[论文解读] 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 5

一句话总结

本文提出了一种高斯过程潜力力模型（GPLFM），用于基于单桩式海上风力涡轮机的测量加速度数据，实现对泥线下方地基应变的虚拟传感。通过将基于物理的结构模型与非参数高斯过程相结合，以表征未测量的激励力，该方法能够在模型不确定性及运行条件变化的情况下，实现高精度、鲁棒的泥线下方应变估计。该方法已在荷兰Westermeerwind风电场现场验证，结果表明其在真实运行条件下具有优异的准确性。

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.

研究动机与目标

• 解决由于安装成本高及传感器损坏，导致在单桩式海上风力涡轮机中直接测量地下应变的挑战。
• 开发一种虚拟传感技术，仅利用可获取的加速度计测量数据，估算未测量的地下应变。
• 在真实世界条件下验证GPLFM方法，证明其在模型不确定性及环境与运行条件变化下的鲁棒性。
• 评估仪器布置、机械模型精度以及环境变化对应变预测精度的影响。
• 展示利用潜力量模型将模型误差归因于随机输入的可行性，从而在无需精确土壤参数的情况下提升预测可靠性。

提出的方法

• 将地下应变响应建模为状态空间模型中的潜状态，其由表示未知动态激励力的高斯过程（GP）驱动。
• 将基于物理的海上风力涡轮机机械模型集成到GPLFM中，以定义潜力量与结构响应之间的关系。
• 使用马尔可夫核（ν = 5/2）对潜力量过程的协方差进行建模，确保其具备二阶可微性与平滑性，以保证物理合理性。
• 实施两阶段推理过程：前向滤波采用卡尔曼滤波，后向平滑采用Rauch-Tung-Striebel平滑，以计算潜状态与输入的后验估计。
• 从马尔可夫核推导出GP过程的连续时间状态空间表示，从而在扩展状态空间模型中实现高效的数值积分。
• 将GPLFM应用于荷兰Westermeerwind风电场W27机组的现场加速度数据，采样频率为50 Hz，并应用抗混叠滤波。

实验结果

研究问题

• RQ1 GPLFM能否仅基于加速度计测量数据，准确预测单桩式海上风力涡轮机的地下应变？
• RQ2 在运行条件与环境条件变化（如转子转速变化与波浪载荷变化）下，GPLFM的性能如何？
• RQ3 当土壤-基础模型存在不确定性或校准不准确时，GPLFM的鲁棒性在多大程度上仍能保持？
• RQ4 仪器布置方案（如传感器位置与类型）的选择如何影响虚拟应变估计的精度？
• RQ5 GPLFM能否有效将模型误差归因于潜随机输入，从而在无需精确土壤参数的情况下提升预测可靠性？

主要发现

• 在多个测试案例中，GPLFM在验证的现场数据集中实现了高精度的地下应变预测，平均绝对误差低于25 με。
• 该方法通过将模型差异归因于估计的随机输入，在土壤-基础系统存在高模型不确定性时表现出鲁棒性，显著降低了对精确土壤参数的依赖。
• 即使在运行条件变化（如转子转速与波浪载荷变化）下，应变预测仍保持稳定与准确，优于传统模态分解方法。
• 采用马尔可夫核（ν = 5/2）使潜力量过程更加平滑且符合物理实际，提升了推理算法的数值稳定性与收敛性。
• 与仅使用滤波相比，Rauch-Tung-Striebel平滑步骤显著改善了后验状态估计，提升了应变重构的精度。
• 该方法成功减轻了双积分加速度数据中常见的漂移效应，避免了确定性方法（如MD&E）中常见的低频噪声放大问题。