CN118013808B - 一种海上风力发电结构螺栓松动健康状态鉴别方法 - Google Patents

Abstract

本发明公开一种海上风力发电结构螺栓松动健康状态鉴别方法，属于海洋工程结构健康监测领域；首先构造海上风力发电结构正常及不同螺栓松动状态的多源融合表征参量，开展特征层融合及主成分分析，建立海上风力发电结构健康状态表征数据；然后获取海上风力发电塔筒结构服役振动数据，构造服役状态下多源融合表征参量，开展特征层融合及主成分分析，计算其在主成分空间的投影数据；最后得到投影数据与不同健康状态表征数据的距离指标，进行决策层融合，进而实现螺栓松动状态的精准鉴别；本方案无需进行模态参数识别，大大减少计算量；且基于经验模态分解处理振动信号，不受待测结构型式限制，减少了复杂环境下测量噪声干扰，实用性及推广价值高。

Description

一种海上风力发电结构螺栓松动健康状态鉴别方法

技术领域

本发明属于船舶与海洋工程领域，聚焦于海上风力发电塔筒结构，具体涉及一种海上风力发电塔筒结构螺栓松动健康状态鉴别方法。

背景技术

海上风力发电结构是海上风能开发利用的基础性设施，随着技术革新，塔筒间的连接越来越多，而螺栓连接是当前海上风力发电塔筒结构间的最主要连接方式。在风浪流、海冰等海洋荷载耦合作用下，连接结构需承受更多变的载荷，更易发生松动故障，引发海上风力发电结构整体刚度的变化，当松动达到一定程度时，甚至会导致海上风力发电整体振动特性的异常，诱发海上风力发电结构共振、甚至发生倒塌。

连接结构螺栓松动潜伏性强、危害巨大、难以察觉，在学术界和工程界均引起了重视。针对连接结构/螺栓松动监测问题，已公开技术《螺栓、螺栓松动角度实时监测系统及方法》[CN117288086A]、《一种基于SVM和AR模型传递率的螺栓松动位置检测方法》[CN117113755A]及《一种风电机组螺栓松动断裂监测装置及疲劳评估方法》[CN117231438A]分别针对螺栓松动角度、位置及断裂状态进行监测。但现有方法主要集中在机械、陆上风电领域，针对海上风力发电结构，考虑到海上风力发电结构螺栓松动信号中故障特征信息弱、相似工况难以区分等问题，无法对螺栓松动程度进行定量识别，故而对海上风力发电结构螺栓松动状态监测的相关技术较少，且结合现有的螺栓松动监测方案，也难以实现如何对螺栓松动程度的定量判定。

海上风力发电塔筒结构螺栓松动程度定量评价对确保风机安全、提升维护效率、预防故障、优化设计及提升整个风电行业管理水平具有至关重要的作用，因此有必要设计灵敏度高、准确性高、抗干扰能力强且适用于海上风力发电塔筒结构螺栓松动定量识别方法，实现塔筒结构螺栓连接健康状态的实时、自动地监测和诊断，为海上风力发电结构安全运行提供有力保障，对海上风电行业的发展产生积极的推动作用。

发明内容

本发明针对现有技术中难以对海上风力发电塔筒结构螺栓松动程度进行定量识别的技术难题，提出一种海上风力发电结构螺栓松动健康状态鉴别方法，通过建立数据层、特征层及决策层多级融合策略，显著提高海上风力发电结构早期损伤判定及识别，在较高噪声水平下仍可准确识别结构健康状态，有效提高健康状态识别方法的噪声鲁棒性。

本发明是采用以下的技术方案实现的：一种海上风力发电结构螺栓松动健康状态鉴别方法，包括以下步骤：

步骤A、构造海上风力发电结构正常状态及不同螺栓松动状态下的多源融合表征参量，并进行特征层融合及主成分分析，建立海上风力发电结构的不同健康状态表征数据；

其中，构建多源融合表征参量具体采用以下方式：

步骤A11、建立海上风力发电结构对应的有限元模型，根据有限元模型数值仿真得到海上风力发电结构正常及不同螺栓松动状态下的多源振动数据；

步骤A12、然后对正常及不同螺栓松动状态下的多源振动数据进行样本划分，获取多个样本数据，对各样本数据进行数据层融合，依次进行经验模态分解，获取各样本本征模态函数分量；

