基于物理信息神经网络的风电机组塔筒概率疲劳寿命预测方法

doi:10.3969/j.issn.1004-132X.2026.05.001

中国机械工程 ›› 2026, Vol. 37 ›› Issue (5): 1017-1025.DOI: 10.3969/j.issn.1004-132X.2026.05.001

• 专栏 •

基于物理信息神经网络的风电机组塔筒概率疲劳寿命预测方法

谢冰冰¹(), 赵峰²^,³, 郭昕兴²^,³, 乔莉¹, 程思创²^,³, 刘晓辉¹, 张桐舟²^,³, 胡伟飞²^,³()

^1.中车启航新能源技术有限公司, 北京, 100192
^2.浙江大学流体动力基础件与机电系统全国重点实验室, 杭州, 310058
^3.浙江大学机械工程学院, 杭州, 310058

收稿日期:2025-09-03 出版日期:2026-05-25 发布日期:2026-06-09
通讯作者: 胡伟飞
作者简介:谢冰冰，男，1991年生，博士、工程师。研究方向为风力发电机整机设计、整机载荷及动力学仿真。E-mail： xiebingbing.xny@crrcgc.cc
胡伟飞^*（通信作者），男，1985年生，研究员、博士研究生导师。研究方向为人工智能、不确定性优化设计、风能及数字孪生。E-mail： weifeihu@zju.edu.cn。
基金资助:
国家自然科学基金(52275275);浙江省“尖兵”“领雁”研发攻关计划(2023C01008);中车集团重大项目(2024CYY023);中车集团重大项目(2025CXA290)

A Probabilistic Fatigue Life Prediction Method for Wind Turbine Towers Based on a Physics-informed Neural Network

XIE Bingbing¹(), ZHAO Feng²^,³, GUO Xinxing²^,³, QIAO Li¹, CHENG Sichuang²^,³, LIU Xiaohui¹, ZHANG Tongzhou²^,³, HU Weifei²^,³()

^1.CRRC Qihang New Energy Technology Co. ，Ltd. ，Beijing，100192
^2.State Key Laboratory of Fluid Power and Mechatronic Systems，Zhejiang University，Hangzhou，310058
^3.School of Mechanical Engineering，Zhejiang University，Hangzhou，310058

Received:2025-09-03 Online:2026-05-25 Published:2026-06-09
Contact: HU Weifei

摘要/Abstract

摘要：

针对风电机组塔筒传统疲劳设计采用确定性S-N曲线难以准确量化寿命分散性的问题，提出一种基于物理信息神经网络的概率疲劳寿命预测方法。通过将疲劳寿命分散性、单调性及非线性等物理先验知识嵌入神经网络，构建了可准确量化不确定性的概率预测模型。相比于传统方法，所提方法预测的归一化均方根误差（NRMSE）最多降低31.58%。基于IEC标准建立了16 MW风电机组仿真模型，通过Bladed软件获取塔筒载荷数据，结合风速分布、雨流计数与Miner准则实现了塔筒概率疲劳寿命预测。研究结果表明：所提方法有效表征了疲劳损伤概率特征，塔筒寿命随可靠度要求显著变化（从50%概率下83.3年缩短至99.9%概率下18.2年），为机组概率疲劳设计与安全评估提供了可靠依据。

关键词: 风电机组, 塔筒, 概率疲劳寿命, 物理信息神经网络, 不确定性量化

Abstract:

To address the limitations that the traditional fatigue design for wind turbine towers using deterministic S-N curves might not accurately quantify fatigue life dispersion， a probabilistic fatigue life prediction method was proposed based on physics-informed neural networks. By embedding the physical prior knowledge such as fatigue life dispersion， monotonicity and nonlinearity into the neural networks， a probabilistic prediction model capable of accurately quantifying uncertainty was constructed. Compared with traditional methods， the proposed method reduces the normalized root mean square error（NRMSE） by up to 31.58%. A 16 MW wind turbine simulation model was established in accordance with IEC standards， and tower load data were obtained by using Bladed software. Combined with wind-speed distribution， rain flow counting and the Miner rule， the probabilistic fatigue life prediction of the towers was achieved. The results show that the proposed method effectively characterizes the probabilistic features of fatigue damages， and the tower lifetime varies significantly with reliability requirements （shortening from 83.3 years at 50% probability to 18.2 years at 99.9% probability）， which provides a reliable basis for probabilistic fatigue design and safety assessment of wind turbine towers.

