深度学习辅助的磁流变弹性体调谐质量阻尼器逆建模，用于海上风力发电机组的振动控制

《Ocean Engineering》：Deep-learning-assisted inverse modelling of magnetorheological elastomer tuned mass damper for vibration control of offshore wind turbines

　　

•基于CNN–BiLSTM–Attention的逆模型用于MRE-TMD非线性行为建模。•基于深度学习的半主动控制器用于MOWTs减振。•半主动MRE-TMD装备的MOWT缩尺模型在等效风/浪载荷下的缩尺试验。•所提出的系统可将MOWT塔顶位移降低60%以上。

引言

随着可再生能源需求的不断增长，单桩海上风电机组（MOWTs）在全球范围内得到了快速部署。随着海上风电场向更深远海域扩展，MOWTs的设计趋势趋向于更高能量捕获，具有超长叶片和细长塔架结构。这些特征使得MOWTs在恶劣海洋环境载荷作用下特别容易发生显著振动。此外，塔架的基频通常接近与短期极端事件（如台风）及叶轮引起的1P/3P旋转频率相关的主导激励频率，从而带来较高的共振风险（Jiang et al., 2024）。因此，必须采取有效的减振策略以抑制过大的动力响应，防止振动引起的损伤，并确保MOWTs的长期结构安全性和可靠性。

调谐质量阻尼器（TMDs）基于共振和能量传递机制工作，被广泛认为是海上风电机组（OWT）减振的有效装置。由于成本低、运行可靠且无需外部能量输入，被动TMDs已被广泛研究。近年来，针对OWTs被动振动控制的研究已涵盖摆式TMD（Sun and Jahangiri, 2018; Wang et al., 2019）、用于单桩、浮式和导管架海上风电机组的传统TMD（Zhang et al., 2023a, 2023b; Lu et al., 2023）、多TMD配置（McNamara et al., 2024; Patro et al., 2024）、基于惯容器的TMD（Zhang and Fitzgerald, 2020; Zhu et al., 2024; Peng and Chang, 2024）、基于非线性能量汇的装置（Zuo and Zhu, 2022; Cai et al., 2024）以及塔内集成TMD配置（Lin et al., 2024）。这些研究主要聚焦于抑制气动载荷、水动力载荷和叶轮相关载荷引起的结构振动。典型的TMD配置大多安装在机舱层面，调谐至塔架的一阶弯曲模态（通常在0.25–0.35 Hz范围内），质量比范围为结构有效质量的1%至8%（Jahani et al., 2022; Liu et al., 2024）。

尽管被动TMDs具有上述优势，但它们对关键动力学参数变化高度敏感，尤其是调谐频率比，即使经过优化设计也是如此。在实际应用中，由于塔架刚度退化或土-结构相互作用效应等因素，MOWTs常经历结构固有频率漂移。这些频率漂移会导致被动TMDs严重失谐，从而显著降低其减振效果（Sun, 2018）。相比之下，半主动调谐质量阻尼器（STMDs）具有可控刚度或阻尼特性，对时变结构动力学具有更强的适应性。例如，Sun针对5 MW MOWT在考虑多灾变载荷下土体损伤的情况下提出了一种可调固有频率的STMD，与被动TMD相比，在机舱和塔架处均实现了显著增强的减振效果，同时所需行程更小（Sun, 2018）。Jiang等针对一台固定式3.0 MW海上风电机组在各种风和浪载荷作用下开发了一种基于涡流和LRQ算法的STMD，实现了塔顶位移峰值最大33.94%和加速度峰值最大54.57%的降低（Jiang et al., 2024）。最近的研究进一步探讨了在风-浪载荷下用于海上风电机组减振的自供电半主动TMDs和半主动调谐液柱阻尼器（Cai et al., 2025; Mendes et al., 2025）。然而，目前关于MOWTs半主动TMDs的研究仍主要停留在概念层面，对详细机械设计、控制实现和系统集成关注有限，阻碍了其实际部署。此外，减振性能的评估主要依赖数值模拟，而实验验证仍较为缺乏，构成了半主动TMD系统在海工领域广泛应用的主要障碍。