步骤A13、计算各本征模态函数分量的概率密度函数，并对其进行图像化及平滑处理；

步骤A14、对步骤A13处理后的图像进行网格化特征提取，组装拼接构造正常状态及不同螺栓松动状态下多源融合表征参量；

另外，进行特征层融合及主成分分析，建立海上风力塔筒结构健康状态表征数据，具体采用以下方式：

分别对正常和轻度松动、中度松动及重度松动状态下的数据融合表征参量进行特征层融合，对应的得到Φ＝[A^a；A^b]、Φ¹＝[A^1a；A^1b]、Φ²＝[A^2a；A^2b]和Φ³＝[A^3a；A^3b]；

对正常和轻度松动、中度松动及重度松动状态下融合后数据进行整合，获取总体数据融合表征参量

对总体数据融合表征参量Z进行中心化处理计算协方差矩阵 协方差矩阵特征向量为主成分方向；为标准化后的数据矩阵，mean(Z)表示对矩阵Z各行取均值；Λ为对角矩阵；为特征向量矩阵；

确定主成分阶数s，设能量阈值ε，使得前s个特征值满足

根据主成分阶数确定前s个特征向量为主成分向量P，构成主成分子空间投影矩阵

对整体特征矩阵进行主成分投影，获取海上风力塔筒结构健康状态表征数据 其包含上部位置及下部位置处健康状态表征数据和

步骤B、获取海上风力发电结构运行过程中的振动数据，构造运行状态下多源融合表征参量，进行特征层融合及主成分分析，计算其在主成分空间的投影数据；

获取海上风力发电塔筒结构运行过程中的振动数据，构造运行状态下多源融合表征参量，具体采用以下方式：

根据待检测海上风力发电结构运行过程中上部位置及下部位置布置的加速度传感器实时获取其运行过程中对应的多源振动数据和及和

对运行过程中的多源振动数据进行样本划分，获取多个样本数据；对各样本数据进行数据层融合，依次进行经验模态分解，获取各样本本征模态函数分量；

计算各本征模态函数分量的概率密度函数，并对其进行图像化及平滑处理；

对图像进行网格化特征提取，组装拼接构造形成上部位置和下部位置运行过程中数据融合表征参量和*代表实测数据符号。

进一步的，所述步骤B中在计算投影数据时，具体采用以下方式实现：

对运行状态数据融合表征参量进行特征层融合然后对融合表征参量Z^*进行中心化处理计算协方差矩阵协方差矩阵特征向量为主成分方向；

根据主成分阶数确定前s个特征向量为主成分向量P^*，构成主成分子空间投影矩阵

对总体数据融合表征参量Z^*进行主成分投影，获取海上风力塔筒结构运行状态表征数据其包含上部位置及下部位置处对应的运行状态表征数据和

步骤C、获取步骤B得到的投影数据与步骤A获得的不同健康状态表征数据的距离指标，然后进行决策层融合，通过临近归类准则实现海上发电结构螺栓松动健康状态的精准鉴别：

步骤C1、计算运行状态上部位置投影数据与不同健康状态表征数据的距离指标，得到第I个运行状态样本投影数据和第j个不同健康状态样本表征数据的距离指标，表示为d^a；同理，计算运行状态下部位置投影数据与不同健康状态表征数据的距离指标，表示为d^b；

步骤C2、进行决策层融合，计算上部位置和下部位置距离指标的均值d＝(d^a+d^b)/2，基于临近归类准则进行运行状态螺栓松动程度识别，以距离最小为准测对运行状态样本螺栓松动程度进行归类识别。

与现有技术相比，本发明的优点和积极效果在于：

本方案基于海上风力发电塔筒连接结构的近端数据进行分析，近端数据对结构早期损伤/微小缺陷较为敏感，因此仅需布置少数几个(如两个)传感器即可完成判定，极大地减小了检测难度及成本，对海工装备连接结构早期预警、维修加固决策具有较高的指导意义及实用价值；而且，基于概率密度函数图像，通过构建网格化的概率密度函数特征提取方法，结合特有的特征及特征向量组装策略，丰富了海上风力发电结构状态表征体系，提高了特征参量的敏感性，对海上风力发电结构轻微松动及早期缺陷识别具有较高的灵敏度；

