基于LSTM的10 MW海上風力機故障傳感器數(shù)據(jù)重構(gòu)研究

摘 要：為解決極端環(huán)境傳感器故障導致監(jiān)測數(shù)據(jù)不充足問題，該文采用長短期記憶神經(jīng)網(wǎng)絡（LSTM）智能算法進行數(shù)據(jù)重構(gòu)。鑒于海上風電監(jiān)測數(shù)據(jù)稀缺，該文的研究依托數(shù)值仿真結(jié)果開展。基于作者團隊開發(fā)的“氣動-水動-結(jié)構(gòu)-樁土-智能控制”一體化耦合分析軟件Zwind，首先開展10 MW大型風力機全工況仿真分析，并通過提取多個高度處的加速度和傾角響應構(gòu)建數(shù)據(jù)庫，用以模擬多種風力機塔筒傳感器故障導致的數(shù)據(jù)丟失狀況。然后基于LSTM建立風力機塔筒加速度和傾角的數(shù)據(jù)重構(gòu)模型，訓練并驗證所構(gòu)建的數(shù)據(jù)重構(gòu)模型的精度。最后在數(shù)個未布置傳感器的位點上檢驗LSTM數(shù)據(jù)重構(gòu)模型的泛化性能。結(jié)果表明：構(gòu)建的LSTM故障傳感器數(shù)據(jù)重構(gòu)模型，可基于有限位點的正常服役傳感器的監(jiān)測數(shù)據(jù)高精度地重構(gòu)故障傳感器以及未測位點的塔筒響應數(shù)據(jù)；此外，基于傾角響應的重構(gòu)結(jié)果比基于加速度響應的重構(gòu)結(jié)果精度更高。

關鍵詞：海上風力機；結(jié)構(gòu)健康監(jiān)測；深度學習；故障傳感器；數(shù)據(jù)重構(gòu)；傾角響應

中圖分類號：TM614 " " " " " " " " " " " " " " " "文獻標志碼：A

0 引 言

中國近海臺風頻發(fā)且土體主要為軟弱的淤泥質(zhì)黏土和粉砂土，海上風力機易發(fā)生葉片破壞、塔架失穩(wěn)破壞和基礎傾覆等結(jié)構(gòu)故障問題［1-2］。對風力機結(jié)構(gòu)應用健康監(jiān)測技術能及時避免可能的故障發(fā)生，有效降低維護成本［3］。然而嚴苛的海上環(huán)境時常誘發(fā)監(jiān)測傳感器損壞，導致監(jiān)測數(shù)據(jù)缺失，進而導致結(jié)構(gòu)健康監(jiān)測技術難以發(fā)揮作用［4］，給嚴苛海洋環(huán)境下（尤其是臺風環(huán)境）風電結(jié)構(gòu)的安全服役以及基于監(jiān)測響應的降載控制（偏航、變漿等）帶來很大挑戰(zhàn)［5］。因此，確保傳感器數(shù)據(jù)的完整性和可靠性對于海上風力機的運行和維護至關重要［6］。

目前常見的應對數(shù)據(jù)缺失的方法是采用數(shù)據(jù)驅(qū)動算法重構(gòu)數(shù)據(jù)。在鋼框架、橋梁等結(jié)構(gòu)上已有許多數(shù)據(jù)重構(gòu)方面的研究：范高等［7］使用生成式對抗神經(jīng)網(wǎng)絡重構(gòu)某鋼框架結(jié)構(gòu)模型的結(jié)構(gòu)響應；張立奎等［8］使用長短時記憶網(wǎng)絡（long short-term memory， LSTM）基于橋梁應變和加速度數(shù)據(jù)重構(gòu)橋梁形變；薛明志等［9］提出EMD-BiLSTM算法重建缺失的橋梁撓度數(shù)據(jù)。盡管現(xiàn)有基于高層建筑、橋梁等類似動力敏感結(jié)構(gòu)的數(shù)據(jù)重構(gòu)模型相對較成熟，但因為風電結(jié)構(gòu)動力響應額外受多工況控制策略和樁土動力弱化影響顯著，高層建筑、橋梁的重構(gòu)模型難以直接遷移應用于海上風電結(jié)構(gòu)，需要針對海上風電結(jié)構(gòu)的特點重新設計、構(gòu)造數(shù)據(jù)重構(gòu)模型。

