人工智能技術在海上風機領域的應用綜述

康藝柔 陳 鵬 程正順 胡志強

（1. 上海交通大學 海洋工程國家重點實驗室 上海 200240；2. 上海交通大學三亞崖州灣深?？萍佳芯吭喝齺?572024； 3. 紐卡斯爾大學 工程學院 紐卡斯爾 NE1 7RU）

0 引 言

綠色低碳在我國的能源發展藍圖中已被確立為主要目標。習近平主席的倡議中強調，我國計劃在2030年前實現“碳達峰”，并在2060年前達到“碳中和”的目標。在該背景下，海上風電作為新興能源領域的領軍者正迅速崛起，成為全球綠色低碳技術的制高點[1]。我國幅員遼闊的海域蘊藏著豐富海洋風能資源，這為海上風電的可持續發展提供了堅實基礎。近年來，隨著近海風能資源的加速開發，海上風機不斷向離岸化、規?；痛笮突~進，同時逐步拓展至深遠海領域[2]。

三峽能源、中國海裝和中海油等機構作為我國海上風電領域最早開展研發的企業，取得了顯著的成就，諸如三峽引領號、扶搖號等漂浮式風機的示范項目，具有突出的標志性意義[3]。這些項目的推進也豐富了海上風電開發的經驗，進一步提升了對風機結構安全性能的認識。鑒于海上風機的工作環境異常惡劣，其結構往往需承受來自風、浪、流等多重荷載的持續作用。因此，在設計和優化階段,開展高效的海上風機動力響應分析至關重要，可以確保海上風機安全運行，降低結構受損的風險[4]。與此同時，實現智能化健康狀態監測和精確的故障診斷技術，對于風機運維階段的成本降低和效率提升同樣具有重要推動作用。通過實時監測風機的工作狀態，智能系統可以及時捕捉潛在問題并預測可能的故障，從而實現減少停機時間、提高運維效率的目標。智能化技術的應用，不僅有助于延長海上風機的使用壽命，還能夠為未來海上風電行業的可持續發展帶來關鍵性的支撐。

人工智能（artificial intelligence, AI）技術近年來正處于快速發展階段，受益于計算機運算能力的提升，AI技術已經可以在許多任務上超越人類[5]。目前，AI技術的應用主要分為[6]：

（1）監督學習：依賴于標記的訓練數據來學習輸入與輸出之間的映射關系，以實現對未見過的輸入進行準確的預測，常見于分類和回歸任務[7]。

（2）無監督學習：不依賴于標記的訓練數據，而是直接分析數據以發現其中的模式或結構，常用于聚類、降維和生成模型等任務[8]。

（3）強化學習：通過智能體與環境的交互來學習如何實現目標。智能體的目標是學習一個策略，以最大化長期獎勵，廣泛應用于游戲、機器人控制和實時決策等領域[9]。

AI技術可以用于模擬物理問題，具有很好的泛化能力和統計推斷能力，可為物理建?；驅嶋H工程解決方案提供一種替代方法，涵蓋了數據分析、預測模型、自動化控制和可再生能源等多個方面。例如：AI模型能夠通過分析海洋環境數據來預測精確的海洋波動、風速和其他環境參數，這對于海洋工程的規劃和運營至關重要[10-11]。此外，AI技術還在開發自動化控制系統和決策支持系統方面發揮著重要作用，這些系統可以實時監測海洋工程設施的狀態，并在必要時提供決策支持。在海洋可再生能源領域，AI技術的應用主要集中在優化能源捕獲和轉換，通過實時分析海洋環境數據，AI模型可以優化海洋能源轉換設備的運行參數，從而提高能源轉換效率[11]。綜合來看，AI技術在海洋工程領域展現出廣泛的應用潛力和實際價值，為海洋工程的設計、優化、運營和教育提供了強大的支持和無限的可能性。

