《Sensors》:A Novel Residual Dual Attention Multiscale Network for Vibration-Based Damage Recognition in Floating Wind Turbine Structural Health Monitoring
编辑推荐:
摘要翻译:浮式风力机(FWT)是深海清洁能源开发的关键装备,其结构健康状况直接关系到运行安全和能源输出。然而,FWT振动信号表现出显著的非平稳和多尺度特性,不同损伤模式的损伤敏感特征跨越多个时间尺度。现有方法未能充分提取和融合多尺度损伤敏感特征。为此,本文提出
摘要翻译:浮式风力机(FWT)是深海清洁能源开发的关键装备,其结构健康状况直接关系到运行安全和能源输出。然而,FWT振动信号表现出显著的非平稳和多尺度特性,不同损伤模式的损伤敏感特征跨越多个时间尺度。现有方法未能充分提取和融合多尺度损伤敏感特征。为此,本文提出了一种新型的残差双注意力多尺度网络(RDAMNet)。该网络创新性地设计了一种信号级多尺度解耦策略,通过多分支差异化架构从互补的信号表示中提取不同尺度的损伤敏感特征。此外,设计了一种ECA-SE双注意力机制,在特征提取和融合阶段协同增强与损伤相关的通道响应。在公开数据集上的多次独立实验结果表明,RDAMNet的平均损伤识别准确率和加权F1分数分别达到95.39%和95.37%,显著优于五种对比方法。跨工况泛化实验进一步表明,RDAMNet在不同风速和风向组合下均保持超过94%的平均准确率,验证了其在不同运行条件下的稳定性。此外,RDAMNet仅包含663,783个参数,单样本GPU推理时间为5.35毫秒,展现出良好的性能-效率权衡。消融研究验证了每个核心组件的有效贡献,分支重要性分析与Grad-CAM可视化进一步证实了网络的多尺度特征学习能力。所提方法为复杂海洋环境下FWT的智能结构健康监测提供了有效的技术途径。
**论文解读:一种用于浮式风力机结构健康监测的残差双注意力多尺度网络**
**1. 研究背景与意义**
浮式风力机(FWT)作为开发深海风能的关键装备,在全球清洁能源转型中扮演着日益重要的角色。然而,FWT长期在恶劣的海洋环境中运行,承受高风载、强波浪激励、盐雾腐蚀和持续循环载荷,导致塔筒、叶片、浮体连接和系泊系统等关键结构部件面临持续的退化和损伤风险。早期结构损伤若未能及时检测,可能在不可控的环境载荷下逐步演变为严重的结构失效,甚至引发灾难性后果。鉴于海上环境可达性极差,人工巡检和维护成本高昂且危险。因此,开发自动化的FWT结构健康监测(SHM)技术对于实现预测性维护、减少非计划停机、最大化能源产出至关重要。
在FWT的SHM技术中,基于振动的方法因其广泛适用性、成本效益和连续实时监测能力而受到广泛关注。其核心原理在于,结构损伤通过改变刚度、质量分布或阻尼特性,会引发可测量的振动响应变化。传统机器学习方法依赖手动特征提取,在处理高维非线性数据时泛化能力有限。深度学习,特别是卷积神经网络(CNN)、循环神经网络(RNN)及其混合架构,在风力机故障诊断中展现出端到端特征学习和优越泛化性能的优势。注意力机制和多尺度特征提取策略也被引入以增强对复杂振动模式的建模。
尽管已有研究取得了一定进展,但现有的FWT基于振动的损伤识别研究仍存在若干局限。FWT的振动响应信号表现出显著的多尺度时频特性,不同类型的损伤在不同时间尺度上表现为差异化的信号特征。然而,大多数现有方法采用单一尺度或统一的输入表示进行特征提取,未能充分捕捉多尺度损伤敏感特征之间的互补信息。此外,海洋环境噪声和多源载荷的耦合效应严重掩盖了早期细微损伤特征。现有网络架构缺乏有效的通道级特征增强机制,导致损伤敏感通道的响应被噪声主导通道所稀释。同时,当前研究主要集中在系泊系统,对塔筒、浮体连接和叶片等其他关键结构部件的早期损伤识别缺乏系统性研究。