目前有關海上風力機的數(shù)據(jù)重構(gòu)工作有兩種數(shù)據(jù)來源：實測數(shù)據(jù)和仿真數(shù)據(jù)。由于極端工況數(shù)據(jù)數(shù)量較少且難以獲取，基于實測數(shù)據(jù)的重構(gòu)工作都只研究了正常運行風速段（0～24 m/s）內(nèi)的工況［10］，未考慮極端工況（24～40 m/s）下重構(gòu)模型的效果；而基于仿真數(shù)據(jù)的研究在構(gòu)建仿真模型時，要么未考慮樁土相互作用，要么未考慮控制系統(tǒng)對風力機的影響，所構(gòu)建模型與真實情況存在偏差［11-12］，如Nabiyan等［11］提出一種基于力學的時序貝葉斯模型，用于估計2 MW風力機泥面處的彎矩，但該文在構(gòu)建仿真模型時，用質(zhì)量塊直接代替機艙，未考慮控制的影響；Dimitrov等［13］對葉片根部彎矩進行預測，但所構(gòu)建的仿真模型未考慮樁土相互作用。準確構(gòu)建風力機結(jié)構(gòu)監(jiān)測數(shù)據(jù)重構(gòu)模型的關鍵在于，需考慮風力機多工況控制策略和樁土動力弱化效應，在一體化的分析框架下建模。

綜上，本文基于筆者團隊的“氣動-水動-結(jié)構(gòu)-樁土-智能控制”一體化動力耦合模型及軟件Zwind，以10 MW大型風力機為例，使用LSTM［14］對0～40 m/s全工況進行風力機塔筒故障傳感器數(shù)據(jù)重構(gòu)研究。重構(gòu)模型的輸入包括環(huán)境載荷、風力機控制狀態(tài)以及正常服役傳感器的響應數(shù)據(jù)。利用重構(gòu)模型重構(gòu)故障傳感器的數(shù)據(jù)，并在數(shù)個未布置傳感器的位點上檢驗重構(gòu)模型的泛化性能，最后，針對加速度和傾角響應的重構(gòu)誤差進行分析。

1 基于LSTM的故障傳感器數(shù)據(jù)重構(gòu)

本文提出的風力機故障傳感器數(shù)據(jù)重構(gòu)方法流程如圖1所示。具體步驟如下：

1）運用Zwind構(gòu)建DTU-10 MW一體化風力機仿真模型，獲取塔筒多個位置的加速度及傾角響應；

2）基于環(huán)境載荷、歷史可用塔筒響應、控制狀態(tài)，運用LSTM算法構(gòu)建風力機塔筒故障傳感器數(shù)據(jù)重構(gòu)模型；

3）利用塔筒上未布置傳感器的位置的響應數(shù)據(jù)檢驗重構(gòu)模型泛化性能；

4）對比分析基于加速度響應和基于傾角響應進行數(shù)據(jù)重構(gòu)的重構(gòu)誤差。

2 方法論

2.1 LSTM算法原理

基于文獻調(diào)研，本文采用深度學習算法重構(gòu)風力機故障傳感器的數(shù)據(jù)，又考慮到風力機響應數(shù)據(jù)與過去時刻的響應數(shù)據(jù)有較強的聯(lián)系，采用神經(jīng)網(wǎng)絡中專門處理時序數(shù)據(jù)的LSTM算法構(gòu)建數(shù)據(jù)重構(gòu)模型。

LSTM是一種改進版的循環(huán)神經(jīng)網(wǎng)絡。一個典型的LSTM單元如圖2所示，由以下3個門控單元控制信息的長期與短期的記錄與遺忘：遺忘門、輸入門和輸出門。

