一种软刚臂系泊系统连接结构的损伤评估系统及评估方法

技术领域

本发明涉及一种软刚臂系泊系统连接结构的损伤评估系统及评估方法，属于海洋浮式平台作业安全领域。

背景技术

软刚臂系泊系统是浮式生产储油装置（FPSO）的一种单点定位系统，与其他类型的定位结构比较，软刚臂系泊系统具有全铰连接、易于拆装、可重复使用等优势，被广泛应用于浅海（如我国渤海）油气开发中。

但是，由于软刚臂系泊系统需要在固定海域长期工作，长期受到风、浪、流的联合作用影响，导致其铰节点等连接结构容易发生疲劳损伤。这种损伤会严重影响浮式生产储油平台的系泊能力，一旦铰节点等连接结构发生损伤失效，会导致平台停工，甚至出现人员安全事故。

软刚臂系泊系统连接结构损伤评估方法,是基于现场监测数据的分析处理，根据处理后数据形成一套损伤识别的方法或者模型，并采用验证数据进行初步验证，当验证结果良好时，将该损伤识别方法或模型应用于现场实际，植入现场构成连接结构损伤预警系统。

由于海洋结构和载荷的复杂性，导致铰节点的损伤识别问题是一个高非线性问题，且计算难度较高。现有针对该问题的传统数值方法或有限元方法需要引入大量假设，致使对于软刚臂铰节点损伤的识别并不理想。同时传统数值方法需要针对不同结构单独建模，计算耗时费力，不能对现场数据进行实时分析。较难直接应用在现场。

近些年来，许多学者在各个领域中应用深度学习方法，且应用效果显著。在损伤识别中采用深度学习方法，可以避免数值方法的诸多问题，能够更加贴合现场实际。

发明内容

本发明的目的是提供一种软刚臂系泊系统连接结构的损伤评估系统及评估方法。该评估系统及评估方法可基于现场的监测数据，对软刚臂铰结构进行准确的实时损伤识别。

本发明采取以下技术方案：一种软刚臂系泊系统连接结构的损伤评估系统包括输入模块、数据处理模块、模型构建与训练模块、模型验证模块和现场决策模块，所述输入模块用于收集现场数据，对数据进行整理分类。

所述数据处理模块用于对数据进行特征处理，去除冗余和无效特征数据，保留有效特征数据。

所述模型构建与训练模块根据数据处理模块选取的数据，对深度学习损伤识别模型进行训练。

模型验证模块用全新工况下的数据进行泛化能力验证，验证深度学习损伤识别模型的损伤识别能力。

所述现场决策模块用于真实结构中的预警系统，对现场铰节点进行损伤评估。

所述输入模块收集损伤监测系统的监测数据和海洋工况数据，现场决策模块选取的模型为模型验证模块中识别效果最好的深度学习损伤识别模型。

一种软刚臂系泊系统连接结构的损伤评估系统的评估方法，包括以下步骤：

A、分析真实结构损伤前后的运动响应差异，选取适合的特征类型作为训练数据集的特征值。

B、根据步骤A分析的真实结构的运动响应结果，设计并搭建真实结构的损伤监测系统。

C、获取步骤B搭建的损伤监测系统在各个工况和各个损伤状态下的原始数据，对原始数据进行分类整理、补齐缺失值和删除异常值。

D、基于步骤A中的分析结果，提取数据集的有效特征值，并采用互信息熵的相关性计算方法，计算原始数据、提取的特征值和目标值的相关系数。

E、根据步骤D计算的相关系数，选取几组输入特征数目不等的特征数据集作为损伤识别模型的训练数据集，同时，根据真实结构近年来经历的海洋工况概率分布，采用拉丁超立方进行随机抽样，作为损伤识别模型的工况信息。

F、根据步骤E中确定的工况信息与训练数据集进行模型的训练分析，并采用未训练的海洋自然工况下的数据作为模型的验证数据，分析验证结果，选取准确率最高的损伤识别模型作为现场决策模块的模型。

G、基于步骤F训练好的损伤识别模型，应用于现场真实结构的预警系统，评估真实结构铰节点的损伤状态。

所述的一种软刚臂系泊系统连接结构的损伤评估系统的评估方法，还包括：

H、选取步骤F中多个验证准确率较高的损伤识别模型作为现场决策模块的模型，采用投票的方式得到现场铰节点的损伤状态，其中，现场决策模块中的损伤识别模型，可以通过现场的数据进行进一步的训练。

