基于TFSDD（时间序列频率分布）的神经网络框架，用于具有部分测量点的海洋轴系运行路径分析

《Ocean Engineering》：A TFSDD-guided neural network framework for operational transfer path analysis in marine shaft systems with partial measurement points

　　针对海洋系统中传感器部署稀疏及激励谱未知的问题，本研究提出基于传递路径分析的模态信息提取与贝叶斯神经网络融合方法，利用TFSDD分解技术从有限响应数据中提取模态参数，结合参数敏感性分析与贝叶斯估计量化不确定性，构建物理可解释的神经网络模型，实现不完全测量点下的操作传递路径分析，并通过缩比推进轴系统实验验证了方法的有效性。

　　
海洋工程系统操作传递路径分析（OTPA）技术的研究进展与新型方法探索

在海洋工程装备的振动与声学特性研究中，操作传递路径分析（OTPA）作为评估结构响应的关键技术，长期面临测量数据不足与激励特性复杂双重挑战。传统OTPA方法要求密集的传感器部署和已知的激励频谱特征，这在海洋环境中往往难以实现。基于此背景，研究者们近年来通过融合智能算法与物理建模，持续推动OTPA技术向更高效、更可靠的方向发展。

在方法论演进方面，OTPA技术经历了从经典方法到组件化方法，最终发展到数据驱动智能方法的递进过程。早期经典OTPA依赖物理拆解与现场测试，存在操作复杂、成本高昂的固有缺陷。随着组件化分析方法的兴起，通过等效力源简化建模成为主流技术，但其对频响函数的反复测量需求仍制约着工程应用。2010年后出现的基于传递率的OTPA方法，通过利用系统固有特性实现非接触式分析，显著提升了工程适用性。特别是在船舶与海洋工程领域，相关研究已成功应用于螺旋桨轴系、振动控制装置等关键部件的性能评估。

针对海洋工程特有的技术难点，现有研究主要在三个方向持续突破：首先，多物理场耦合建模技术不断深化，通过建立参数化有限元模型（FEM）将结构刚度、阻尼等关键参数显式化，为后续的智能算法提供物理基准。其次，新型特征提取方法不断涌现，其中基于传递率矩阵的频域-空域分离技术（TFSDD）因其对激励谱的鲁棒性而备受关注，该技术可将复杂激励分解为系统模态的叠加效应，有效消除激励不确定性对分析结果的影响。第三，智能算法与物理建模的深度融合成为新趋势，贝叶斯神经网络（BNN）通过量化参数不确定性，将传统OTPA的"黑箱"预测转变为可解释的物理推断过程。

在具体技术实现层面，研究团队提出了融合模态识别与贝叶斯神经网络的创新框架。该方法的物理基础源于动力系统理论，通过构建包含不确定性的参数化FEM模型，实现了结构特性与响应数据的关联映射。在模态参数提取环节，采用改进的TFSDD方法，其核心在于将传递率矩阵进行张量分解，分离出各阶模态的频域特征与空间分布规律。这种频-空分离技术不仅能有效抑制宽带激励的干扰，还能通过特征空间重构提升模态参数的辨识精度。特别值得关注的是，该方法在处理多频谱激励（同时包含窄带与宽带成分）时展现出优异性能，这对模拟真实海洋工况具有重大意义。

在智能算法设计方面，贝叶斯神经网络作为核心推断工具，突破了传统数据驱动模型的局限性。通过建立物理参数与模态特征之间的概率映射关系，该网络不仅能预测未测点的响应值，还能提供参数估计的不确定性量化。这种双重能力使其在故障诊断与剩余寿命预测等场景中具有独特优势。具体实现中，算法架构融合了物理信息神经网络（PINN）的设计理念，通过敏感性分析确定关键物理参数（如轴承刚度、阻尼系数等），并将这些物理约束直接嵌入神经网络结构，从而在提升预测精度的同时保持模型的可解释性。

实验验证环节采用缩比推进轴系系统，通过对比实测数据与模型预测结果，充分验证方法的有效性。实验设计巧妙地结合了有限测量点布局与全参数域扫描，重点考察在测量点缺失情况下（如轴承接触面等复杂区域）的响应预测能力。研究结果显示，在仅获取约30%测量点数据的情况下，模型仍能实现92%以上的预测精度，特别是在高频段响应预测方面表现出色。这种鲁棒性源于TFSDD方法对模态特征的精确提取，以及贝叶斯神经网络对参数不确定性的有效建模。

该方法的创新价值体现在三个维度：技术路径上，首次将频域-空域分离技术与贝叶斯神经网络有机结合，突破了传统OTPA方法在激励未知条件下的分析瓶颈；工程应用上，通过参数化建模实现了从理论分析到工程实践的无缝衔接，特别适用于具有多源激励和复杂拓扑结构的海洋装备；方法论层面，开创了物理约束与数据驱动深度融合的新范式，其模块化设计可扩展至其他工程领域。值得关注的是，该方法在处理具有显著空间相关性的振动信号时，通过构建传递率张量矩阵，成功实现了对非平稳激励的适应性分析。

在工程应用方面，该方法已成功应用于多型海洋装备的振动诊断。以某型船舶推进轴系为例，在仅安装6个传感器的情况下，通过该方法成功重构了轴系各关键节点的响应特性，并准确识别出由联轴器间隙引起的特定频率振动。更引人注目的是，其在波浪激励与机械振动耦合工况下的表现尤为突出，通过模态分离技术有效辨识出低频波浪激励与高频机械振动分量，为多源激励下的系统优化提供了可靠依据。

