《Journal of Marine Science and Engineering》：Research on Intelligent Diagnosis of Sensor Faults on Pipe-Rack Offshore Platform Under Typhoon Action
编辑推荐：
传感器作为环境与结构响应的关键感知部件，其正常运行对管架式海洋平台（pipe-rack offshore platform）的安全评估至关重要。然而在长期服役中，导管架平台传感器易受海洋环境高盐雾腐蚀与强振动影响，产生偏置（bias）、漂移（drift）、精度
传感器作为环境与结构响应的关键感知部件，其正常运行对管架式海洋平台（pipe-rack offshore platform）的安全评估至关重要。然而在长期服役中，导管架平台传感器易受海洋环境高盐雾腐蚀与强振动影响，产生偏置（bias）、漂移（drift）、精度退化（accuracy degradation）、增益异常（gain anomaly）与卡死（stuck-at）等故障。这些故障信号可能掩盖真实结构损伤并导致误判。现有时序诊断模型难以同时捕捉时间数据中的长程依赖关系与局部动态演化特征。因此，本文提出构建基于时间卷积网络（Temporal Convolutional Network, TCN）与门控循环单元（Gated Recurrent Unit, GRU）并行融合的传感器故障诊断模型。首先建立五类传感器故障数学模型，构建10种复合故障工况。其次设计双分支并行架构，采用滑动窗口与时域扩展构建时序数据集。TCN分支依靠因果卷积与空洞卷积捕捉信号长程依赖，GRU分支通过双门控机制提取局部动态演化特征，两分支并行提取特征并融合以完成故障分类。在含7个三轴加速度传感器的管架式海洋平台数值模型上，该方法对10类复合故障的诊断准确率达97.34%，显著优于单一TCN（89.2%）与单一GRU（84.8%）。混淆矩阵显示，即使面对漂移+卡死等特征相近的复合故障类型亦可有效区分。在缩尺模型物理试验中，TCN-GRU传感器故障诊断模型在由五类数学合成传感器故障叠加至实验室缩尺模型实测健康信号（非自然发生的传感器故障）所构建的十类复合故障数据集上得到验证，准确率达91.18%。本研究聚焦台风影响下管架式海洋平台传感器故障诊断，提出基于TCN-GRU并行融合的智能传感器故障诊断模型，同时通过缩尺物理试验对模型进行验证，作为检验实验平台与数据采集系统有效性的辅助核查。
研究背景方面，海洋能源开发持续向深远海推进，管架式海洋平台作为固定式海上油气开采的核心基础设施，长期服役于极端恶劣的海洋环境。台风等极端工况下，平台结构承受强风、巨浪与复杂海流的耦合作用，产生巨大动力荷载与高频振动，为此需在关键构件与节点布设大量多维加速度传感器以构建结构健康监测系统。但海洋大气区的高盐雾腐蚀、温湿度循环、电磁干扰与强振动疲劳等因素，易导致传感器敏感元件退化或突发失效，诱发偏置、漂移、精度退化、增益异常与卡死等典型故障。失真或失效的传感器系统无法准确反映平台真实结构动力响应，甚至掩盖真实结构损伤、引发误报或漏报，严重威胁海上油气设施安全运行。现有研究中，传统故障识别方法主要依赖基于物理机理模型的解析冗余方法与基于硬件冗余的测量校验系统，但在台风强非线性动力荷载下，平台结构响应复杂，传统解析冗余模型难以准确刻画复杂环境激励与结构耦合关系。数据驱动时序智能诊断方法虽展现潜力，但单一卷积架构（如标准TCN）虽可通过因果卷积与空洞卷积捕捉长程依赖，却常缺乏对局部瞬态演化特征的精确捕捉；单一循环神经网络（如GRU）擅长处理序列动态，但在长序列训练中易受梯度消失影响且局部特征表征不足。