基于PINN的风力涡轮机叶片裂纹损伤故障诊断方法

《Machines》：A PINN-Based Fault Diagnosis Method for Crack Damage in Wind Turbine Blades

　　

振动响应分析构成了风力涡轮机叶片裂纹监测与损伤识别预警的关键途径。然而，传统数据驱动方法在识别准确率和泛化能力方面表现出明显不足。为缓解这些问题，研究人员提出了一种基于物理信息神经网络（PINN）的风力涡轮机叶片裂纹损伤识别方法。首先，利用双馈风力发电机缩比试验平台，对叶片裂纹进行了模拟实验。在不同裂纹位置和长度下采集振动数据，以探究裂纹特征与叶片根部轴承座三向振动响应之间的内在关系。随后，借助旋转悬臂Euler–Bernoulli梁模型，剖析了裂纹与振动的物理关联，并构建了物理信息约束模型。该模型进一步与GRU-Transformer网络融合，建立了专门用于裂纹损伤识别的PINN模型。最后，利用实验数据对模型进行了测试与验证。结果表明，相较于传统数据驱动模型，PINN模型在裂纹识别与定位方面展现出更优的准确率和精度，同时具备出色的泛化能力和噪声鲁棒性。本研究为提高风电机组健康监测的智能化水平提供了新的技术路径，对实现精确的状态评估和早期故障预警具有重要的工程意义。

**论文解读：基于物理信息神经网络的风力涡轮机叶片裂纹损伤诊断方法**

**研究背景与问题**
随着风力发电产业的快速发展，机组数量和规模持续增长，叶片作为关键部件，其裂纹损伤发生频率高、维护成本大，对安全运行构成威胁。现有振动检测方法虽然能早期捕捉叶片损伤特征，但诊断效果高度依赖人工特征提取和先验知识，难以全面挖掘振动信号中的隐含损伤信息。数据驱动的深度学习方法虽能自动提取特征，但本质上仍是“黑箱”架构，受数据分布、样本质量和规模影响显著，存在过拟合、可解释性差等固有局限。物理信息神经网络（PINN）通过将偏微分方程等物理信息融入损失函数，在保证精度同时遵循科学原理，展现出优越泛化性能。然而，PINN在风力涡轮机叶片损伤识别中的应用研究尚不充分。为此，研究人员开展本研究，旨在融合物理约束与深度学习，提升叶片裂纹损伤识别的准确性和鲁棒性。

**研究内容与结论**
本研究利用双馈风力发电机缩比试验平台（来自国家海洋风电设备重点实验室），设计叶片裂纹模拟实验，采集不同裂纹位置和长度下的三向振动加速度信号。基于旋转悬臂Euler–Bernoulli梁模型，推导裂纹特征与振动响应间的物理关联，构建物理信息约束模型，并与GRU-Transformer网络结合，形成PINN损伤识别模型。通过实验数据验证，并与GRU-Transformer、CNN-LSTM、CNN-Transformer、FD-Transformer、Swin Transformer等模型对比，PINN模型在裂纹识别准确率、定位精度、泛化能力和抗噪性上均显著优于传统方法。该研究为风电机组健康监测智能化提供了新路径，具有重要的工程应用价值。论文发表在《Machines》。

