一种基于水深和声速剖面特征的BELLHOP自适应接收器-网格参数优化方法 吕志超、 张克欣、 谭传和、 陈俊杰、 于飞、 陈家龙、 刘宗伟

《Journal of Marine Science and Engineering》：An Adaptive Receiver-Grid Parameter Optimization Method for BELLHOP Based on Bathymetric and Sound-Speed-Profile Features Zhichao Lv, Kexin Zhang, Chuanhe Tan, Junjie Chen, Fei Yu, Jialong Chen and Zongwei Liu

　　摘要：叶片撞击故障会降低发电质量，如果未能及时检测到，可能会导致涡轮机故障甚至完全失效。此外，潮流涡轮机（TCT）中叶片撞击故障检测的准确性受到流速和潮汐周期变化的显著影响。为了解决这个问题，提出了一种基于定子电流信号和k最近邻-乘法得分（KNN-MS）的自适应检测方法。该方法首先使用KNN算法来表征局部特征分布，然后通过基于方差的加权来提高在不稳定流动条件下的鲁棒性。最后，提出了一种累积乘法评分机制来放大和量化与故障相关的异常指标。实验结果表明，所提出的方法在稳定、周期性和变周期流动场景下均实现了高诊断准确性和稳定性。

1. 引言
海洋环境是丰富的可再生能源资源库，全球估计表明其年发电潜力高达数千亿千瓦时[1]。在各种形式的海洋能源中，潮流能量已成为可持续发电的有希望的选择[2,3]。然而，恶劣且动态的海洋环境给可靠性带来了重大挑战。确保潮流涡轮机（TCT）的安全稳定运行对于长期可持续性和经济可行性至关重要。在运行过程中，TCT叶片会受到海洋生物或漂浮碎片的撞击，这会损坏叶片表面，降低耐腐蚀性，并引发机械疲劳[4]。这些故障会降低发电质量并缩短涡轮机的使用寿命。因此，检测叶片撞击故障对于运行安全和维护计划至关重要。然而，复杂的海洋环境和双向流固耦合（FSI）[5,6]会导致运行条件不稳定。流速和周期的变化会扭曲信号特征，使得提取故障特征变得困难，从而降低检测准确性。传统的检测方法在这些非稳态条件下往往难以保持性能，导致误报和漏检增加。

为了解决这些挑战，越来越多的研究调查了基于电流信号的潮流涡轮机故障检测方法。Goktas等人[7]通过分析定子电动势和相电流来提取能够识别系统组件并表征其动态行为的特征。然而，来自海洋环境的强烈干扰和噪声使得信号解释变得复杂。潮流的瞬时变化会导致涡轮机运行参数的波动，某些幅度和频率成分可能会被部分或完全掩盖[8]。Wei等人[9]提出了一种基于变分模态分解（VMD）去噪和相位解调的故障检测方法。该方法使用VMD分离干扰和与故障相关的频率成分，并利用最大信息系数（MIC）选择相关的内在模态函数（IMFs）。然后使用功率谱密度（PSD）分析来揭示不平衡故障特征。这种方法在强海洋干扰和非稳态条件下提高了故障特征提取的准确性。然而，其计算复杂性可能限制了实时应用，特别是对于长时间信号。Xie等人[10]提出了一种基于主成分分析（PCA）的故障检测方法。该方法涉及对定子电流包络的傅里叶变换分析，随后进行故障特征提取和基于PCA的撞击检测。这种方法的工作流程相对简单，从而在一定程度上提高了实时性能。然而，对于如何抑制撞击引起的干扰成分的机制没有明确的解释，其可解释性和可靠性仍然不足。

为了在复杂运行条件下进一步提高撞击故障识别能力，基于异常检测的方法也被应用于TCT叶片撞击故障检测。Wu等人[11]开发了一种基于局部异常因子（LOF）[12,13]的故障检测方法。在应用Teager–Kaiser能量算子（TKEO）[14,15,16]获得定子电流包络并提取故障特征后，使用基于密度的空间聚类算法（DBSCAN）[17,18]来识别高风险样本。然后使用这些样本的LOF值进行撞击故障检测。这种方法在一定程度上提高了复杂运行条件下的故障检测性能，并在周期性变化流动条件下实现了令人满意的准确性。然而，当流速周期发生变化时，特征空间密度分布变得不稳定，导致检测准确性降低。