首先，遺忘門決定[ht-1]和[xt]中哪些信息被遺忘，輸入門計算向量it決定哪些信息將被更新到細胞狀態(tài)[Ct-1]中。之后，基于遺忘門和輸入門的計算結(jié)果更新得到當前時刻的細胞狀態(tài)[Ct]。最后，基于更新后的細胞狀態(tài)計算輸出門，以獲得當前時間步的隱藏狀態(tài)[ht]和最終輸出[yt]。總體計算流程可見圖2和式（1）～式（7）：

[ft=sigmoidWfht-1，xt+bf] （1）

[it=sigmoidWiht-1，xt+bi] （2）

[gt=tanhWght-1，xt+bg] （3）

[Ct=ft*Ct-1+it*gt] （4）

[ot=sigmoidWoht-1，xt+bo] （5）

[ht=ot*tanhCt] （6）

[yt=gWyht+by] （7）

式中：[ft、it、gt、Ct、ot、ht、yt]——遺忘門、輸入門、輸入節(jié)點、細胞狀態(tài)、輸出門、短時狀態(tài)、輸出；[Wf]、[Wi]、[Wg]、[Wo]、[Wy]——遺忘門、輸入門、輸出門、輸出的權(quán)重矩陣；[bf、bi、bg、bo、] [by]——遺忘門、輸入門、輸出門、輸出的偏移量；[sigmoid、tanh]——sigmoid、tanh激活函數(shù)；［］——矩陣拼接；[*]——逐元素相乘。

2.2 模型性能評價指標

為驗證數(shù)據(jù)重構(gòu)模型預測風力機加速度響應的性能，使用Pearson相關系數(shù)作為評價指標。數(shù)學定義如式（8）。

[rxy=i=1n（xi-x）yi-yi=1nxi-x2i=1nyi-y2] （8）

式中：[xi]、[yi]——第[i]個樣本的預測值和真實值；[rxy]——變量[x、y]的相關系數(shù)；[x]、[y]——變量[x、y]的均值；[n]——樣本數(shù)量。

2.3 海上風電一體化模型及仿真軟件Zwind

海上風力機是一個由機艙、塔筒、控制系統(tǒng)、下部基礎構(gòu)成的復雜系統(tǒng)，并承受著風、浪、流等環(huán)境載荷以及控制系統(tǒng)驅(qū)動載荷的作用，但現(xiàn)有風力機載荷計算設計軟件對于風力機的下部基礎與土體相互作用系統(tǒng)的建?？紤]并不充分，如商用軟件Bladed僅能考慮靜力形式的p-y曲線，開源軟件OpenFAST僅能考慮剛性基礎或泥面處的線彈性耦合彈簧模型。

浙江大學海上風電團隊通過耦合氣動水動力學求解、結(jié)構(gòu)動力學求解、樁土動力學求解和風力機伺服控制，開發(fā)了風力機整機一體化分析軟件Zwind［1］。該軟件在功率曲線、模態(tài)響應、穩(wěn)態(tài)響應與動態(tài)響應等方面計算精度與商用風力機仿真軟件Bladed相當。此外，Zwind還新增了臺風模塊、樁土作用模塊以及臺風載荷控制模塊等。Zwind模塊示意圖如圖3所示。鑒于海上風電監(jiān)測數(shù)據(jù)少且周期長，本文基于Zwind海上風電一體化數(shù)值模型生成風力機響應仿真數(shù)據(jù)，開展先驗研究驗證本文方法的正確性，為海上風電實測數(shù)據(jù)重構(gòu)提供基礎。

3 案例研究

3.1 DTU-10 MW風力機

為應對風力機大型化挑戰(zhàn)，DTU風能與丹麥風力機制造商維斯塔斯合作開展Light Rotor項目，設計了DTU-10 MW RWT參考風力發(fā)電機組（不包括下部結(jié)構(gòu)）［15］，表1為DTU-10 MW海上風力發(fā)電機組的主要參數(shù)。

