编辑推荐：
动态电缆结构异常诊断方法与框架基于LSTM-SAE模型，结合海况参数与平台运动数据构建张力预测模型，通过极值预测算法动态调整异常阈值，实现早期损伤检测。摘要：针对浮式风电动态电缆微损伤检测难题，提出融合LSTM预测与SAE残差分析的异常诊断框架，创新性建立基于极值预测的动态阈值机制，通过高保真数值模拟验证，当损伤度达4%时可100%准确识别，有效提升运维安全性与经济性。
Xu Zhang|Haowen Yao|Haolang He|Yurun Zhu|Jiayi Wang
中山大学海洋工程与技术学院及南方海洋科学与工程广东实验室（珠海），珠海，519000，中国
摘要
动态缆绳是连接浮动平台与固定海底电缆的关键组件，当它们发生故障时，对海上风电项目具有重大的经济影响。因此，准确评估动态缆绳的运行状态并及时识别潜在故障对于确保海上风电场的安全运行至关重要。为了解决检测动态缆绳早期微损伤的技术难题，本研究提出了一种动态缆绳结构异常诊断方法和诊断框架，该方法结合了长短期记忆网络（LSTM）和堆叠自编码器（SAE）。基于实时监测数据，使用极值预测算法建立了动态阈值确定机制。根据海洋环境参数、平台六自由度运动和动态缆绳张力信息，构建了动态缆绳张力预测模型。通过SAE方法计算正常状态下动态缆绳的异常诊断指数，并据此确定诊断阈值。根据动态缆绳运行过程中的实时诊断指标，判断其状态。当损伤程度超过4%时，该方法可以准确诊断动态缆绳的状态。研究结果可以有效提高浮动风力涡轮机动态缆绳的运行和维护安全性与可靠性，并为预防性维护提供理论基础和技术支持。
引言
随着全球海洋绿色经济的快速发展，海洋可再生能源，特别是海上风电，受到了国际社会的广泛关注（Barter等人，2020年；Edwards等人，2024年；Sn，2005年）。浮动式海上风力涡轮机（FOWTs）是开发深水区域风能的关键技术（Moideen等人，2025年；Ménard和Cartraud，2023年）。动态缆绳作为连接浮动平台与海底静态电力基础设施的组件，对于电力传输和系统控制至关重要。它们约占风电场总投资的10%-15%（Blanco等人，2009年），并被认为是影响系统可靠性和运营成本的主要因素。这些缆绳受到复杂的载荷环境影响，包括水动力作用和持续的平台运动，导致疲劳、磨损和退化。缆绳故障对海上风电项目造成了巨大的经济损失，导致大量的保险索赔和高昂的维修费用以及长时间的停机（Amaechi等人，2023年）。因此，开发能够准确评估动态缆绳运行状态并迅速诊断初期故障的智能方法对于确保海上风电场的长期安全和经济可行性至关重要。
大量的研究工作集中在海底结构的分析和监测上。许多研究对比了不同环境条件下动态缆绳的数值模拟和疲劳分析。研究表明，波浪配置（wave configuration）比悬链线配置（catenary configuration）更能有效减轻最大张力和疲劳损伤（Rentschler等人，2020年；Pillai等人，2022年）。Hanonge和Luppi（2010年）也推荐使用波浪配置。Rentschler（2020年）通过参数分析得出，悬链线配置在水深超过100米时不可行，因为悬链线配置在悬挂点处的张力过高，而波浪配置的张力要低得多。鉴于波浪配置的优势，本文也采用了波浪型动态缆绳进行分析。尽管这些研究对设计阶段不可或缺，但它们不太适合用于缆绳运行过程中的实时状态评估。
随着结构健康监测（SHM）和数据科学的进步，数据驱动方法越来越多地被用于预测结构响应。对于动态缆绳和类似的结构（如脐带缆），研究人员采用了长短期记忆（LSTM）网络和其他深度学习模型来高精度预测关键参数，如张力和弯矩（Yan等人，2023年）。还提出了混合模型来量化预测不确定性（Su等人，2025年）。这些研究表明数据驱动方法在响应预测方面具有强大的能力，但主要解决了正常结构条件下的预测挑战。
一个新兴但尚未成熟的研究领域是使用数据驱动方法直接进行海底结构的健康评估和故障诊断。先驱性工作提出了用于运营维护的数字孪生框架（Huang等人，2025年），并采用了径向基函数（RBF）网络（Rezaniaiee Aqdam等人，2018年）和卷积神经网络结合自回归（Sharma和Nava，2024年）等方法进行系泊线的故障检测。这些研究标志着向基于状态的维护迈出了重要一步。
