人工智能技术在海上风机领域的应用综述

康艺柔 陈 鹏 程正顺 胡志强

（1. 上海交通大学 海洋工程国家重点实验室 上海 200240；2. 上海交通大学三亚崖州湾深海科技研究院三亚 572024； 3. 纽卡斯尔大学 工程学院 纽卡斯尔 NE1 7RU）

0 引 言

绿色低碳在我国的能源发展蓝图中已被确立为主要目标。习近平主席的倡议中强调，我国计划在2030年前实现“碳达峰”，并在2060年前达到“碳中和”的目标。在该背景下，海上风电作为新兴能源领域的领军者正迅速崛起，成为全球绿色低碳技术的制高点[1]。我国幅员辽阔的海域蕴藏着丰富海洋风能资源，这为海上风电的可持续发展提供了坚实基础。近年来，随着近海风能资源的加速开发，海上风机不断向离岸化、规模化和大型化迈进，同时逐步拓展至深远海领域[2]。

三峡能源、中国海装和中海油等机构作为我国海上风电领域最早开展研发的企业，取得了显著的成就，诸如三峡引领号、扶摇号等漂浮式风机的示范项目，具有突出的标志性意义[3]。这些项目的推进也丰富了海上风电开发的经验，进一步提升了对风机结构安全性能的认识。鉴于海上风机的工作环境异常恶劣，其结构往往需承受来自风、浪、流等多重荷载的持续作用。因此，在设计和优化阶段,开展高效的海上风机动力响应分析至关重要，可以确保海上风机安全运行，降低结构受损的风险[4]。与此同时，实现智能化健康状态监测和精确的故障诊断技术，对于风机运维阶段的成本降低和效率提升同样具有重要推动作用。通过实时监测风机的工作状态，智能系统可以及时捕捉潜在问题并预测可能的故障，从而实现减少停机时间、提高运维效率的目标。智能化技术的应用，不仅有助于延长海上风机的使用寿命，还能够为未来海上风电行业的可持续发展带来关键性的支撑。

人工智能（artificial intelligence, AI）技术近年来正处于快速发展阶段，受益于计算机运算能力的提升，AI技术已经可以在许多任务上超越人类[5]。目前，AI技术的应用主要分为[6]：

（1）监督学习：依赖于标记的训练数据来学习输入与输出之间的映射关系，以实现对未见过的输入进行准确的预测，常见于分类和回归任务[7]。

（2）无监督学习：不依赖于标记的训练数据，而是直接分析数据以发现其中的模式或结构，常用于聚类、降维和生成模型等任务[8]。

（3）强化学习：通过智能体与环境的交互来学习如何实现目标。智能体的目标是学习一个策略，以最大化长期奖励，广泛应用于游戏、机器人控制和实时决策等领域[9]。

AI技术可以用于模拟物理问题，具有很好的泛化能力和统计推断能力，可为物理建模或实际工程解决方案提供一种替代方法，涵盖了数据分析、预测模型、自动化控制和可再生能源等多个方面。例如：AI模型能够通过分析海洋环境数据来预测精确的海洋波动、风速和其他环境参数，这对于海洋工程的规划和运营至关重要[10-11]。此外，AI技术还在开发自动化控制系统和决策支持系统方面发挥着重要作用，这些系统可以实时监测海洋工程设施的状态，并在必要时提供决策支持。在海洋可再生能源领域，AI技术的应用主要集中在优化能源捕获和转换，通过实时分析海洋环境数据，AI模型可以优化海洋能源转换设备的运行参数，从而提高能源转换效率[11]。综合来看，AI技术在海洋工程领域展现出广泛的应用潜力和实际价值，为海洋工程的设计、优化、运营和教育提供了强大的支持和无限的可能性。