考慮到中國海上風力機多建設于東南沿海地區(qū)，海床土體主要為軟黏土或粉土，本文參考東南沿海某海上風電場設置土質(zhì)條件：粉質(zhì)黏土，有效重度[γ′f=6 kN/m]，不排水抗剪強度近似為[su=1.6z kPa]，其中[z]表示土體深度。此外，本文還采用了賴踴卿等［16］的“[p-y+M-θ]”樁土相互作用整機一體化分析模型。

3.2 仿真數(shù)據(jù)介紹

采用3.1節(jié)介紹的DTU-10 MW風力機，使用Zwind對如表2所示的20種工況進行數(shù)值模擬，獲取仿真數(shù)據(jù)。表2為南海某風電場的風、浪組合環(huán)境條件［17］，共設置20種載荷工況（LC1～LC20）。風速每隔2 m/s為一個工況，每個工況持續(xù)700 s，數(shù)據(jù)間隔為0.05 s，去除前100 s以消除瞬態(tài)效應。

為豐富風載荷信息，對于每個工況設置3個不同的風湍流度，進一步地，為保證機器學習模型的泛用性、緩解過擬合問題，每個工況的每種風湍流度下均取3個不同的隨機數(shù)種子來生成風、浪載荷時程，其中2個隨機種子用于構(gòu)造訓練集，剩余1個種子用于構(gòu)造驗證集。綜上，共生成180個案例用于訓練和驗證重構(gòu)模型。

根據(jù)工程經(jīng)驗［18］，通常風力機塔筒上只需選取4個高度位置布置傳感器就可有效且及時地監(jiān)測塔筒狀況。為進一步驗證重構(gòu)模型的泛用性，額外提取7個高度位置的塔筒響應數(shù)據(jù)?？偟膩碚f，本文等間隔地提取了風力機塔筒上11個高度位置（具體數(shù)值見表3）的加速度及傾角響應，假定傳感器布置于塔筒23.0、57.5、80.5、103.5 m處，利用這4個位置的響應進行各類傳感器損壞狀況下的重構(gòu)計算，剩余7個位點的響應數(shù)據(jù)則用于檢驗重構(gòu)模型的泛化性能。

3.3 LSTM輸入數(shù)據(jù)

為了利用LSTM算法構(gòu)建重構(gòu)模型，需對仿真模型的數(shù)據(jù)進行特征篩選，并將數(shù)據(jù)處理為特定的數(shù)據(jù)格式。

首先依據(jù)領域知識選取與重構(gòu)目標（故障傳感器的加速度或傾角響應）相關的變量作為重構(gòu)模型的輸入，包括：正常服役的傳感器的響應數(shù)據(jù)（加速度或傾角響應）、風速、波高以及風力機變槳角度。此外，為提高模型的可用性，將傳感器的高度信息輸入數(shù)據(jù)重構(gòu)模型，由此，重構(gòu)模型可捕捉高度信息與重構(gòu)目標之間的關系，后續(xù)便不需要對塔筒的每種故障狀況分別構(gòu)建重構(gòu)模型，而可通過單個重構(gòu)模型，再給定目標傳感器的高度信息，來預測目標傳感器的響應。這種建模方式不僅提高了模型的泛用性，還增加了可供學習的樣本數(shù)量，提高模型的精度。

為了將數(shù)據(jù)輸入LSTM模型，需將響應、風速、波高以及變槳角度處理為時序格式：［[N， T， F]］，其中[N、T、F]分別為樣本數(shù)量、時序長度以及特征數(shù)量。時序長度根據(jù)響應周期進行設定，具體為采用傅里葉變換分析塔筒頂部加速度信號的頻率，發(fā)現(xiàn)在2～40 m/s的各工況下，最小頻率約為0.2 Hz，因此將時序長度設定為5 s，以囊括加速度響應的一個完整的周期的信息。

