《Journal of Marine Science and Engineering》：Mooring Tendon Dynamic Tension Estimation in a 15 MW TLP-Type FOWT: A Comparison of Self-Attention, LSTM, and GRU Networks
编辑推荐：
张力腿平台（Tension Leg Platform, TLP）型浮式海上风电机组（Floating Offshore Wind Turbine, FOWT）依赖持续预张紧的系泊筋腱，其结构完整性必须得到监测以确保安全运行。然而，在水下位置直接测量筋腱张力在实
张力腿平台（Tension Leg Platform, TLP）型浮式海上风电机组（Floating Offshore Wind Turbine, FOWT）依赖持续预张紧的系泊筋腱，其结构完整性必须得到监测以确保安全运行。然而，在水下位置直接测量筋腱张力在实践中存在困难。本研究探讨了一种虚拟传感方法，利用在自由表面或自由表面附近测得的响应，估计15 MW TLP型FOWT多个筋腱位置（导缆孔、中部和锚固点）的有效张力。研究对三种深度学习架构进行了比较评估：基于Transformer编码器的自注意力网络（EN-ATT）、长短期记忆网络（Long Short-Term Memory, LSTM）和门控循环单元（Gated Recurrent Unit, GRU）。研究采用全耦合时域仿真生成训练和测试数据，并在标称条件和多种噪声水平输入条件下对模型进行评估。EN-ATT在均方根误差（RMSE）、平均绝对误差（MAE）和决定系数方面，在标称条件和噪声条件下均取得了最高的精度。特征梯度分析表明，自注意力模型对较长输入滞后的敏感性高于循环网络。尽管EN-ATT在极值预测方面并未始终优于循环网络，但研究结果表明，自注意力架构是TLP型FOWT系泊张力监测的一个有前景的发展方向。
15 MW TLP型浮式风机系泊筋腱张力估计研究解读
一、研究背景与问题提出
浮式海上风电机组（Floating Offshore Wind Turbine, FOWT）在实现碳中和目标中扮演着关键角色。在各类浮式基础中，张力腿平台（Tension Leg Platform, TLP）凭借其系泊筋腱中的预张力实现了优异的垂向运动稳定性。然而，这种持续预张力可能对结构完整性产生负面影响，通过疲劳累积或极端拉伸载荷导致筋腱失效。因此，对系泊筋腱进行连续监测对于TLP型FOWT的安全稳定运行至关重要。
传统的海底线路监测依赖成本高昂的遥控潜水器（Remotely Operated Vehicle, ROV）。为克服这一局限，基于传感器的监测方法受到广泛关注。已有研究利用数学模型成功实现了水下立管和线路的监测框架，其中Chung等人证明了利用TLP型FOWT的顶部张力和测斜仪传感器信号可以有效估计筋腱顶部、中部和底部截面的弯矩和张力。
近年来，机器学习技术因其建模复杂非线性行为和从大量监测数据中提取隐藏模式的能力，被广泛应用于海上监测系统研究。已有研究分别采用深度神经网络（Deep Neural Network, DNN）检测TLP系统受损系泊缆，以及采用循环神经网络（Recurrent Neural Network, RNN）开发悬链线系泊缆损伤检测算法。针对FOWT，已有研究利用长短期记忆网络（Long Short-Term Memory, LSTM）和门控循环单元（Gated Recurrent Unit, GRU）进行叶片损伤检测，以及基于注意力网络的动态响应预测方法。
然而，现有研究大多聚焦于具有分布式系泊系统的半潜式FOWT平台，针对TLP系统筋腱监测的研究相对有限。在已应用神经网络的研究中，范围主要局限于监督分类任务。对于系泊筋腱，尽管全面的损伤评估很重要，但估计用于基于时间序列监测的动态响应同样关键。因此，适用于TLP系统动态张力预测的神经网络架构尚未得到深入研究，且很少有研究系统比较用于TLP筋腱多点连续预测的神经网络架构。基于此，本研究开展了适用于TLP型FOWT的基于人工智能的系泊张力监测算法研究，并对常用时间序列预测的循环神经网络（LSTM和GRU）与基于自注意力的深度学习算法进行了比较评估。
二、关键技术方法概述
