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：
1、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。据统计，自2007-2023年全球每年发生的风电事故中，因螺栓松动直接或间接引发的结构性故障事故高达约20%。
2、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。
3、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。
技术实现思路
1、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。
2、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：
3、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；
4、其中，构建多源融合表征参量具体采用以下方式：
5、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；
6、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；
7、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；
8、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；
9、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：
10、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、、和；
11、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；
12、对总体数据融合表征参量进行中心化处理；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，表示对矩阵z各行取均值；对角矩阵；特征向量矩阵；
13、确定主成分阶数s，设能量阈值，使得前个特征值满足；
14、根据主成分阶数确定前个特征向量为主成分向量，构成主成分子空间投影矩阵
15、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；
16、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；
17、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：
18、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；
19、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；
20、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；
21、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。
22、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：
23、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；
24、根据主成分阶数确定前个特征向量为主成分向量，构成主成分子空间投影矩阵
25、对总体数据融合表征参量进行主成分投影，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；
26、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：
27、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，得到第个运行状态样本投影数据和第个不同健康状态样本表征数据的距离指标，表示为；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；
28、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，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。
29、与现有技术相比，本发明的优点和积极效果在于：
30、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；
31、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。