隨著AI技術的蓬勃發展，海上風電技術正逐步融入智能化的浪潮。海上風機作為當今新能源領域的重要代表，構成了1個高度復雜的工程系統，其由上部風機結構、塔架、支撐平臺和系泊等多個精密組件組成。這些組件不僅需要在多變的海洋環境中實現協調配合，還必須承受來自風、浪、流等復雜荷載的持續挑戰。AI技術的迅速崛起為海上風電領域帶來了前所未有的創新契機，其豐富的多樣性為海上風電的多個方面提供了更多解決方案，如：監督學習技術能夠通過歷史數據進行模型訓練，以預測風機性能、動態響應等關鍵參數；非監督學習技術則可以從大量數據中挖掘隱藏的模式和規律，為風機的優化設計和運維策略提供數據支持；聚類技術則有助于將海上風電場中的風機進行分類，實現定制化管理和運維；強化學習技術則能夠通過不斷學習與優化，為海上風機提供更智能化的控制策略。一些學者回顧了機器學習在風電行業關于狀態監測[12]和功率預測[13]方面的應用?？偠灾?，這些技術的有機融合，將為海上風電的整體性能、穩定性和智能化提供更加全面的提升。

由于復雜的氣象和海洋波浪的隨機性、流動的黏性效應、非線性共振等因素的影響，在海上風機設計、運維和優化過程中，傳統的物理建模方法可能受限。物理神經網絡（physics-informed neural network，PINN）作為AI技術與工程實踐相結合的應用，在未來海上風機領域的智慧化發展過程中將具有重要意義。值得注意的是，盡管PINN等方法在風機建模與控制領域展現了廣泛的應用潛力，但其在某些情況下需要大量數據進行訓練和優化，特別是在涉及機器學習算法的情況下，獲取數據的功能可能受限。

基于以上背景，本文旨在以海上風機為研究對象，方向性地探討AI技術在海上風機動力響應預報、運維監測、設計運維優化這3個關鍵領域的主要應用（如圖1所示）。此外，PINN作為AI技術與物理模型相融合的新興方法，會在第3章詳細介紹。通過將物理方程嵌入神經網絡結構，PINN可以在有限的數據情況下更精確地建模和預測海上風機的復雜行為[14]。這種融合方法為風機性能的精確預測、智能化運維和優化設計提供了新的途徑，為海上風電領域的持續創新和進步提供了有益的參考。

圖1 海上風機與AI應用導圖

1 AI技術在海上風機動力響應預報的應用

動力響應預報在海上風電領域中具有至關重要的作用，它通過對風速、波浪等海洋環境變量的精確預測，使海上風機能夠更加準確地預測其響應情況，從而在提高安全性、降低損耗和維護成本、增加發電效率、確保電網穩定性、優化運維計劃等方面發揮著積極作用。AI和機器學習技術在這過程中發揮著關鍵作用，它們能夠從大量的環境數據中提取出關鍵特征，進而實現風機在不同海洋環境下的響應預測。這些技術的應用主要集中在風速和功率預測[15]、風機性能優化、機械組件監測[16]、故障預測以及運維計劃[17]的優化等方面。這種結合使風機的運行和維護更加智能化，有助于提高風機的性能、降低事故風險并提高運營效率。鑒于此，本章旨在深入探討AI技術在海上風機動力響應預報中的應用，其中涵蓋了推力、系泊張力和平臺運動等關鍵領域。本文1.3節中討論的系泊張力與平臺運動響應僅針對漂浮式風機。

1.1 風機氣動載荷預報

風機實時推力的詳細分析與精準預測，日益成為保障海上風電系統實現多重目標時不可或缺的要素。在風能轉化的過程中，風機的推力效應直接影響著發電效率，因此準確預測風機實時推力對于實現能量最大化具有重要意義。此外，通過深入了解和預測風機的推力響應，還可以更好地應對不同風速和海況條件下的發電變化，從而在維持電網穩定性的同時，優化風機的運行控制策略，實現對電力輸出的精準掌控。

