《Journal of Marine Science and Engineering》：Semi-Supervised Domain-Adversarial Mooring Damage Detection for Floating Offshore Wind Turbines Under Unseen Sea States
编辑推荐：
系泊系统是浮式海上风电机组最主要的单一故障点，对其进行检查工作占据了运行和维护成本的很大比重。数据驱动的损伤分类器可以减轻这一负担，但它们通常在单一海况分布上进行训练和测试，因此在超出该分布的恶劣条件下准确率会下降。本项工作提出了一种域对抗门控循环单元（Do
系泊系统是浮式海上风电机组最主要的单一故障点，对其进行检查工作占据了运行和维护成本的很大比重。数据驱动的损伤分类器可以减轻这一负担，但它们通常在单一海况分布上进行训练和测试，因此在超出该分布的恶劣条件下准确率会下降。本项工作提出了一种域对抗门控循环单元（Domain-Adversarial GRU, DANN-GRU），能够根据平台的六个刚体运动识别十一种系泊状态，并在半监督协议下迁移到训练中缺乏损伤标签的海况。这些状态涵盖健康基线、单线和多线刚度损失、非均匀退化以及两种生物污损严重程度；所有状态均为亚失效（sub-failure）损伤情况，其运动特征微弱且易于混淆。该模型在运行海况上训练，并在未见过的极端风暴海况（22–26 m/s风速，8.0–9.5 m有效波高）上进行测试，仿真在OpenFAST中使用MoorDyn在IEA 15 MW UMaine VolturnUS-S平台上完成。一个三阶段训练方案将有标签的中间近目标域与训练和测试特征分布的对抗对齐相结合，将三个随机种子下的每仿真宏观F1（macro-F1）提升至0.87，而仅源域模型为0.29、仅近目标域桥接为0.47、仅对抗对齐为0.73。任一单独组件均无法达到这一水平：对齐贡献了增益的主要部分，桥接则起到稳定作用，将种子间变异性降低约四倍。该增益在每通道标准差20%以内的传感器噪声下仍然保持，且参数匹配的一维卷积神经网络（1D-CNN）骨架证实该增益并不依赖于循环架构。该设置为半监督：损伤标签仅在源域和中间近目标域范围内可用，而目标海况仅提供无标签窗口。由于该方法不需要目标海况的标签，且仅需要标准的六自由度运动传感器，因此可推广到资产在服役中遇到的恶劣的、未见过的仿真海况；但仍需要有标签的、来自校准平台模型的近目标仿真。本研究是一项基于仿真的可行性研究：所有证据均来自单一平台的OpenFAST和MoorDyn仿真，针对水池试验或现场测量的验证仍有待开展。
**论文解读**
**一、研究背景与问题提出**
浮式海上风力发电是实现深远海风能资源开发的关键技术路径。IEA 15 MW参考风力发电机搭载于UMaine VolturnUS-S半潜式平台，已成为商业示范和学术研究的实际基准平台。在该平台的所有子系统中，系泊系统是最主要的单一故障点。自20世纪90年代以来，海上工业已记录超过三十起系泊线失效事故，主要诱因包括腐蚀、疲劳和机械损伤。此外，系泊线上的海洋生物附着（biofouling）是另一种退化机制，在近期状态监测研究中已被视为独立的系泊损伤类型。
系泊系统的检查和更换作业高度依赖天气窗口和遥控潜水器（ROV）作业，在浮式系统运行和维护成本中占比极大。因此，利用舰载传感器进行连续结构健康监测（Structural Health Monitoring, SHM）是在损伤扩展前实现检测的有效途径。其中，监测平台六个刚体运动（六自由度，6-DOF）尤为实用，因为这些运动信号已由商品化惯性测量单元（IMU）和差分全球定位系统（DGPS）接收机持续采集，无需对系泊线本身进行仪表化。
然而，现有数据驱动的系泊SHM方法面临一个核心瓶颈：损伤分类器通常在单一海况分布上进行训练和测试，当部署到训练分布之外的恶劣海况时，分类准确率会急剧下降。真实服役中的浮式风机必然经历从运行海况到极端风暴海况的完整海况区间，这一分布偏移（distribution shift）构成了当前方法向实际应用转化的关键障碍。因此，本项研究聚焦的核心问题是：仅凭平台六自由度运动信号，能否辨识系泊损伤的类型和位置，并且将这种辨识能力跨海况泛化至训练中未见过的极端条件。
