基于数据融合EMD-PCA的海上风机螺栓松动识别方法研究

《Ocean Engineering》：Identifying bolt-loosening in offshore wind turbine structures utilizing data-fused EMD-PCA approach

本文提出一种结合经验模态分解（EMMD）和主成分分析（PCA）的数据融合方法，通过多通道振动信号特征提取与降维处理，有效解决海上风电结构在复杂海洋环境中螺栓松动检测的灵敏度低、抗噪性差等问题。该方法通过马氏距离最近邻分类实现松动螺栓数量的精准识别，为结构健康监测提供了创新解决方案。

　　

Highlight

经验模态分解（EMD）

EMD是一种专为分析非平稳和非线性信号的数据驱动技术（Mathew和Behera，2021）。与传统依赖预定义基函数（如傅里叶分析中的谐波或小波变换中的小波基）的方法不同，EMD仅根据信号固有的波形特征进行自适应分解，无需任何先验假设。该分解产生一系列本征模态函数（IMF）和一个残差分量。

数值模拟方案

为评估所提螺栓松动检测方法的有效性，采用1:30缩尺比的5 MW三脚架式海上风机模型进行数值模拟。通过基于实测风荷载推导的缩尺激励力，模拟不同螺栓松动工况下的结构响应。

基于融合的螺栓松动识别方法的实验验证

为进一步验证所提螺栓松动识别方法，开展物理模型实验以获取真实振动响应数据，验证数值模型的可靠性，提取螺栓松动敏感特征，并评估所提识别方法的性能。

结论

本研究提出一种基于振动、数据融合驱动的海上风机结构螺栓松动检测与量化方法。通过将EMD和PCA与两级多通道数据融合策略相结合，所提框架解决了传统方法在噪声和复杂环境中的局限性。数值模拟和缩尺物理模型实验均验证了其有效性和鲁棒性。该方法为实时结构健康监测提供了实用解决方案。