多源不确定性条件下物理层与数据层耦合的海上风电场巡检无人机集群任务可靠性评估与优化

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Mission reliability assessment and optimization of offshore wind farm inspection unmanned aerial vehicle swarm with coupled physical and data layers under multi-source uncertainties

　　

**摘要**

任务可靠性评估与动态优化对于确保海上风电场巡检无人机（UAV）编队在多源不确定性条件下安全高效运行至关重要。然而，现有方法在表征跨层耦合效应方面仍存在局限，包括物理层能耗与数据层传输之间的交互作用，以及环境扰动、设备退化与通信信道变化之间的依赖关系。本文提出了一种基于C-vine copula建模和图强化学习的海上风电场巡检UAV编队多源不确定性下任务可靠性评估与优化方法。该方法构建了一个耦合的物-数双层建模框架，综合考虑电池退化、海上风扰动以及视距/非视距（LoS/NLoS）信道变化，以表征编队在复杂海上巡检场景中的行为。此外，建立了一种基于C-vine copula的联合不确定性模型，以捕获关键变量之间的非线性依赖关系，支撑一个动态可靠性评估框架，将电池容量衰减和悬停能耗约束与任务可行性概率相关联。随后提出了一种图注意力网络近端策略优化（GAT-PPO）算法，用于动态任务重分配。仿真结果表明，所提方法将可靠性估计偏差从独立性假设下的7.87%降低至0.82%；在最为严重的UAV失效和任务重访场景下，可靠性分别较最佳基准提升了3.1%和3.5%，验证了任务可靠性和运行效率的改善。

**引言**

海上风电已成为全球能源转型的重要基石。随着海洋工程快速发展和智能运维日益普及，海上风电场规模不断扩张，现代风力发电机组日益依赖故障与维护数据的智能管理[1]。海上风电场运行于恶劣的海洋环境中，面临强风、盐雾腐蚀和温度波动。叶片、塔筒和机舱等关键部件会在正常、退化和失效等多个状态间演化[2]。因此，维护策略的选择已成为海上风电资产可持续可靠运行的核心问题[3]。海上风电场巡检系统包括UAV飞行平台、机载传感载荷和无线回传链路。这些模块之间存在复杂的耦合和相互依赖关系。任何要素的性能变化都可能引发物理层与数据层之间的级联效应，从而增加任务风险[4]。多源不确定性与跨层耦合的结合导致系统特性复杂化，对海上风电场巡检UAV编队的任务可靠性评估与动态优化提出了重大挑战[5]。传统人工巡检依赖绳索攀登或起重机作业，存在严重的坠落风险、偏远海上站点可达性差和狭窄的天气窗口等问题，这使得人工巡检不适合大规模风电场[6]。因此，开发一个能够捕捉物-数双层耦合、准确评估多源不确定性下任务可靠性并实现动态任务重分配的综合框架，已成为海上风电场巡检UAV编队安全高效运行的关键技术难题。

针对UAV编队巡检系统的建模与性能分析方法的研究已引起广泛兴趣。传统的单平台巡检方法虽能描述基本的飞行与检测流程，但无法有效捕捉编队级协同行为或多模块耦合交互[7]。在多UAV协同巡检中，大规模风电场巡检任务被分解为子任务并分配给多个自主平台，体现了UAV编队的自主性、交互性和协调性。Castelar Wembers等人[8]提出了一种激光雷达辅助的自主UAV巡检方案，建立了全自动路径规划与数据采集框架。Yang等人[9]开发了BladeView，一种基于UAV的风电机组自动巡检系统，通过基于视觉的自主飞行控制实现高精度的叶片表面缺陷检测。多UAV编队架构进一步提升了巡检吞吐量，并能在有限天气窗口内实现大规模风电场的全覆盖[10]。对于多平台协同场景，相关研究已在无人车辆网络的级联失效与韧性优化[11]、自适应性能控制与任务终止决策[12]、多状态协同网络性能评估[13]以及多状态无人水面艇动态风险分析[14]方面提供了方法论基础。尽管这些研究提供了重要参考，但在建模物理层飞行能耗与数据层回传传输之间的耦合机制方面仍显不足。特别是通过共享电池能量池形成的双向资源约束尚未得到系统刻画。

