基于VMD和深度CNN-LSTM的增强型振动损伤检测方法，用于考虑土壤相互作用的单桩海洋结构

《Applied Materials Today》：Enhanced vibration-based damage detection for monopile offshore structures considering soil interaction based on VMD and deep CNN-LSTM

　　本文提出了一种结合变分模态分解（VMD）和深度卷积-长短期记忆网络（CNN-LSTM）的振动信号处理方法，用于考虑土壤-结构相互作用的海上风力涡轮机结构健康监测。通过实验室模型实验验证，该方法在9种状态（1种健康、8种损伤）的分类中表现出98.06%的测试准确率，显著优于传统方法。VMD有效去噪并提取关键模态，CNN-LSTM网络自动学习多尺度时空特征，解决了传统方法依赖人工特征和计算效率低的问题。研究结果为海上结构损伤检测提供了高效解决方案。

　　### 深海结构健康监测中的自动特征学习与损伤检测方法研究

近年来，随着全球对可持续能源需求的增加，海上风电行业迅速发展，成为新能源领域的重要组成部分。海上风力涡轮机（Offshore Wind Turbines, OWTs）作为一种重要的海上基础设施，其运行过程中面临多种复杂的动态载荷，如波浪、风力和操作振动等。这些载荷可能导致结构出现多种类型的损伤，包括局部裂纹、腐蚀、材料疲劳等。为确保海上结构的安全性与可靠性，研究者提出了多种结构健康监测（Structural Health Monitoring, SHM）方法，以实现对损伤的及时识别和评估。然而，传统方法在实际应用中往往受到环境噪声、操作不确定性以及人工特征提取的复杂性限制，难以满足现代海上结构监测的需求。

因此，开发一种能够有效应对上述挑战的自动特征学习与损伤检测方法显得尤为重要。本文提出了一种基于振动信号的深度学习方法，结合了卷积神经网络（Convolutional Neural Network, CNN）和长短期记忆网络（Long Short-Term Memory, LSTM），以实现对海上结构损伤的高效识别。该方法通过变分模态分解（Variational Mode Decomposition, VMD）对原始振动信号进行预处理，从而提取出与结构状态相关的有效特征。这一过程不仅减少了人工干预，还提升了检测的准确性和稳定性，同时降低了计算复杂度。

#### 1. 方法概述

海上结构的健康监测需要考虑多种因素，包括环境因素、操作条件以及结构本身的物理特性。在海上风电结构中，由于其与土壤之间的相互作用，振动信号的分析尤为复杂。传统振动分析方法通常依赖于手动提取关键特征，这不仅耗时耗力，而且在面对不同结构和环境时难以保持一致性。因此，引入自动化的特征提取和损伤识别方法成为必然趋势。

本文提出的方法采用VMD对原始振动信号进行分解，将信号转换为多个内在模式函数（Intrinsic Mode Functions, IMFs），从而去除噪声和与结构无关的干扰成分。随后，这些重构后的信号被输入到一个深度CNN-LSTM网络中，以实现对结构状态的自动识别。该网络结合了CNN的空间特征提取能力和LSTM的时序建模能力，使得模型能够更好地捕捉振动信号中的复杂模式。

#### 2. 方法原理与实现

VMD是一种有效的信号分解技术，能够将复杂的振动信号分解为多个具有明确频率特性的IMFs。这种方法特别适用于非线性信号处理，能够有效提取与结构损伤相关的特征。通过调整VMD的参数，如模式数量（K）和带宽控制参数（α），可以进一步优化信号分解效果，从而提升后续特征提取的准确性。

在本文中，VMD的参数被设置为K=4和α=2000，这是基于VMD的默认参数进行的优化选择。经过VMD分解后，信号被重构为具有主要振荡成分的信号，这些信号在后续的CNN-LSTM处理中起到了关键作用。CNN层能够提取振动信号中的空间特征，而LSTM层则能够捕捉时间序列中的长期依赖关系，从而提升整体的损伤识别能力。