在非稳态运行条件下，如变周期流动，特征空间密度变得不稳定，故障特征容易与正常波动重叠，这会显著降低撞击故障检测的性能。尽管现有的基于信号的故障检测方法在相对稳定的条件下显示出有效性，但它们在面对流动引起的非稳态和正常特征与故障特征之间的部分重叠时往往缺乏足够的鲁棒性。因此，仍然需要一种能够在变运行条件下有效抑制环境干扰同时增强故障敏感特性的故障检测方法。为了解决这些问题，本研究提出了一种基于滑动窗口策略[19,20,21]和KNN[22,23,24]的故障检测方法。所提出的方法旨在表征局部特征变化，并在故障特征与正常数据部分重叠时保持高灵敏度和鲁棒性。在稳定、周期性和变周期流动条件下的实验结果表明，所提出的方法在复杂的非稳态环境中实现了高故障检测准确性和强适应性。

其余部分的组织结构如下：第2节概述了问题背景并讨论了现有方法的局限性。第3节介绍了所提出的KNN-MS方法，包括特征提取、加权设计和异常指数构建。第4节描述了实验设置和结果。第5节讨论了性能比较和鲁棒性分析。最后，第6节总结了本文并概述了未来的研究方向。

2. TCT撞击故障检测的挑战
TCT由作用在叶片上的潮流驱动，产生转子扭矩，然后由发电机将机械能转换为电能。在涡轮机运行过程中，刚性叶片与海洋流体相互作用，在叶片-流体界面产生复杂的FSI现象。这些相互作用显著影响叶片振动模式和幅度，这些振动通过转子传播并在定子电流信号中表现为幅度调制成分。这种相互作用的一个关键特征是涡脱落，它会引起周期性叶片振动并调制电信号。涡脱落频率与斯特劳哈尔数（Strouhal number）有关，如公式（1）所示：
(1)
其中 Strouhal number 是斯特劳哈尔数，vortex shedding frequency 是涡脱落频率，C 是叶片弦长，V 是流速。

如图1所示，颜色从蓝色变为红色表示FSI强度从弱到强的增加。沿叶片的FSI强度表现出明显的非均匀径向分布，根部区域和尖端区域之间存在显著差异。在时变流动条件下，这种FSI强度变得时间依赖，导致叶片振动特性的周期性变化。这些振动通过转子-定子耦合路径传播，并不断调制定子电流。因此，从电流信号中提取的电特征表现出非稳态行为，其幅度和频谱成分随时间漂移。这种时变调制可能会与撞击故障引起的瞬态特征重叠或掩盖它们。因此，在变周期流动条件下，FSI效应会通过破坏提取的特征的稳定性、扩大频谱分布以及降低故障引起的瞬态与流动引起的波动之间的可分离性，从而不利地影响基于定子电流的撞击故障检测。图1显示了沿径向方向的FSI强度变化。颜色从蓝色变为黄色再变为红色，表示FSI强度逐渐增加。图2显示了使用DBSCAN+Isolation Forest（iForest）和Feature Subspace Segmentation（FSS）+LOF的故障检测结果。在变周期FSI条件下，某些健康状态特征的幅度波动接近甚至超过了实际故障扰动引起的变化范围，导致一些健康数据被误分类为故障，从而在应用传统方法时导致较高的误报率。这可以通过FSI驱动的调制、瞬态撞击事件和流动引起的非稳态来解释，这些因素扭曲了特征空间结构（密度降低、邻域不稳定和分布重叠），从而降低了撞击故障检测的准确性。因此，减少干扰和提高鲁棒性对于提高故障检测的准确性是必要的。

