人工智能时代风电机组结构数字孪生：演进、应用与未来展望

《Renewable and Sustainable Energy Reviews》：Digital twins of wind turbine structures in the era of artificial intelligence: Evolution, applications, and future perspectives

　　

•批判性地回顾了风力发电机支撑结构的数字孪生演进。
•综合了一种用于结构监测的新型闭环技术框架。
•详述了基于物理的模型与人工智能的集成。
•提出了一种面向资产管理的全流程、生命周期感知架构。
•识别了技术瓶颈及未来弹性系统的路线图。

引言
随着全球能源需求的持续增长和空气污染日益严重，可再生能源的生产变得比以往任何时候都更加关键。从 2024 年到 2031 年，全球陆上风能市场预计将大幅增长，整个风能行业预计将在 2024 年产生 1.52 万亿千瓦时的电量。这代表了预测期内 4.90% 的复合年增长率 (CAGR) [1,2]。这些数据清楚地表明，陆上风能是可再生能源行业中快速增长的部门。欧盟已宣布，到 2030 年，总能耗中至少 42.5% 将来自可再生能源 [3]。目前，风能占欧盟总装机容量的 17% [4]。在中国，预计到 2024 年，陆上风电装机容量将达到 106 吉瓦，而到 2027 年，海上风电安装量预计将超过 33 吉瓦；后者在未来五年的复合年增长率预计为 31% [5]。到 2024 年，美国预计将新增 40.6 吉瓦的可再生能源装机容量，其中首次，风电和太阳能发电量将超过燃煤发电量 [6]。

这种快速扩张不仅仅是装机容量增加的问题；它带来了重大的结构工程挑战。风力发电机的持续大型化对其支撑结构的完整性提出了越来越严格的要求，疲劳和极限状态控制着结构设计和验证。因此，需要先进的优化策略来满足这些极限状态标准，同时在结构性能、安全裕度和成本效益之间保持适当的平衡 [7]。机组部件尺寸的增加和相应的柔性增加了复杂的动态行为，包括气弹和水弹现象，这些因素必须在结构设计和分析中仔细考虑 [8]。对于海上安装，这些挑战因一系列恶劣环境因素的汇聚而被放大，包括复杂的水动力学、基础冲刷侵蚀和普遍的材料腐蚀，这些因素共同威胁着结构完整性并可能缩短运行寿命 [9,10]。特别是腐蚀 - 疲劳的管理需要先进的评估方法 [11]。此外，海上站点的远程性质使操作和维护的可访问性变得复杂，使得大规模结构部件的检查和修理本身就是一个问题 [12,13]。

伴随着这种结构复杂性的升级，嵌入式传感系统的使用日益普遍。现代风力发电机通常配备有监督控制与数据采集 (SCADA) 系统，提供运行数据，通常辅以专门的结构健康监测 (SHM) 框架，以捕捉振动响应和其他物理参数 [14,15]。这种数据丰富的环境为数字孪生 (DT) 范式提供了基础输入，该范式结合了 SCADA 和 SHM 系统数据，以实现结构劣化的预测和损伤评估 [16]。DT 被概念化为物理资产的高保真虚拟表示，通过持续的双向数据流动态链接 [17,18]。该范式不同于静态的建筑信息模型 (BIM) [19,20]；它代表了包括物联网 (IoT) [21]、大数据分析 [22]、云和边缘计算 [20,22] 以及人工智能 (AI) [23] 等先进技术在内的综合集成，以支持生命周期管理 [24]。在本综述中，人工智能作为一个广义术语，既涵盖任务特定的学习方法，也涵盖新兴的高层系统。对于这里涵盖的风力发电机结构应用，人工智能通常指经典机器学习 (ML)、深度学习 (DL) 和科学机器学习 (SciML)，包括用于结构建模、监测、预测和决策支持的物理信息和混合物理 - 数据方法。新兴的大语言模型 (LLMs)、基础模型和基于代理的人工智能系统也包含在此定义中，它们作为工作流编排和决策支持界面的高层工具。传感器数据和智能分析的集成使得能够创建一个持续更新的数字复制品，称为正向数字孪生，它反映了结构的实际状态。在数据和人工智能的驱动下，该框架还可以开发自主性和决策能力，形成逆向数字孪生，从而提供从虚拟域到物理域的反馈 [25,26]。工程界各学科对这项技术的兴趣日益浓厚，这一点已得到实证证实。

对学术文献的初步分析（在第 2 节中进一步详述）证实，虽然 DT 概念在工程学科中已经确立，但其在风力发电机支撑结构这一专门领域的应用仍相对初兴。分析表明存在显著差异：一般土木工程基础设施的 DT 研究广泛，而专门针对风力发电机结构的研究则少得多。然而，这个子领域正在经历快速增长，这突显了一个新兴且关键的研究领域。因此，需要进行系统的综述以综合当前的知识体系，巩固分散的方法论，并描绘未来研究和工业应用的清晰路径。

本综述的主要目标是提供关于应用于风力发电机支撑结构的 DT 的全面且前瞻性的综合。虽然以前的研究探讨了整个风能系统或更广泛民用基础设施背景下的数字孪生，但本综述通过专注于结构领域而区别于其他研究。本文系统地分解了实施工作流程（从数据获取和处理到虚拟感知、模型更新和预测性评估），并批判性地审查了每个阶段采用的算法和计算框架。