**二、研究内容与研究意义**
针对上述问题，研究人员提出了一种半监督域对抗门控循环单元（DANN-GRU）框架，能够在IEA 15 MW UMaine VolturnUS-S平台上对十一种系泊状态进行多类别分类，并从有标签的运行海况迁移到无损伤标签的极端风暴海况。该框架通过两个互补组件实现跨域迁移：一个有标签的中间近目标域（near-target domain）桥接步骤，以及一个针对无标签目标域的对抗特征对齐（adversarial alignment）步骤。
该研究的核心贡献体现在四个方面。第一，构建了一个十一类域对抗系泊损伤分类器，涵盖健康基线、单线刚度损失、多线刚度损失、非均匀退化和两种生物污损严重程度。所有损伤均为亚失效状态，其运动特征远弱于完全断线情况，分类难度显著高于以往对抗性研究工作所处理的完全失效场景。第二，首次将多类别系泊损伤归因与对抗域对齐相结合，在未见极端风暴海况下将每仿真宏观F1提升至0.87，远高于仅源域模型的0.29、仅桥接的0.47和仅对抗对齐的0.73，证明两个组件具有互补性而非替代性。第三，系统性地提供了鲁棒性和可复现性表征，包括在每通道标准差20%以内的加性传感器噪声下的性能保持，以及通过参数匹配的1D-CNN骨架验证了对齐收益不依赖于特定循环架构。第四，展示了一种部署范式：分类器可以在21 m/s及以下风速范围使用损伤标签训练，并迁移至超出该范围的极端条件，无需任何目标域标签，仅使用商品化六自由度运动信号。
**三、关键技术方法概述**
研究采用IEA 15 MW参考风力发电机搭载于UMaine VolturnUS-S半潜式平台作为仿真对象，所有仿真在OpenFAST耦合求解器中完成，系泊动力学由集中质量线模型MoorDyn求解。风场由TurbSim基于IEC 61400-1标准Normal Turbulence Model（IEC湍流类别B）生成，波浪采用JONSWAP谱合成的非规则长峰波。仿真覆盖十五个海况条件，按风速分为源域（训练，≤21 m/s）、近目标域（中间桥接，21 m/s附近）和目标域（评估，22–26 m/s，包括停机工况）。每个海况条件使用多个独立的随机种子对（种子对同时固定波浪和风场实现），共产生627个OpenFAST仿真，对应约50,800个分析窗口。信号经低通滤波和降采样至2 Hz后，进行逐通道z-score标准化，划分为200秒窗口（400个采样点，75%重叠）。核心模型为单层GRU特征提取器（隐藏维度64），后接层归一化（layer normalization）和线性投影生成64维潜在表示，分别馈入一个十一类分类预测头和一个域判别器（通过梯度反转层连接）。训练采用三阶段渐进式调度：Phase 1为源域监督预热（30轮），Phase 2为近目标域监督桥接（30轮），Phase 3为对抗对齐（50轮），对齐耦合系数λ按sigmoid调度从近零升至λ
max=0.7。评估在每仿真层面进行，通过对窗口级预测进行多数投票聚合得到单一诊断结果。
**四、主要研究结果**
*源域性能*：在源域上，DANN-GRU与无对抗消融变体（no-DANN）的准确率统计上无差异，均接近0.97，表明对抗阶段在不降低分布内准确率的前提下提升了跨域性能。
*近目标域性能*：两种变体在近目标域上均实现近乎完美的分类，验证了架构在完全监督条件下对十一类问题的拟合能力。
*目标域性能*：在未见目标域上，三阶段DANN-GRU达到每仿真宏观F1=0.87，而保留桥接但省略Phase 3的no-DANN消融变体仅为0.47，对抗阶段贡献了剩余的增益。混淆矩阵显示DANN-GRU在所有十一类上呈强对角线分布，仅L2L3-EA50→健康构成主要的残余混淆。
*目标域各类别性能*：DANN-GRU在每个类别上的F1≥0.776，两个生物污损类别均达完美的1.0。对抗对齐对低特征刚度损失类别族的提升最为显著，多个单类F1提升超过0.5。t-SNE投影和聚类质量指标（轮廓系数从输入空间的?0.035升至潜在空间的0.273±0.009，Davies–Bouldin指数从24.96降至1.25±0.03）直观展示了训练前后类别分离的显著改善。
*多种子稳定性*：在目标域上，DANN-GRU的种子间宏观F1标准差仅为no-DANN消融变体的约四分之一，表明对抗框架不仅平均准确率更高，且训练可复现性大幅改善。
*传感器加性噪声鲁棒性*：在推断时注入加性高斯噪声的条件下，DANN-GRU在零噪声至每通道标准差20%的范围内保持宏观F1≥0.86，仅在50%极端水平下降至0.73，而对齐优势（0.30–0.40的宏观F1增益）在各级噪声下持续存在。
