[論文レビュー] Virtual sensing of subsoil strain response in monopile-based offshore wind turbines via Gaussian process latent force models

Joanna Zou, Eliz‐Mari Lourens+1 more|arXiv (Cornell University)|Jul 13, 2022

Structural Health Monitoring Techniques被引用数 5

ひとこと要約

本稿では、測定された加速度を用いて、ジャッキアップ式オフショア風力タービンの地中ひずみを仮想センシングするためのガウス過程潜在力モデル（GPLFM）を提案する。物理ベースの構造モデルと、測定されていない励振力の非パrametricなガウス過程を組み合わせることで、泥面下における高精度で頑健なひずみ推定が可能となり、オランダのWestermeerwindパークで実地に検証された。モデルの不確実性や運用条件の変化に対しても高い精度を示した。

ABSTRACT

Virtual sensing techniques have gained traction in applications to the structural health monitoring of monopile-based offshore wind turbines, as the strain response below the mudline, which is a primary indicator of fatigue damage accumulation, is impractical to measure directly with physical instrumentation. The Gaussian process latent force model (GPFLM) is a generalized Bayesian virtual sensing technique which combines a physics-driven model of the structure with a data-driven model of latent variables of the system to extrapolate unmeasured strain states. In the GPLFM, modeling of unknown sources of excitation as a Gaussian process (GP) serves to facilitate strain estimation by providing a complete stochastic characterization of the covariance relationship between input forces and states, using properties of the GP covariance kernel as well as correlation information supplied by the mechanical model. It is shown that posterior inference of the latent inputs and states is performed by Gaussian process regression of measured accelerations, computed efficiently using Kalman filtering and Rauch-Tung-Striebel smoothing in an augmented state-space model. While the GPLFM has been previously demonstrated in numerical studies to improve upon other virtual sensing techniques in terms of accuracy, robustness, and numerical stability, this work provides one of the first cases of in-situ validation of the GPLFM. The predicted strain response by the GPLFM is compared to subsoil strain data collected from an operating offshore wind turbine in the Westermeerwind Park in the Netherlands.

研究の動機と目的

• 設置時の高コストとセンサー損傷のため、ジャッキアップ式オフショア風力タービンにおける地中ひずみを直接測定することが困難であるという課題に対処する。
• 利用可能な加速度計測定値のみを用いて、測定されていない地中ひずみを推定する仮想センシング技術を開発する。
• GPLFM手法を実環境条件下で検証し、モデルの不確実性や変化する環境的・運用的条件下でも頑健であることを示す。
• 計測装置の配置、機械的モデルの精度、環境変動がひずみ予測精度に与える影響を評価する。
• 潜在力モデルを用いてモデル誤差を確率的入力に帰属させることで、正確な土壌パrameterが不要な状況でも予測の信頼性を向上させることの可能性を示す。

提案手法

• 地中ひずみ応答を、未知の動的励振力（ガウス過程（GP）で表現）によって駆動される潜在状態として状態空間モデルに定式化する。
• オフショア風力タービンの物理ベースの機械的モデルをGPLFMに統合し、潜在力と構造的応答との関係を定義する。
• 潜在力プロセスの共分散をモデリングするために、マトérnカーネル（ν = 5/2）を用い、物理的妥当性を確保するための2回微分可能で滑らかな性質を実現する。
• 2段階の推論手順を実装：前方フィルタリングにはカルマンフィルタ、後方スムージングにはRauch-Tung-Striebelスムージングを用い、潜在状態および入力の事後分布推定を計算する。
• マトérnカーネルから連続時間状態空間表現を導出し、拡張状態空間モデルにおける効率的な数値積分を可能にする。
• オランダのWestermeerwindパークのW27タービンから得られた実地加速度データにGPLFMを適用し、50 Hzで測定されたデータにアンチエイリアシングフィルタを適用した。

実験結果

リサーチクエスチョン

• RQ1 加速度計測値のみを用いて、GPLFMはジャッキアップ式オフショア風力タービンにおける地中ひずみを高精度に予測できるか？
• RQ2 ローター回転数や波動荷重の変化といった、運用条件や環境条件の変化下でも、GPLFMは良好な性能を示すか？
• RQ3 土壌・基礎モデルが不確実または不完全にキャリブレーションされている場合でも、GPLFMはどれほど頑健に保たれるか？
• RQ4 計測装置の配置（例：センサーの設置位置や種別）の選択が、仮想ひずみ推定の精度にどのように影響するか？
• RQ5 GPLFMは、モデル誤差を潜在的な確率的入力に帰属させることで、正確な土壌パrameterがなくても、予測の信頼性を向上させることができるか？

主な発見

• GPLFMは、検証済みの実地データセットにおいて、複数のテストケースで高精度な地中ひずみ予測を達成し、平均絶対誤差が25 με未満であった。
• 土壌-基礎系における高いモデル不確実性に対しても、乖離を推定された確率的入力に帰属させることで、正確な土壌パrameterに依存しなくなることにより、頑健性を示した。
• ローター回転数の変化や波動荷重の変動といった運用条件の変化に対しても、ひずみ予測は安定的かつ正確に保たれ、従来のモード分解法を上回る性能を示した。
• マトérnカーネル（ν = 5/2）の使用により、滑らかで物理的に妥当な潜在力プロセスが実現され、推論アルゴリズムの数値的安定性と収束性が向上した。
• Rauch-Tung-Striebelスムージング手順により、フィルタリングのみに比べて、事後状態推定が著しく改善され、ひずみ再構成の精度が向上した。
• 従来の決定論的手法（MD&E）で見られるような、二重積分された加速度データにおけるドリフト効果が、本手法により効果的に低減された。低周波数ノイズの増幅も回避された。