另外，通过主成分分析剔除环境因素及测量噪声对松动判定方法的干扰，只需测量结构的振动响应，而无需对当时环境因素进行测量，有效实现环境和噪声污染下海上风力发电连接结构健康状态的准确判定；相比于传统模态参数类检测方法，本方案无需进行模态参数识别，大大减少了计算量；此外基于经验模态分解方法对振动信号进行处理，降低了实际测量环境噪声的干扰，可以依据数据自身的时间尺度特征来进行信号分解，因此不受待测结构型式的限制，基于多源数据构造表征参量，大大提高了结构健康监测精度，实用性及推广价值较高。

附图说明

图1为本发明实施例健康状态下上部位置测点a的多源加速度数据示意图，其中，(a)为上部位置x轴方向加速度数据，(b)为上部位置y轴方向加速度数据；

图2为本发明实施例螺栓分布示意图；

图3为本发明实施例海上风力塔筒结构健康状态表征数据示意图，其中，(a)为上部位置,(b)为下部位置，D1，D2，D3分别代表轻度、中度、重度松动，H为健康状态；

图4为本发明实施例海上风力塔筒运行过程健康状态判定结果示意图，其中，(a)为上部位置，(b)为下部位置，D1，D2，D3分别代表轻度、中度、重度松动，H为健康状态；Test表示测试状态，TestA为一个螺栓松动的轻度松动状态，Test B为四个螺栓松动的重度松动状态；

图5为本发明实施例概率密度图像示意图。

具体实施方式

为了能够更加清楚地理解本发明的上述目的、特征和优点，下面结合附图及实施例对本发明做进一步说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开的具体实施例。

实施例、一种海上风力发电结构螺栓松动健康状态鉴别方法，包括以下步骤：

步骤A、构造海上风力发电结构正常状态及不同螺栓松动状态下的多源融合表征参量，并进行特征层融合及主成分分析，建立海上风力发电结构的不同健康状态表征数据；

步骤B、获取海上风力发电塔筒结构运行过程中的振动数据，构造运行状态下多源融合表征参量，进行特征层融合及主成分分析，计算其在主成分空间的投影数据；

步骤C、获取步骤B得到的投影数据与步骤A获得的不同健康状态表征数据的距离指标，进行决策层融合，通过临近归类准则实现发电结构螺栓松动健康状态的精准鉴别。

其中，步骤A具体采用以下方式实现：

步骤A1、构造海上风力塔筒结构正常状态及不同螺栓松动状态下多源融合表征参量时：

(1)建立海上风力发电结构对应的有限元模型，根据有限元模型数值仿真获取得到海上风力发电塔筒结构正常状态及不同螺栓松动状态下的多源振动数据；

对有限元模型进行数值仿真，获取海上风力发电塔筒结构正常状态连接结构上部和下部两处典型位置处连续振动时程数据，设采样时长为Ts，采样频率为fHz，连续采集T×f个上部位置x向和y向振动数据x_ai和y_ai，连续采集T×f个下部位置x向和y向振动数据x_bi和y_bi，待检测海上风力发电结构正常状态下，上部位置a和下部位置b对应的多源振动数据记为x_a和y_a及x_b和y_b；

另外，通过对有限元模型进行数值仿真，分别获取海上风力发电结构不同螺栓松动状态下连接结构上部和下部两处典型位置处连续振动时程数据，根据螺栓松动数量可划分为轻度松动、中度松动及重度松动三种螺栓松动状态，分别对应螺栓松动数占总螺栓数的(0,25％]、(25％,50％]及(50％,75％]，设采样时长为Ts，采样频率为fHz，连续采集获得待检测海上风力发电结构三种螺栓松动状态下对应的上部位置和下部位置的多源振动数据和及和 和及和及和及和

(2)对正常及不同螺栓松动状态下的多源振动数据进行样本划分，获取多个样本数据；

对正常及不同螺栓松动状态下的多源振动数据进行样本划分，以ΔT为时间间隔将原始数据进行划分，获取n＝T/ΔT个样本数据，每样本由m＝ΔT×f个振动数据组成；划分样本需综合考虑各样本经历时间和数据点数因素。