传统的UAV巡检性能模型主要依赖于确定性能耗模型、独立部件寿命预测和独立信道分析。这些经典方法在近似线性因果关系下表现良好，但在表征整体任务可靠性方面存在明显局限[15]。具体而言，海上风速和风向的持续波动会显著改变UAV推进能耗[16]。环境温度通过电化学机制影响锂聚合物电池的可用容量和内阻[17]，且风速、风向与温度之间存在统计相关性。Liang等人[18]建立了动态环境下互依退化过程与随机冲击的系统可靠性模型，揭示了环境耦合与单元间变异性如何驱动同一制造批次内的性能分化。Zhang等人[19]提出了一种物理与数据驱动的混合结构，实现了工具退化与剩余使用寿命预测。Wang等人[20]开发了一种状态-年龄依赖的维护与备件控制策略，以降低缺陷识别中检查误差导致的风险。Zhu等人[21]研究了UAV空地信道的视距与非视距传播特性，表明障碍物遮挡可导致信道突发退化。Copula理论将边际分布与依赖结构分离，提供了一种构建联合概率分布的灵活方法，已应用于风险驱动设计优化[22]、相关失效行为建模[23]以及退化减缓与抗冲击子系统分析[24]。Liu等人[25]开发了基于混合copula的风电机组齿轮箱冲击-退化耦合可靠性模型，以量化失效相关性。Peng等人[26]将不确定性分布与R-vine copula结合，解决了小样本条件下多部件失效依赖的机载控制器可靠性评估问题。Zhang等人[27]开发了基于copula的阶梯应力部分加速相关竞生风险模型的贝叶斯可靠性分析。Xu等人[28]提出了一种质量与精度驱动的区间可靠性分析复杂系统的不确定性量化框架。然而，大多数现有方法针对静态结构或设备系统[29]，对环境、退化与信道变量之间联合依赖关系的量化描述不足。少数能同时表征尾部依赖和条件依赖的框架限制了copula理论在动态任务系统可靠性评估中的应用。

任务可靠性是评估UAV编队任务有效性的重要指标。Chen等人[30]利用有效运行回路对可重构无人系统系统的任务可靠性进行了建模和评估。Ren等人[31]开发了异构UAV在相互依赖的任务阶段协同的分析型任务可靠性模型。任务可靠性评估也为任务决策提供了依据。Levitin等人[32]优化了资源受限任务中时变性能与任务终止策略。Qiu等人[33]优化了可观测退化条件下的基于状态的终止决策。在海上风电应用中，Shafiee等人[34]利用故障树分析和故障模式与影响分析分析了巡检UAV的关键任务失效。Dui等人[35]提出了物联网赋能的智能海上风电场动态可靠性评估模型。然而，这些研究要么通过部件或网络的离散状态定义任务成功或失败，要么聚焦于单个UAV在单次任务内的运行决策，未能建立从连续性能演化到任务可行性概率的编队级定量链路。任务可靠性在连续任务循环下及多源不确定性变化下的动态演化也尚未得到充分表征。因此，有效的任务可靠性框架应同时支持精确评估与运行期间的主动优化。

由可靠性优化驱动的动态任务重分配是UAV编队运行的核心，支持对动态事件的快速响应和有限资源的高效利用[36]。传统优化方法如静态混合整数规划和启发式搜索离线计算任务分配方案[37]，在确定性场景下表现良好，但难以满足具有动态事件和复杂状态演化的UAV-任务耦合系统的实时决策需求。强化学习已被越来越多地应用于复杂多状态系统的可靠性优化[38]。Zhang等人[39]提供了面向可靠性与维护优化的强化学习系统性教程，涵盖从动态规划到深度强化学习的算法设计与工程应用。Ye等人[40]设计了一种面向制造网络维护与质量检验联合优化的深度强化学习方法，实现了协同多任务决策。Feng等人[41]提出了一种面向基础设施网络韧性优化的深度强化学习框架，支持多维修班组协同，显著提升了大规模系统的恢复调度能力。近端策略优化（PPO）及其多智能体变体因其训练稳定性和样本效率而被广泛应用于协同编队决策[42]。图神经网络进一步使深度强化学习智能体能够编码结构化空间与拓扑关系，从而提升跨拓扑的泛化能力[43]。然而，现有方法大多聚焦于通用任务调度或单级决策优化，忽视了物-数双层耦合对海上风电场巡检任务可靠性的影响，削弱了关键任务重分配决策的有效性。

当前关于海上风电场UAV编队巡检可靠性评估与优化的研究存在以下问题：（1）现有UAV巡检模型大多采用单层且相互独立的描述，将飞行能耗与数据传输视为解耦过程，无法表征通过共享电池能量池形成的物理层与数据层之间的双向资源约束；当信道质量恶化或电池退化加速时，可能出现自增强的级联效应。（2）现有多源不确定性方法在联合概率建模和依赖量化方面存在局限，风速、温度等环境变量，容量衰减、内阻增长等退化变量以及衰落、干扰等信道变量通常被假设为独立，缺乏捕获尾部依赖与条件依赖的数学模型，限制了其在动态任务系统可靠性评估中的应用。（3）现有可靠性评估方法难以量化多源不确定性耦合如何传播至任务成败，从双指数电池容量衰减、悬停能耗约束到任务可行性概率的统一分析链路仍然缺失。（4）现有任务优化方法主要在确定性场景下追求离线解，未能充分利用UAV-任务点系统的图结构，缺乏以可靠性为目标的系统化在线优化框架，降低了动态事件后任务重分配的时效性与准确性。