具体来说，本综述的目标是：(1) 考察 DT 框架的历史演进、架构原则和工业背景；(2) 总结 DT 在风力发电机结构生命周期各阶段的应用，包括监测、诊断、预测和维护；(3) 批判性地回顾支撑 DT 实施的技术，包括 SCADA、SHM、AI/ML、虚拟感知、数据解释和计算建模；(4) 将 DT 框架与传统 SHM 和模拟驱动的方法进行比较；(5) 提出一种专为风力发电机支撑结构定制的综合 DT 框架；以及 (6) 确定当前局限、研究空白和向智能化、自主化和生命周期导向的 DT 系统发展的未来趋势。

本文其余部分组织如下。第 2 节介绍研究方法，包括文献检索策略、选择标准和潜在偏见来源。第 3 节回顾了 DT 框架的演进和原则，涵盖其历史发展、核心架构组件和战略背景。第 4 节讨论了 DT 在风力发电机结构中的应用，包括先前框架、生命周期应用、已证实的好处和软件平台。第 5 节检查了 DT 系统的使能技术，重点在于 AI、SCADA 和 SHM 的集成，以及数据解释、建模技术和与传统方法的比较分析。第 6 节提出了一种针对海上风力发电机支撑结构的综合 DT 框架，并强调了其相对于现有架构的显著特征。最后，第 7 节讨论了主要局限性、未来研究方向以及对 DT 在下一代智能风能系统中作用的结论性观点。

章节片段
文献检索策略和数据库
文献库是通过与既定综述方法一致的系统检索策略建立的。检索在 ScienceDirect、Web of Science 和 Engineering Village [[27], [28], [29]] 中进行，涵盖 1997–2025 年期间，最终查询于 2026 年 4 月执行。最初使用术语“数字孪生”进行了探索性检索，以界定 DT 相关研究在工程学科中的整体增长。随后，进行了一次有针对性的检索

历史演进
数字孪生的概念演进，如图 2 所示，可以追溯到几个不同的技术时代，始于 20 世纪中叶管理复杂、高风险工程系统的必要性。1960 年代，美国国家航空航天局 (NASA) 在其阿波罗计划期间开发了第一个显著的“孪生”概念应用 [31]。这项举措涉及构建两艘物理上相同的航天器，其中一个用于

先前风力发电机结构数字孪生框架的回顾
一些先前的研究通过明确集成数据获取、物理建模和预测分析，提出了风力发电机结构的 DT 框架。土木工程和机械工程领域的早期 DT 框架强调数据 - 模型融合作为基础组件，将多源传感数据与基于物理的模型相结合，以实现物理资产的同步表示。代表性框架包含异质数据流，过滤和

人工智能、SCADA 和 SHM 在工程应用中的集成
如第 1 节所述，本综述将人工智能作为一个广义术语，涵盖任务特定的学习方法和新兴的高层人工智能系统。在当前的风力发电机结构数字孪生文献中，占主导地位的人工智能组件是机器学习 (ML)、深度学习 (DL)、科学机器学习 (SciML)、物理信息学习、概率学习以及基于模拟数据、监测数据或其组合训练的混合物理 - 数据模型 [156]。这些方法支持状态估计、载荷重建，模型

框架描述及其与现有分层架构的关系
基于先前研究报告的综合数字孪生架构，本工作提出的框架被构想为一个前瞻性的、以结构为中心的数字孪生，用于在真实运行条件下对海上导管架式风力发电机支撑结构进行监测、预测和运行管理（如图 13 所示）。选择海上导管架支撑风力发电机作为参考系统是由于其固有的结构复杂性，多组件

主要局限性和瓶颈
尽管取得了显著的技术进步和越来越多的成功演示，但风力发电机结构数字孪生的大规模和常规部署仍受到一系列持续且相互关联的瓶颈限制。如图 14 所示，这些限制不仅源于与建模、计算和数据集成相关的技术挑战，还源于更广泛的社会技术因素和组织因素，这些因素共同制约

结论
本综述系统地综合了风力发电机支撑结构数字孪生技术的现状，跨越了概念演进、使能技术、生命周期应用和持续瓶颈。证据显示，该领域已从概念框架发展为经过验证的操作能力。综合当前知识得出的主要发现如下。
•风力发电机支撑结构数字孪生的研究正在迅速

贡献声明
郑涛：可视化、软件、调查、正式分析、写作 - 原稿。Ahmed Elgammal：方法论、验证、写作 – 审阅和编辑。Junlin Heng：概念化、资金获取、监督、写作 - 审阅和编辑。Kaoshan Dai：监督、资源。Charalamos Baniotopoulos：监督、写作 – 审阅和编辑。

利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系，这可能影响本报告中工作。

致谢
作者感谢中国国家重点研发计划 (2024YFF0505400)、国家自然科学基金 (52208182, 52308186)、四川省科技厅项目 (2025ZNSFSC1316)、中国国家留学基金管理委员会 (2024GSP006413) 和中央高校基本科研业务费 (YJ202404) 提供的财政支持。深表谢意。本文表达的任何观点、发现和结论均为

郑涛|Ahmed Elgammal|Junlin Heng|Kaoshan Dai|Charalampos Baniotopoulos