(3)对各样本数据进行数据层融合，依次进行经验模态分解，获取各样本本征模态函数分量，具体的：

对各样本振动数据进行数据层融合，通过向x和y两坐标轴方向形成的角平分线上投影，取两投影的模的和作为数据层融合后的基准数据z，具体为：z_a＝|x_a·cos45°|+|y_a·sin45°|，z_b＝|x_b·cos45°|+|y_b·sin45°|；z_a和z_b为别为上部位置a点和下部位置b点的数据层融合后的基准数据，由a点数据x_a和y_a，b点数据x_b和y_b数据计算得到；

分别对连接结构上部位置a和下部位置b的n个样本数据依次进行经验模态分解，每样本分解后可得到k个本征模态函数分量，上部位置及下部位置样本各获得n×k个本征模态函数。

(4)计算各本征模态函数分量的概率密度函数，并对其进行图像化及平滑处理；分别计算各样本各层本征模态函数分量的概率密度函数，获取各样本k层IMF的概率密度函数f₁,f₂,…f_k；k为经验模态分解后每个样本本征模态函数分量的个数，n个样本共可获得n×k个本征模态函数；IMF为本征模态函数的缩写，具体可扩充为IMF1，IMF2，…IMFk，f₁,f₂,…f_k分别对应第1，2…k层IMF的概率密度函数，对各概率密度函数进行图像化处理及平滑处理，采用临近点平均法对各层IMF计算得到的概率密度函数进行图像化及平滑处理，去除图像中因噪声或数据异常导致的毛刺，消除信号测量过程中噪声会产生干扰，以提高损伤识别的准确性，即以邻域S内的均值代替邻域内各点的值：式中，f_avg代表临近点平均后的数值，是邻域S内点各数据点z_i的函数，记为g(z)，N为邻域S内的数据点个数。

(5)对图像进行网格化特征提取，组装拼接构造正常状态及不同螺栓松动状态下多源融合表征参量：

对处理后的各概率密度函数图像进行网格化特征提取，用特定密度的网格将图像进行划分，用维数相同的数学矩阵代替网格里的数据点数，当数据改变时，信号的概率密度图像随之改变，通过数学矩阵对应网格数据点数的变化即可准确提取到概率密度图像的变化；

设第i个样本第k层IMF的概率密度函数为f_k，统计概率密度函数中幅值数据的最大和最小幅值分别为δ_max和δ_min，概率密度最大值为β，在横坐标[δ_max,δ_min]和纵坐标[0,1.2β]区域内等距划分出R×L个网格，R，L分别对应概率密度函数图像化时方格背景的横向和纵向方格个数，相应定义零矩阵f^k，对应第k层IMF的概率密度函数的归零矩阵，维度为R×L，矩阵中每个元素对应图中相应位置的网格，其中网格内包含的数据点数为矩阵对应位置元素的数值，若点落在网格线上，规定将此点分配给右侧或上侧的临近网格(如图5中A位置网格包含数据点数为3个，矩阵对应位置元素的数值为3；B位置网格不包含数据点，矩阵对应位置元素的数值为0)；

提取图像化后数据的特征，获得第i个第k层IMF的概率密度函数的特征矩阵g^k，将网格所有列按序首位相接合并成列向量a^k：

a^k＝[g^k(1,1)；g^k(2,1)；…；g^k(R,1)；g^k(1,2)；…；g^k(R,L)]^T

其中，g^k(1,1)代表第i个样本第k层IMF的概率密度函数的特征矩阵第1行第1列数据，其他同理；组装拼接形成第i个样本数据特征向量，将全部k个列向量a^k按序首尾拼接合并成列，a^k为第k层拼接列向量，由对应的g^k每一列首尾相接组成；构成基准数据特征向量bⁱ＝[a¹；a²；…；a^k]，bⁱ由全部k层拼接列向量a^k组成，其中特征向量b为包含R×L×k个特征的高维向量；