Key words: wind turbine, tower, probabilistic fatigue life, physics-informed neural network, uncertainty quantification

中图分类号:

TK83

谢冰冰, 赵峰, 郭昕兴, 乔莉, 程思创, 刘晓辉, 张桐舟, 胡伟飞. 基于物理信息神经网络的风电机组塔筒概率疲劳寿命预测方法[J]. 中国机械工程, 2026, 37(5): 1017-1025.

XIE Bingbing, ZHAO Feng, GUO Xinxing, QIAO Li, CHENG Sichuang, LIU Xiaohui, ZHANG Tongzhou, HU Weifei. A Probabilistic Fatigue Life Prediction Method for Wind Turbine Towers Based on a Physics-informed Neural Network[J]. China Mechanical Engineering, 2026, 37(5): 1017-1025.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2026.05.001

https://www.cmemo.org.cn/CN/Y2026/V37/I5/1017

图/表 13

图1 NTM工况下风电机组载荷仿真示意图

Fig.1 Schematic diagram of wind turbine load simulation under NTM work condition

图2 16 MW风电机组塔筒结构示意图

Fig.2 Structural diagram of the 16 MW wind turbine tower

图3 塔筒载荷分布示意图

Fig.3 Schematic diagram of load distribution on the tower

图4 神经网络结构

Fig.4 Architecture of the neural network

表1 不同材料测试集上方法对比结果

Tab.1 Comparison results of different methods on the test sets of two different materials

案例	指标	MLE	BNN	本文方法
7-series 铝合金	R²	0.64	0.56	0.80
7-series 铝合金	NRMSE	0.18	0.19	0.13
高强度钢丝	R²	0.36	0.53	0.59
高强度钢丝	NRMSE	0.31	0.26	0.24

图5 7-series铝合金的疲劳寿命概率分布曲线

Fig.5 Fatigue life probability distribution curve of 7-series aluminum alloy

图6 高强度钢丝的疲劳寿命概率分布曲线

Fig.6 Fatigue life probability distribution curve of high-strength steel wire

图7 不同方法对2种材料的预测结果

Fig.7 Prediction results of different methods for two materials

表2 Q355金属材料疲劳寿命对数值测试数据

Tab.2 Fatigue life logarithm test data of Q355 material

序号	应力幅值/MPa
序号	436	418	411	409	404
1	3.043	3.101	3.379	3.333	3.455
2	2.855	3.277	3.245	3.373	3.633
3	2.959	3.198	3.296	3.353	3.541

图8 Q355金属材料的疲劳寿命概率分布曲线

Fig.8 Fatigue life probability distribution of Q355 material

图9 平均风速的概率分布

Fig.9 Probability distribution of mean wind speed

表3 各区间平均风速的年累计小时数

Tab.3 Annual cumulative hours per mean wind speed bin

平均风速v/（m·s $- 1$ ）	全年分布时间/h
4	1268.100
6	1532.900
8	1510.900
10	1280.600
12	955.790
14	636.190
16	380.500
18	205.490
20	100.530
22	44.666
24	18.052

表3 各区间平均风速的年累计小时数

Tab.3 Annual cumulative hours per mean wind speed bin

平均风速v/（m·s $- 1$ ）	全年分布时间/h
4	1268.100
6	1532.900
8	1510.900
10	1280.600
12	955.790
14	636.190
16	380.500
18	205.490
20	100.530
22	44.666
24	18.052