由于傳感器的高度信息不隨時間改變，嘗試了兩種利用高度信息的方式：

1）對高度信息進行與其他變量相同的處理，將其處理為時序格式輸入LSTM模型。

2）將高度信息作為額外特征與LSTM的輸出合并，再輸入全連接層得到最終輸出。

經(jīng)過測試，方式1）能獲得更好的預測效果，因此將高度信息處理為時序格式輸入LSTM。

3.4 單傳感器損壞

首先考慮單個傳感器故障、其余3個傳感器正常運行的狀況。利用3個正常傳感器的數(shù)據(jù)作為重構(gòu)模型的輸入，重構(gòu)故障傳感器的響應數(shù)據(jù)。此外，為提高模型的可用性，本文將傳感器的高度信息輸入重構(gòu)模型，由此，便不需要對塔筒每種故障狀況分別構(gòu)建重構(gòu)模型，通過單個重構(gòu)模型，再給定目標傳感器的高度信息，來預測目標高度的傳感器的響應。這種建模方式不僅提高了模型的泛用性，還增加了可供學習的樣本數(shù)量，提高模型的精度。

本文采用3層堆疊LSTM算法構(gòu)建重構(gòu)模型。風、浪載荷，加速度或傾角的歷史響應，槳距角以及目標傳感器的高度作為模型輸入。通過網(wǎng)格搜索法搜索最優(yōu)超參數(shù)，優(yōu)化結(jié)果如下：每層采用相同的超參數(shù)，32個神經(jīng)元，Ridge正則化系數(shù)為0.01，學習率設置為0.03。輸入數(shù)據(jù)的數(shù)據(jù)間隔為0.05 s，時序長度參考3.3節(jié)的介紹，設定為100。

加速度及傾角的重構(gòu)Pearson相關系數(shù)如表4所示，圖4和圖5分別展示了加速度和傾角重構(gòu)精度最低（相關系數(shù)最?。┑念A測效果的對比圖（6、8、10號位置的傳感器正常，3號傳感器故障），其中深色線為觀測值，而淺色線為重構(gòu)值。

可看到，對于部分輸入-輸出組合，加速度重構(gòu)相關系數(shù)高于0.99，相關系數(shù)平均值也達到0.9991。傾角重構(gòu)相關系數(shù)在四舍五入保留4位有效數(shù)字的情況下都達到1，即使是所有案例中重構(gòu)精度最低的情況（3、6、10號位置的傳感器正常，8號傳感器故障），相關系數(shù)依然達到0.999985，表明多層LSTM算法所構(gòu)建的數(shù)據(jù)重構(gòu)模型在單傳感器損壞的情況下具有優(yōu)異且穩(wěn)定的重構(gòu)性能。

3.5 多傳感器損壞

本小節(jié)采用與3.4節(jié)相同的數(shù)據(jù)及模型配置模擬兩個傳感器損壞的狀況。每組樣本中選擇兩個高度的傳感器（正常）的數(shù)據(jù)作為重構(gòu)模型的輸入，并預測塔筒上剩余兩傳感器（故障）的響應。

重構(gòu)相關系數(shù)如表4所示?？煽吹?，相比單個傳感器損壞的情況，多傳感器損壞的情況下，加速度重構(gòu)精度降低，平均相關系數(shù)為0.9927，而傾角重構(gòu)精度并無顯著變化，平均相關系數(shù)在保留4位有效數(shù)字的情況下為1。

此外，當故障傳感器距離可用傳感器較遠時，重構(gòu)模型難以利用已有加速度響應外推目標傳感器的加速度響應，導致誤差增加，如表4中最大誤差的輸入-輸出組合（8，10號位置的傳感器正常，3號傳感器故障），相關系數(shù)僅有0.9811。

圖6展示了加速度響應重構(gòu)誤差最大的數(shù)據(jù)重構(gòu)效果，圖中深色線為觀測值，而淺色線為重構(gòu)值，可看到，相比單傳感器損壞，在多傳感器損壞的情況下加速度響應出現(xiàn)明顯重構(gòu)偏差。