對于海上漂浮式風機而言，針對推力的實時預測能夠在一定程度上彌補短期運動響應預報的局限性,并為日常運維提供更為詳細的參考依據。JIANG等[18]在OC3-Hywind漂浮式風機方面開展了深入的研究, 通過數值仿真獲取了實時推力性能數據，以此數據為基礎進行AI模型的訓練。為實現準確的推力預測，研究考慮了涵蓋4種不同耦合環境條件的數據,并詳細研究了湍流和波譜對推力、漂浮式基礎平臺縱搖和縱蕩響應幅值算子（response amplitude operator,RAO），以及風速等的影響機制。研究認為，推力的高頻響應主要受波浪變化影響，而低頻響應主要受風速變化所驅動。實時推力預測的重要性在于能夠有效地預測風機在多樣環境下的性能表現，為避免突發情況提供預警。通過準確預測風機的推力響應，不僅有助于提高風機的可靠性和穩定性，還能夠根據預測結果調整風機的控制策略，以實現最大化的能源捕獲。這種精準的實時推力預測在風機的長期運行中具有重要作用，為海上漂浮式風機在多變環境中的安全運行和高效發電提供了關鍵支持。

1.2 海上風機上部結構動力響應分析

風機的控制系統在其整體動力響應中承擔重要角色。然而，傳統的控制方法可能受到多重限制（包括模型不準確性及外部環境變化），尤其在復雜海洋環境下，一些傳統控制策略可能難以滿足動態需求。例如，傳統的重復型模糊比例積分微分（proportional integral derivative, PID）控制策略雖著眼于特定周期性控制問題，卻在面對非周期性和高動態海上風機運行時顯現出局限性[19]。為適應實際海上運行，需采用更加靈活且適應性強的控制策略。SIERRA-GARCIA等[20]提出了一種結合深度學習與模糊邏輯的新型風機葉片控制方法，旨在提高風能轉化效率與系統性能，即運用人工神經網絡（artifical neurul network, ANN）來預測風速和風向，以優化風機葉片角度控制。該系統通過捕捉復雜動力響應特征，實現更精準預測風機在不同風速和風向條件下的響應，并及時調整葉片角度，使風機更加靈活地應對動力響應。在該領域，深度學習的參數配置對混合控制系統的訓練有顯著影響，增加隱藏單元的數量能夠改善訓練效果。

海上風機塔結構的穩定性是另一個關鍵考量因素，其中塔頂加速度和塔底載荷是重要的安全指標。WANG等[21]運用深度學習技術預測塔結構響應，提出一種識別塔頂加速度與塔底載荷耦合特性的方法。該方案通過在塔頂安裝加速度計傳感器、在塔底安裝應變傳感器，以深度學習神經網絡模型預測塔頂加速度和塔底載荷。研究表明，多層感知神經網絡模型可準確識別塔響應指標，揭示力與運動響應間的耦合機制。這種方法結合不同傳感器數據和風機運動響應，創新性地提高了海上漂浮式風機塔結構的安全性。此外，SIMPSON等[22]針對漂浮式風機單樁結構的動力響應建模問題，提出基于自編碼器（autoencoder）和長短期記憶（long short-term memory, LSTM）神經網絡的降階建模方法。通過實際單樁動力響應數據驗證，準確捕捉單樁動態特性，相對于傳統方法可更好地保留系統動態行為。該方法為風能領域漂浮式風機單樁動力響應預測與分析提供了新思路和工具。通過這些前沿方法，海上風機控制系統能夠更好地應對復雜的海洋環境與動力變化，從而為可持續發展提供關鍵支持。

1.3 系泊張力與平臺運動響應

海上漂浮式風機的穩定性是保障風機運行安全的關鍵因素，系泊張力與平臺運動響應的預測在海上漂浮式風機中對于確保安全運行、材料保護、降低維護成本、維持電網穩定性以及降低能耗具有關鍵性意義，為漂浮式風機的可持續發展提供了重要支持。

系泊張力的準確預測在保障海上風機穩定運行方面具有至關重要的作用。通過對系泊系統的張力變化進行精準預測，可以提前發現潛在的安全隱患，從而及時采取必要措施以確保風機的平穩運行。此外，該預測還有助于指導風機的運維計劃，降低維護成本，提高維護效率。早在海上漂浮式風機概念提出之前，學者們就已在傳統海洋漂浮式基礎平臺的研究中考慮了系泊張力的預測。為了實現該目標，傳統的基于誤差方向傳播的神經網絡（back propagation, BP）方法被應用于海洋漂浮式系統動力響應的預測。張德慶等[23]以某深海半潛式生產平臺/系泊系統為研究對象，采用基于附加動量法的BP神經網絡，構建了漂浮式平臺運動和系纜張力等動力響應統計值的預測模型（如圖2所示）。

