面向海上风电场的不确定性感知预测性维护与检查及空中 - 水面 - 水下协同

《Ocean Engineering》：Uncertainty-aware predictive maintenance and inspection for offshore wind farms with air-surface-underwater coordination

　　

•为海上风电场开发了一套农场级的预测性维护和检查框架。
•该框架同时考虑了多台风机和水下检查。
•使用概率剩余使用寿命（RUL）预测来支持感知不确定性的决策。
•分层强化学习协调船只、无人机（UAVs）和无人水下航行器（UUVs）进行协同作业。
•该方法在模拟的海上场景中实现了有效且鲁棒的调度性能。

引言
在全球能源转型和碳中和目标的推动下，海上风电场（OWFs）已成为可再生能源基础设施的关键支柱。与陆上风电相比，OWF 受益于更稳定的风资源和更大的可扩展容量，其装机容量近年来快速增长。到 2024 年底，全球 OWF 累计装机容量已达 83 GW，预计通过 2030 年将保持每年约 34 GW 的增长速度（GWEC, 2025）。然而，OWF 在极其恶劣的环境条件下运行，遭受持续强风、波浪载荷和盐雾腐蚀，所有这些都需要更频繁的维护干预。加之，海上气象条件的变异性以及后勤协调的复杂性对维护活动施加了严格限制，维护必须在可行的天气和海况窗口内安排。因此，OWF 的运维（O&M）成本大大超过了陆上设施：陆上风电场的运维支出通常占平准化度电成本（LCOE）的 15%–25%，而海上设施的这一比例上升至 25%–30%，使得经济高效的运维成为海上风能可持续发展的核心挑战之一（Ren et al., 2021, Lei and A. Sandborn, 2020）。

传统的运维策略主要依赖两种模式：纠正性维护（CM），仅在组件发生故障后才处理，以及预防性维护（PM），无论实际设备状况如何，都在固定时间间隔进行干预。CM 通常导致停机时间延长和巨大的二次损坏成本，而 PM 往往浪费维护资源于状况良好的组件，且缺乏应对海上环境特征的随机环境变异的灵活性。随着风电场规模扩大并向更远的海域延伸，这两种模式的局限性变得越来越明显（Ren et al., 2021）。随后提出了基于状态的维护（CBM）作为状态驱动的替代方案，其中连续收集传感器数据，当监控参数超过预定义阈值时触发维护动作，从而将决策逻辑从时间驱动转变为状态驱动。然而，CBM 本质上仍然是对当前观察到的异常做出被动反应；它无法在故障症状出现前提供足够的规划视野，这一缺点在资源动员前置时间长且气象窗口有限的海上运维环境中尤为严重（Jardine et al., 2006）。

预测性维护（PdM）通过整合历史数据、退化趋势建模和预测算法来估计设备的未来故障时间，从而解决了这一局限性，在实际故障发生前提供充足的规划视野和精确的决策依据。这种方法不仅最大限度地减少了非计划停机，还能利用海上气象预报，将维护任务战略性地聚类在有利的天气窗口内，显著降低运输成本和生产损失。然而，在 OWF 中部署 PdM 引入了额外的复杂性。典型的 OWF 包含数十台或更多海上风力涡轮机（OWT），每台都遵循独立且随机演变的退化轨迹；运维决策必须同时优化多台 OWT 之间的维护优先级，分配有限的维护资源，并满足严格的气象窗口限制，导致决策复杂性远超陆上场景。因此，开发一个全面且切实可行 PdM 框架对于提高运维效率、降低生命周期成本和支持海上风能的大规模可持续部署具有重要意义（Ren et al., 2021）。