尤其在台风环境下，多测点、多传感器间复杂复合故障频发，不同故障模式特征高度相似耦合，使现有时序诊断模型难以兼顾长程时序依赖的深度提取与局部动态演化信息。此外，多数现有混合模型采用串行堆叠结构，深层信息传递中易出现时序信息丢失与特征表达单一等瓶颈，且常忽视多通道传感器空间响应间的内在关联，面对多传感器复合故障易误判或漏判。基于此，研究人员以台风环境下管架式海洋平台为研究对象，构建基于TCN与GRU并行融合的智能传感器故障诊断模型，建立偏置、漂移、精度退化、增益与卡死五类典型故障数学模型，基于有限元数值模拟与多维测点响应数据构建覆盖10种复杂多传感器复合故障工况的标准数据集；设计双分支并行融合架构，TCN分支依靠因果卷积与空洞卷积捕捉信号长程时序依赖与全局演化趋势，GRU分支通过重置门与更新门的双门控机制提取局部动态演化特征与瞬态突变细节，两分支在特征维度进行无损拼接融合并经全局平均池化，实现长周期渐变特征与瞬时异常特征的互补；最后通过数值建模与模型试验系统验证诊断性能。研究得出，该方法在含7个三轴加速度传感器的管架式海洋平台数值模型上对10类复合故障诊断准确率达97.34%，显著优于单一TCN（89.2%）与单一GRU（84.8%），混淆矩阵显示对漂移+卡死等特征相近复合故障亦可有效区分；在缩尺模型物理试验中，基于五类数学合成传感器故障叠加至实验室缩尺模型实测健康信号构建的十类复合故障数据集上准确率达91.18%。该研究为海洋平台健康状态评估提供理论支撑，其提出的双分支并行融合方案避免了串行结构导致的时序信息损失，提升了对海上平台多传感器复合故障的诊断精度。需说明的是，本文核心研究内容为传感器故障诊断，CNN ResNet结构损伤诊断仅在物理试验中作为辅助验证环节，用于检验实验平台与数据采集系统的有效性，并非主要研究对象。
关键技术方法方面，研究人员采用有限元软件ABAQUS构建管架式海洋平台三维数值实体模型，桩腿底部简化为固定支承端，导管架管件采用B31梁单元离散、甲板板结构采用壳单元建模，上部设备与生活设施约4000 t以均布面荷载施加于甲板；采用线性滤波（自回归，AR）法模拟台风脉动风速，以Donelan改进的JONSWAP谱表征台风海况，风、浪、流三类环境荷载同步耦合施加于瞬态动力求解，波浪与海流合力经Morison方程计算；建立偏置、漂移、精度退化、增益异常与卡死五类传感器故障数学模型并构建10种复合故障工况；采用窗口长度100、滑动步长50（50%重叠率）的滑动窗口分割与±10%序列长度的时域增强构建数据集，并按完整仿真工况以6:2:2划分训练、验证与测试集以避免信息泄漏；构建TCN-GRU双分支并行融合网络，经特征维拼接与自适应全局平均池化后由全连接层与Softmax输出分类；在实验室搭建总高1.53 m、总重约60 kg的缩尺管架式平台模型，采用1A312E压电式三轴加速度传感器与DH5922D动态信号测试分析系统采集数据，以激振器施加随机激励，模型置于沙桶中由四根桩腿埋入海砂固定以模拟海床边界条件，试验样本来源于该缩尺模型实测健康信号叠加数学合成故障。