圖2 深海漂浮式系統動力響應預報方法基本流程圖

圖3 實驗測試平臺概覽

圖4 SADA中KDPs的流程圖

研究結果表明，在常規作業海況和極端生存海況下，這種基于神經網絡算法的預測模型能夠穩定、準確地預測深海漂浮式系統的動力響應。此外，WANG等[24]和QIAO等[25]采用基于LSTM模型的方法，實現了漂浮式平臺系泊張力的實時預測。其中，漂浮式基礎平臺運動響應數據被視為輸入，系泊張力響應被視為輸出結果。與此同時，MAO等[26]對系泊線故障條件下的動態張力預測進行了深入研究。

這種基于神經網絡算法的預測模型對于平臺運動響應的準確預測，同樣具有重要意義。平臺的運動變化不僅直接影響風機的性能，還對風機所處的環境條件產生影響。因此，通過精準預測平臺的運動響應，能夠優化風機的控制策略，確保其在各種不同的運動環境中都能保持良好的運行狀態。在該背景下，SHI等[27]采用了多輸入LSTM神經網絡方法，直接應用于漂浮式風機基礎平臺的短期運動響應預測，該模型將平臺運動響應、波浪高程和系泊張力等數值結果作為輸入變量。研究結果表明，該模型在預測海上風機組的運動時展現出良好的性能，具備高度的預測準確度和泛化能力。該方法通過將多個輸入數據源和深度學習技術有效融合，從而為海上風機的安全性和穩定性提供了更強的短期預測能力。需要指出的是，盡管這種方法在預測中表現出潛力，但其仍需經過海上風機試驗或實測數據的驗證，以確保在實際應用中的可靠性和準確性。通過不斷地將理論與實踐相結合，海上風機領域的研究和發展將不斷取得新突破，為海上風電技術的進一步完善和創新提供堅實的基礎。

2 AI技術在海上風機運維監測的應用

海上風機由于其結構易受氣候、風浪和海水腐蝕等多方面的影響，運維監測成為確保其高效安全運行的核心環節。AI技術在海上風機的運維監測中展現出巨大的應用潛力，它能夠通過實時數據分析[28]、快速故障診斷[29]和智能化維護策略[30-31]，顯著提高風機的可靠性、效率和安全性。學術界已有眾多研究涉及到AI技術在此領域的應用[32-34]，包括但不限于ANN、支持向量機（support vector machine, SVM）和決策樹等多種AI方法，這些方法在基于結構振動數據的故障診斷等方面表現出極高的準確性，能夠精準確定故障類型和原因。因此，本章將從葉片、伺服系統、塔架以及系泊系統故障監測等多個方面深入探討基于AI的運維監測技術在海上風機領域中的實際應用和發展潛力。

2.1 海上風機上部結構故障監測

在海上風機的上部結構故障監測中，涉及葉片、傳動系統以及塔架等多個關鍵部件的健康與故障監測。針對葉片方面，BURTON等[35]探索了基于憶阻器的LSTM神經元仿生電路，用于更高效的海上風機葉片故障檢測，同時還能克服馮·諾依曼瓶頸（由于存儲器和處理器之間的數據傳輸速度不匹配，導致處理器的運算能力無法得到充分利用[36]）。CHOE等[37]利用LSTM和門控循環單元（gated recunrrent unit, GRU）神經網絡監測葉片損傷這2種循環神經網絡能夠有效處理時序性和依賴關系，相對于傳統方法在準確性和魯棒性方面有明顯優勢，凸顯了深度學習在漂浮式海上風機葉片結構監測中的潛力。

在傳動系統方面，ATTALLAH等[38]提出了基于深度學習的集成診斷方法，依賴紅外熱成像技術（infrared thermongraphy, IRT）實時監測風機及其組件的溫度分布，實現風機故障早期診斷。類似的，DIBAJ等[39]利用主成分分析（principal component analysis, PCA）和多尺度卷積神經網絡（convolutional neural network, CNN）相結合的方法，針對漂浮式風機傳動系統開展故障監測。由于風機齒輪箱的復雜故障模式，YIN等[40]通過優化的LSTM神經網絡和余弦損失函數實現了齒輪箱故障的準確診斷。然而，復雜的故障模式可能需要更復雜的方法來進行準確診斷。ZHU等[41]將LSTM神經網絡與模糊綜合技術結合，通過多模態數據融合來評估風機齒輪箱運行狀態，提升了故障診斷的準確性和可靠性。