**主要关键技术方法**
（1）缩比实验平台：采用双馈风力发电机缩比试验台，在叶片根部轴承座安装CT1010LS压电式三轴IEPE振动加速度传感器，通过NI-9263数据采集卡以10 kHz采样频率同步采集三向振动信号。实验设置10 rpm、20 rpm、30 rpm三种转速，每种故障状态重复5次独立测试，采样时长60 s，经1 s时间窗分割后随机选取1024点构成样本，共960个样本/故障模式，按6:2:2划分训练、验证、测试集。
（2）物理信息约束模型：将叶片简化为旋转悬臂Euler–Bernoulli梁，裂纹简化为无质量扭转弹簧，基于一阶摄动理论推导裂纹长度与位置对三向振动加速度幅值的影响函数，建立物理约束方程。
（3）GRU-Transformer网络：GRU模块提取短期时序特征，Transformer模块通过多头自注意力机制捕获全局依赖，结合物理约束损失函数进行训练。采用多损失动态加权和两阶段训练策略（先固定物理参数训练网络，再联合微调），使用Adam优化器，引入早停机制。
（4）验证与评估：在独立测试集、不同转速泛化实验（15 rpm、25 rpm）和±3 dB高斯白噪声干扰实验中，通过准确率、决定系数R²、均方根误差RMSE、平均绝对百分比误差MAPE、训练时间、FLOPs、参数量、模型文件大小、推理时间等指标评价模型性能。

**研究结果**
**4.1 实例验证方案**
实验环境为MATLAB 2025b平台（Intel i9-12900处理器，64 GB RAM）。评估指标包括准确率、R²、RMSE、MAPE、训练时间、FLOPs、参数量、模型文件大小和推理时间。对比模型包括GRU-Transformer、CNN-LSTM、CNN-Transformer、FD-Transformer、Swin Transformer。

**4.2 模型性能比较分析实验**
**4.2.1 模型训练与验证**
通过K折交叉验证（K=10）和四次独立训练，PINN模型在平均故障识别准确率（最高）和标准差（最低）上均优于其他模型，裂纹长度预测的R²最高，RMSE和MAPE最低。独立样本t检验（p值接近0）证实了PINN诊断准确率的统计显著性。计算性能热图显示，PINN在训练时间、模型文件大小、参数量和FLOPs上均优于对比模型，且推理时间最短。分类混淆矩阵表明，PINN在所有故障模式（F1正常、F2/F3/F4裂纹）上均具有高识别能力，而其他模型易混淆裂纹模式。

**4.2.2 基于独立数据集的模型测试**
采用独立测试集，PINN模型在裂纹位置预测上整体准确率超过3%，裂纹长度预测的R²显著高于对比模型，RMSE和MAPE均处于低水平。传统数据驱动模型因缺乏物理约束，在有限样本下易过拟合噪声，泛化能力差。

**4.3 泛化实验**
引入未参与训练的15 rpm和25 rpm转速条件，各采集960个样本。PINN模型仍保持高准确率和预测精度，而其他对比模型性能明显下降，验证了PINN的强泛化能力。

**4.4 抗噪实验**
在原始信号中加入±3 dB高斯白噪声（5次独立噪声实现取均值），PINN模型在两种信噪比条件下的准确率和R²均最高，RMSE和MAPE最低，表明其具有优异的噪声鲁棒性。

**讨论与结论**
**讨论部分总结**：本研究构建的裂纹-振动物理信息约束模型在简化过程中忽略了剪切变形、旋转惯性、非线性气动阻尼等因素，采用理想扭转弹簧模型和单模态主导假设，与复杂工程环境存在差距。实验数据仅包含四种典型裂纹场景，样本量有限，且未在不同叶片或试验台间交叉验证，限制了模型泛化能力的全面验证。尽管如此，该研究仍为叶片损伤检测提供了新理论和技术基础，未来将纳入更多实际因素以完善物理约束模型。

**研究结论翻译**：（1）与传统的深度网络诊断方法相比，PINN能够揭示“黑箱”结构中的潜在数据因果关系，显著增强工作流程的可解释性，使模型更具可信度和可扩展性。（2）本研究开发的基于PINN的损伤识别模型在推理速度和识别精度上均优于传统深度学习网络，尤其是在未知工况和强噪声干扰环境下，仍保持高诊断精度，展现了优越的物理一致性和泛化能力。（3）与纯数据驱动方法相比，融合物理信息的模型在各个评估指标上表现显著更优。物理约束带来的鲁棒性不仅提升了模型性能，还优化了其内在机制，从而为提高风电机组运维智能化水平和确保长期安全稳定运行提供了更可靠的技术支持。