3. 用于变周期条件下TCT撞击故障检测的KNN-乘法得分方法
为了提高变周期运行条件下TCT叶片撞击故障的检测准确性，进行了实验研究以再现真实的运行场景。数据集来自一个0.1 kW的TCT实验平台，在发电机输出端安装了传感器，以1000 Hz的采样频率收集定子电流信号。通过用小球撞击TCT叶片来模拟叶片撞击故障。基于此设置，在恒定流动、周期性变化流动和变周期变化流动条件下收集了定子电流信号，详细的流速和周期设置见第5节。从三相定子电流信号中提取的一相电流，包括历史健康数据和新收集的故障数据，被用作原始输入数据。经过预处理和基于TKEO的能量包络提取后，构建了用于故障检测的滑动窗口统计特征。选择这些特征是因为初步分析表明它们对局部撞击引起的波动敏感，并且能够有效区分健康状态和故障状态。在此基础上，开发了一种结合异常分析和累积乘法评分机制的故障检测方法。使用历史健康数据建立了检测阈值，从而能够准确识别叶片撞击故障。

需要注意的是，原始定子电流信号必须首先经过以下预处理步骤。具体来说，提取一相电流，并应用二阶巴特沃斯带通滤波器进行过滤，然后在稳定运行阶段选择有效信号段。随后进行均值去除和平滑处理，以减少噪声干扰和基线漂移对后续特征提取的影响。预处理后的信号随后用于基于TKEO的能量包络分析。

3.1. 使用能量包络算子和滑动窗口的撞击敏感特征提取
为了有效表征变周期和非稳态运行条件下定子电流信号中的瞬态撞击引起的能量波动，采用了一种基于TKEO和滑动窗口统计的撞击敏感特征提取策略。TKEO计算相邻信号样本的非线性组合，提供瞬时信号能量的有效估计：
(2)
其中 i 表示离散采样索引，N 是样本总数，stator current signal 表示定子电流信号，TKEO operator 表示TKEO算子，instantaneous energy estimate at sample i 表示样本i处的瞬时能量估计，这强调了短时能量变化，同时抑制了与正常运行状态相关的缓慢变化成分。基于TKEO的输出，可以估计电流信号的瞬时幅度（能量包络）：
(3)
为了表征波动潮流条件下的时间变化，使用长度为w的滑动窗口对包络信号进行分割。在每个子窗口内，计算四个统计指标：
Range (R)：反映峰峰值变化，对脉冲冲击敏感；
Mean Deviation ()：测量平均波动，对异常值不太敏感；
Standard Deviation ()：表示窗口内的整体能量分散；
Coefficient of Variation ()：规范化幅度变化，减轻流速引起的幅度漂移的影响。

图3展示了在变流动条件下提取的代表性特征响应。可以看出，四个统计指标在撞击瞬间附近都显示出明显的局部变化，证明了它们在非稳态流动条件下表征撞击相关扰动的有效性。

3.2.基于方差的权重用于降低噪声敏感性

与将信号波动视为需要过滤掉的噪声的传统预处理技术不同，所提出的方法引入了一种考虑运行条件的加权机制，在这种机制中，信号方差不仅仅是一个统计描述符，还是涡轮机运行稳定性的物理指标。在潮汐环境中，湍流强度和流动不规则性直接导致定子电流信号的方差增加，但这并不一定意味着故障的发生。因此，所提出的方法没有应用统一的特征贡献，而是建立了一个基于方差的可靠性模型，以区分由流动引起的波动和与故障一致的信号区间。方差被定义为区间的方差，全局归一化项Z定义为：(6) 其中n和m是区间的总数。为了给更稳定的区间赋予更高的重要性，采用了逆方差加权。第l个区间的加权系数定义为：(7) 这种公式与传统的去噪方案有根本的不同：它不是通过过滤来抑制高方差区间，而是在异常聚合过程中调节它们的贡献。通过这种方式，由流体动力扰动主导的信号段不会掩盖与故障一致的模式。这种基于可靠性的特征表示使得异常检测器即使在由于海洋湍流导致全局信号方差升高时也能保持对微弱影响特征的敏感性。

