随着对海上可再生能源需求的增加以及对近海浅水区域的广泛利用，海上风能产业正将重点转向深水区域（Chen和Lin，2022；Zhang等人，2020）。浮动式风力涡轮机已成为深水风能开发的主要且最具可行性的解决方案。这些系统通常由四个主要组成部分构成：风力涡轮机、支撑塔、浮动平台和系泊系统（Haider等人，2025；Pham等人，2021）。近年来，研究人员提出了多种类型的浮动平台，其中最常用的有驳船型、半潜式、柱式和张拉腿式平台。在这些类型中，半潜式浮动平台因其良好的稳定性、易于制造和安装而受到广泛青睐（Zhao等人，2020）。系泊系统是确保浮动式风力涡轮机稳定运行的关键组成部分，它为不同平台提供了安全的工作条件。与其他系泊配置相比，张拉式系泊系统因其轻量化和成本效益而更受欢迎（Bugg等人，2004）。然而，由于海上风力涡轮机距离陆地较远，在海洋环境载荷的作用下，半潜式平台会发生显著移动，从而导致系泊绳产生较大的拉伸变形，这限制了平台的移动（Li等人，2025）。此外，系泊结构还会受到海洋载荷和腐蚀等恶劣环境因素的影响，这些因素可能会造成损伤并严重危及半潜式浮动风力涡轮机的安全运行（Bae等人，2017）。对浮动式风力涡轮机组件的结构健康状况进行监测和损伤识别具有重要意义，已成为多项研究的重点（Huang等人，2025；Jiang等人，2024a，2024b；Wang等人，2025）。准确及时地识别系泊绳的损伤对于确保半潜式浮动风力涡轮机的可靠性和安全性至关重要（Ma等人，2020；Wu等人，2022）。
由于系泊绳位于深水中，对其结构健康状况的监测是一项具有挑战性的任务。通常使用遥控潜水器（ROV）通过图像或视频对系泊结构进行视觉检查（Ayers和Aksu，2009）。此外，还开发了基于振动的风力涡轮机结构健康监测和叶片分层检测方法，以促进早期损伤的发现（Loh等人，2017；Oliveira等人，2018）。然而，由于ROV在深水中的操作难度较大，也提出了基于声发射的监测方法（Bashir等人，2017）。在（Angulo等人，2017）的研究中，采用了基于声发射的技术来监测系泊绳链环因拉伸应力而产生的裂纹。操作模态分析也被用于浮动式风力涡轮机系统的结构健康监测。加速度计传感器信号用于操作模态分析，以识别由于浮动式风力涡轮机的某个组件（例如系泊绳、叶片、塔架）受损而导致的结构动态特性的变化（Kim等人，2019）。
随着人工智能的不断发展，深度学习模型在风力涡轮机结构分析和结构健康监测中的应用得到了探索（Lin等人，2025；Wang等人，2024a；Yang等人，2022；Zhang等人，2025）。Guarize等人（2007）使用人工神经网络（ANN）对系泊结构和升管进行随机动态分析，以预测其动态响应。Aqdam等人（2018）开发了一种基于径向基函数（RBF）的神经网络，用于检测系泊结构的轻微和中等程度损伤。同样，Chung等人（2020）提出了一种基于循环神经网络（RNN）的方法，在实际现场条件下检测悬链式系泊结构的损伤。Lee等人（2021）利用浮动结构在广泛水动力条件下的动态响应和系泊绳状态来训练深度神经网络（DNN），并使用该网络来识别与系泊绳损伤相应的响应变化。Saad等人（2021）比较了使用差分全球定位系统获得的实时平台位置和使用长短期记忆（LSTM）神经网络计算的位置，并利用两者之间的差异来判断系泊绳的失效。最近，LSTM网络也被用于一些研究中，用于检测系泊绳的异常和失效（Mao等人，2023；Yao等人，2022）。