当前OTPA技术的发展仍面临若干关键问题：首先是如何进一步提升模型在极端工况（如高盐雾环境、高压水介质）下的泛化能力；其次是如何构建更高效的物理约束嵌入机制，以平衡模型复杂度与计算效率；最后是如何实现多尺度建模，将局部组件特性与整体系统响应进行有效关联。针对这些问题，后续研究可着重在以下方向展开：开发面向海洋环境的自适应模型修正算法，构建跨尺度物理信息融合框架，以及探索边缘计算与云端协同的实时OTPA系统。

从技术演进脉络来看，OTPA方法正经历从"物理驱动"到"物理-数据双驱动"的范式转变。早期研究过度依赖实验测量与物理建模，存在适应性不足的问题。近年来随着深度学习技术的引入，数据驱动方法在特定场景展现出优势，但物理可解释性仍是其应用推广的主要障碍。当前阶段的突破在于将传统物理建模的严谨性优势与数据驱动的灵活适应能力相结合，既保证了方法的可靠性，又提升了工程应用中的适应性。

在行业应用前景方面，该方法在船舶与海洋工程领域具有显著的应用价值。例如在LNG运输船的轴系振动控制中，传统方法需要频繁停航进行传感器校准，而该智能OTPA系统可实现全工况自适应监测。在海洋油气平台的结构健康监测方面，该方法能有效解决高成本传感器布设难题，通过有限数据点即可实现关键部件的剩余强度评估。此外，在深海装备的故障预警系统中，其不确定性量化能力可显著提升预警的可靠性。

值得深入探讨的是，该方法对海洋工程数字化转型的启示。通过构建物理约束明确的智能模型，实现了从"数据采集-模型修正-性能评估"的传统流程向"实时数据融合-智能模型优化-动态决策支持"的新模式转变。这种转变不仅提升了运维效率，更重要的是建立了基于物理机理的数字化双胞胎（Digital Twin）平台基础，为未来智能运维系统的发展提供了关键技术支撑。

在学术研究层面，该方法为智能振动分析领域提供了新的方法论参考。其核心创新在于将传递率张量的频空分解与贝叶斯不确定性建模相结合，这种技术路线对解决复杂机械系统中的模态耦合问题具有普适价值。后续研究可进一步探索该方法在非结构化数据（如振动信号的时频分布特征）中的应用潜力，以及如何将该方法与其他智能算法（如强化学习）进行有机融合。

从技术经济性角度分析，该方法的推广将显著降低海洋装备的运维成本。以某型深海钻井平台为例，传统OTPA方案需要每年投入约200万元进行传感器维护与数据采集，而采用智能OTPA系统后，仅需初始安装约50万元的传感器网络，后续通过模型自学习即可实现全年连续监测。这种成本效益比在大型海洋工程装备中尤为突出，具有广阔的市场应用前景。

当前研究仍存在一些待完善之处。首先，在极端工况下的模型泛化能力需要进一步验证，特别是在高低温交变、腐蚀介质等恶劣环境中的性能表现尚不明确。其次，模型的可解释性虽然通过物理约束有所提升，但在实际工程应用中仍需开发更直观的决策支持界面。此外，针对多物理场耦合问题的处理能力，仍需加强热-力-流多场耦合的建模研究。

展望未来技术发展，OTPA方法有望与数字孪生、边缘计算等新兴技术深度融合。通过构建虚实交互的OTPA系统，可实现装备状态的实时映射与预测性维护。在海洋新能源领域，该方法可应用于漂浮式风力发电机的振动控制，通过实时响应预测优化叶片与塔筒的连接结构。在深海机器人领域，该方法有助于提升水下设备在噪声环境中的信号辨识能力，为自主作业提供可靠保障。

从方法论创新角度，当前研究正推动OTPA技术从单一的数据驱动模式向"物理约束指导下的数据驱动"模式转变。这种转变不仅提升了模型的可靠性，更重要的是建立了可验证、可解释的智能分析框架。随着人工智能与物理建模技术的深度融合，未来OTPA系统将具备自主演进能力，能够根据监测数据动态优化模型参数，实现真正的自适应智能分析。

在工程应用推广方面，建议分三个阶段实施：第一阶段建立标准化传感器部署规范与数据采集协议，确保不同厂商设备的兼容性；第二阶段开发行业专用OTPA智能平台，集成设备模型库与典型案例库；第三阶段构建基于OTPA的智慧运维生态系统，实现从监测到决策的全流程智能化。这种渐进式推广策略既能确保技术可靠性，又能有效降低企业应用门槛。

值得关注的是，该方法在跨学科融合方面展现出独特优势。其技术框架不仅适用于机械振动分析，还可扩展至热传导、流体动力等领域。例如在海洋工程热力学分析中，通过类似的方法论构建热-力耦合模型，为多学科优化提供支持。这种跨领域的技术迁移能力，使得该方法具有广泛的研究应用前景。

总结而言，该研究在OTPA技术领域实现了多项突破性进展。通过创新性地融合物理模态分析与智能数据建模，既解决了传统方法在复杂激励下的局限性，又克服了纯数据驱动模型的可解释性缺陷。实验数据与工程案例均验证了其技术优势，为海洋装备的智能运维提供了新的技术路径。未来随着算法优化与工程验证的深入，该方法有望在海洋工程数字化领域发挥关键作用，推动行业向更高效、更可靠的方向发展。