随着AI技术的蓬勃发展，海上风电技术正逐步融入智能化的浪潮。海上风机作为当今新能源领域的重要代表，构成了1个高度复杂的工程系统，其由上部风机结构、塔架、支撑平台和系泊等多个精密组件组成。这些组件不仅需要在多变的海洋环境中实现协调配合，还必须承受来自风、浪、流等复杂荷载的持续挑战。AI技术的迅速崛起为海上风电领域带来了前所未有的创新契机，其丰富的多样性为海上风电的多个方面提供了更多解决方案，如：监督学习技术能够通过历史数据进行模型训练，以预测风机性能、动态响应等关键参数；非监督学习技术则可以从大量数据中挖掘隐藏的模式和规律，为风机的优化设计和运维策略提供数据支持；聚类技术则有助于将海上风电场中的风机进行分类，实现定制化管理和运维；强化学习技术则能够通过不断学习与优化，为海上风机提供更智能化的控制策略。一些学者回顾了机器学习在风电行业关于状态监测[12]和功率预测[13]方面的应用。总而言之，这些技术的有机融合，将为海上风电的整体性能、稳定性和智能化提供更加全面的提升。

由于复杂的气象和海洋波浪的随机性、流动的黏性效应、非线性共振等因素的影响，在海上风机设计、运维和优化过程中，传统的物理建模方法可能受限。物理神经网络（physics-informed neural network，PINN）作为AI技术与工程实践相结合的应用，在未来海上风机领域的智慧化发展过程中将具有重要意义。值得注意的是，尽管PINN等方法在风机建模与控制领域展现了广泛的应用潜力，但其在某些情况下需要大量数据进行训练和优化，特别是在涉及机器学习算法的情况下，获取数据的功能可能受限。

基于以上背景，本文旨在以海上风机为研究对象，方向性地探讨AI技术在海上风机动力响应预报、运维监测、设计运维优化这3个关键领域的主要应用（如图1所示）。此外，PINN作为AI技术与物理模型相融合的新兴方法，会在第3章详细介绍。通过将物理方程嵌入神经网络结构，PINN可以在有限的数据情况下更精确地建模和预测海上风机的复杂行为[14]。这种融合方法为风机性能的精确预测、智能化运维和优化设计提供了新的途径，为海上风电领域的持续创新和进步提供了有益的参考。

图1 海上风机与AI应用导图

1 AI技术在海上风机动力响应预报的应用

动力响应预报在海上风电领域中具有至关重要的作用，它通过对风速、波浪等海洋环境变量的精确预测，使海上风机能够更加准确地预测其响应情况，从而在提高安全性、降低损耗和维护成本、增加发电效率、确保电网稳定性、优化运维计划等方面发挥着积极作用。AI和机器学习技术在这过程中发挥着关键作用，它们能够从大量的环境数据中提取出关键特征，进而实现风机在不同海洋环境下的响应预测。这些技术的应用主要集中在风速和功率预测[15]、风机性能优化、机械组件监测[16]、故障预测以及运维计划[17]的优化等方面。这种结合使风机的运行和维护更加智能化，有助于提高风机的性能、降低事故风险并提高运营效率。鉴于此，本章旨在深入探讨AI技术在海上风机动力响应预报中的应用，其中涵盖了推力、系泊张力和平台运动等关键领域。本文1.3节中讨论的系泊张力与平台运动响应仅针对漂浮式风机。

1.1 风机气动载荷预报

风机实时推力的详细分析与精准预测，日益成为保障海上风电系统实现多重目标时不可或缺的要素。在风能转化的过程中，风机的推力效应直接影响着发电效率，因此准确预测风机实时推力对于实现能量最大化具有重要意义。此外，通过深入了解和预测风机的推力响应，还可以更好地应对不同风速和海况条件下的发电变化，从而在维持电网稳定性的同时，优化风机的运行控制策略，实现对电力输出的精准掌控。