在实际应用中，采用了多种检查和监测方法来减少系泊绳的意外失效。根据监管要求，系泊绳的检查在建造完成后以及在使用过程中定期进行，可以使用ROV或潜水员进行视觉检查，具体取决于水深（Rp，2008）。通过视觉检查或ROV识别出的关键或可疑系泊绳组件，进一步使用无损检测方法进行评估。例如，无损超声测试利用高频声波来识别内部裂纹、腐蚀或链环厚度的变化（Ma等人，2019）。近年来，三维成像技术在腐蚀和磨损识别方面的应用取得了显著进展。为此，配备了高分辨率摄像头和灯光的ROV用于测量系泊参数并创建三维几何模型以进行健康评估（Pederson等人，2013；Sachan等人，2021）。为了获得准确的几何数据，清洁系泊组件是三维成像面临的主要挑战。
监测对于评估系泊系统的完整性以及确保结构的完整性非常重要。传统上，监测是通过测量绳索张力、导缆角度或平台相对于其平衡位置的偏移来进行的（Ma等人，2019）。通过在系泊绳上安装一个或多个负载传感器来测量绳索张力（Hageman等人，2019；Pauw等人，2021）。导缆处的倾斜角度也被用来估计导缆张力。为此，安装了倾斜仪来测量导缆角度，并使用连续悬链线方程来估算张力（Jin和Hong，2024）。除了张力监测外，位置监测也是识别系泊绳失效的另一种方法。为此，使用差分全球定位系统（DGPS）通过监测平台的移动及其相对于平衡位置的任何微小偏移来识别系泊绳失效（Minnebo等人，2014）。此外，声发射是一种实时监测技术，用于识别系泊绳任何组件的损伤或结构变化（Riccioli等人，2024；Rivera等人，2018）。在这种技术中，监测结构变化（例如裂纹或塑性变形）过程中产生的应力波，以实时识别损伤的发展（Riccioli等人，2024）。
系泊绳的结构健康监测是一项重要但具有挑战性的任务。实时健康监测是首选，因为它可以立即指示损伤情况，特别是在不允许系泊绳失效的系泊系统设计中。另一方面，对于具有高冗余度的系泊系统设计，非实时监测也是可以接受的。然而，系泊绳的监测和视觉检查面临许多挑战，例如海洋生物的附着使得通过视频清晰地检查系泊绳变得困难。因此，研究人员一直在探索深度学习模型在系泊绳失效识别中的应用。尽管已经开发了多种神经网络，但在早期阶段识别系泊绳的损伤仍然很困难，这对浮动式风力涡轮机的结构完整性至关重要。在本研究中，开发了一种结合了增强符号聚合（ESAX）和基于卷积神经网络（CNN）的ResNet-50模型的方法，用于在早期阶段识别系泊绳的损伤。ESAX是对符号聚合近似（SAX）方法的改进，用于时间序列数据的符号化表示。ESAX通过考虑时间序列数据的最大值、最小值和平均值来提高符号表示的准确性，而SAX仅限于平均值（Lin等人，2003）。
ESAX提供了时间序列数据的高层次符号表示，能够识别信号中的任何变化，因此已被应用于多个领域，如机械设备故障和医学领域的早期疾病检测（Jain等人，2024；Wang等人，2024b；Zhang等人，2019）。在本研究中，ESAX用于符号化表示浮动式风力涡轮机的动态响应，然后将其转换为位图图像。随后，开发了一个卷积神经网络，并在带有完好和不同程度损伤的系泊绳的动态响应位图图像上进行训练。所开发的集成ESAX-ResNet-50框架能够利用浮动式风力涡轮机的时间序列响应，在早期阶段识别系泊绳的损伤。文章的其余部分安排如下：第2节简要描述了ESAX-ResNet-50模型。2.1小节讨论了浮动式风力涡轮机的物理特性。2.2节讨论了ESAX和CNN模型，2.3节分别讨论了浮动式风力涡轮机响应的ESAX和位图编码。第3节提供了在半潜式平台上进行的数值模拟的详细信息，包括考虑的系泊绳损伤情况和水动力环境。