类似地，对健康状态样本数据进行特征提取，组装拼接形成上部和下部位置正常状态数据融合特征参量A^a＝[b^a1,b^a2,…,b^an]和A^b＝[b^b1,b^b2,…,b^bn]，A^a和A^b对应a和b两个测点正常状态数据融合特征参量，由基准数据特征向量组成，b^a1,b^a2,…,b^ak分别对应a点的第1,2…k层IMF对应的基准数据特征向量，b^b1,b^b2,…,b^bk类似。

类似地，对不同螺栓松动状态样本数据进行特征提取，组装拼接形成上部和下部位置不同螺栓松动状态数据融合特征参量A^1a和A^1b、A^2a和A^2b及A^3a和A^3b，A^1a和A^1b对应a点和b点的轻度松动状态的数据融合特征参量，A^2a和A^2b及A^3a和A^3b分别对应中度松动及重度松动状态。

步骤A2、进行特征层融合及主成分分析，建立海上风力塔筒结构健康状态表征数据：

分别对正常和不同螺栓松动状态数据融合表征参量进行特征层融合Φ＝[A^a；A^b]、Φ¹＝[A^1a；A^1b]、Φ²＝[A^2a；A^2b]和Φ³＝[A^3a；A^3b]；Φ，Φ¹，Φ²，Φ³分别对应正常和轻度松动、中度松动及重度松动状态下含有所有样本信号概率密度特征的矩阵；

对正常和不同螺栓松动状态融合后数据进行整合，获取总体数据融合表征参量

对总体数据融合表征参量进行主成分分析，计算主成分空间投影矩阵，具体方法是：

对总体数据融合表征参量Z进行中心化处理

计算协方差矩阵协方差矩阵特征向量为主成分方向；

其中，为标准化后的数据矩阵，mean(Z)表示对矩阵Z各行取均值；Λ＝diag(λ₁,λ₂,…,λ_n)是由n个特征值组成的对角矩阵，且λ₁≥λ₂≥…≥λ_n；是与特征值对应的特征向量矩阵。

确定主成分阶数，设能量阈值ε，使得前s个特征值满足

根据主成分阶数确定前s个特征向量为主成分向量P，构成主成分子空间投影矩阵

对整体特征矩阵进行主成分投影，获取海上风力塔筒结构健康状态表征数据 其包含上部及下部位置处健康状态表征数据和P^T为P的转置矩阵。

另外，步骤B具体采用以下方式实现：

步骤B1、获取海上风力发电塔筒结构运行过程中的振动数据，构造运行状态下多源融合表征参量：

在待检测海上风力发电塔筒连接结构运行过程中上部及下部位置布置加速度传感器，实时获取待检测海上风力发电塔筒连接结构服役过程中的多源振动数据和及和

对运行过程中的多源振动数据进行样本划分，获取多个样本数据；然后对各样本数据进行数据层融合，依次进行经验模态分解，获取各样本本征模态函数分量；计算各本征模态函数分量的概率密度函数，并对其进行图像化及平滑处理；

对图像进行网格化特征提取，组装拼接构造形成上部位置和下部位置运行过程中数据融合表征参量和其中，A^*a和A^*b分别为上部位置a和下部位置b对应的数据融合表征参量，式中*代表实测数据(下同)，n代表n层IMF。

步骤B2、进行特征层融合及主成分分析，计算其在主成分空间的投影数据：

对运行状态数据融合表征参量进行特征层融合并对运行状态数据融合表征参量进行主成分分析，计算其在主成分空间的投影数据，具体的：

对总体数据融合表征参量Z^*进行中心化处理计算协方差矩阵 协方差矩阵特征向量为主成分方向；

根据主成分阶数确定前s个特征向量为主成分向量p^*，构成主成分子空间投影矩阵

对总体数据融合表征参量Z^*进行主成分投影，获取海上风力塔筒结构运行状态表征数据其包含上部及下部位置处运行状态表征数据和

步骤C中，获取投影数据与不同健康状态表征数据的距离指标，具体方法是：

计算运行状态上部位置投影数据与不同健康状态表征数据的距离指标，如第i个运行状态样本投影数据和第j个不同健康状态样本表征数据的距离指标，具体为

类似地，计算运行状态下部位置投影数据与不同健康状态表征数据的距离指标，具体为

然后进行决策层融合，通过临近归类准则实现塔筒结构螺栓松动健康状态的精准鉴别：

进行决策层融合，计算上部位置和下部位置距离指标的均值d＝(d^a+d^b)/2使用临近归类准则进行运行状态螺栓松动程度识别，以距离最小为准测对运行状态样本螺栓松动程度进行归类识别。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