在結構模態方面，王春等[42]結合靜力分析和風機結構模態分析建立了BP神經網絡（如表1[43]所示），實現海上風機結構狀態的監測與預測。然而，該方法在實驗驗證方面需要更多的樣本數據和應用研究。

表1 BP神經網絡輸入量

另外，QIU等[43]通過改進的ANN模型對不同環境條件下的海上風機塔結構損傷進行預測。GUO等[44]使用ANN來識別海上支架平臺的結構損傷。這些方法為離岸結構的健康監測和維護提供有效手段，有助于及早發現和處理潛在的結構損傷，提高結構的可靠性和安全性。此外，對于海上固定式風機而言，其推力的變化會與結構的動態特性發生耦合作用，導致結構的自然頻率發生變化。特別是推力頻率接近或與結構自然頻率發生共振時，可能會導致疲勞破壞的風險增加，而且海上固定式風機安裝在松軟的海床上，地基與海床的相互作用會引起結構的固有頻率變化。為應對這些復雜的動態變化，PARK等[45]提出一種基于ANN的海上風機預測模型。該模型的核心思想是利用三維海上風機和海底有限元模型生成虛擬動態響應數據，將這些動態響應作為模型的輸入，然后使用LSTM模型進行訓練，以預測固有頻率的變化。其結合了過去和現在的加速度和應變數據，能夠精確預測未來幾年內的固有頻率變化趨勢；同時，模型通過實際傳感器（如加速度計和應變儀）進行動態響應測量，從而保證預測結果的準確性。

2.2 浮式平臺與系泊故障監測

海上風機的可靠穩定運行與安全性緊密依賴于其各組件的健康狀況。其中導管架結構是一種用于支撐海上風力發電機組的基礎結構，其能夠在海洋環境中提供穩定的支撐，抵抗海浪、洋流和風力的作用。VIDAL等[46]提出一種以實驗室平臺為規模的基于深度學習技術和傳感器網絡的導管架結構損傷監測與定位方法。通過傳感器網絡獲取海上風機導管架結構的振動信號數據，隨后采用CNN結合注意力機制對振動信號進行處理。具體而言，是從函數發生器給出的白噪聲信號開始，信號被放大后傳給慣性振動器；振動器負責對實驗室塔架結構產生振動，并模擬機艙質量；最后，由8個三軸加速度計對結構進行監測，并與數據采集系統相連（如圖 3所示）。該方法在實驗中展現了出色的效能，能有效應對導管架結構的健康監測問題。

此外，海上風機纜索結構在海上風力發電系統中起著重要作用，用于傳輸電力、通信信號和控制信息，確保風機的穩定運行和維護。漂浮式海上風機的纜索結構作為上下壓載艙間的連接纜，由于通常位于深水區域，纜索結構需要考慮更復雜的水下環境和挑戰。在該領域，XU等[47]運用了CNN模型，構建了名為“MS-ACNN”的智能損傷診斷框架,用于10 MW漂浮式海上風機的纜索結構。該研究借助注意力機制強化CNN模型對不同尺度特征圖的關注，從而提升了損傷診斷的準確性和可靠性。然而，該方法的復雜性可能導致在訓練和調整模型參數時耗費大量的計算資源和時間，限制了其實際應用的可行性和效率。需注意的是，以上研究的數據收集依賴于傳感器網絡，而不同的傳感器布局可能導致不同的信號采集結果，從而影響數據的質量和完整性。

值得關注的是，近期研究方向亦著眼于海上半潛式平臺的系泊失效監測。MAO等[48]在2023年提出了一種基于混合LSTM神經網絡和SVM的模型，結合深度學習和機器學習方法來監測半潛式平臺的系泊失效。該方法綜合了LSTM的時間序列預測和特征提取能力，再與SVM進行失效分類，有力地捕捉了半潛式平臺系泊失效的動態變化。該方法為半潛式平臺的穩定性維護提供了一種創新的手段，同時也凸顯了深度學習技術在監測系統失效方面的潛在應用價值。