*骨架消融实验*：以参数匹配的三层1D-CNN替换GRU特征提取器后，对抗阶段仍使宏观F1从0.314提升至0.621，证明对齐收益不依赖于循环架构。GRU凭借其对系泊漂移慢时标（≈135秒）的自然适配性，保持了0.25的宏观F1绝对优势。
*因子消融实验*：通过2×2交叉消融分离桥接与对抗对齐的贡献。仅源域训练宏观F1=0.29；仅桥接提升至0.47；仅对抗对齐（单步直接从源域到目标域）提升至0.73，但种子间标准差超过全方案的四倍；两者组合达到0.87并将种子散布降低近四倍。对抗对齐是较大的单一贡献者，桥接提供剩余增益并稳定解。
*与标准非自适应基线的对比*：普通LSTM和1D-CNN在标准监督训练下，在目标域上均降至接近仅源域的底线（宏观F1约0.29），远低于本框架，证明增益来自显式弥合运行到极端的分布间隙，而非骨架选择。
*域偏移的定量表征*：在预处理输入空间中，源域与目标域的最大均值差异（Maximum Mean Discrepancy, MMD）达0.914。在DANN-GRU潜在空间中降至0.079，相对no-DANN潜在空间降低了63%。切片Wasserstein距离在同比较中降低了68%。域判别器在Phase 3后的平衡准确率仅0.619±0.007（输入空间中可完全分离），表明域间隙已被大幅缩小但未完全消除。
*近目标域标签量效应与窗口重叠效应*：近目标域标签量消融表明，44个仿真（即一半可用数据）即可使目标域宏观F1接近饱和。窗口重叠消融显示，性能随重叠率单调递增，75%重叠显著优于更小重叠值。
*计算成本*：模型仅含22,796个可训练参数，占用约0.091 MB（单精度）。单窗口推断耗时20.0 ms（单CPU核），批处理吞吐量约2650窗口/秒，单次4200秒仿真的完整诊断仅需44.7 ms，推断成本相对于窗口所代表的200秒平台响应可忽略不计。
**五、讨论与结论**
在讨论部分，研究人员从多个角度阐释了结果背后的机制。对抗对齐的作用在于抑制特征空间中随海况漂移的特征，使提取器学习到域不变（domain-invariant）的损伤判别表示。近目标域桥接的作用并非缩小域间特征分布距离（MMD测量证实桥接并未降低域间距离），而是将监督分类边界延伸至运行到极端的间隙内，从而为对抗阶段提供更好的条件化特征空间，这解释了其稳定化效果。生物污损类别之所以比刚度损失类别更容易识别，原因在于前者同时扰动等效直径、单位长度质量和法向阻力系数三个耦合参数，产生跨越多自由度的宽特征，而刚度损失仅扰动轴向刚度EA，其特征主要局限于纵荡（surge）和横荡（sway）两个通道。L2L3-EA50→健康的残余混淆可通过几何对称性解释：L2和L3关于加载方向镜像对称，同时刚度损失导致两者的横荡和艏摇（yaw）恢复力不对称性相互抵消。
在局限性方面，研究人员坦承六点：所有数据均来自OpenFAST仿真，尚未经水池试验或现场测量验证；损伤建模为参数化扰动而非渐进退化过程；风浪始终保持同向，未涵盖风浪错向工况；未使用任何实验或现场数据；源域、近目标域和目标域位于单一站点的单调风浪烈度梯度上，不适用于不同海况气候条件；噪声评估限于白噪声、通道独立的归一化信号扰动，完整传感器模型尚未评估。因此，本项工作应被理解为一项基于仿真的可行性研究。
研究结论部分总结为五点：（1）该框架在未见极端海况上将每仿真宏观F1提升至0.87（三个随机种子平均），而仅源域模型为0.29，且源域准确率保持在约0.97，跨域增益不以牺牲分布内准确率为代价。（2）因子消融表明对抗对齐单独将宏观F1从0.29提升至0.73，桥接单独提升至0.47，两者组合达到0.87并将种子间方差降低约四倍，对齐是较大贡献者，桥接提供剩余增益并稳定解，二者互补而非可替代。（3）增益集中于低特征刚度损失类别族，其特征局限于缓慢的纵荡和横荡响应，而两种变体均能可靠识别宽特征的生物污损类别。（4）框架具有鲁棒性和可复现性，在每通道标准差20%的加性噪声下宏观F1保持0.86以上，种子间变异性较非对抗基线缩小四倍。（5）对齐收益不依赖于特定骨架，参数匹配的1D-CNN同样从对齐中获益，GRU保持0.25的宏观F1优势。在实践层面，该框架支持一种部署范式：分类器可使用标准惯性测量单元和DGPS设备已采集的六自由度运动信号，在无需目标域损伤标签的条件下迁移至不同海况。未来工作将从三个方向扩展：涵盖风浪错向加载、扩展至包含空间变化腐蚀和更低严重度等级的更广泛损伤分类体系，以及与实测现场数据的对齐验证。
