基于深度学习的海上风机全工况非线性长期振动响应预测方法研究

为解决海上风机振动响应预测中计算耗时长、数据驱动模型适应性差的问题，研究人员结合OpenFAST仿真与深度学习，开发了多输入递归双向长短期记忆网络(MIRB)模型。该模型通过滑动时间窗技术和多进程并行计算，实现了68种风浪工况下非线性振动响应的快速准确预测，平均计算时间仅为仿真模型的1/744.97，极端工况预测精度较传统模型提升29.71%。这项发表于《Applied Ocean Research》的研究为复杂海洋环境下风机实时状态监测提供了创新解决方案。

　　

在可再生能源快速发展的今天，海上风电作为清洁能源的重要支柱正面临严峻挑战。风机在复杂海洋环境中长期承受风浪耦合载荷，其塔顶位移等振动响应直接关系到结构安全与发电效率。传统数值模拟方法如有限元分析虽精度较高，但单次仿真耗时数分钟，难以满足实时监测需求；而纯数据驱动的预测模型又存在对未知工况适应性差、缺乏物理机制约束等缺陷。更棘手的是，现有研究多局限于特定工况分析，对极端风浪条件下非线性振动响应的预测能力明显不足。

针对这些技术瓶颈，研究人员开展了一项创新性研究，通过深度融合OpenFAST多物理场仿真平台与深度学习技术，建立了覆盖全工况的海上风机振动响应预测体系。这项发表于《Applied Ocean Research》的研究，开创性地提出了多输入递归双向长短期记忆网络(MIRB)模型，实现了从额定工况到切出风速的完整运行区间内，风机非线性振动响应的快速准确预测。

研究团队采用三项关键技术方法：首先基于OpenFAST平台构建包含68种风浪组合工况的仿真数据集，涵盖风速8-25m/s、波高1.25-11m的完整参数空间；其次设计多层堆叠BiLSTM架构，通过双向网络同时捕捉历史载荷影响和未来波动趋势；最后创新性引入滑动时间窗递归机制，结合多进程并行计算实现长序列数据的高效处理。特别值得注意的是，模型训练采用Adam优化器并设置动态学习率衰减策略，有效平衡了收敛速度与稳定性。

研究结果部分呈现了系统性验证：在模型架构方面，通过网格搜索确定最优超参数组合（256个神经元+0.3丢弃率），残差分析显示误差主要分布在±0.2区间内，呈现理想的正态分布特征。针对DTU10MW风机的测试表明，模型在5-25m/s风速区间的预测R²达到0.8941，10秒超前预测平均精度91.94%。极端工况下（25m/s风速+11m波高），峰值预测误差较传统BiLSTM降低29.71%，计算效率提升744倍。

在IEA15MW大功率风机验证中，模型同样展现出卓越的泛化能力。尽管该机型一阶固有周期（6秒）与DTU10MW存在显著差异，MIRB模型通过调整滑动窗口至300个时间步长，仍保持0.9026的R²系数。核密度估计显示，75个采样点即可实现预测区间收敛，实测值偏差始终控制在±0.04单位以内。

与传统模型的对比实验更具说服力。在25m/s切出风速条件下，MIRB的加权决定系数R²_w达到0.8788，显著优于RNN（0.7473）和普通BiLSTM（0.6775）。关键的是，其单步预测耗时仅0.85秒，较LSTM模型提速32倍，真正实现了"仿真级精度、实时性运算"的技术突破。

这项研究的意义不仅体现在方法论创新，更开创了物理模型与数据驱动融合的新范式。通过OpenFAST提供的机理约束，MIRB模型克服了纯数据驱动方法在极端工况下预测失准的缺陷；而深度学习赋予的并行计算能力，又将传统仿真耗时从数分钟压缩至亚秒级。这种"机理-数据"双轮驱动的技术路线，为海上风电装备的数字化运维提供了可复用的技术框架，特别适用于台风等紧急工况下的快速安全评估。未来随着实测数据的不断积累，该模型有望进一步演化成为海上风电场的"数字孪生"核心算法，为可再生能源装备的智能化发展注入新动能。