研究人员以韩国船舶与海洋工程研究所（KRISO）和韩国能源研究所（KIER）联合开发的15 MW TLP型FOWT为研究对象，采用OrcaFlex（版本11.5）商业动态分析软件进行全耦合时域数值仿真生成训练和测试数据。仿真环境设定于韩国东海蔚山近海约58 km处，基于区域波浪散布图选取20个仿真案例，按14、3、3分配至训练、验证和测试集。输入特征选取波浪高程、导缆孔处筋腱运动、浮体运动和塔架运动等近水面易获取的传感器数据，输出目标为#2、#5和#8号筋腱在导缆孔、中部和锚固点的有效张力。三种神经网络架构（EN-ATT、LSTM和GRU）均采用多对一架构进行单步超前预测，输入窗口为200个时间步。为评估模型对不确定性的敏感性，研究人员向输入数据独立添加标准差为原始信号标准差5%、10%、20%和30%的高斯噪声，形成四种噪声水平工况。
三、研究结果
学习过程分析： 在标称条件下，EN-ATT在整个训练过程中RMSE和MAE值始终低于循环网络，显示出更好的预测潜力。在噪声条件下，GRU和LSTM出现明显的过拟合现象，且随噪声水平增加而加剧；相比之下，EN-ATT在噪声存在时未表现出明显过拟合，训练和验证损失趋于收敛至相对稳定值。值得注意的是，尽管EN-ATT包含更多可训练参数，但其在噪声条件下仍表现出更稳定的学习过程，表明性能提升可能不仅归因于模型规模，还与基于注意力的架构结构特性有关。
标称条件下的性能比较： 在测试数据集上，EN-ATT取得了最低的RMSE和MAE值以及最高的决定系数，其次是GRU和LSTM。所有算法的预测误差在各筋腱位置均保持在±10%以内。时间序列和功率谱密度（Power Spectral Density, PSD）分析表明，预测结果与实际值高度吻合，主要频率成分（约0.2 Hz的波频响应、纵摇固有频率响应和约0.45 Hz的叶片固有频率响应）均被模型有效捕获。由于TLP系泊系统特性，导缆孔、中部和锚固点的系泊张力仅随水深增加呈现轻微向下偏移，表明仅利用近水面传感器数据即可充分预测水下筋腱张力。
噪声条件下的性能比较： 随着噪声水平增加，所有算法的预测性能均出现退化，但EN-ATT在所有噪声水平下均保持较低的误差值和较高的决定系数。即使在30%噪声水平下，所有算法的整体决定系数仍超过0.96，预测值保持在实际值的±10%以内。统计指标分析显示，所有算法预测的最大值、最小值和标准差均在实际值5%以内，平均值在1%以内。然而，EN-ATT在极值预测方面并未始终优于其他算法，表明RMSE和决定系数的优越性能并不必然保证极值预测的更高精度。PSD分析显示，随着噪声水平增加，高频区域预测精度趋于退化，但约0.9 Hz的主导峰值在所有噪声水平下均被稳定捕获。
四、讨论与结论
特征梯度分析揭示了各网络内部学习特性：在标称条件下，筋腱张力预测主要依赖浮体纵摇响应、筋腱垂荡响应和塔架纵摇响应，与TLP系统动力学特征一致。EN-ATT在预测点前约10个时间步内表现出突出的垂荡方向梯度，对应系统垂荡固有频率（0.6658 Hz）；约20个时间步处的梯度与纵摇固有频率（0.2558 Hz）相关；约40个时间步处的梯度对应测试案例的主导波浪周期（8.5 s）。在噪声条件下，所有网络均纳入更多输入特征，且EN-ATT在远端时间步（约160-200）表现出显著的梯度幅值，接近系统纵荡固有周期（约141个时间步）和相关的低频慢漂响应，表明其预测可能利用更长范围的时间信息。
综合评估表明，EN-ATT在RMSE、MAE和决定系数方面总体上优于传统循环网络，但在极值预测和突发张力变化方面并非始终更优。这归因于三个因素：RMSE损失函数由均值附近的丰富样本主导；自注意力输出的softmax加权平均特性倾向于平滑突变过渡；训练案例代表正常运行海况，极端张力偏移仅占训练样本的极小部分。从实际监测角度看，所有三种架构在重建筋腱响应的主要特征方面均提供了相当水平的保真度，研究结果应被解读为验证了虚拟传感框架的可行性，而非确立某一架构在实践监测中具有普遍优越性。
研究结论可总结为：在标称情况下，基于自注意力的网络取得了比LSTM和GRU更低的损失函数值和更高的决定系数；由于TLP系泊系统固有特性，三种神经网络均能仅利用自由表面上方或附近的传感器准确预测水下点的动态张力。在噪声情况下，自注意力网络在评估指标方面再次优于循环网络。在极值预测方面，EN-ATT未始终展现优越性能，表明更高的评估指标分数并不必然保证所有方面的预测精度。特征梯度分析表明，神经网络主要学习与TLP系统及其筋腱垂向运动相关的响应模式，EN-ATT的特征梯度敏感性延伸至比循环网络更长的输入滞后，表明其可能利用更宽的时间输入范围。基于这些发现，进一步开发基于自注意力的神经网络是值得推进的研究方向。