研究结果方面，在数值模拟实验部分，模型损失曲线显示训练损失与验证损失在训练早期快速下降，约20个周期后趋于平缓，两曲线紧密贴合无明显偏离，表明模型未过拟合且泛化能力良好；混淆矩阵结果显示模型对损伤类型具有优异区分能力，Damage 5召回率最高达99.80%，其次为Damage 3（99.49%）与Damage 9（99.35%），Damage 10为97.60%、Damage 1为98.72%、Damage 7为96.30%、Damage 4为96.05%、Damage 2为95.90%、Damage 6为95.60%、Damage 8为94.70%，模型总体准确率达97.34%；t-SNE可视化显示，训练前原始加速度数据各类样本点交织混杂、边界模糊，无明显聚类结构，训练后样本点收敛为若干边界清晰、内聚性强的独立簇，类间距离显著增大、类内样本紧密聚集，验证了模型可从高维特征空间提取与故障类型强相关的可分特征。在工况设置与数值模拟数据集部分，研究人员通过控制故障参数系统构建多维传感器故障工况库并生成标准化故障数据集，提取不同工况下加速度传感器信号，展示了测点1健康状态下xyz三向加速度信号，并依据故障数学模型对加速度信号进行建模，再经滑动窗口与时域增强处理。在对比实验部分，TCN-GRU融合模型四项评价指标均显著优于单一模型，总体准确率97.34%、平均精确率96.94%、平均召回率96.67%、F1值96.73%，单一TCN准确率89.2%、F1值90.90%，单一GRU准确率84.8%、F1值86.90%；额外构建的参数规模相当的TCN-GRU串行融合基线模型整体性能优于单一TCN与单一GRU，但各项评价指标均低于本文提出的并行TCN-GRU模型，表明串行堆叠架构存在特征逐层传播中的时序信息衰减，而并行架构使两子网独立提取特征后再沿特征维拼接融合，保留了各自特征子空间并避免串行传播的信息损失，更适合海上平台多传感器复合故障识别任务。在缩尺模型物理实验部分，研究人员搭建室内管架式海洋平台模型并采用数据采集系统提取数据，系统主要由传感器、力锤、激振器与信号采集系统组成；平台模型整体高度1.53 m、总重约60 kg，通过法兰连接模拟不同结构状态下损伤构件的快速拆装与工况模拟；传感器系统包含1A312E压电式三轴加速度传感器，含三个相互垂直的剪切结构芯体，可同步输出X、Y、Z三轴加速度信号；DH5922D动态信号测试与分析系统采用标准机箱结构，依托千兆以太网进行数据通信，通过交换机扩展测试通道，仅需单台计算机即可控制多通道动态信号并行同步测试与分析。试验条件方面，模型置于沙桶中并由四根埋入海砂的桩腿固定以模拟海床边界条件，激振器固定于平台模型桩腿施加随机荷载激励，测试过程通过加速度传感器采集管架式海洋平台六种预设结构工况与一种健康工况下的加速度信号；数据集构建中展示了工况1下测点1的xyz三向加速度信号及经滑动窗口后TRMTF所得二维RGB图像。试验结果与分析部分，研究人员按既定流程对管架式海洋平台开展传感器故障诊断以验证基于CNN ResNet的结构损伤智能诊断模型，给出了导管架平台结构损伤诊断模型的损失曲线，并通过混淆矩阵系统评价其分类性能。
讨论与结论方面，本文针对台风工况下导管架平台传感器故障缓慢演化与瞬态突变并存的特点，提出TCN-GRU双分支并行融合诊断模型，TCN分支捕捉长程时序依赖、GRU分支提取局部动态演化特征，两分支并行提取并沿特征维融合，避免了串行结构的时序信息损失；建立五类传感器故障数学模型并构建含10种复合多传感器故障工况的数据集。研究在含7个三轴加速度传感器的管架式海洋平台数值模型上实现10类复合故障97.34%的诊断准确率，显著优于单一TCN（89.2%）与单一GRU（84.8%），混淆矩阵可有效区分漂移+卡死等特征相近的复合故障；在缩尺模型物理试验中，基于五类数学合成传感器故障叠加至实验室缩尺模型实测健康信号构建的十类复合故障数据集上准确率达91.18%，该物理试验作为辅助核查验证了实验平台与数据采集系统的有效性。研究聚焦台风影响下管架式海洋平台的传感器故障诊断，所提模型为海洋平台健康状态评估提供理论支撑，其双分支并行拼接融合方案为本文提出的新颖设计。