**2. 研究方法概述**
为解决上述挑战,研究人员提出了一种新型的残差双注意力多尺度网络(RDAMNet)。该方法的核心设计理念包括三个方面:首先,采用多分支多尺度输入策略,从原始信号、最大池化信号和平均池化信号中提取互补的时频特征,以增强网络对不同损伤模式的感知能力。其次,在每个特征提取分支中引入残差连接,以减轻深度网络中细微损伤特征的退化,确保有效的梯度传播。最后,引入由ECA(高效通道注意力)和SE(挤压与激励)注意力组成的双注意力机制。ECA嵌入在每个分支内以增强损伤敏感通道响应,而SE在融合后特征上进行通道重校准,二者协同实现损伤敏感特征的自适应突出。实验数据来源于希腊帕特雷大学随机机械系统与自动化实验室公开发布的UPATRAS浮式风力机振动数据集,该数据集基于一个实验室尺度FWT模型,包含一个健康状态和五个早期损伤场景(螺栓连接退化B、两种附加质量M
1/M
2、两种叶片裂纹C
1/C
2),在九种运行条件下共采集540个振动信号。本研究选取WD1_WS1工况下所有六种结构健康状态的信号,通过非重叠滑动窗口分割,最终得到1422个样本用于训练和测试。
**3. 研究结果分析**
研究人员通过多个实验验证了RDAMNet的性能与有效性。
**3.1. 多尺度建模的信号级动机分析**
从结构动力学角度分析,FWT的振动响应是风载、波浪激励、结构刚度和质量分布耦合作用的结果。不同类型的结构损伤会改变系统的刚度矩阵、质量矩阵或阻尼特性,引发自然频率偏移、模态振型畸变和瞬态响应变化等多层次动态效应。这些效应在振动信号中表现为不同时间尺度的特征变化:全局刚度或质量分布的变化主要影响主导低频模态的响应特性,而局部结构缺陷则倾向于在更短时间尺度上产生高频瞬态分量或局部波形畸变。时域波形和频域幅值谱分析表明,所有六种结构状态均表现出明显的非平稳振动响应,但其振幅包络、局部峰值分布和振荡模式存在显著差异。频域分析进一步证实,虽然主导振动能量集中在低频范围,但不同损伤模式在频谱峰值位置、峰值强度和频带能量分布上表现出差异。这表明损伤敏感信息并非集中在单一时间尺度,而是同时分布在全局低频趋势、局部峰值响应和中尺度波形变化中。RDAMNet的多分支差异化架构和双注意力机制的协同作用正是为了应对这种多尺度特性。
**3.2. 对比实验结果**
在五次独立运行中,RDAMNet取得了平均损伤识别准确率95.39 ± 1.23%和加权F1分数95.37 ± 1.24%的最佳性能,显著优于ResNet18、DCNet、IMCTN、MCAMCNN和MSCNN-BiLSTM-WMV五种代表性基线方法。t-SNE可视化显示,RDAMNet提取的特征在特征空间中形成了最清晰、分离度最高的聚类结构。模型复杂度方面,RDAMNet仅包含663,783个参数,单样本GPU推理时间为5.35毫秒,实现了识别性能与计算效率的良好平衡。训练过程显示其训练与测试损失曲线趋势一致,收敛后未出现过拟合迹象。
**3.3. 跨工况泛化分析**
在WD1_WS2、WD1_WS3、WD2_WS2和WD2_WS3四种不同风速风向组合工况下的独立训练和测试表明,RDAMNet的平均准确率和平均F1分数在所有工况下均超过94%,且标准差较小,验证了模型在不同运行条件下保持稳定高识别性能的泛化能力。
**3.4. 消融研究**
消融实验系统验证了RDAMNet各核心组件的贡献。移除多尺度输入导致性能下降最显著(准确率从96.45%降至87.23%),表明信号级多尺度解耦是性能提升的核心驱动力。移除多分支架构、ECA注意力、SE注意力或同时移除双注意力机制均导致性能不同程度下降,其中同时移除双注意力机制的性能低于单独移除任一种,表明ECA与SE之间存在显著的协同增益。移除残差连接也验证了其在深度特征提取中促进细微损伤信息传播的作用。