因此，基于方差的加权方案突出了稳定的运行区间，同时抑制了高度波动的区域。这种机制为后续的局部异常计算和乘法故障特征增强提供了更可靠和抗噪声的基础。

3.3. 通过KNN和累积乘法效应构建异常指数

潮汐流速和周期的变化在非平稳条件下引入了特征空间密度的扭曲，这降低了传统异常检测方法的有效性。为了解决这一挑战，开发了一个结合了基于KNN的局部分析和累积乘法评分机制的异常指数。在基于KNN的局部异常分析中，最近邻居的数量被设置为K。这个值是通过初步实验经验确定的，以平衡局部敏感性和鲁棒性。如果K太小，异常评分会对随机波动和测量噪声过于敏感；如果K太大，与故障相关的局部偏差可能会被过度平滑。因此，在本研究中采用了K。KNN通过计算每个样本与其最近邻居之间的欧几里得距离来量化局部邻域偏差，从而识别与故障相关的异常值。在高度不稳定的流动条件下，这些偏差可能会被湍流引起的波动和噪声掩盖，降低检测灵敏度。为了增强故障的显著性同时抑制随机干扰，将基于方差的KNN距离度量与乘法累积相结合。这种整合增强了持续的异常模式，并减弱了不相关的变化，从而提高了正常状态和故障状态之间的可分离性，并在可变运行条件下增强了检测的鲁棒性。数学上，第j个点与其第k个最近邻居之间的欧几里得距离定义如下：(8) 其中xi表示第j个样本的特征向量，yk表示其第k个最近邻居的特征向量，pj表示第j个样本的第p个特征分量，ykj表示第j个样本的第k个最近邻居的第p个特征分量。

为了考虑流动条件的变化稳定性，应用了一个基于方差的加权系数ω来调整每个特征区间的贡献。该系数给方差较小的区间赋予更高的权重，从而强调更稳定的区域并减少噪声段的影响。为了明确区分增强鲁棒性的阶段和放大故障的阶段，首先定义了一个加权局部异常项：(9) 通过这种公式，原始的KNN距离被转换为基于可靠性的局部异常响应。由不稳定流动条件引起的高方差区间对后续异常聚合的贡献较小，而相对稳定的区间贡献较大。

基于加权局部异常项，最终的乘法评分构建如下：(10) 其中K表示考虑的最近邻居的总数。这种乘法累积主要用于增强与故障相关的持续偏差的显著性。如果多个相邻的局部响应持续异常，它们的乘积会迅速增加，使得微弱的影响特征能够与随机干扰更加区分开来。

这种方法产生了两个关键创新：(1) 持续性放大——连续的异常偏差呈指数级增长，使得微弱但一致的影响特征能够清晰地显现出来。(2) 随机波动抑制——由湍流引起的孤立的大偏差不会呈乘法累积，因此影响有限。因此，所提出的异常指数包括两个协调的阶段：基于方差的可靠性加权用于增强鲁棒性，以及乘法累积用于增强持续的故障特征。

通过结合基于方差的可靠性权重和乘法累积，所提出的指数建立了一个考虑稳定性的异常度量，强调结构一致性而不是瞬时偏差的大小。这使得检测器本质上对由变化的海洋运行条件引起的特征空间漂移具有鲁棒性。与LOF、标准KNN评分和基于密度的方法相比，KNN-MS采用了一种动态偏差累积机制来增强在非平稳流动条件下的适应性。所提出的异常指数增强了与故障相关的特征，同时抑制了随机波动，使得在不同潮汐流动条件下能够稳健地实时检测叶片撞击故障。其主要计算成本来自于计算KNN距离；由于邻居数量K通常较小，整体复杂性保持较低，使得该方法适用于实时应用。与仅基于局部密度或距离的传统方法（如LOF或标准KNN评分）不同，KNN-MS结合了基于方差的加权和乘法累积。即使故障特征与正常运行数据部分重叠，也能确保高灵敏度和稳定性。总体而言，通过结合基于方差的KNN距离和累积乘法累积，所提出的异常指数提高了对影响相关异常的敏感性，同时抑制了由非平稳流动条件引起的干扰，从而在实际运行场景下提高了故障检测的可靠性。

4. TCT的撞击故障检测程序

所提出的故障检测框架集成了信号预处理、特征提取、局部异常特征化和异常指数构建，如图4所示。主要步骤如下：

图4. 所提出的KNN-MS方法的流程图。

(1) 信号采集和预处理：在不同潮汐流动条件下收集历史健康电流信号和包含叶片撞击故障的新电流信号。由于原始的定子电流信号受到流动引起的波动和环境噪声的影响，应用Teager–Kaiser能量算子（TKEO）来提取能量包络。这一步预处理增强了与叶片撞击事件相关的瞬态幅度调制，并为后续分析提供了更敏感的故障表示。