对于海上漂浮式风机而言，针对推力的实时预测能够在一定程度上弥补短期运动响应预报的局限性,并为日常运维提供更为详细的参考依据。JIANG等[18]在OC3-Hywind漂浮式风机方面开展了深入的研究, 通过数值仿真获取了实时推力性能数据，以此数据为基础进行AI模型的训练。为实现准确的推力预测，研究考虑了涵盖4种不同耦合环境条件的数据,并详细研究了湍流和波谱对推力、漂浮式基础平台纵摇和纵荡响应幅值算子（response amplitude operator,RAO），以及风速等的影响机制。研究认为，推力的高频响应主要受波浪变化影响，而低频响应主要受风速变化所驱动。实时推力预测的重要性在于能够有效地预测风机在多样环境下的性能表现，为避免突发情况提供预警。通过准确预测风机的推力响应，不仅有助于提高风机的可靠性和稳定性，还能够根据预测结果调整风机的控制策略，以实现最大化的能源捕获。这种精准的实时推力预测在风机的长期运行中具有重要作用，为海上漂浮式风机在多变环境中的安全运行和高效发电提供了关键支持。

1.2 海上风机上部结构动力响应分析

风机的控制系统在其整体动力响应中承担重要角色。然而，传统的控制方法可能受到多重限制（包括模型不准确性及外部环境变化），尤其在复杂海洋环境下，一些传统控制策略可能难以满足动态需求。例如，传统的重复型模糊比例积分微分（proportional integral derivative, PID）控制策略虽着眼于特定周期性控制问题，却在面对非周期性和高动态海上风机运行时显现出局限性[19]。为适应实际海上运行，需采用更加灵活且适应性强的控制策略。SIERRA-GARCIA等[20]提出了一种结合深度学习与模糊逻辑的新型风机叶片控制方法，旨在提高风能转化效率与系统性能，即运用人工神经网络（artifical neurul network, ANN）来预测风速和风向，以优化风机叶片角度控制。该系统通过捕捉复杂动力响应特征，实现更精准预测风机在不同风速和风向条件下的响应，并及时调整叶片角度，使风机更加灵活地应对动力响应。在该领域，深度学习的参数配置对混合控制系统的训练有显著影响，增加隐藏单元的数量能够改善训练效果。

海上风机塔结构的稳定性是另一个关键考量因素，其中塔顶加速度和塔底载荷是重要的安全指标。WANG等[21]运用深度学习技术预测塔结构响应，提出一种识别塔顶加速度与塔底载荷耦合特性的方法。该方案通过在塔顶安装加速度计传感器、在塔底安装应变传感器，以深度学习神经网络模型预测塔顶加速度和塔底载荷。研究表明，多层感知神经网络模型可准确识别塔响应指标，揭示力与运动响应间的耦合机制。这种方法结合不同传感器数据和风机运动响应，创新性地提高了海上漂浮式风机塔结构的安全性。此外，SIMPSON等[22]针对漂浮式风机单桩结构的动力响应建模问题，提出基于自编码器（autoencoder）和长短期记忆（long short-term memory, LSTM）神经网络的降阶建模方法。通过实际单桩动力响应数据验证，准确捕捉单桩动态特性，相对于传统方法可更好地保留系统动态行为。该方法为风能领域漂浮式风机单桩动力响应预测与分析提供了新思路和工具。通过这些前沿方法，海上风机控制系统能够更好地应对复杂的海洋环境与动力变化，从而为可持续发展提供关键支持。

1.3 系泊张力与平台运动响应

海上漂浮式风机的稳定性是保障风机运行安全的关键因素，系泊张力与平台运动响应的预测在海上漂浮式风机中对于确保安全运行、材料保护、降低维护成本、维持电网稳定性以及降低能耗具有关键性意义，为漂浮式风机的可持续发展提供了重要支持。

系泊张力的准确预测在保障海上风机稳定运行方面具有至关重要的作用。通过对系泊系统的张力变化进行精准预测，可以提前发现潜在的安全隐患，从而及时采取必要措施以确保风机的平稳运行。此外，该预测还有助于指导风机的运维计划，降低维护成本，提高维护效率。早在海上漂浮式风机概念提出之前，学者们就已在传统海洋漂浮式基础平台的研究中考虑了系泊张力的预测。为了实现该目标，传统的基于误差方向传播的神经网络（back propagation, BP）方法被应用于海洋漂浮式系统动力响应的预测。张德庆等[23]以某深海半潜式生产平台/系泊系统为研究对象，采用基于附加动量法的BP神经网络，构建了漂浮式平台运动和系缆张力等动力响应统计值的预测模型（如图2所示）。