2.3 疲勞損傷和故障診斷優化

在風機故障診斷領域，精準判定風機是否發生故障對于維護和性能提升具有關鍵意義。SVM作為一種常用的機器學習方法，能夠根據傳感器數據判斷故障狀態，然而其性能往往受到參數選擇和優化的影響。為解決SVM參數優化的難題，TUERXUN等[49]通過引入麻雀搜索算法（sparrow search algorithm, SSA）來優化SVM參數，創造了SSA-SVM風機故障診斷模型。SSA由XUE等[50]提出，作為新型群體智能優化方法，主要用于解決優化問題。相較于傳統算法，SSA在全局搜索方面表現出色，能夠更好地跳出局部最優解，從而提供更為可靠的優化結果。實驗結果證實，SSA-SVM模型適用于風機的故障診斷，不僅提升了診斷準確性和性能，還能更準確地判定風機的狀態。

海上風機的穩定性與維護診斷之間存在密切聯系。故障診斷有助于及早察覺海上風機部件的異常狀態，包括可能引發的疲勞損傷問題，這些因素共同影響著風機的健康運行。疲勞損傷是海上風機在長時間運行中所面臨的主要挑戰之一，可導致結構的退化和失效。在此背景下，漂浮式海上風機的系泊線在海洋環境中承受巨大的動態負荷，容易發生疲勞損傷。LI等[51]運用ANN預測系泊線的疲勞損傷，為系泊系統參數優化提供了指導。為驗證所訓練的ANN模型性能，研究者對一系列新定義的負載情況進行了系泊動態模擬，并且通過與ANN模型預測結果的比較，發現新模擬結果較傳統方法能更快速地預測系泊線的疲勞損傷，為優化設計和維護策略提供了有力支持。這些研究成果凸顯了AI技術在風機維護與控制領域的巨大潛力。

2.4 海上風機運維策略優化

融合AI技術于風機維護策略優化構成一個重要研究方向。在早期的研究中，HAMEED等[52]利用ANN來預測風機未來的維護需求和最佳維護時機。該方法首先通過對海上風機陣列進行聚類分析，然后借助自組織圖（self-organizing map, SOM）神經網絡，根據聚類結果將相似的風機分組。此外，通過標準反向傳播（standard back propagation,SBP）神經網絡解決了天氣窗口問題，可提前借助預期功率輸出信息進行維護決策。這種方法建立了部件狀況、風機群、功率輸出預測以及天氣條件下的運行狀態之間的關聯，從而有效地優化海上風機的維護策略。LU等[53]進一步發展了針對海上風機的狀態維護（condition-based maintenance, CBM）優化方法，同時采用ANN模型，以建模和預測風機的工作狀態與維護需求。在每個監測時間段，他們運用ANN壽命百分比預測模型評估各組件的故障時間分布，推導出海上風機組件的條件故障概率值/條件失效率值，用以揭示風機的劣化狀況。

3 物理神經網絡應用

物理神經網絡是一種將物理方程和神經網絡相融合的方法，其在海上風機領域的應用具有重要意義。在海上風機設計、運維和優化過程中，復雜的氣象和水動力環境使得傳統的建模方法可能受限。PINN通過將海上風機的物理方程嵌入神經網絡，可以在有限的實際數據下，更精確地模擬風機的氣動性能、結構響應等。在這種方法中，物理模型是基于風機的工程原理、流體動力學等物理基礎建立的數學模型。它可以描述風機葉片、塔架、轉子等組件之間的相互作用，以及外部環境如風速、浪高等的影響。數據驅動模型則是基于實際運行數據或仿真數據，通過機器學習、統計分析等方法建立的模型。這種融合方法不僅克服了數據不足的問題，還能結合神經網絡的靈活性，實現更高效的風機設計和性能預測。未來，它將推動風機建模和控制方法的演進，實現智能化的運維策略、故障診斷和控制策略優化。