针对上述挑战，本文提出了一种基于C-vine copula多源不确定性建模与图强化学习的海上风电场巡检UAV编队任务可靠性评估与优化方法。该方法引入了一种量化物-数双层悬停能耗耦合的建模方法，并开发了基于图注意力网络编码的动态任务重分配算法。大多数现有研究聚焦于静态结构或设备系统的可靠性分析，而关于海上风电场巡检等动态任务系统多源不确定性耦合与在线可靠性优化的研究仍十分有限。本文正是针对这一空白展开研究，为海上风电UAV编队的运维策略提供了理论支撑。表1从覆盖范围与创新性方面对所提框架与现有方法进行了比较。

本文的具体贡献如下：

（1）设计了海上风电场巡检UAV编队的耦合物-数双层性能建模框架，综合了电池退化、传动系统效率退化、海上风效应以及二态LoS/NLoS信道衰落。该框架建立了飞行能耗、数据回传传输、悬停能耗分配与电池能量约束的形式化模型，描述了UAV编队巡检任务中的跨层耦合行为。

（2）提出了一种基于C-vine copula的多源不确定性依赖建模方法。该方法将环境、退化与信道变量的边际分布与其依赖结构分离，通过层级双变量copula构建与copula族选择量化尾部依赖与条件依赖，同时采用拉丁超立方采样进行联合分布下的可靠性评估。

（3）建立了融合物理层能量演化、数据层传输变化与概率化任务可行性评估的任务可靠性评估框架。

该框架将任务可靠性表达为耦合的悬停-能量可行性约束被满足的概率，从而实现对多源不确定性传播下无人机集群任务成功的定量评估。（4）提出了一种基于图强化学习的动态任务重分配方法。该方法通过图注意力网络编码异构无人机-任务点系统状态，并利用由近端策略优化训练的自回归解码器生成可靠性驱动的重分配决策，为动态事件后的在线任务可靠性优化提供了基础。本文其余部分组织如下。第2节基于系统架构分析，阐述了海上风电场巡检无人机集群系统的建模方法与形式化问题定义。第3节建立了耦合的物理层与数据层性能模型，并推导出集群任务可行性条件下的悬停-能量约束。第4节构建了基于C-vine copula的多源不确定性联合概率模型，定义了任务可靠性评估方法。第5节设计了基于图强化学习的可靠性优化算法。第6节将所提方法应用于包含10架无人机和20台风力发电机组的案例，通过3000次蒙特卡洛模拟验证其有效性，并与现有基线方法进行了对比。第7节对全文进行总结并讨论了未来工作方向。

章节摘要

海上风电场巡检无人机集群的系统架构与问题描述

海上风电场巡检无人机集群系统在功能上分为物理层和数据层，二者集成于同一无人机平台，共享机载电池能量供应。物理层由锂聚合物电池、电子调速器、无刷电机和螺旋桨组成，为飞行和悬停提供动力。数据层由机载传感器和无线回传链路组成。传感器对风机进行近距离巡检，

巡检无人机集群的物理层与数据层耦合性能建模

物理层和数据层共享电池能量，并通过悬停时间形成双向资源约束。三类不确定性使任务可行性具有概率性。首先分别建立两层各自的性能模型，然后推导两者之间的耦合约束，以支持概率量化。两个性能模型的建模结构与耦合关系如图2所示。

多源不确定性下无人机集群的任务可靠性评估

第3节建立的任务可行性条件包含多个随机变量，其联合实现决定该条件是否被满足。为了量化该条件的概率，首先对三类不确定性来源的随机变量进行分类并构建联合概率模型，随后定义任务可靠性并开发数值评估方法。图3总结了任务可靠性评估工作流程，包括

基于图强化学习的无人机集群任务可靠性优化

第4节开发的任务可靠性评估方法可计算给定任务分配方案下的可靠性。然而，在任务执行过程中，风速突变、信道恶化或无人机故障等动态事件会改变系统状态。这些事件破坏了初始分配方案下可用悬停能量与需求能量之间的平衡，从而降低任务可靠性。因此，可靠性优化问题被形式化为马尔可夫...

案例背景与参数配置

为验证所提出的多源不确定性下可靠性评估与优化框架的有效性和实际适用性，基于中国某典型沿海海上风电场的工程配置开发了一个测试案例。该风电场位于近岸沿海区域，包含20台额定功率为5 MW的风力发电机组（标记为T1至T20），分布在约10.5 km×8.0 km的矩形区域内，配备有...

结论与未来工作

本研究提出了多源不确定性下无人机集群海上风电场巡检的任务可靠性评估与优化框架。开发了耦合的物理层与数据层性能模型，纳入了电池退化、海上风环境效应及两态信道衰落。推导了两层之间的悬停能量耦合约束，以构建统一的集群任务可行性条件。建立了基于C-vine copula的联合...

CRediT作者贡献声明

袁原：写作——审阅与编辑，方法论，调查研究，概念构思。焦剑：验证，项目管理，方法论，资金获取。井永峰：写作——审阅与编辑，指导，项目管理。赵亭迪：验证，方法论，形式化分析。杜红艳：验证，方法论，资金获取。

袁原 | 焦剑 | 井永峰 | 赵亭迪 | 杜红艳