图2 深海漂浮式系统动力响应预报方法基本流程图

图3 实验测试平台概览

图4 SADA中KDPs的流程图

研究结果表明，在常规作业海况和极端生存海况下，这种基于神经网络算法的预测模型能够稳定、准确地预测深海漂浮式系统的动力响应。此外，WANG等[24]和QIAO等[25]采用基于LSTM模型的方法，实现了漂浮式平台系泊张力的实时预测。其中，漂浮式基础平台运动响应数据被视为输入，系泊张力响应被视为输出结果。与此同时，MAO等[26]对系泊线故障条件下的动态张力预测进行了深入研究。

这种基于神经网络算法的预测模型对于平台运动响应的准确预测，同样具有重要意义。平台的运动变化不仅直接影响风机的性能，还对风机所处的环境条件产生影响。因此，通过精准预测平台的运动响应，能够优化风机的控制策略，确保其在各种不同的运动环境中都能保持良好的运行状态。在该背景下，SHI等[27]采用了多输入LSTM神经网络方法，直接应用于漂浮式风机基础平台的短期运动响应预测，该模型将平台运动响应、波浪高程和系泊张力等数值结果作为输入变量。研究结果表明，该模型在预测海上风机组的运动时展现出良好的性能，具备高度的预测准确度和泛化能力。该方法通过将多个输入数据源和深度学习技术有效融合，从而为海上风机的安全性和稳定性提供了更强的短期预测能力。需要指出的是，尽管这种方法在预测中表现出潜力，但其仍需经过海上风机试验或实测数据的验证，以确保在实际应用中的可靠性和准确性。通过不断地将理论与实践相结合，海上风机领域的研究和发展将不断取得新突破，为海上风电技术的进一步完善和创新提供坚实的基础。

2 AI技术在海上风机运维监测的应用

海上风机由于其结构易受气候、风浪和海水腐蚀等多方面的影响，运维监测成为确保其高效安全运行的核心环节。AI技术在海上风机的运维监测中展现出巨大的应用潜力，它能够通过实时数据分析[28]、快速故障诊断[29]和智能化维护策略[30-31]，显著提高风机的可靠性、效率和安全性。学术界已有众多研究涉及到AI技术在此领域的应用[32-34]，包括但不限于ANN、支持向量机（support vector machine, SVM）和决策树等多种AI方法，这些方法在基于结构振动数据的故障诊断等方面表现出极高的准确性，能够精准确定故障类型和原因。因此，本章将从叶片、伺服系统、塔架以及系泊系统故障监测等多个方面深入探讨基于AI的运维监测技术在海上风机领域中的实际应用和发展潜力。

2.1 海上风机上部结构故障监测

在海上风机的上部结构故障监测中，涉及叶片、传动系统以及塔架等多个关键部件的健康与故障监测。针对叶片方面，BURTON等[35]探索了基于忆阻器的LSTM神经元仿生电路，用于更高效的海上风机叶片故障检测，同时还能克服冯·诺依曼瓶颈（由于存储器和处理器之间的数据传输速度不匹配，导致处理器的运算能力无法得到充分利用[36]）。CHOE等[37]利用LSTM和门控循环单元（gated recunrrent unit, GRU）神经网络监测叶片损伤这2种循环神经网络能够有效处理时序性和依赖关系，相对于传统方法在准确性和鲁棒性方面有明显优势，凸显了深度学习在漂浮式海上风机叶片结构监测中的潜力。

在传动系统方面，ATTALLAH等[38]提出了基于深度学习的集成诊断方法，依赖红外热成像技术（infrared thermongraphy, IRT）实时监测风机及其组件的温度分布，实现风机故障早期诊断。类似的，DIBAJ等[39]利用主成分分析（principal component analysis, PCA）和多尺度卷积神经网络（convolutional neural network, CNN）相结合的方法，针对漂浮式风机传动系统开展故障监测。由于风机齿轮箱的复杂故障模式，YIN等[40]通过优化的LSTM神经网络和余弦损失函数实现了齿轮箱故障的准确诊断。然而，复杂的故障模式可能需要更复杂的方法来进行准确诊断。ZHU等[41]将LSTM神经网络与模糊综合技术结合，通过多模态数据融合来评估风机齿轮箱运行状态，提升了故障诊断的准确性和可靠性。