(2) 通过滑动窗口提取特征：将提取的能量包络信号分割成固定长度的滑动窗口，以捕捉随时间的局部信号变化。对于每个窗口，计算四个统计特征，即范围、平均偏差、标准偏差和变异系数，以构建特征矩阵。选择这些特征是因为它们可以有效表征由撞击引起的扰动造成的局部幅度波动强度和统计分散。

(3) 加权局部异常计算（KNN）：对于构建的特征矩阵中的每个特征点，使用KNN算法通过基于欧几里得距离的分析来计算其相对于邻近特征点的局部偏差。为了在非平稳运行条件下提高鲁棒性，引入了基于方差的加权机制。这种加权策略给相对稳定的区间赋予更高的可靠性，并减少了高度波动区域的影响，从而抑制了由不稳定流动条件引起的干扰。

(4) 异常指数构建：基于加权局部异常响应，进一步采用累积乘法评分机制来构建最终的异常指数，即KNN-MS。与简单的加性融合不同，乘法累积逐步增强了相邻特征点之间持续但微弱的故障相关偏差，同时限制了孤立随机波动的影响。这样，故障特征与正常背景变化之间的区别变得更加明显。

(5) 阈值设置和故障决策：最后，根据历史健康电流信号的异常指数分布建立检测阈值。在在线监控过程中，当新样本的KNN-MS值超过预定义的阈值时，相应的状态被识别为叶片撞击故障。这种基于阈值的决策策略能够在不同的运行条件下有效区分故障。

5. 实验结果和分析

实验是在一个230千瓦的水平轴直驱TCT原型上进行的[25]，如图5所示。测试装置包括一个水箱、一个TCT原型、一个电阻性电气负载和一个数据采集系统。水箱体积约为45立方米，通过循环泵可以将进水流速从0.2米/秒调节到1.8米/秒。安装了流动导向器和蜂窝结构来稳定测试段的进水。涡轮机采用NACA0018叶片轮廓，转子直径为0.6米，叶片弦长从5.68厘米到9.68厘米不等，俯仰角从3.4°变化到25.2°。发电机是一个具有八对极的永磁同步发电机。电气信号由National Instruments数据采集系统以1千赫的采样频率收集。数据集包含16个健康样本和112个故障样本，总共在上述实验运行条件下收集了128个样本。每次采集持续3分钟，每个信号对应180,000个采样点。为了评估在不同流体动力条件下的故障检测性能，设计了三种类型的运行条件：恒定流速、周期性变化流速和变周期变化流速条件。在这些条件下，收集了定子电流信号以供后续分析。详细的流速和周期设置列在表1中。

表1. 不同运行条件下的流速和周期设置。

根据上述设置，通过实验获得了在不同周期条件下的多组定子电流信号，如图6所示。图中的红色标记区域表示撞击故障的发生。随着流速和周期条件的变化，直接从信号中识别撞击故障变得越来越困难。

图6. 不同周期条件下的故障电流信号。

为了公平比较，每种方法的检测阈值是使用相应运行条件下的历史健康定子电流信号单独确定的。具体来说，每个模型的阈值是使用相应方法下的健康数据训练的，以便图7中的检测结果反映了不同方法在其自身基于健康的决策标准下的故障识别能力。应该注意的是，图7中显示的60秒间隔并不对应于启动过渡阶段。相反，数据是在实验平台达到稳定运行状态后收集的，显示的段包含了引入叶片撞击故障的时期。电流信号可以连续延长超过60秒；这里仅展示了代表性的60秒段，以便于可视化和不同方法之间的比较。图7展示了在可变流速周期下六种故障检测方法的结果。红色虚线代表从健康数据中得出的阈值，超过此阈值的点被分类为故障。这些结果表明，所提出的KNN-MS方法在检测准确性和稳定性方面优于所有基线方法。