然而，與之相比，傾角響應的重構(gòu)結(jié)果非常穩(wěn)定，如圖7所示。相比單傳感器故障的狀況，重構(gòu)誤差并未顯著增加。

3.6 模型泛化性能檢驗

為了檢驗模型是否有效學習了不同高度的塔筒響應之間的物理關系，本文利用已訓練好的重構(gòu)模型計算未作為訓練數(shù)據(jù)的高度處的塔筒響應，通過其重構(gòu)誤差評價模型泛化性能。

如3.2節(jié)所述，本文共模擬180種工況，本節(jié)在每種工況下分別隨機截取長度為50 s的數(shù)據(jù)片段，并基于3.4、3.5節(jié)所模擬的10種傳感器損壞組合，重構(gòu)表3中剩余7處塔筒響應，重構(gòu)相關系數(shù)如表5所示。可看到，本文所構(gòu)建的LSTM重構(gòu)模型即使面對訓練數(shù)據(jù)以外的塔筒響應，仍有非常高的重構(gòu)精度。傾角的最小重構(gòu)相關系數(shù)為0.9954，加速度的最小重構(gòu)相關系數(shù)為0.9550。在圖8中展示了重構(gòu)誤差最大的結(jié)果（利用6、8號傳感器的加速度數(shù)據(jù)，重構(gòu)1號未測位點的加速度響應）。

4 結(jié) 論

本文采用Zwind構(gòu)建DTU-10 MW風力機仿真模型，共模仿180種工況，在每種工況下，都從仿真模型中提取塔筒上4個位置的加速度及傾角傳感器數(shù)據(jù)以及7個位置的虛擬加速度、傾角傳感器的數(shù)據(jù)。之后，利用3層堆疊LSTM構(gòu)建響應數(shù)據(jù)重構(gòu)模型，針對風力機塔筒單傳感器故障和多傳感器故障共10種故障狀況進行數(shù)據(jù)重構(gòu)。最后，利用未參與模型訓練的7個虛擬傳感器評價模型的泛化性能，并對比了加速度響應和傾角響應的重構(gòu)誤差。

本文基于7個虛擬傳感器的數(shù)據(jù)，采用相關系數(shù)評估已訓練好的重構(gòu)模型的精度，對于單傳感器故障的情況，加速度響應與傾角響應的重構(gòu)精度都非常高：加速度的平均重構(gòu)相關系數(shù)為0.9991，傾角的平均重構(gòu)相關系數(shù)在保留4位有效數(shù)字的情況下為1，最小的相關系數(shù)也達到0.999985。但對于多傳感器故障的情況，加速度響應的重構(gòu)精度出現(xiàn)明顯波動，平均相關系數(shù)降低為0.9927，并且在故障傳感器距離可用傳感器較遠時，誤差將顯著增大，在最糟糕的情況下，相關系數(shù)僅有0.9811。與之相比，傾角響應的重構(gòu)精度則沒有明顯變化，多傳感器故障狀況的平均相關系數(shù)仍為1。此外，本文在未測位點上檢驗了模型的泛化性能，加速度響應的泛化性能較差，重構(gòu)相關系數(shù)最小為0.9550，而傾角響應的重構(gòu)結(jié)果則較為穩(wěn)定，最小相關系數(shù)為0.9954。

根據(jù)上述計算結(jié)果，本文認為，在實際應用中，如果需要利用重構(gòu)數(shù)據(jù)進行下一步工作（如模態(tài)識別、故障診斷等），相比加速度響應，應當優(yōu)先考慮使用重構(gòu)效果更穩(wěn)定且誤差更小的傾角響應。值得指出的是，本文基于數(shù)值試驗展開，并未考慮監(jiān)測數(shù)據(jù)誤差對數(shù)據(jù)重構(gòu)的影響，這一點需要在下一步研究中考慮。本文的一體化模型采用的是簡化p-y+M-θ模型。除此之外，筆者團隊還提出動力循環(huán)p-y+M-θ模型［19］，循環(huán)弱化p-y+M-θ模型［20］，多向循環(huán)弱化p-y+M-θ模型［21］。

［參考文獻］

［1］ 王立忠， 洪義， 高洋洋， 等. 近海風電結(jié)構(gòu)臺風環(huán)境動力災變與控制［J］. 力學學報， 2023， 55（3）： 567-587.