在结构模态方面，王春等[42]结合静力分析和风机结构模态分析建立了BP神经网络（如表1[43]所示），实现海上风机结构状态的监测与预测。然而，该方法在实验验证方面需要更多的样本数据和应用研究。

表1 BP神经网络输入量

另外，QIU等[43]通过改进的ANN模型对不同环境条件下的海上风机塔结构损伤进行预测。GUO等[44]使用ANN来识别海上支架平台的结构损伤。这些方法为离岸结构的健康监测和维护提供有效手段，有助于及早发现和处理潜在的结构损伤，提高结构的可靠性和安全性。此外，对于海上固定式风机而言，其推力的变化会与结构的动态特性发生耦合作用，导致结构的自然频率发生变化。特别是推力频率接近或与结构自然频率发生共振时，可能会导致疲劳破坏的风险增加，而且海上固定式风机安装在松软的海床上，地基与海床的相互作用会引起结构的固有频率变化。为应对这些复杂的动态变化，PARK等[45]提出一种基于ANN的海上风机预测模型。该模型的核心思想是利用三维海上风机和海底有限元模型生成虚拟动态响应数据，将这些动态响应作为模型的输入，然后使用LSTM模型进行训练，以预测固有频率的变化。其结合了过去和现在的加速度和应变数据，能够精确预测未来几年内的固有频率变化趋势；同时，模型通过实际传感器（如加速度计和应变仪）进行动态响应测量，从而保证预测结果的准确性。

2.2 浮式平台与系泊故障监测

海上风机的可靠稳定运行与安全性紧密依赖于其各组件的健康状况。其中导管架结构是一种用于支撑海上风力发电机组的基础结构，其能够在海洋环境中提供稳定的支撑，抵抗海浪、洋流和风力的作用。VIDAL等[46]提出一种以实验室平台为规模的基于深度学习技术和传感器网络的导管架结构损伤监测与定位方法。通过传感器网络获取海上风机导管架结构的振动信号数据，随后采用CNN结合注意力机制对振动信号进行处理。具体而言，是从函数发生器给出的白噪声信号开始，信号被放大后传给惯性振动器；振动器负责对实验室塔架结构产生振动，并模拟机舱质量；最后，由8个三轴加速度计对结构进行监测，并与数据采集系统相连（如图 3所示）。该方法在实验中展现了出色的效能，能有效应对导管架结构的健康监测问题。

此外，海上风机缆索结构在海上风力发电系统中起着重要作用，用于传输电力、通信信号和控制信息，确保风机的稳定运行和维护。漂浮式海上风机的缆索结构作为上下压载舱间的连接缆，由于通常位于深水区域，缆索结构需要考虑更复杂的水下环境和挑战。在该领域，XU等[47]运用了CNN模型，构建了名为“MS-ACNN”的智能损伤诊断框架,用于10 MW漂浮式海上风机的缆索结构。该研究借助注意力机制强化CNN模型对不同尺度特征图的关注，从而提升了损伤诊断的准确性和可靠性。然而，该方法的复杂性可能导致在训练和调整模型参数时耗费大量的计算资源和时间，限制了其实际应用的可行性和效率。需注意的是，以上研究的数据收集依赖于传感器网络，而不同的传感器布局可能导致不同的信号采集结果，从而影响数据的质量和完整性。

值得关注的是，近期研究方向亦着眼于海上半潜式平台的系泊失效监测。MAO等[48]在2023年提出了一种基于混合LSTM神经网络和SVM的模型，结合深度学习和机器学习方法来监测半潜式平台的系泊失效。该方法综合了LSTM的时间序列预测和特征提取能力，再与SVM进行失效分类，有力地捕捉了半潜式平台系泊失效的动态变化。该方法为半潜式平台的稳定性维护提供了一种创新的手段，同时也凸显了深度学习技术在监测系统失效方面的潜在应用价值。

