Floating wind turbines may encounter severe situations because of harsh environments. Higher cost of repair and maintenance of floating wind turbines have led researches to focus on damage detection methods that can prevent sudden failures. This paper presents an applicable method of damage detection and structural health monitoring for floating wind turbines based on the autoregressive moving average (ARMA) model and fuzzy classification. First, the dynamic model of a spar type floating wind turbine is constructed, by which the time responses of each degree of freedom of the system are acquired. With the system’s nonlinearity included, the intrinsic mode functions are obtained for the response signal. The Hilbert–Huang transform is applied and the appropriate measured signal for each degree of freedom is chosen for the ARMA modeling. In order to evaluate the proposed method, the ARMA parameters are first estimated for the undamaged condition then assumed damages are injected to the model and the ARMA parameters are once again estimated for the damaged condition. These parameters are considered as inputs for the fuzzy classification method. After training the system using the assumed damaged and undamaged conditions, the proposed method is simulated. Furthermore, the effect of measurement noise on the success rate is investigated. The results show that, in the presence of noise, the proposed method is able to identify the damage location and severity of mooring lines with acceptable success rate.

中文翻译：

---

使用模糊分类和 Arma 参数建模检测 Spar 型浮式海上风力涡轮机系泊线的损坏

由于恶劣的环境，浮动风力涡轮机可能会遇到严重的情况。浮动式风力涡轮机的维修和维护成本较高，导致研究重点关注可以防止突然故障的损坏检测方法。本文提出了一种基于自回归移动平均（ARMA）模型和模糊分类的浮动风力涡轮机损伤检测和结构健康监测的适用方法。首先，构建了翼梁式浮动风力发电机的动力学模型，获取了系统各自由度的时间响应。考虑到系统的非线性，得到响应信号的固有模态函数。应用 Hilbert-Huang 变换，并为每个自由度选择适当的测量信号用于 ARMA 建模。为了评估所提出的方法，首先估计未损坏状态的 ARMA 参数，然后将假设的损坏注入模型，并再次估计损坏状态的 ARMA 参数。这些参数被认为是模糊分类方法的输入。在使用假设的损坏和未损坏条件对系统进行训练后，对所提出的方法进行了仿真。此外，研究了测量噪声对成功率的影响。结果表明，在存在噪声的情况下，所提出的方法能够以可接受的成功率识别系泊绳的损坏位置和严重程度。首先估计未损坏条件的 ARMA 参数，然后将假设的损坏注入模型，再次估计损坏条件的 ARMA 参数。这些参数被认为是模糊分类方法的输入。在使用假设的损坏和未损坏条件对系统进行训练后，对所提出的方法进行了仿真。此外，研究了测量噪声对成功率的影响。结果表明，在存在噪声的情况下，所提出的方法能够以可接受的成功率识别系泊绳的损坏位置和严重程度。首先估计未损坏条件的 ARMA 参数，然后将假设的损坏注入模型，再次估计损坏条件的 ARMA 参数。这些参数被认为是模糊分类方法的输入。在使用假设的损坏和未损坏条件对系统进行训练后，对所提出的方法进行了仿真。此外，研究了测量噪声对成功率的影响。结果表明，在存在噪声的情况下，所提出的方法能够以可接受的成功率识别系泊绳的损坏位置和严重程度。此外，研究了测量噪声对成功率的影响。结果表明，在存在噪声的情况下，所提出的方法能够以可接受的成功率识别系泊绳的损坏位置和严重程度。此外，研究了测量噪声对成功率的影响。结果表明，在存在噪声的情况下，所提出的方法能够以可接受的成功率识别系泊绳的损坏位置和严重程度。