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

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

Abstract

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

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

CLC Number:

TK83

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.

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.

Figures/Tables 13

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

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

Fig.3 Schematic diagram of load distribution on the tower

Fig.4 Architecture of the neural network

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

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

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

Fig.7 Prediction results of different methods for two materials

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

Fig.8 Fatigue life probability distribution of Q355 material

Fig.9 Probability distribution of mean wind speed

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

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

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

References 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.