近年来，采用智能材料的STMDs备受关注。在众多新兴智能材料中，磁流变弹性体（MREs）展现出广阔前景。MREs由嵌入聚合物基体中的磁性颗粒组成，表现出显著的电-磁耦合效应，包括随磁场变化的刚度和阻尼特性。基于MRE的装置可通过控制电流输入实现实时可调性，并具有结构简单、毫秒级响应、低功耗和固有失效保护等实用优势（Díez et al., 2021）。变刚度MRE-TMDs已被开发用于降低在风、浪和地震联合载荷作用下MOWTs的振动，其减小双向结构响应的有效性已得到验证（Leng et al., 2023）。MRE-STMDs固有的宽频调谐能力凸显了其在MOWTs实际振动控制中的巨大潜力。此外，还利用水池对基于MRE的隔震器进行了实验验证，对物理装置设计和半主动控制实现均进行了考察（Leng et al., 2024）。除海洋和海洋工程领域外，基于MRE的装置的减振性能在多种应用中均已得到实验验证，包括机械系统、精密仪器和土木基础设施（Fu et al., 2025; Yu et al., 2021; Zhao et al., 2023）。这些已制造MRE装置的实验研究为MRE-TMDs在MOWTs减振中的应用奠定了坚实基础。

对于配备半主动MRE-TMD的MOWTs的实际实现，一个关键挑战在于如何实现有效的实时反馈控制，以利用MRE-TMD可调刚度特性。这通常需要两阶段控制框架：(1) 基于测量到的结构响应确定目标控制力，通常采用LQR和滑模控制等主动控制算法实现（Gu et al., 2017; Masa'id et al., 2023）；(2) 计算驱动MRE-TMD产生期望力所需的相应控制电流。对于第二阶段，广泛用于表征期望控制力与相应电流之间逆动力学的逆模型被采用（Zhu et al., 2025）。然而，由于MRE装置固有的强非线性和迟滞特性，通过Bouc-Wen模型（Nguyen et al., 2022）、应变硬化模型（Li and Li, 2015）或LuGre模型（Yu et al., 2015a）等解析方法推导显式逆动力学模型通常是不现实的。

借助神经网络（NN）模型近似复杂非线性映射的能力，已有若干研究探索了基于MRE的装置的逆建模。例如，Yang等采用支持向量机（SVM）表征了多层MRE隔震器的动态行为（Yu et al., 2015b）。Yu和Wang提出了一种遗传算法优化的反向传播神经网络（BPNN）用于MRE隔震器的逆建模（Wang et al., 2023）。Fu等进一步发展了带有外生输入的 nonlinear autoregressive 网络（NARX），以描述MRE隔震器在不同激励和噪声输入条件下的非线性迟滞动力学特性及鲁棒性（Fu et al., 2016）。大多数现有逆模型不仅依赖当前状态输入，还依赖多个历史时间步（通常为2至4个先前步骤）才能达到可接受的预测精度。这种对历史信息的时间依赖性不可避免地引入了时间延迟，这对于实时控制应用是不理想的。此外，已有研究表明这些逆模型的预测精度对输入向量中包含的历史时间步数高度敏感（例如MRE装置的控制力、位移和速度的历史值）。虽然增加历史数据可以提高精度，但这以增加计算负担和降低实时可行性为代价。这一局限性主要源于传统NN模型无法有效捕获、融合和优先处理序列输入数据中固有的关联关系和深层特征。

近年来，深度学习因其卓越的复杂高维关系表征能力，成为非线性建模的有力工具（Ren et al., 2024）。卷积神经网络（CNNs）、长短时记忆（LSTM）网络和基于注意力的机制等深度学习架构相比传统NN模型具有独特优势。深度学习模型擅长自动特征提取：CNNs通过卷积操作直接从原始输入数据中逐层学习局部和空间特征，而LSTMs则非常适合捕获序列数据（如时间序列）中的长程时间依赖关系（Yin et al., 2025）。注意力机制通过自适应地强调最具信息量的特征和时间段，进一步增强这一能力，从而获得更具上下文感知和区分性的表征（Deng et al., 2024）。这种端到端的学习范式减少了对人工特征工程的依赖，减轻人为偏见并提升模型泛化能力。MRE装置逆建模的输入数据本质上是序列化的，且在时间步之间具有强相关性。深度学习方法凭借其对时序动态和特征重要性的显式建模能力，有望通过紧凑的输入表示（例如仅使用当前状态和立即先前的状态）实现精确的逆建模。这种能力对于海上风电机组MRE-STMD系统的实时半主动控制尤为有利。然而，尽管潜力明确，深度学习驱动的逆建模在海上工程领域用于MRE-TMDs实时控制的应用在现有文献中仍鲜有探索。