以某5MW三桩基础海上风力发电结构为例，建立其有限元模型，分析其典型风荷载作用下海上风力发电塔筒结构正常状态及不同螺栓松动状态下上部及下部典型位置处的多源振动数据，如图1所示为正常状态风载荷激励下连接结构上部位置在x和y两方向的加速度响应，取后60s作为正常状态振动数据进行分析。

类似地，测量海上风力发电连接结构轻度松动、中度松动及重度松动状态下上部及下部典型位置处的多源振动数据，该有限元模型中由8个螺栓连接(图2)，考虑其对称性，轻度松动(D1)考虑了螺栓1、螺栓2、螺栓3、螺栓1+2、螺栓1+3及螺栓1+4共计6类样本数据，中度松动(D2)考虑了螺栓1+2+3、螺栓1+3+4、螺栓1+3+6、螺栓1+2+3+4、螺栓1+3+5+7、螺栓1+5+7+8共计6类样本数据，重度松动(D3)考虑了螺栓1+2+3+4+5、螺栓1+3+4+5+6、螺栓1+4+5+6+8、螺栓1+2+3+4+5+6、螺栓1+3+4+5+6+7及螺栓1+3+4+6+7+8共计6类样本数据，累计18个样本数据。

利用多源数据构造海上风力塔筒结构正常状态及不同螺栓松动状态下多源融合表征参量，进行特征层融合及主成分分析，建立海上风力塔筒结构健康状态表征数据，如图3所示。

获取海上风力发电塔筒结构运行过程中的振动数据，考虑了两种运行过程螺栓松动状态，分别为TestA(螺栓8松动，轻度松动)和Test B(螺栓1+4+6+7+8松动，重度松动)，构造运行状态下多源融合表征参量，进行特征层融合及主成分分析，计算其在主成分空间的投影数据，如图4所示，TestA投影数据落在D1(轻度松动)集群内，Test B投影数据落在D3(重度松动)集群内，准确识别了海上风力发电塔筒结构运行过程中螺栓松动程度。

对运行过程样本数据的螺栓松动程度进行精确定量识别，计算待测样本投影数据与不同健康状态表征数据的距离指标，并进行决策层融合，如表1所示，利用上部位置数据，TestA(螺栓8松动)投影数据与No.2表征数据(螺栓1松动)距离最近；利用下部位置数据，其与No.3表征数据(螺栓2松动)距离最近，通过决策层融合综合判断，Test A投影数据与No.3表征数据(螺栓2松动)距离最近，综合判定螺栓松动状态为松动1颗时的轻度松动(D1)，与预设松动程度完全一致，验证了本发明的有效性。值得注意的是，TestA为螺栓8松动，与No.3表征数据(螺栓2松动)呈对称型式，从而验证了本发明可准确定位单个螺栓松动位置或其对称位置，大大减少了检测排查的范围。

类似地，利用上部位置数据，Test B投影数据(螺栓1+4+6+7+8松动)与No.15表征数据(螺栓1+3+4+5+6松动)距离最近，利用下部位置数据，可判断其与No.16表征数据(螺栓1+4+5+6+8松动)距离最近，通过决策层融合综合判断Test B投影数据(螺栓1+4+6+7+8松动)与No.16(螺栓1+4+5+6+8松动)表征数据距离最近，综合判定螺栓松动状态为螺栓松动5颗时的重度松动(D3)，与预设松动程度完全一致，验证了本发明的有效性。

表1运行过程中不同螺栓松动程度临近归类融合决策结果

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (5)

1.一种海上风力发电结构螺栓松动健康状态鉴别方法，其特征在于，包括以下步骤：

步骤A、构造海上风力发电结构正常状态及不同螺栓松动状态下的多源融合表征参量，并进行特征层融合及主成分分析，建立海上风力发电结构的不同健康状态表征数据，螺栓松动状态根据螺栓松动数量划分，包括轻度松动、中度松动及重度松动；