**3.5. 多尺度特征的可解释性分析**
基于梯度加权类激活映射(Grad-CAM)的分支重要性分析和一维Grad-CAM可视化提供了模型决策的可解释性证据。分支重要性分析显示,不同损伤模式下三个分支的相对重要性不同,表明RDAMNet根据各工况的振动特性自适应地强调不同分支,而非依赖单一尺度表示。一维Grad-CAM可视化表明,高响应区域分布在多个时间片段而非孤立采样点,且与局部振荡增强、波形变化或低频振荡周期等物理模式相关,证实了RDAMNet在损伤识别时同时关注局部瞬态特征、波形细节和较长范围的结构响应变化。
**3.6. 工程意义与局限性**
研究结果表明,RDAMNet能够高可靠地区分FWT的六种结构健康状态,为海上风电场运行中的状态维护提供了技术基础。模型能够识别故障类别和严重程度,支持分级维护响应策略,有助于在结构安全与维护成本之间取得平衡。其紧凑的模型尺寸和毫秒级推理速度支持边缘侧部署,有利于减少数据传输负担,是实现从被动定期检查向主动健康感知维护转变的有力工具。然而,本研究也存在局限性:所用数据集基于实验室尺度模型,其动态行为可能与全尺寸海上风机存在差异;考虑的是离散健康状态,而实际故障通常是连续演化且可能为多故障耦合场景;虽然跨工况实验显示了稳定性,但在更极端海况下的鲁棒性仍需进一步研究。
**4. 讨论与结论**
**讨论部分总结:** 研究人员在讨论中深入阐述了RDAMNet的工程应用潜力与未来研究方向。模型的高精度识别能力为实现FWT的状态维护提供了决策支持,能够根据损伤类型和严重程度制定差异化的维护优先级。其轻量化和快速推理特性适合集成到在线监测框架中,支持实时或近实时健康评估及边缘部署,有助于降低运维成本、延长结构寿命并提高风电场运营经济性。同时,研究人员也客观指出了当前研究的局限性,主要包括:基于实验室尺度模型数据的局限性,与全尺寸海上风机实际环境(如更复杂扰动、传感器噪声、非平稳激励、长期信号漂移)的差异;对离散单故障状态的建模与连续退化、多故障耦合实际场景的差距;在更极端海况和长期运行不确定性下的鲁棒性有待进一步验证。未来工作将聚焦于利用真实海上风电场监测数据验证RDAMNet,并通过领域自适应、迁移学习提升其对工业环境的适应性。此外,研究将扩展至连续退化过程、多故障耦合条件,并结合长期退化建模与剩余使用寿命预测,将框架从状态分类发展为全生命周期评估与维护优化。
**结论翻译:** 本文提出了RDAMNet,一种用于浮式风力机基于振动的损伤识别的残差双注意力多尺度网络。RDAMNet引入了一种新颖的多分支多尺度输入策略,在信号级别将原始振动信号解耦为具有不同物理特性的互补表示,使不同分支能够捕获不同尺度的损伤敏感特征。此外,设计了一种ECA-SE双注意力机制,在特征提取和融合阶段协同增强与损伤相关的信息。在UPATRAS浮式风力机振动数据集上,RDAMNet在五次独立运行中分别实现了95.39 ± 1.23%的平均损伤识别准确率和95.37 ± 1.24%的加权F1分数,显著优于包括ResNet18、DCNet、IMCTN、MCAMCNN和MSCNN-BiLSTM-WMV在内的五种代表性方法。跨工况泛化实验表明,RDAMNet在不同风速和风向组合下均保持超过94%的平均准确率,验证了其在不同运行条件下的泛化能力。模型复杂度分析表明,RDAMNet仅包含663,783个参数、241.41 M FLOPs(浮点运算数)和5.35毫秒的单样本GPU推理时间,实现了识别性能与计算效率的平衡。消融研究表明,每个核心组件都对识别性能有不可或缺的贡献,其中多尺度输入解耦和多分支架构是性能基础,而双注意力机制提供了关键的特征增强。分支重要性分析和Grad-CAM可视化进一步证实,RDAMNet根据不同损伤模式的振动响应特性自适应地利用不同尺度的特征。这些结果表明,RDAMNet为浮式风力机结构健康监测中基于振动的损伤识别提供了一种有效且可解释的解决方案。