基于无监督异常检测的海上风电单桩基础冲刷识别方法研究

针对海上风电单桩基础冲刷损伤监测难题，研究人员提出了一种基于健康状态下加速度数据的无监督机器学习框架。通过OpenFAST-MATLAB耦合建模生成数据，采用USFS-GL特征选择算法和OCSVM异常检测模型，实现了对3米以上冲刷深度的有效识别，为海上风电结构健康监测提供了无需标注数据的创新解决方案。

　　

随着全球能源结构转型加速，海上风电（OWT）作为清洁能源的重要支柱，其单桩基础（monopile）的稳定性面临严峻挑战。据统计，81%的海上风电设施采用单桩基础，而冲刷（scour）现象——即水流侵蚀桩周土壤的过程——会导致基础刚度下降、自然频率偏移，甚至引发结构共振。传统监测方法如测深仪和ROV探测成本高昂且难以实时操作，而现有机器学习方法依赖大量标注数据，在实际工程中难以获取。这一矛盾促使研究者探索更高效的冲刷智能监测方案。

都柏林大学学院（University College Dublin）土木工程学院结构动力学与评估实验室的研究团队在《Ocean Engineering》发表最新成果，开发了基于单类支持向量机（OCSVM）的无监督异常检测框架。该研究通过OpenFAST软件与MATLAB开发的土-结构相互作用（SSI）模型耦合，模拟5 MW NREL参考风机在不同冲刷深度下的动力响应，从塔架加速度数据中提取频率域特征，结合光谱图拉普拉斯特征选择（USFS-GL）算法，实现了仅需健康状态数据即可检测3米以上冲刷深度的突破。

关键技术包括：1）建立OpenFAST-SSI耦合模型模拟不同环境荷载（8-13 m/s风速、1-3 m波高）下的结构响应；2）采用Welch功率谱密度估计提取13类动态频率特征；3）基于RBF核的USFS-GL算法筛选对冲刷敏感的特征；4）应用高斯核OCSVM构建异常检测边界。研究使用爱尔兰凯尔特海M5浮标实测环境数据验证模型鲁棒性。

主要研究结果

1. 1.

   特征工程优化：从117个初始特征中筛选出节点3的一阶峰值振幅（评分2.66×10^-4）等10个关键特征，第二阶面内自然频率变化与冲刷深度呈强相关性。

2. 2.

   恒定环境下的检测性能：在12.77 m/s风速和2.43 m波高（LC20）条件下，对3米冲刷的检测准确率达100%，但1米浅冲刷识别率仅52%。

3. 3.

   训练策略影响：采用混合风速范围（LC1-LC12）600样本训练的模型（Approach 6）表现最优，变环境测试中对3米冲刷识别率达93.1%，显著优于单一工况训练的模型。

4. 4.

   损伤指数（DI）分析：DI值随冲刷加深呈单调上升趋势，但在极端环境（如LC14：12.14 m/s风速+2.25 m波高）下健康样本DI分布与浅冲刷状态重叠，反映环境荷载对基础刚度的干扰。

结论与意义

该研究首次将无监督学习引入海上风电冲刷监测，突破性地实现了：1）仅需健康数据即可建立检测模型；2）在真实海洋环境波动下对≥3米冲刷的稳定识别（准确率>93%）；3）通过特征选择消除87.5%环境敏感特征。尽管1-2米浅冲刷检测仍需改进，但提出的框架为恶劣海洋环境下的低成本实时监测开辟了新路径。未来研究可探索多物理场数据融合和边缘计算部署，进一步提升工程适用性。