构建多源融合表征参量具体采用以下方式：

步骤A11、建立海上风力发电结构对应的有限元模型，根据有限元模型数值仿真得到海上风力发电结构正常及不同螺栓松动状态下的多源振动数据；

对有限元模型进行数值仿真，获取海上风力发电结构正常状态连接结构上部位置和下部位置处连续振动时程数据，设采样时长为T，采样频率为f，分别连续采集T×f个上部位置a和下部位置b的x向和y向振动数据，得到待检测海上风力发电结构正常状态下的上部位置a的x向和y向多源振动数据，以及下部位置b的x向和y向多源振动数据，对应的分别表示为x_a和y_a及x_b和y_b；

同理，对有限元模型进行数值仿真，分别获取海上风力发电结构不同螺栓松动状态下连接结构上部位置和下部位置处连续振动时程数据，连续采集获得待检测海上风力发电结构的上部位置和下部位置在轻度松动、中度松动及重度松动状态下对应的x向和y向多源振动数据，分别对应的表示为和及和和及和及和及和

步骤A12、然后对正常及不同螺栓松动状态下的多源振动数据进行样本划分，获取多个样本数据，对各样本数据进行数据层融合，依次进行经验模态分解，获取各样本本征模态函数分量；

对正常及不同螺栓松动状态下的多源振动数据进行样本划分，以ΔT为时间间隔将原始数据进行划分，获取n＝T/ΔT个样本数据，每样本由m＝ΔT×f个振动数据组成；

划分样本时综合考虑各样本经历时间和数据点数因素；然后对各样本振动数据进行数据层融合，通过向x和y两坐标轴方向形成的角平分线上投影，得到数据层融合后的基准数据z，表示为：z_a＝|x_a·cos45°|+|y_a·sin45°|，z_b＝|x_b·cos45°|+|y_b·sin45°|；

分别对发电结构上部位置a和下部位置b的n个样本数据依次进行经验模态分解，每样本分解后可得到k个本征模态函数分量，上部位置及下部位置样本各获得n×k个本征模态函数；

步骤A13、计算各本征模态函数分量的概率密度函数，并对其进行图像化及平滑处理；

分别计算各样本各层本征模态函数分量的概率密度函数，获取各样本k层IMF的概率密度函数f₁,f₂,…f_k；f₁,f₂,…f_k分别对应第1，2…k层IMF的概率密度函数，采用临近点平均法对各层IMF计算得到的概率密度函数进行图像化及平滑处理；

步骤A14、对步骤A13处理后的图像进行网格化特征提取，组装拼接构造正常状态及不同螺栓松动状态下多源融合表征参量；对处理后的各概率密度函数图像进行网格化特征提取，用网格将图像进行划分，用维数相同的数学矩阵代替网格里的数据点数，当数据改变时，信号的概率密度图像随之改变，通过数学矩阵对应网格数据点数的变化即能够准确提取到概率密度图像的变化；

设第i个样本第k层IMF的概率密度函数为f_k，统计概率密度函数中幅值数据的最大和最小幅值分别为δ_max和δ_min，概率密度最大值为β，在横坐标[δ_max,δ_min]和纵坐标[0,1.2β]区域内等距划分出R×L个网格，相应定义零矩阵f^k，矩阵中每个元素对应图中相应位置的网格，其中网格内包含的数据点数为矩阵对应位置元素的数值，若点落在网格线上，规定将此点分配给右侧或上侧的临近网格；

提取图像化后数据的特征，获得第i个第k层IMF的概率密度函数的特征矩阵g^k，将网格所有列按序首位相接合并成列向量a^k：

a^k＝[g^k(1,1)；g^k(2,1)；…g^k(R,1)；g^k(1,2)；...；g^k(R,L)]|^T

其中，g^k(1,1)代表第i个样本第k层IMF的概率密度函数的特征矩阵第1行第1列数据，…g^k(R,L)代表第i个样本第k层IMF的概率密度函数的特征矩阵第R行第L列数据，组装拼接形成第i个样本数据特征向量，将全部k个列向量a^k按序首尾拼接合并成列，构成基准数据特征向量bⁱ＝[a¹；a²；…；a^k]，其中特征向量b为包含R×L×k个特征的高维向量；