本方法由于采取以上技术方案，其具有以下优点：这种软刚臂系泊系统连接结构的损伤评估系统及评估方法包括输入模块、数据处理模块、模型构建与训练模块、模型验证模块和现场决策模块。该评估系统及评估方法采用基于深度学习方法建立结构损伤识别模型，通过真实结构运动响应数据对该模型进行学习训练，用训练后的结构损伤识别模型处理结构损伤识别这一复杂非线性问题，避免了传统数值方法引入诸多假设，线路实现困难等缺点。同时，能够准确识别软刚臂系泊系统连接结构的损伤。结合特征处理的深度学习模型泛化能力强，节省计算资源，提高了计算效率和损伤识别的准确性。这种评估系统及评估方法贴合现场实际，适用于海洋结构的损伤识别问题。

附图说明

图1是一种软刚臂系泊系统连接结构的损伤评估系统的实施流程图。

图2是堆栈稀疏自编码训练过程测试准确率对比图。

图3是堆栈稀疏自编码训练过程测试损失值对比图。

图4是前馈神经训练过程测试准确率对比图。

图5是前馈神经网络训练过程测试损失值对比图。

具体实施方式

以下结合附图来对本发明进行详细的描绘。然而应当理解，附图的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。

图1示出了一种软刚臂系泊系统连接结构的损伤评估系统的实施流程图。图中，这种软刚臂系泊系统连接结构的损伤评估系统包括损伤监测系统，损伤监测系统包含力学传感器、倾角传感器、惯导传感器和加速度传感器，用于监测软刚臂系泊系统铰节点的运动响应数据。输入模块，用于收集现场数据，并可以对数据进行整理分类；数据处理模块，用于对数据进行特征处理，去除冗余和无效特征数据，保留有效特征数据；模型构建与训练模块，用于根据上个模块选取的数据，对深度学习损伤识别模型进行训练；模型验证模块，用于根据全新工况下的数据进行泛化能力验证，验证深度学习模型的损伤识别能力。现场决策模块，用于真实结构中的预警系统，对现场铰节点进行损伤评估。

具体的，所述的现场决策模块选取的模型为模型验证模块中效果最好的深度学习模型。

这种软刚臂系泊系统连接结构的损伤评估系统的评估方法，包括以下步骤：

A、分析真实结构损伤前后的运动响应差异，选取适合的特征类型作为后续训练的数据集。作为多铰结构的软刚臂系泊系统，当铰节点出现损伤时，会直接反映在结构的运动响应中。所以可以根据分析真实结构损伤前后的运动响应，选取变化明显且差异较大的特征类型，作为后续深度学习损伤识别模型的训练数据。这种结合运动分析提取的特征值，会提升深度学习模型的泛化性能。

B、根据真实结构的运动响应结果，设计真实结构的损伤监测系统，并在现场搭建。根据分析结果，可以选取适合深度学习训练的测点位置与测量信息，进而根据监测系统实时监测的系泊系统运动响应，训练损伤识别模型。同时，由于深度学习模型的训练需要大量数据，自然情况下很难获得如此多的数据，可以搭建缩比实验模型作为数据的补充。

C、获得监测系统在各个工况以及各个损伤状态下的原始数据，并进行初步整理。铰节点在不同损伤情况、不同工况下的运动相应数据会存在差异，这是需要深度学习模型进行学习和识别的地方。对原始数据的初步整理包括分类整理、缺失值补齐和异常值删除。

D、基于步骤A中的结果，提取数据的有效特征值，并采用互信息熵的相关性计算方法，计算原始数据、提取的特征值和目标值（损伤状态）的相关性大小。提取数据有效特征值是为了进一步扩充数据集，增加模型可以用来进行训练的数据量。采用互信息熵计算相关性，可以筛选出与损伤结果相关性高的特征数据用于模型训练，可以提高模型训练的准确性和快速性。

E、根据D中计算的相关系数，选取几组输入数目不等的特征数据集作为模型的训练数据。选取数目不等的特征数据集作为模型的训练数据是为了构造不同的损伤识别模型，用于后续比较，进而筛选出最佳模型。同时，根据真实结构近年来经历的海洋工况概率分布，采用拉丁超立方进行随机抽样，作为损伤识别模型的工况信息。由此可以获得具有代表性的工况，减少实验时间成本。其中，目标值损伤状态的定义，由具体目标分析（连续或离散）。定义的目标损伤状态作为深度学习模型的损伤标签。