WANG L Z， HONG Y， GAO Y Y， et al. Dynamic catastrophe and control of offshore wind power structures in typhoon environment［J］. Chinese journal of theoretical and applied mechanics， 2023， 55（3）： 567-587.

［2］ 姜貞強， 何奔， 單治鋼， 等. 黃海海域極端荷載下海上風力機結(jié)構(gòu)累積變形及疲勞性狀： 3種典型基礎對比研究［J］. 太陽能學報， 2021， 42（4）： 386-395.

JIANG Z Q， HE B， SHAN Z G， et al. Cumulative deformation and fatigue behaviour of offshore wind turbine structure subjected under extreme loading in Yellow Sea： a comparative study between three typical foundations［J］. Acta energiae solaris sinica， 2021， 42（4）： 386-395.

［3］ 金曉航， 許壯偉， 孫毅， 等. 基于SCADA數(shù)據(jù)分析和稀疏自編碼神經(jīng)網(wǎng)絡的風電機組在線運行狀態(tài)監(jiān)測［J］. 太陽能學報， 2021， 42（6）： 321-328.

JIN X H， XU Z W， SUN Y， et al. Online condition monitoring for wind turbines based on SCADA data analysis and sparse auto-encoder neural network［J］. Acta energiae solaris sinica， 2021， 42（6）： 321-328.

［4］ 楊海艷. 測風儀在風力發(fā)電場中的應用［J］. 傳感器世界， 2017， 23（6）： 35-38.

YANG H Y. Application of anemometers in wind farms［J］. Sensor world， 2017， 23（6）： 35-38.

［5］ 張運洲， 胡泊. “三北” 地區(qū)風電開發(fā)、輸送及消納研究［J］. 中國電力， 2012， 45（9）： 1-6.

ZHANG Y Z， HU B. Study on wind power exploitation， transmission and accommodation in northern region of China［J］. Electric power， 2012， 45（9）： 1-6.

［6］ ZAHER A， MCARTHUR S D J， INFIELD D G， et al. Online wind turbine fault detection through automated SCADA data analysis［J］. Wind energy， 2009， 12（6）： 574-593.

［7］ FAN G， LI J， HAO H， et al. Data driven structural dynamic response reconstruction using segment based generative adversarial networks［J］. Engineering structures， 2021， 234： 111970.

［8］ 張立奎， 段大猷， 王佐才. 基于LSTM神經(jīng)網(wǎng)絡的多源數(shù)據(jù)融合橋梁變形重構(gòu)方法［J］. 土木與環(huán)境工程學報（中英文）， 2022， 44（3）： 37-43.

ZHANG L K， DUAN D Y， WANG Z C. A multi-source data fusion method for bridge displacement reconstruction based on LSTM neural network［J］. Journal of civil and environmental engineering， 2022， 44（3）： 37-43.

［9］ XUE M Z， LI F N， YU X S， et al. Research and application of EMD-BiLSTM in bridge data reconstruction［C］//2022 China Automation Congress （CAC）. Xiamen， China， 2022： 5502-5507.

［10］ JING B， PEI Y， QIAN Z， et al. Missing wind speed data reconstruction with improved context encoder network［J］. Energy reports， 2022， 8： 3386-3394.

［11］ NABIYAN M S， KHOSHNOUDIAN F， MOAVENI B， et al. Mechanics-based model updating for identification and virtual sensing of an offshore wind turbine using sparse measurements［J］. " " Structural " " control " " and " " health monitoring， 2021， 28（2）： e2647.

［12］ 安利強， 孫陽， 王鵬， 等. 考慮隨機參數(shù)的風電機組臺風載荷特征研究［J］. 太陽能學報， 2021， 42（4）： 417-423.