表4 塔筒概率寿命预测结果汇总

Tab.4 Summary of probabilistic fatigue life prediction results for the tower

生存概率/%	年累积疲劳损伤	服役寿命/年
99.9	0.055	18.18
97.7	0.034	29.41
50.0	0.012	83.33

参考文献 18

[1]	覃盛琼，程朗，何占启，等. 风力发电系统研究与应用前景综述［J］. 机械设计， 2021， 38（8）： 1-8.
	QIN Shengqiong， CHENG Lang， HE Zhanqi， et al. Review of Research and Application on the Wind Power-generation System［J］. Journal of Machine Design， 2021， 38（8）： 1-8.
[2]	艾超，高伟，陈立娟，等. 基于风速预测的液压型风力发电机组并网转速控制研究［J］. 机械工程学报， 2020， 56（8）： 162-171.
	AI Chao， GAO Wei， CHEN Lijuan， et al. Research on the Speed Control of Hydraulic Wind Turbine Based on Wind Speed Prediction［J］. Journal of Mechanical Engineering， 2020， 56（8）： 162-171.
[3]	赵荣博，孙鹏文，郜佳佳，等. 风力机塔筒门洞焊缝多轴疲劳寿命预测［J］. 太阳能学报， 2017， 38（5）： 1415-1420.
	ZHAO Rongbo， SUN Pengwen， GAO Jiajia， et al. Multi-axial Fatigue Life Prediction of Wind Turbine Tower Door's Welding［J］. Acta Energiae Solaris Sinica， 2017， 38（5）： 1415-1420.
[4]	杨旭锋，刘泽清，张懿. 基于贝叶斯神经网络的金属材料P-S-N曲线估计［J］. 华南理工大学学报（自然科学版）， 2023， 51（11）： 82-92.
	YANG Xufeng， LIU Zeqing， ZHANG Yi. Estimation of P-S-N Curve of Metal Materials Based on Bayesian Neural Network［J］. Journal of South China University of Techno-logy （Natural Science Edition）， 2023， 51（11）： 82-92.
[5]	田德，邓远卓，黄斌，等. 低风速型风电机组高柔塔筒涡激振动疲劳损伤评估［J］. 太阳能学报， 2023， 44（3）： 232-238.
	TIAN De， DENG Yuanzhuo， HUANG Bin， et al. Fatigue Damage Assessment for Vortex Induced Vibration of High-soft Tower of Low Wind Speed Wind Turbine［J］. Acta Energiae Solaris Sinica， 2023， 44（3）： 232-238.
[6]	VELDKAMP D. A Probabilistic Evaluation of Wind Turbine Fatigue Design Rules［J］. Wind Energy， 2008， 11（6）： 655-672.
[7]	庞志锋，孔屹刚，侯明凯，等. 兆瓦级风力机液压变桨执行机构疲劳寿命分析［J］. 可再生能源， 2016， 34（4）： 550-557.
	PANG Zhifeng， KONG Yigang， HOU Mingkai， et al. Fatigue Life Analysis of the Hydraulic Variable-pitch Actuator for MW Wind Turbine［J］. Renewable Energy Resources， 2016， 34（4）： 550-557.
[8]	胡贇，刘少军，廖雅诗，等. 基于蒙特卡罗模拟方法的疲劳强度概率分布推断［J］. 华南理工大学学报（自然科学版）， 2014， 42（9）： 35-40.
	HU Yun， LIU Shaojun， LIAO Yashi， et al. Fatigue Strength Probability Distribution Inference Based on Monte Carlo Simulation Method［J］. Journal of South China University of Technology （Natural Science Edition）， 2014， 42（9）： 35-40.
[9]	LING J， PAN J. A Maximum Likelihood Method for Estimating P-S-N Curves［J］. International Journal of Fatigue， 1997， 19（5）： 415-419.
[10]	KLEMENC J， FAJDIGA M. Estimating S-N Curves and Their Scatter Using a Differential Ant-stigmergy Algorithm［J］. International Journal of Fatigue， 2012， 43： 90-97.
[11]	CHEN J， LIU S， ZHANG W， et al. Uncertainty Quantification of Fatigue S-N Curves with Sparse Data Using Hierarchical Bayesian Data Augmentation［J］. International Journal of Fatigue， 2020， 134： 105511.
[12]	CHEN J， LIU Y. Probabilistic Physics-guided Machine Learning for Fatigue Data Analysis［J］. Expert Systems with Applications， 2021， 168： 114316.
[13]	SONG J， ZHAO B， XIE L， et al. P-S-N Curves Fitting Method of Small Samples Obeying Weibull Distribution［J］. Fatigue & Fracture of Engineering Materials & Structures， 2024， 47（4）： 1120-1135.
[14]	SHEN C. The Statistical Analysis of Fatigue Data ［D］. Tucson： University of Arizona，1994.
[15]	崔硕，刘秀丽，李相杰，等. 高端旋转机械剩余使用寿命预测及其不确定性量化评估方法［J］. 中国机械工程， 2026， 37（1）： 209-222.
	CUI Shuo， LIU Xiuli， LI Xiangjie， et al. Prediction of RUL and Uncertainty Quantification Evaluation Methods for High-end Rotating Machinery［J］. China Mechanical Engineering， 2026， 37（1）： 209-222.
[16]	马军岩，袁逸萍，柴同，等. 基于组合神经网络的风机轮毂处短期风速预测［J］. 中国机械工程， 2021， 32 （17）： 2082-2089.
	MA Junyan， YUAN Yiping， CHAI Tong， et al. Short Term Wind Speed Prediction of Wind Turbine Hubs based on Combined Neural Network［J］. China Mechanical Engineering， 2021， 32 （17）： 2082-2089.
[17]	ZHANG Z， LIU J， WU S， et al. Probabilistic Fatigue Life Prediction of Small Sample Properties Notched Specimens under Multiaxial Loading［J］. Theoretical and Applied Fracture Mechanics， 2025， 136： 104836.
[18]	王荣，李俊杰，郑文革，等. 环境随机性与载荷时序性耦合作用下齿轮疲劳损伤的预测［J］. 中国机械工程， 2026， 37（1）： 105-113.
	WANG Rong， LI Junjie， ZHENG Wenge， et al. Gear Fatigue Damage Prediction with Coupling Effect of Environmental Randomness and Load Sequence［J］. China Mechanical Engineering， 2026， 37（1）： 105-113.