然而，在这个不断发展的数据驱动状态评估领域中，针对动态缆绳异常诊断的研究仍处于起步阶段。在预测结构响应和诊断其健康状态之间存在关键差距。大多数现有的诊断研究集中在系泊系统上，或者基于不针对动态缆绳独特退化机制和运行数据特征的通用框架。特别是，缺乏能够检测早期轻微损伤（例如，刚度降低低于5%）的方法，而这些损伤在监测数据中通常存在较强的噪声和显著的环境变化。此外，许多方法依赖于固定的异常检测阈值，这些阈值往往不适用于FOWTs的非平稳运行条件，导致误报率较高或漏检。为了弥合这些差距，本研究提出了一种新颖的异常诊断方法和专门为动态缆绳设计的集成框架，利用了长短期记忆（LSTM）网络和堆叠稀疏自编码器（SAE）之间的协同作用。本研究的主要贡献有四点：1. 我们开发了一个专用模型，其中LSTM网络根据环境和平台运动输入准确预测正常条件下的张力响应；随后，SAE处理预测残差以提取敏感的损伤特征并计算出可靠的异常诊断指数（DI），有效区分早期损伤特征和环境效应。2. 超出静态阈值的范围，我们引入了一种利用极值预测（ACER方法）对实时监测数据进行处理的方法，以建立随时间变化的、自适应的早期预警阈值。这确保了监测系统在不同海况下仍然保持敏感性，显著降低了误报的可能性。3. 我们详细阐述了一个逐步的操作框架，该框架整合了实时监测、通过动态阈值进行单点检测以及分层状态判断逻辑。该框架为区分瞬态事件、冲击引起的损伤和渐进式刚度退化提供了明确的指导。4. 最后，我们通过高保真数值模拟在不同海况下具有不同程度损伤（刚度降低1%-5%）的动态缆绳，定量证明了所提出方法的有效性。结果明确表明，当损伤程度达到4%或更高时，我们的方法可以实现100%的诊断准确性，这在实际应用中具有显著的敏感性提升。本文的结构如下：第2节介绍了研究中涉及的方法；第3节描述了基于LSTM-SAE的动态缆绳异常诊断方法和框架；第4节详细介绍了数值模型的参数和设置；第5节详细讨论了基于LSTM-SAE方法的诊断结果；最后给出了相应的结论。
部分摘录
ACER方法
动态缆绳的张力时间序列表现出明显的非平稳性和极值聚集现象，特别是在恶劣海况下，可能会出现极端张力峰值，对结构完整性构成威胁。为了准确评估极端响应，采用了ACER方法来建模条件超越概率。
在本研究中，极值序列是通过滑动窗口峰值提取方法获得的，窗口长度设置为900秒
基于LSTM-SAE的动态缆绳异常诊断方法和框架
由于缆绳故障对海上风电项目具有重大经济影响，因此掌握动态缆绳的运行状态并进行准确诊断以采取相应的预防和维护措施至关重要。本文提出了一种结合LSTM和SAE方法的动态缆绳结构异常诊断方法和框架。该方法基于极值预测方法建立了动态预警阈值确定标准
模型参数设置
本研究以NREL 5 MW风力涡轮机（JM等人，2009年）作为研究对象。表1列出了风力涡轮机的参数。研究的浮动平台是OC4 DeepCwind半潜式平台，其详细信息列在表2中。涡轮机和平台的示意图如图7(a)所示。
风力涡轮机系泊系统的详细参数列在表3中。图7(b)显示了系泊系统的平面布局示意图。系泊系统包括
基于LSTM的动态缆绳张力预测模型
基于LSTM，开发了一个动态缆绳张力的预测模型。LSTM模型的输入参数包括时间t时的风速、波高和流速；平台六自由度运动；以及时间t-1时的动态缆绳张力。输出参数是时间t时的动态缆绳张力。
每个样本的模拟时间为3小时。使用第一小时的数据训练LSTM模型，随后2小时的数据用于验证预测的准确性
结论
考虑到检测动态缆绳早期微损伤的难度，本文提出了一种结合LSTM和SAE方法的动态缆绳结构异常诊断方法和框架。该方法基于实时监测数据使用极值预测方法确定动态阈值。根据海洋环境参数、平台六自由度运动和动态缆绳张力信息，构建了动态缆绳张力预测模型
CRediT作者贡献声明
Xu Zhang：撰写 – 审稿与编辑、项目管理、方法论。Haowen Yao：撰写 – 原始草案、可视化、形式分析。Haolang He：验证、方法论。Yurun Zhu：验证、调查。Jiayi Wang：调查。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：
Xu Zhang报告称，中国国家自然科学基金提供了财务支持和文章发表费用。Xu Zhang还报告称，中华人民共和国科学技术部提供了财务支持和文章发表费用。如果还有其他作者，他们声明没有已知的利益冲突