AN L Q， SUN Y， WANG P， et al. Study on typhoon load characteristics of wind turbines considering random parameters［J］. Acta energiae solaris sinica， 2021， 42（4）： 417-423.

［13］ DIMITROV N， G??MEN T. Virtual sensors for wind turbines with machine learning-based time series models［J］. Wind energy， 2022， 25（9）： 1626-1645.

［14］ HOCHREITER S， SCHMIDHUBER J. Long short-term memory［J］. Neural computation， 1997， 9（8）： 1735-1780.

［15］ BAK C， ZAHLE F， BITSCHE R， et al. The DTU 10-MW reference wind turbine［C］//Danish Wind Power Research 2013， Trinity， Fredericia， Denmark， 2013.

［16］ LAI Y Q， WANG L Z， ZHANG Y H， et al. Site-specific soil reaction model for monopiles in soft clay based on laboratory " "element " " stress-strain " " curves［J］. " " Ocean engineering， 2021， 220： 108437.

［17］ 廖菲， 鄧華， 曾琳， 等. 南海北部海面風速概率分布特征［J］. 海洋學報， 2018， 40（5）： 37-47.

LIAO F， DENG H， ZENG L， et al. The probability distribution of sea surface wind speeds over the northern South China Sea［J］. Haiyang Xuebao， 2018， 40（5）： 37-47.

［18］ ISHIHARA T， WANG L L. A study of modal damping for offshore wind turbines considering soil properties and foundation types［J］. Acta oceanologica sinica， 2019， 22（12）： 1760-1778.

［19］ WANG L， ISHIHARA T. A new FounDyn module in OpenFAST to consider foundation dynamics of monopile supported wind turbines using a site-specific soil reaction framework［J］. Ocean engineering， 2022， 266： 112692.

［20］ HONG Y， CHEN X， WANG L， et al. A bounding-surface based cyclic ‘p-y+M-θ’model for unified description of laterally loaded piles with different failure modes in clay［J］. Canadian geotechnical journal， 2024，61（10）： 2104-2123.

［21］ HONG Y， YAO M， WANG L. A multi-axial bounding surface py model with application in analyzing pile responses " under " multi-directional " lateral " cycling［J］. Computers and geotechnics. 2023， 157： 105301.

FAULT SENSOR DATA RECONSTRUCTION OF 10 MW OFFSHORE

WIND TURBINE BASED ON LSTM

Qiu Ziqi1，2，Wang Lizhong1，2，Pan Hualin3，Zhang Baolong3，Wang Lilin1，4，Hong Yi2，4

（1. Ocean College， Zhejiang University， Zhoushan 316021， China； 2. Hainan Institute， Zhejiang University， Sanya 572025， China；

3. Zhejiang Provincial Energy Group Company Ltd.， Hangzhou 310000， China； 4. Donghai Laboratory， Zhoushan 316021， China）

Abstract：To solve the problem of insufficient monitoring data caused by sensor failures in extreme environments， this study proposes an AI-driven offshore wind power monitoring data reconstruction method. In view of the scarcity of offshore wind turbine monitoring data， this study is conducted using numerical simulations results. Based on the aero-hydro-elasto-servo integrated design software Zwind， developed by the authors’ team， this study first carries out numerical simulations of a 10MW wind turbine considering all loading cases， and extracts accelerations and inclinations to form the database for a series of data loss situations caused by sensor failures. Then， a data reconstruction model is proposed based on LSTM using acceleration response or inclination response of wind turbine tower， following by its training and verification. Finally， the generalization performance of the LSTM data reconstruction model is investigated on the locations without sensors. The results show that 1） the proposed data reconstruction model can accurately reconstruct the data of fault sensors on wind turbine tower and predict the responses of unmeasured locations using the monitoring data at limited locations； 2） the "reconstruction results based on inclination response are more accurate than acceleration response.

Keywords：offshore wind turbines； structural health monitoring； deep learning； sensor failure； data reconstruction； inclination response