海上结构物振动信号检测与分析.pdfVIP

摘要

海上结构物作为海洋资源勘探与开采过程中的重要基础设施，长期暴露在复杂

的海洋环境中，持续受风、浪、流等自然力影响，导致裂纹、腐蚀等损伤。而一旦

海上结构物出现事故，不仅会导致严重的经济损失和环境污染，还会对海上工作人

员的人身安全产生极大的威胁。因此，研究海上结构物的损伤检测方法具有重要的

现实意义。本文通过采集海上结构物的振动信号，基于识别不同健康状态下信号的

特征实现对结构的健康诊断与损伤检测。

针对当前海上结构物损伤检测研究中普遍存在的样本数目小、故障类型少、实

际数据缺失等问题，本文从以下几个方面对海上结构物的损伤检测方法进行研究：

第一，系统介绍了国内外结构损伤检测方法的发展历史和研究现状，总结了传

统结构损伤检测方法存在的问题，分别详细介绍了深度学习领域中自编码器理论和

卷积神经网络理论的相关知识，证明了这两种方法在结构损伤检测领域中的适用性，

并分别提出了基于堆叠稀疏自编码器和卷积神经网络的两种损伤识别方法。

第二，采集现实结构物模型的振动信号用于损伤检测。文章中首先详细介绍了

振动信号采集系统，包括传感器的选取、信号处理系统的设置等内容；然后依据现

役海上结构物的结构搭建了导管架平台的简化模型。为保证本研究具备现实意义，

在不同噪音条件下通过加速度传感器采集模型在不同健康状态下受激励所产生的振

动信号，通过对比振动信号的时域和频域图像，证明了在损伤检测时引入深度学习

方法的必要性。

第三，运用自编码器理论对结构物损伤进行检测和预测。该方法首先结合逐层

贪婪训练策略构建堆叠稀疏自编码器模型，以实现对输入信号的特征提取；然后将

提取到的特征输入Softmax分类器中对导管架平台的损伤类型进行检测。在隔离噪

音和海洋噪音两种环境下，该模型均展现出了良好的分类效果。为在结构损伤发生

的初期及时发现并预报，本文提出使用风险系数对导管架平台上的潜在损伤进行预

报，在隔离噪音条件下预报准确率为77.5%。

第四，运用卷积神经网络理论对结构物损伤进行检测。该方法使用了LeNet5神

经网络以及改进LeNet5神经网络两种网络结构进行损伤检测，详细介绍了其基本

原理及算法实现，并给出用于故障检测时的相应参数。通过对比分析不同环境下的

损伤检测结果可知，改进LeNet5神经网络结构性能略高于LeNet5神经网络，更

适用与海上结构物故障检测的任务场景。

关键词：海上结构物；信号分析；损伤检测；深度学习

Abstract

Asanimportantinfrastructureintheprocessofmarineresourceexplorationand

exploitation,offshorestructuresareexposedtothecomplexmarineenvironmentforalong

time,andarecontinuouslyaffectedbynaturalforcessuchaswind,waves,andcurrents,

resultingincracks,corrosionandotherdamage.Onceanaccidentoccursinanoffshore

structure,itwillnotonlyleadtoseriouseconomiclossesandenvironmentalpollution,but

alsoposeagreatthreattothepersonalsafetyofoffshoreworkers.Therefore,itisofgreat

practicalsignificancetostudythedamagedetectionmethodofoffshorestructures.Inthis

thesis,thevibrationsignalsofoffshorestructuresarecollected,andthehealthdiagnosis

anddamagedetectionofstructuresarerealizedbased