LI等[14]采取了一種混合方法，將風機系統的物理信息融入數據驅動模型，形成高效的仿真模型。他們將風機系統的結構特性和線性化表示作為物理約束，應用于深度殘差循環神經網絡中，從而構建了物理信息深度學習模型。該深度學習模型整合了物理知識，能夠更準確地捕捉風機的動態響應并提供更精確的預測結果，為動力響應預測領域帶來新的思路和潛力。

其他學者也在提升海上風機響應預測能力方面進行了類似的研究。例如：YAN等[54]構建了各種風況下風機運行動態特性數據庫，運用序列學習模型挖掘風機運行參數的時間序列特征。CHEN等[55]結合了傳統的漂浮式海上風機數值模擬和AI技術，提出了SADA方法，針對其動態響應預報進行優化。SADA方法包括關鍵學科參數（key decision parameters, KDPs）和DARwind的概念。KDPs是SADA方法中提出的第1個關鍵概念和工具，采用強化學習框架構建基于物理模型與數據驅動的漂浮式風機動力響應預報優化方法。第2個關鍵工具是DARwind，與傳統的強化學習方法不同，基于AI的DARwind作為動態響應模擬的執行者，已經具備了一定的可信度和判斷力。SADA不僅能減少數值計算與測量數據之間的誤差，還能擬合缺失的未知原始設計參數，為風機運行特性的預測提供更準確的方法[56]。隨著訓練數據的積累，針對不同的耦合環境，其預測效果將更加準確和快速。

SADA方法與可再生能源領域的傳統監督學習應用不同，它不需要提供具有很強直接相關性的物理量。此外，值得注意的是，盡管物理神經網絡等方法在風機建模與控制領域展現了廣泛的應用潛力，但其在某些情況下需要大量數據進行訓練和優化，特別是在涉及機器學習算法的情況下，數據獲取可能受限。為了克服這問題，CHEN等[57]進一步構建了以漂浮式風機動力性能為基礎的KDPs變化規律與機理特性的分析方法，針對KDPs提出了相應的指導方法和建議。為更好地指導選擇KDPs以及設置和調整其邊界條件，其還專門設計了關于KDPs在SADA中應用的綜合指導方法流程圖（如圖 4所示）。

此外，ZHANG等[58]運用深度學習和多目標優化的數據驅動預測控制方法，建立了基于門控遞歸神經網絡的漂浮式風機動態預測模型，實現了漂浮式風機的穩定運行和高效能量轉化，以及風機動力響應的準確預測。這些研究共同推動了風機運行特性的準確預測和高效優化。

4 結 論

本文總結分析了AI技術在海上風機領域的應用概況，這些AI技術的成功應用拓展了海上風機設計、分析及運維的技術手段，但也帶來了新的挑戰，未來的研究和實踐需要在創新AI技術應用的同時，注重可持續發展和實際應用的需求。本文的主要結論包括：

（1）動力響應分析和預報：AI技術能夠在有限的數據情況下提高預測準確性，解決復雜的非線性問題，并充分利用物理知識來提高模型的泛化能力。此外，通過結合物理模型和數據驅動模型，研究人員能夠更好地模擬風機的動態行為。

（2） 健康監測：對海上風機葉片、塔結構損傷、護套式結構、纜索結構、系泊、齒輪箱等進行了多維的AI分析和故障診斷，為海上風機故障監測和維護帶來了新的視角和方法。然而，實驗規模與實際的差異會影響實驗結果的準確性，依賴于傳感器收集數據可能影響數據的采集結果。

（3）設計優化：對AI技術在海上風機多方面的優化應用進行了分析。從ANN、深度學習、模型優化等多個角度，深入探討了AI技術在提升海上風力發電系統性能和能源捕獲效率、預防疲勞損傷和預測故障、運維管理與控制策略等方面的潛力，但復雜環境下的可靠性、模型可用性和魯棒性等問題有待進一步解決。未來的研究方向可能需要包括更精細化的模型開發、更準確的性能預測和更智能化的控制策略。

（4）物理神經網絡：物理神經網絡在海上風機領域將引領著智能化風機設計、運維與控制的發展，未來的研究將進一步探索如何更有效地融合物理方程和神經網絡，以提高模型的預測準確性和穩定性，應對不同情境下的挑戰。