F、根据E中的工况与数据进行模型的训练分析，并采用未训练的海洋自然工况作为模型的验证工况。分析验证结果，选取准确率最高的损伤识别模型作为现场决策模块中模型。由于输入模型的数据不同，训练出来的深度学习模型也存在差异。为了找出深度学习模型的最佳数据输入方案，对输入数据不同的模型的验证结果进行对比分析，识别准确率最高的模型即当前的最优方案。这种对比分析的方法会尽可能地提升损伤识别模型的识别准确率。

G、基于训练好的损伤识别模型，应用于现场真实结构的预警系统，评估真实结构铰节点的损伤状态。这一步的主要目的是现场验证识别模型有效性，是深度学习损伤识别模型能否用于现场识别的关键步骤。

进一步，一种软刚臂系泊系统连接结构的损伤评估系统的评估方法还包括：

H、选取F中多个验证准确率较高的损伤识别模型作为现场决策模块的模型，根据采用投票的方式来得到现场铰节点的损伤状态。其中，现场决策模块中的损伤识别模型，可以通过现场的数据进行进一步的训练，可以适用于多个的同类型平台。因为单一模型的识别可能存在偏向性，即更容易将现实损伤情况识别为特定的损伤结果。采用多个模型投票的方法可以减少这种偏向性，提高损伤识别结果的可信度。将现场数据加入训练集进行训练对于模型熟悉现场工况，提高模型损伤识别准确率会有一定的效果。这种方法可以作为训练模型的现场识别准确率不理想情况下的补充方案。

图2、3、4、5是以某渤海FPSO为原型，验证该专利方法损伤评估的有效性。具体评估步骤如下：

A、分析真实结构损伤前后的运动响应差异，选取适合的特征类型作为后续训练的数据集。根据损伤前后运动响应对比，选取了最大值、最小值、方差、峰度、偏度以及平均值等作为模型的额外特征。

B、根据真实结构的运动响应结果，设计真实结构的损伤监测系统，并在现场搭建。根据运动响应结果，基于软钢臂缩比实验模型平台，构建监测实验系统。将惯导传感器、倾角传感器、力学传感器和加速度传感器安装在软钢臂系泊系统上。

C、获得监测系统在各个工况以及各个损伤状态下的原始数据，并进行初步整理。铰节点在不同损伤情况、不同工况下的运动相应数据会存在差异，这是需要深度学习模型进行学习和识别的地方。对原始数据的初步整理包括分类整理、缺失值补齐和异常值删除。

D、基于A中的结果，提取数据的有效特征值，并采用互信息熵的相关性计算方法，计算原始数据、提取的特征值和目标值（损伤状态）的相关性大小。提取数据有效特征值是为了进一步扩充数据集，增加模型可以用来进行训练的数据量。采用互信息熵计算相关性，可以筛选出与损伤结果相关性高的特征数据用于模型训练，可以提高模型训练的准确性和快速性。

E、根据D中计算的相关系数，选取几组输入数目不等的特征数据集作为模型的训练数据。在本算例中选用不同种特征数据来作为训练神经网络模型的输入：1号输入样本：倾角原始数据（共9种数据）；2号输入样本：全部原始数据（共15种数据）；3号输入样本：全部原始数据加特征（共47种数据）；4号输入样本：特征筛选1数据（根据相关系数排序，前30种数据）；5号输入样本：特征筛选2数据（根据相关系数排序，前20种数据）。选取数目不等的特征数据集作为模型的训练数据是为了构造不同的损伤识别模型，用于后续比较，进而筛选出最佳模型。同时，根据真实结构近年来经历的海洋工况概率分布，采用拉丁超立方进行随机抽样，作为损伤识别模型的工况信息。由此可以获得具有代表性的工况，减少实验时间成本。

表1 SSAE与DNN 验证集平均识别准确率对比

F、根据E中的工况与数据进行模型的训练分析，并采用未训练的海洋自然工况作为模型的验证工况。采用3层隐藏层的堆栈稀疏自编码网络（SSAE）和前馈神经网络（DNN）作为深度学习模型架构，根据E中工况和数据进行训练，结果如图2至图5，训练结果良好，在根据不同的输入以及模型，进行验证准确率的对比，发现在5号输入样本下的堆栈稀疏自编码网络（SSAE）的识别准确率更高，作为应用于现实结构的损伤识别模型，结果同时也证明了该方法的准确性（如表1所示）。