为了进一步验证该方法的有效性，研究团队在实验室环境下构建了一个单桩海上风电模型，并使用多个加速度计传感器采集振动数据。实验数据涵盖了九种不同的状态，包括一种健康状态和八种不同级别的损伤状态。这些数据被用于训练和测试所提出的深度CNN-LSTM模型，以评估其在不同条件下的表现。

#### 3. 实验结果与分析

实验结果表明，使用VMD重构后的振动信号作为输入，所提出的深度CNN-LSTM模型在检测准确率、灵敏度、特异性等方面均优于传统的基于原始信号的模型。例如，在测试数据中，该模型的准确率达到了98.0556%，显著高于使用原始数据时的94.7222%。这一结果表明，VMD在去除噪声和干扰成分方面发挥了重要作用，为后续的特征提取和分类提供了更清晰的信号基础。

此外，模型在不同损伤状态下的表现也得到了验证。对于位于桩基与土壤交界处的损伤D8（Class 9），该模型的检测精度达到了100%，而使用原始数据时仅为97.5%。这一结果表明，VMD重构后的信号能够更有效地反映结构损伤的特征，从而提升模型的识别能力。

为了进一步评估模型的性能，研究团队还对比了其他几种常见的损伤检测方法，如支持向量机（SVM）、反向传播神经网络（BPNN）和纯CNN模型。结果表明，深度CNN-LSTM模型在所有测试指标上均优于其他方法，尤其是在准确率和稳定性方面。这说明，结合CNN和LSTM的网络结构能够更有效地处理振动信号中的复杂模式，从而实现更精确的损伤检测。

#### 4. 模型优化与应用前景

在模型优化方面，研究团队还分析了传感器布局对检测效果的影响。通过比较不同的传感器配置，如使用偶数编号的传感器（A2、A4、A6）或奇数编号的传感器（A1、A3、A7），以及使用所有七个传感器，发现使用三个传感器（A1、A3、A7）即可实现较高的检测精度，同时降低了安装和维护成本。这一发现为实际应用提供了重要的参考价值，表明在保证检测效果的前提下，可以通过优化传感器布局来提升监测系统的经济性。

此外，研究团队还通过可视化方法展示了模型在不同层次上的特征提取过程。例如，在CNN层中，特征图逐渐从低层次的局部模式演变为高层次的抽象表示，这一过程反映了模型对信号的逐步理解能力。在LSTM层中，模型能够捕捉时间序列中的长期依赖关系，从而提升对复杂损伤模式的识别能力。在全连接层（Fully Connected, FC）中，模型最终输出分类结果，展示了其在实际应用中的潜力。

#### 5. 研究意义与展望

本文的研究成果对于海上结构健康监测具有重要的理论和实践意义。首先，所提出的深度CNN-LSTM方法能够在不依赖人工特征提取的情况下，自动学习振动信号中的关键特征，显著提升了检测的效率和准确性。其次，VMD的引入有效去除了信号中的噪声和干扰成分，使得重构后的信号更贴近结构的真实状态，为后续的特征提取和分类提供了更可靠的数据基础。

此外，该方法在不同损伤状态下的表现也验证了其在复杂环境下的适用性。尽管在某些情况下，如位于桩基与土壤交界处的损伤，检测难度较高，但模型仍能够实现较高的准确率和灵敏度。这一结果表明，该方法具有较强的鲁棒性，能够在实际应用中应对多种不确定因素。

未来的研究可以进一步优化模型的参数设置，探索不同VMD参数对信号分解效果的影响。同时，可以考虑引入注意力机制（Attention Mechanism）来增强模型对关键时间特征的识别能力，从而提升其在复杂环境下的表现。此外，研究团队还可以扩展该方法到其他类型的海上结构，如浮动式海上风电结构（Floating Offshore Wind Turbines, FOWTs），以验证其在更广泛应用场景中的有效性。

综上所述，本文提出的深度CNN-LSTM方法结合VMD技术，为海上结构的健康监测提供了一种高效、准确且稳定的解决方案。该方法不仅能够有效去除噪声和干扰成分，还能够自动提取与损伤相关的特征，从而实现对结构状态的精准识别。研究结果表明，该方法在多个方面优于传统方法，具有广阔的应用前景。