针对上述挑战，本文提出了一种新型深度学习辅助的半主动减振控制框架，用于配备MRE-TMD的MOWTs。本研究的主要贡献有两点。首先，通过集成基于卷积神经网络-双向长短时记忆网络-注意力机制（CBA）的逆模型，开发了一套MRE-TMD的半主动控制系统。采用LQR控制器作为主控制器，从测量的MOWT结构响应计算期望控制力，同时利用所提出的CBA逆模型确定施加于MRE-TMD的相应驱动电流，以实时实现目标控制力。其次，对配备所提半主动MRE-TMD系统的缩尺MOWT模型进行了实验研究，在联合风-浪激励下系统评估了减振性能。

本文其余部分组织如下。第2节介绍缩尺定律和缩尺MOWT实验模型的研制，以及使用振动台合成和应用等效联合风-浪激励的方法。第3节描述变刚度MRE-TMD的工作原理和原型设计，并基于CBA神经网络建立其逆动力学模型。第4节详述半主动控制策略，包括LQR控制器和CBA逆模型的集成。第5节展示和讨论实验结果，重点关注塔顶动力响应和塔架沿高度的位移漂移。

目标OWT

选择一台5 MW单桩型OWT作为概念验证的目标结构。该风机支撑结构由上部塔段和下部单桩段组成。上部段由一个77.6 m高的钢制塔架组成，底部直径为6.0 m，线性锥缩至塔顶3.87 m。下部段由一根长46 m、直径恒定为6.0 m的钢管桩组成，延伸至泥面以上10 m处。直径与…

MRE-TMD系统及实验特性测试

本研究设计了一种半主动变刚度磁流变弹性体调谐质量阻尼器（MRE-TMD），用于减小单桩海上风电机组（MOWT）的动力响应。所提出的MRE-TMD由MRE隔震器支撑的附加质量块组成，如图6所示。已有研究充分表明，TMD装置与主体OWT结构之间的质量比通常在1%至8%之间（Patro et al., 2024）。在本研究中，采用上限…

LQR控制器与CBA逆模型的结合

应用于MOWTs的MRE-TMD半主动控制系统由系统控制器和MRE-TMD控制器组成。系统控制器根据MOWT的动力响应计算所需控制力，而MRE-TMD控制器则调节输入电流以跟踪该所需控制力。本文提出了一种集成MRE-TMD的半主动线性二次调节器（LQR）控制器，用于抑制MOWTs的振动。所提出的控制器…

结果与讨论

为评估所提MRE-TMD的动力学性能，在缩尺模型上施加了四种风和浪载荷工况作为外部激励（见2.3节）。

在三种控制配置下研究了结构响应：无控制、被动TMD以及由CBA–LQR算法控制的半主动MRE-TMD。结论本研究提出了一种基于深度学习的反演建模框架，用于单桩海上风力发电机组（MOWTs）的半主动减振控制，其中可变刚度磁流变弹性体调谐质量阻尼器（MRE-TMD）通过集成控制架构进行控制。核心创新在于开发了CNN–BiLSTM–Attention（CBA）反演模型，该模型能够准确捕捉MRE-TMD的非线性迟滞力-电流关系，并实现实时控制。贡献声明常春李：撰写–初稿、验证、软件、研究。定心冷：撰写–初稿、指导、方法论、资金获取、概念化。石坤尤：方法论、研究。哲田：软件、资源、项目管理、方法论。炎诚李：撰写–审阅与编辑、指导。桂杰柳：撰写–审阅与编辑、项目管理、资金获取。利益冲突声明作者声明他们没有已知的可能影响本文所述工作的竞争性经济利益或个人关系。致谢本工作由山东省自然科学基金（编号：ZR2022ME001）和山东省泰山学者（编号：tstp20231215）支持。常春李|定心冷|石坤尤|哲田|炎诚李|桂杰柳