(1) DBSCAN + LOF（图7a）：这种方法产生了许多误报。这是因为当故障样本和正常样本在特征空间中重叠时，基于簇的阈值判断变得不可靠。

(2) 基于簇的局部异常因子（CBLOF）（图7b）和局部异常概率（LoOP）（图7c）：这些方法在评分分布中显示出多个尖锐峰值，表明对流动波动的敏感性高，但对撞击故障特征的响应能力弱。

(3) 扩展隔离森林（EIF）（图7d）：在波动条件下表现不稳定，随着噪声的增加性能下降。

(4) 包络几何K-Means（EGK）+ PCA（Hotelling’s）（图7e）：比基于聚类的方法表现更好，但在高噪声情况下仍然存在准确性损失。

(5) 所提出的KNN-MS（图7f）：故障样本和正常样本被清晰地分开，对撞击特征的敏感性高，误报率显著降低。这种鲁棒性源于方差自适应加权法和乘法累积机制，它们有效地缓解了传统算法在非平稳流动条件下的局限性。如图8所示，不同噪声水平下检测准确性的变化得到了体现，传统方法的性能随着噪声的增加而显著下降。例如，FSS+LOF和DBSCAN+iForest在低噪声比率（0–3%）下仍能保持可接受的准确性，但超出这个范围后性能急剧下降，显示出对噪声的高敏感性和有限的鲁棒性。EGK+PCA的表现优于这两种方法；然而，当噪声超过某个阈值时，其准确性也会下降，表明在高噪声场景中存在持续性的挑战。相比之下，所提出的KNN-MS方法在所有噪声水平下都能保持最高且最稳定的准确性。与其他方法相比，KNN-MS方法的性能下降幅度最小。这些结果展示了所提出方法出色的抗噪声能力，它通过鲁棒的特征提取和异常抑制有效地减轻了噪声的不利影响。图8显示了不同方法在不同噪声水平下的性能比较。主流故障检测方法的性能指标在表2中进行了对比。为了评估所提出方法的稳定性，表中报告的误报率、准确率和精确度以平均值±标准差的形式呈现。KNN-MS方法记录了最低的平均误报率（0.12%）和最高的平均准确性（99.88%），能够可靠地区分正常样本和故障样本。其平均精确度（95.96%）也显著高于其他竞争技术。此外，与KNN-MS方法相比，其他方法的p值均低于0.05，表明它们之间的性能差异具有统计学意义，而非由随机变化引起。这些发现表明KNN-MS方法在保持高检测灵敏度的同时有效减少了误报。相比之下，基于聚类的方法（如DBSCAN+LOF和EIF）容易受到密度变化的影响，而基于特征选择的方法（如FSS+LOF）在边界检测方面仍存在不稳定性。总体而言，与现有方法相比，所提出的方法在冲击故障检测方面表现出更高的鲁棒性和准确性。表2显示了不同方法在重复实验中的冲击故障检测性能比较。6. 结论由于操作条件的变化性（包括潮流速度和周期的变化），检测TCT水下叶片冲击故障具有固有的挑战性。这些动态变化会扭曲信号特征，降低特征的可分性，并显著影响故障检测的准确性。为了解决这个问题，提出了一种结合KNN和乘法评分机制的新方法。本研究的主要贡献总结如下：（1）提出了一种方差自适应加权策略，以增强在非平稳和噪声条件下的特征稳定性和鲁棒性。（2）开发了一种乘法累积评分机制，以放大对故障敏感的特征，并提高基于KNN的故障检测中正常状态和故障状态之间的可分性。（3）使用模拟海洋环境的受控测试平台，所提出的方法实现了99.88%的准确率和0.12%的误报率。其在不同流动条件和噪声水平下的优异性能反映了其高鲁棒性和实际应用性。这些结果表明，方差自适应加权法和乘法累积机制是有效缓解传统基于聚类和基于特征选择的方法局限性的策略。尽管所提出的方法具有高准确性和稳定性，但未来的研究应探索其在多故障场景和真实海洋环境中的大规模应用。结合自适应窗口化或深度学习模型可以进一步增强特征提取和可扩展性。这样的发展将增强该方法在复杂操作环境和长期监测中的适用性。