同理，对健康状态样本数据进行特征提取，组装拼接形成上部和下部位置正常状态数据融合特征参量A^a＝[b^a1,b^a2,…,b^an]和A^b＝[b^b1,b^b2,…,b^bn]，对不同螺栓松动状态样本数据进行特征提取，组装拼接形成上部位置和下部位置轻度松动、中度松动及重度松动状态下对应的数据融合特征参量A¹a和A^1b、A²a和A^2b及A³a和A^3b；

步骤B、获取海上风力发电结构运行过程中的振动数据，构造运行状态下多源融合表征参量，并进行特征层融合及主成分分析，计算其在主成分空间的投影数据；

步骤C、获取步骤B得到的投影数据与步骤A获得的不同健康状态表征数据的距离指标，进行决策层融合，基于临近归类准则实现发电结构螺栓松动健康状态的鉴别。

2.根据权利要求1所述的海上风力发电结构螺栓松动健康状态鉴别方法，其特征在于：所述步骤A中，进行特征层融合及主成分分析，建立海上风力塔筒结构健康状态表征数据，具体采用以下方式：

分别对正常和轻度松动、中度松动及重度松动状态下的数据融合表征参量进行特征层融合，对应的得到Φ＝[A^a；A^b]、Φ¹＝[A^1a；A^1b]、Φ²＝[A^2a；A^2b]和Φ³＝[A^3a；A^3b]；

对正常和轻度松动、中度松动及重度松动状态下融合后数据进行整合，获取总体数据融合表征参量

对总体数据融合表征参量Z进行中心化处理计算协方差矩阵 为标准化后的数据矩阵，mean(Z)表示对矩阵Z各行取均值；Λ为对角矩阵；为特征向量矩阵；

确定主成分阶数s，设能量阈值ε，使得前s个特征值满足

根据主成分阶数确定前s个特征向量为主成分向量P，构成主成分子空间投影矩阵

对整体特征矩阵进行主成分投影，获取海上风力塔筒结构健康状态表征数据 其包含上部位置及下部位置处健康状态表征数据和

3.根据权利要求1所述的海上风力发电结构螺栓松动健康状态鉴别方法，其特征在于：所述步骤B中，获取海上风力发电塔筒结构运行过程中的振动数据，构造运行状态下多源融合表征参量，具体的：

根据待检测海上风力发电结构运行过程中上部位置及下部位置布置的加速度传感器实时获取其运行过程中对应的多源振动数据和及和

对运行过程中的多源振动数据进行样本划分，获取多个样本数据；对各样本数据进行数据层融合，依次进行经验模态分解，获取各样本本征模态函数分量；

计算各本征模态函数分量的概率密度函数，并对其进行图像化及平滑处理；

对图像进行网格化特征提取，组装拼接构造形成上部位置和下部位置运行过程中数据融合表征参量和*代表实测数据符号。

4.根据权利要求1所述的海上风力发电结构螺栓松动健康状态鉴别方法，其特征在于：所述步骤B中在计算投影数据时，具体采用以下方式实现：

对运行状态数据融合表征参量进行特征层融合然后对融合表征参量Z^*进行中心化处理计算协方差矩阵协方差矩阵特征向量为主成分方向；

根据主成分阶数确定前s个特征向量为主成分向量P^*，构成主成分子空间投影矩阵

对总体数据融合表征参量Z^*进行主成分投影，获取海上风力塔筒结构运行状态表征数据其包含上部位置及下部位置处对应的运行状态表征数据和

5.根据权利要求1所述的海上风力发电结构螺栓松动健康状态鉴别方法，其特征在于：所述步骤C具体采用以下方式实现：

步骤C1、计算运行状态上部位置投影数据与不同健康状态表征数据的距离指标，得到第i个运行状态样本投影数据和第j个不同健康状态样本表征数据的距离指标，表示为d^a；同理，计算运行状态下部位置投影数据与不同健康状态表征数据的距离指标，表示为d^b；

步骤C2、进行决策层融合，计算上部位置和下部位置距离指标的均值d＝(d^a+d^b)/2，基于临近归类准则进行运行状态螺栓松动程度识别，以距离最小为准测对运行状态样本螺栓松动程度进行归类识别。