2.3 疲劳损伤和故障诊断优化

在风机故障诊断领域，精准判定风机是否发生故障对于维护和性能提升具有关键意义。SVM作为一种常用的机器学习方法，能够根据传感器数据判断故障状态，然而其性能往往受到参数选择和优化的影响。为解决SVM参数优化的难题，TUERXUN等[49]通过引入麻雀搜索算法（sparrow search algorithm, SSA）来优化SVM参数，创造了SSA-SVM风机故障诊断模型。SSA由XUE等[50]提出，作为新型群体智能优化方法，主要用于解决优化问题。相较于传统算法，SSA在全局搜索方面表现出色，能够更好地跳出局部最优解，从而提供更为可靠的优化结果。实验结果证实，SSA-SVM模型适用于风机的故障诊断，不仅提升了诊断准确性和性能，还能更准确地判定风机的状态。

海上风机的稳定性与维护诊断之间存在密切联系。故障诊断有助于及早察觉海上风机部件的异常状态，包括可能引发的疲劳损伤问题，这些因素共同影响着风机的健康运行。疲劳损伤是海上风机在长时间运行中所面临的主要挑战之一，可导致结构的退化和失效。在此背景下，漂浮式海上风机的系泊线在海洋环境中承受巨大的动态负荷，容易发生疲劳损伤。LI等[51]运用ANN预测系泊线的疲劳损伤，为系泊系统参数优化提供了指导。为验证所训练的ANN模型性能，研究者对一系列新定义的负载情况进行了系泊动态模拟，并且通过与ANN模型预测结果的比较，发现新模拟结果较传统方法能更快速地预测系泊线的疲劳损伤，为优化设计和维护策略提供了有力支持。这些研究成果凸显了AI技术在风机维护与控制领域的巨大潜力。

2.4 海上风机运维策略优化

融合AI技术于风机维护策略优化构成一个重要研究方向。在早期的研究中，HAMEED等[52]利用ANN来预测风机未来的维护需求和最佳维护时机。该方法首先通过对海上风机阵列进行聚类分析，然后借助自组织图（self-organizing map, SOM）神经网络，根据聚类结果将相似的风机分组。此外，通过标准反向传播（standard back propagation,SBP）神经网络解决了天气窗口问题，可提前借助预期功率输出信息进行维护决策。这种方法建立了部件状况、风机群、功率输出预测以及天气条件下的运行状态之间的关联，从而有效地优化海上风机的维护策略。LU等[53]进一步发展了针对海上风机的状态维护（condition-based maintenance, CBM）优化方法，同时采用ANN模型，以建模和预测风机的工作状态与维护需求。在每个监测时间段，他们运用ANN寿命百分比预测模型评估各组件的故障时间分布，推导出海上风机组件的条件故障概率值/条件失效率值，用以揭示风机的劣化状况。

3 物理神经网络应用

物理神经网络是一种将物理方程和神经网络相融合的方法，其在海上风机领域的应用具有重要意义。在海上风机设计、运维和优化过程中，复杂的气象和水动力环境使得传统的建模方法可能受限。PINN通过将海上风机的物理方程嵌入神经网络，可以在有限的实际数据下，更精确地模拟风机的气动性能、结构响应等。在这种方法中，物理模型是基于风机的工程原理、流体动力学等物理基础建立的数学模型。它可以描述风机叶片、塔架、转子等组件之间的相互作用，以及外部环境如风速、浪高等的影响。数据驱动模型则是基于实际运行数据或仿真数据，通过机器学习、统计分析等方法建立的模型。这种融合方法不仅克服了数据不足的问题，还能结合神经网络的灵活性，实现更高效的风机设计和性能预测。未来，它将推动风机建模和控制方法的演进，实现智能化的运维策略、故障诊断和控制策略优化。

