí)模型。該深度學(xué)習(xí)模型整合了物理知識，能夠更準(zhǔn)確地捕捉風(fēng)機的動態(tài)響應(yīng)并提供更精確的預(yù)測結(jié)果，為動力響應(yīng)預(yù)測領(lǐng)域帶來新的思路和潛力。

其他學(xué)者也在提升海上風(fēng)機響應(yīng)預(yù)測能力方面進行了類似的研究。例如：YAN等[54]構(gòu)建了各種風(fēng)況下風(fēng)機運行動態(tài)特性數(shù)據(jù)庫，運用序列學(xué)習(xí)模型挖掘風(fēng)機運行參數(shù)的時間序列特征。CHEN等[55]結(jié)合了傳統(tǒng)的漂浮式海上風(fēng)機數(shù)值模擬和AI技術(shù)，提出了SADA方法，針對其動態(tài)響應(yīng)預(yù)報進行優(yōu)化。SADA方法包括關(guān)鍵學(xué)科參數(shù)（key decision parameters, KDPs）和DARwind的概念。KDPs是SADA方法中提出的第1個關(guān)鍵概念和工具，采用強化學(xué)習(xí)框架構(gòu)建基于物理模型與數(shù)據(jù)驅(qū)動的漂浮式風(fēng)機動力響應(yīng)預(yù)報優(yōu)化方法。第2個關(guān)鍵工具是DARwind，與傳統(tǒng)的強化學(xué)習(xí)方法不同，基于AI的DARwind作為動態(tài)響應(yīng)模擬的執(zhí)行者，已經(jīng)具備了一定的可信度和判斷力。SADA不僅能減少數(shù)值計算與測量數(shù)據(jù)之間的誤差，還能擬合缺失的未知原始設(shè)計參數(shù)，為風(fēng)機運行特性的預(yù)測提供更準(zhǔn)確的方法[56]。隨著訓(xùn)練數(shù)據(jù)的積累，針對不同的耦合環(huán)境，其預(yù)測效果將更加準(zhǔn)確和快速。

SADA方法與可再生能源領(lǐng)域的傳統(tǒng)監(jiān)督學(xué)習(xí)應(yīng)用不同，它不需要提供具有很強直接相關(guān)性的物理量。此外，值得注意的是，盡管物理神經(jīng)網(wǎng)絡(luò)等方法在風(fēng)機建模與控制領(lǐng)域展現(xiàn)了廣泛的應(yīng)用潛力，但其在某些情況下需要大量數(shù)據(jù)進行訓(xùn)練和優(yōu)化，特別是在涉及機器學(xué)習(xí)算法的情況下，數(shù)據(jù)獲取可能受限。為了克服這問題，CHEN等[57]進一步構(gòu)建了以漂浮式風(fēng)機動力性能為基礎(chǔ)的KDPs變化規(guī)律與機理特性的分析方法，針對KDPs提出了相應(yīng)的指導(dǎo)方法和建議。為更好地指導(dǎo)選擇KDPs以及設(shè)置和調(diào)整其邊界條件，其還專門設(shè)計了關(guān)于KDPs在SADA中應(yīng)用的綜合指導(dǎo)方法流程圖（如圖 4所示）。

此外，ZHANG等[58]運用深度學(xué)習(xí)和多目標(biāo)優(yōu)化的數(shù)據(jù)驅(qū)動預(yù)測控制方法，建立了基于門控遞歸神經(jīng)網(wǎng)絡(luò)的漂浮式風(fēng)機動態(tài)預(yù)測模型，實現(xiàn)了漂浮式風(fēng)機的穩(wěn)定運行和高效能量轉(zhuǎn)化，以及風(fēng)機動力響應(yīng)的準(zhǔn)確預(yù)測。這些研究共同推動了風(fēng)機運行特性的準(zhǔn)確預(yù)測和高效優(yōu)化。

4 結(jié) 論

本文總結(jié)分析了AI技術(shù)在海上風(fēng)機領(lǐng)域的應(yīng)用概況，這些AI技術(shù)的成功應(yīng)用拓展了海上風(fēng)機設(shè)計、分析及運維的技術(shù)手段，但也帶來了新的挑戰(zhàn)，未來的研究和實踐需要在創(chuàng)新AI技術(shù)應(yīng)用的同時，注重可持續(xù)發(fā)展和實際應(yīng)用的需求。本文的主要結(jié)論包括：

（1）動力響應(yīng)分析和預(yù)報：AI技術(shù)能夠在有限的數(shù)據(jù)情況下提高預(yù)測準(zhǔn)確性，解決復(fù)雜的非線性問題，并充分利用物理知識來提高模型的泛化能力。此外，通過結(jié)合物理模型和數(shù)據(jù)驅(qū)動模型，研究人員能夠更好地模擬風(fēng)機的動態(tài)行為。

（2） 健康監(jiān)測：對海上風(fēng)機葉片、塔結(jié)構(gòu)損傷、護套式結(jié)構(gòu)、纜索結(jié)構(gòu)、系泊、齒輪箱等進行了多維的AI分析和故障診斷，為海上風(fēng)機故障監(jiān)測和維護帶來了新的視角和方法。然而，實驗規(guī)模與實際的差異會影響實驗結(jié)果的準(zhǔn)確性，依賴于傳感器收集數(shù)據(jù)可能影響數(shù)據(jù)的采集結(jié)果。

（3）設(shè)計優(yōu)化：對AI技術(shù)在海上風(fēng)機多方面的優(yōu)化應(yīng)用進行了分析。從ANN、深度學(xué)習(xí)、模型優(yōu)化等多個角度，深入探討了AI技術(shù)在提升海上風(fēng)力發(fā)電系統(tǒng)性能和能源捕獲效率、預(yù)防疲勞損傷和預(yù)測故障、運維管理與控制策略等方面的潛力，但復(fù)雜環(huán)境下的可靠性、模型可用性和魯棒性等問題有待進一步解決。未來的研究方向可能需要包括更精細(xì)化的模型開發(fā)、更準(zhǔn)確的性能預(yù)測和更智能化的控制策略。

（4）物理神經(jīng)網(wǎng)絡(luò)：物理神經(jīng)網(wǎng)絡(luò)在海上風(fēng)機領(lǐng)域?qū)⒁I(lǐng)著智能化風(fēng)機設(shè)計、運維與控制的發(fā)展，未來的研究將進一步探索如何更有效地融合物理方程和神經(jīng)網(wǎng)絡(luò)，以提高模型的預(yù)測準(zhǔn)確性和穩(wěn)定性，應(yīng)對不同情境下的挑戰(zhàn)。