海上风电基础设施的 PdM 可分解为两个耦合组件：预测组件，旨在建立设备退化的准确态势感知；以及调度组件，基于预测的退化状态优化运维资源分配。早期关于 OWT 退化预测的工作依赖于基于物理的退化模型，如维纳过程公式，从第一性原理推导剩余使用寿命（RUL）估计；然而，此类方法需要大量先验知识，且难以适应海上遇到的复杂多变运行条件（Nguyen and Chou, 2018）。随着数据采集与监视控制系统（SCADA）的广泛采用和机器学习的进步，数据驱动方法显示出明显优势。深度学习模型已被应用于 OWT 退化预测，在轴承和齿轮箱等关键部件的健康状态估计方面取得了显著进展。尽管有这些进展，大多数此类方法产生确定性点估计，忽视了退化过程的固有随机性和传感器噪声引入的不确定性。点预测无法向下游决策传达置信信息，这在高风险、高成本的海上维护场景中是一个重大局限（Du et al., 2025, Qin et al., 2023, Zhou and Yin, 2019, Wang et al., 2022）。最近，概率预测方法引起了越来越多的关注；几项研究通过贝叶斯神经网络等方法量化了预测不确定性，为后续风险敏感的决策提供了更丰富的信息基础（He et al., 2025, Bhardwaj and Guedes Soares, 2026）。

在调度方面，OWF 运维规划构成了一个具有随机性和组合复杂性的优化问题。传统方法采用数学规划或元启发式算法优化维护窗口和船只路线，在小规模、静态环境下取得了令人满意的结果。然而，这些方法依赖离线求解过程，不适合涉及海况变化或意外设备故障的动态场景；此外，随着 OWT 数量增加，其计算复杂性迅速增长（Du et al., 2025, Xiang et al., 2024, Zhou and Yin, 2019）。强化学习（RL）最近被引入 OWF 运维调度，利用其在线决策能力和高维状态空间表示。相关研究表明，RL 智能体可以学习出优于启发式方法的维护策略，并能有效利用如有利风速窗口等机会因素来降低运维成本（Cheng et al., 2023, Lee et al., 2025, Cao et al., 2020）。

耦合退化预测与维护调度的集成 PdM 框架也受到了一些研究关注。早期工作通常使用固定 RUL 阈值触发维护动作，将预测输出视为二进制触发信号，从而未能利用预测分布中嵌入的不不确定性信息。最近的研究开始将概率 RUL 预测嵌入维护优化框架，通过随机规划或模型预测控制动态更新决策，并报告了运维成本降低的改进。同时也明确指出，当预测存在系统偏差时，不考虑这种不确定性的调度模型将产生系统性地过于保守或过于激进维护计划（He et al., 2025）。

除了维护，检查构成了 OWF 运维的另一个重要组成部分。最近的研究开始将自主平台纳入 OWF 检查任务，包括无人机（UAVs）和无人水下航行器（UUVs），展示了其在降低人员风险和提高检查效率方面的潜力。然而，异构多智能体协同维护和检查的研究仍处于早期阶段，基于 OWT 退化状态调度异构智能体的研究尤为稀缺。特别是当调度问题涉及多个智能体时，智能体之间和时间步之间产生强耦合依赖，无法自然分解为独立子问题，并对建模框架和求解算法提出了高得多的要求（Bernardini et al., 2020, Ismail et al., 2025, Zhang et al., 2024, Hu et al., 2025, Fontenla-Carrera et al., 2025）。

尽管在 OWT 状态预测和海上运维调度方面取得了进展，但现有文献中仍存在几个重要局限性：
1. 现有研究主要关注资产级预测或操作级维护规划，而联合考虑维护和检查的风电场级决策框架仍然有限。特别是，相对较少的研究明确制定了跨越水上和水下操作环境的问题，在这些环境中，维护和检查任务通过共享资源、天气约束和操作依赖紧密耦合。因此，当前方法通常缺乏协调海上运维决策的系统级视角。
2. 现有维护调度方法很少将预测输出相关的不确定性纳入下游决策，因此通常将维护规划视为确定性优化问题。然而，OWT 的退化过程本质上是随机的，预测结果的置信度在不同风机和退化阶段之间可能差异很大。忽视这种预测不确定性可能导致不适当的维护优先级排序，从而增加非计划停机风险或不必要的维护支出。
3. 大多数现有研究关注同质维护资源或单一操作领域，对异构海上资源（如运维船、UAVs 和 UUVs）的协调决策关注有限。然而，在 OWF 中，维护和检查任务可能跨越海面、空中和水下环境，其中不同的智能体表现出不同的移动性、耐力、传感能力和任务功能。如何在耦合的跨域操作约束下协调此类异构资源仍未得到充分研究。