LI等[14]采取了一种混合方法，将风机系统的物理信息融入数据驱动模型，形成高效的仿真模型。他们将风机系统的结构特性和线性化表示作为物理约束，应用于深度残差循环神经网络中，从而构建了物理信息深度学习模型。该深度学习模型整合了物理知识，能够更准确地捕捉风机的动态响应并提供更精确的预测结果，为动力响应预测领域带来新的思路和潜力。

其他学者也在提升海上风机响应预测能力方面进行了类似的研究。例如：YAN等[54]构建了各种风况下风机运行动态特性数据库，运用序列学习模型挖掘风机运行参数的时间序列特征。CHEN等[55]结合了传统的漂浮式海上风机数值模拟和AI技术，提出了SADA方法，针对其动态响应预报进行优化。SADA方法包括关键学科参数（key decision parameters, KDPs）和DARwind的概念。KDPs是SADA方法中提出的第1个关键概念和工具，采用强化学习框架构建基于物理模型与数据驱动的漂浮式风机动力响应预报优化方法。第2个关键工具是DARwind，与传统的强化学习方法不同，基于AI的DARwind作为动态响应模拟的执行者，已经具备了一定的可信度和判断力。SADA不仅能减少数值计算与测量数据之间的误差，还能拟合缺失的未知原始设计参数，为风机运行特性的预测提供更准确的方法[56]。随着训练数据的积累，针对不同的耦合环境，其预测效果将更加准确和快速。

SADA方法与可再生能源领域的传统监督学习应用不同，它不需要提供具有很强直接相关性的物理量。此外，值得注意的是，尽管物理神经网络等方法在风机建模与控制领域展现了广泛的应用潜力，但其在某些情况下需要大量数据进行训练和优化，特别是在涉及机器学习算法的情况下，数据获取可能受限。为了克服这问题，CHEN等[57]进一步构建了以漂浮式风机动力性能为基础的KDPs变化规律与机理特性的分析方法，针对KDPs提出了相应的指导方法和建议。为更好地指导选择KDPs以及设置和调整其边界条件，其还专门设计了关于KDPs在SADA中应用的综合指导方法流程图（如图 4所示）。

此外，ZHANG等[58]运用深度学习和多目标优化的数据驱动预测控制方法，建立了基于门控递归神经网络的漂浮式风机动态预测模型，实现了漂浮式风机的稳定运行和高效能量转化，以及风机动力响应的准确预测。这些研究共同推动了风机运行特性的准确预测和高效优化。

4 结 论

本文总结分析了AI技术在海上风机领域的应用概况，这些AI技术的成功应用拓展了海上风机设计、分析及运维的技术手段，但也带来了新的挑战，未来的研究和实践需要在创新AI技术应用的同时，注重可持续发展和实际应用的需求。本文的主要结论包括：

（1）动力响应分析和预报：AI技术能够在有限的数据情况下提高预测准确性，解决复杂的非线性问题，并充分利用物理知识来提高模型的泛化能力。此外，通过结合物理模型和数据驱动模型，研究人员能够更好地模拟风机的动态行为。

（2） 健康监测：对海上风机叶片、塔结构损伤、护套式结构、缆索结构、系泊、齿轮箱等进行了多维的AI分析和故障诊断，为海上风机故障监测和维护带来了新的视角和方法。然而，实验规模与实际的差异会影响实验结果的准确性，依赖于传感器收集数据可能影响数据的采集结果。

（3）设计优化：对AI技术在海上风机多方面的优化应用进行了分析。从ANN、深度学习、模型优化等多个角度，深入探讨了AI技术在提升海上风力发电系统性能和能源捕获效率、预防疲劳损伤和预测故障、运维管理与控制策略等方面的潜力，但复杂环境下的可靠性、模型可用性和鲁棒性等问题有待进一步解决。未来的研究方向可能需要包括更精细化的模型开发、更准确的性能预测和更智能化的控制策略。

（4）物理神经网络：物理神经网络在海上风机领域将引领着智能化风机设计、运维与控制的发展，未来的研究将进一步探索如何更有效地融合物理方程和神经网络，以提高模型的预测准确性和稳定性，应对不同情境下的挑战。