基于物理信息神经网络的风电机组塔筒概率疲劳寿命预测方法

A Probabilistic Fatigue Life Prediction Method for Wind Turbine Towers Based on a Physics-informed Neural Network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 18

相关文章 15

编辑推荐

Metrics

[1]	崔硕, 刘秀丽, 李相杰, 吴国新. 高端旋转机械剩余使用寿命预测及其不确定性量化评估方法[J]. 中国机械工程, 2026, 37(1): 209-222.
[2]	李云峰, 李金成, 仲志丹. 基于热网络法的风电机组主轴承温度场分析[J]. 中国机械工程, 2025, 36(11): 2624-2632.
[3]	岳子桐, 李艳婷, 赵宇. 基于神经网络和稳健估计的风电机组状态监测[J]. 中国机械工程, 2025, 36(08): 1842-1852.
[4]	李继猛, 王泽, 史清心, 孟宗. 基于图正则化约束频域组稀疏模型的风电机组滚动轴承故障诊断[J]. 中国机械工程, 2024, 35(11): 1909-1919.
[5]	张文华1, 尹文良1, 张祯滨2, 刘琳3, 彭克1. 计及叶轮不平衡的差动调速风电机组变桨距控制[J]. 中国机械工程, 2024, 35(10): 1890-1899.
[6]	陈立娟, 吴蝶, 高伟, 魏龙正, 曹晟维, 艾超, 李景彬. 基于反馈线性化与非线性扰动补偿的液压型风电机组有功功率控制研究[J]. 中国机械工程, 2023, 34(23): 2889-2897.
[7]	吴磊, 王家序, 张新, 刘治汶. 基于最大重加权峭度盲解卷积的风电故障诊断[J]. 中国机械工程, 2022, 33(19): 2356-2363.
[8]	陈雪峰, 郭艳婕, 许才彬, 商红兵. [学科发展]风电装备故障诊断与健康监测研究综述[J]. 中国机械工程, 2020, 31(02): 175-189.
[9]	贾子文;顾煜炯. 基于数据挖掘的风电机组齿轮箱运行状态分析[J]. 中国机械工程, 2018, 29(06): 650-658.
[10]	李垚1;朱才朝1;陶友传2;宋朝省1;谭建军1. 风电机组可靠性研究现状与发展趋势[J]. 中国机械工程, 2017, 28(09): 1125-1133.
[11]	邬春明, 银海燕. 改进阴性选择算法的风机振动故障诊断方法[J]. 中国机械工程, 2016, 27(04): 479-482.
[12]	彭春江, 胡燕平, 程军圣, 沈意平. 海上浮式风电机组刚柔耦合结构动力学建模与分析[J]. 中国机械工程, 2016, 27(04): 461-468.
[13]	蒋章雷, 徐小力. 旋转机械运行稳定性劣化的高阶累积量特征提取方法[J]. 中国机械工程, 2016, 27(02): 160-167.
[14]	刘德顺, 刘子其, 戴巨川, 龙辛. 海上漂浮式风电机组风波载荷计算与分析[J]. 中国机械工程, 2016, 27(01): 32-40,45.
[15]	李状, 马志勇, 胡亮, 柳亦兵. 基于模糊核聚类和引力搜索的风电齿轮箱故障诊断[J]. 中国机械工程, 2015, 26(19): 2667-2671,2676.