为了解决这些局限性，我们提出了一种系统级的、感知不确定性的 OWF 预测性维护和检查框架。该框架将基于 SCADA 的预测信息与复杂海上操作条件下异构运维资源的分层调度相结合。具体而言，本研究的贡献如下：
1. 开发了一套风电场级的预测性维护和检查框架，明确考虑了跨越水上和水下操作环境的协调海上运维决策，而不是关注孤立资产或单一操作设置。这种表述为在 OWF 中整合维护和检查活动提供了系统级视角。
2. 采用概率预测表示来表征退化不确定性，并将由此产生的不确定性信息明确纳入调度过程。特别是，提出的不确定性感知优势（UA-Adv）机制使调度策略能够在决策过程中区分预测置信度，从而提高在不确定退化条件下的鲁棒性。
3. 为异构海上运维资源开发了一套分层强化学习框架，包括一艘运维船、一架 UAV 和一艘 UUV。上层模型负责跨智能体任务分配和调度，而下层模型专注于 UUV 的水下覆盖路径规划（CPP）。这种分层设计提供了一种可处理的方法，以支持海上维护和检查任务中固有的耦合操作约束下的跨域协调。

本文其余部分组织如下。第 2 节描述 OWF 维护和检查问题、主要建模假设和总体框架。第 3 节介绍概率 RUL 预测模块，包括预测公式和基于异方差 GRU 的方法。第 4 节介绍异构多智能体维护和检查调度模块，包括分层决策公式和强化学习解法。第 5 节报告实验设置和结果，包括比较评估和消融分析。最后，第 6 节总结本文并讨论未来研究方向。

章节片段
问题描述
运维系统由一艘运维船、一架 UAV 和一艘 UUV 组成，它们协同监测、检查和维护 OWF 中的 OWT 及相关基础设施，如图 1 所示。船只作为系统的操作枢纽。除了执行风机维护外，它还携带、部署、回收并为 UAV 和 UUV 提供操作支持。无人机负责检查水上部件，包括叶片和机舱，而 UUV

问题公式化
预测组件的目标是在当前时间步预测每台 OWT 的 RUL 分布，给定一个历史窗口的 SCADA 观测值。RUL 预测问题被公式化为多变量时间序列上的监督学习任务，核心目标是学习监控数据与设备退化状态之间的映射，以便在不同运行阶段动态估计剩余使用寿命。
在运行过程中，OWT

问题特征与模型选择
OWF 的 PdM 调度问题本质上是一个涉及强耦合异构智能体的随机多阶段序贯决策问题。在给定的规划视野内，系统状态随时间动态演变，当前步骤的决策不仅决定了即时操作成本，还影响后续步骤的可行域和系统演变。

例如，UUV 的部署和回收决策限制了未来的船舶航线，而船舶实验与分析。前述章节分别介绍了概率性 RUL（剩余使用寿命）预测模型和异构多智能体调度框架，在方法论层面建立了完整的 PdM（预测性维护）流程。为了在具体场景中验证所提出方法的有效性，本节使用真实数据集和仿真环境从多个维度评估了其性能，并将其与代表性基线方法进行比较，以展示其优势。

贡献我们解决了大型 OWF（海上风电场）O&M（运维）调度中异构资源协调和退化状态不确定性的挑战，提出了一个将 RUL 预测与多智能体动态调度相结合的统一 PdM 框架。主要贡献和发现如下。1. 构建了一个从基于 SCADA 的 RUL 预测到 RL（强化学习）调度决策的统一流程，将预测信息直接反馈到决策过程中，从而使调度策略能够利用

CRediT 作者贡献声明 Feng Ye：写作 - 初稿、软件、方法论、形式分析。Xinghai Guo：写作 - 审阅与编辑、指导、概念化。Haichao Li：可视化、验证、经费获取、数据整理。

利益冲突声明作者声明，他们没有任何已知的竞争经济利益或个人关系，这些利益或关系可能影响本论文中报告的工作。

致谢本研究得到黑龙江省自然科学基金青年项目（B 类）（YQ2026G004）；教育部人文社科项目（24YJC630061）；中央高校基本科研业务费（3072026WK0904）的支持。

Feng Ye|Xinghai Guo|Haichao Li