基于结构响应先验引导的交替方向乘子法深度展开网络的风力机叶片冲击力识别

《COMPOSITE STRUCTURES》：Impact force identification on wind turbine blades using the ADMM-Net deep unfolding network guided by structural response priors

　　

在风力机叶片长期服役过程中，外部冲击不可避免。因此，冲击力识别对于保障风力机安全稳定运行至关重要。目前，基于模型的方法和深度学习方法已在该任务中广泛应用。基于模型的方法具备可解释性，但对模型失配敏感、计算量大且难以优化；深度学习方法拟合能力强，但由于“黑箱”特性缺乏物理可解释性。为解决上述局限，研究人员提出了一种由结构响应先验驱动的深度展开网络，称为ADMM-Net，用于冲击力识别。该方法将交替方向乘子法（Alternating Direction Method of Multipliers, ADMM）的迭代步骤通过算法展开转化为深层网络，并引入实验获得的结构响应先验进行物理初始化，从而在端到端框架下实现可解释性与自适应性的统一。在风力机叶片截面的冲击实验中，结果表明ADMM-Net不仅能够精确定位并重建冲击力，还在复杂噪声条件下表现出较强的抗噪性能。

该研究发表于《COMPOSITE STRUCTURES》，针对风力机叶片在恶劣环境中易受冰雹、鸟撞等外部冲击而导致内部损伤的问题，提出了一种融合物理模型透明机制与神经网络自适应学习能力的可解释深度学习网络——ADMM-Net。研究旨在解决冲击力识别这一典型病态反演问题，实现高精度冲击定位与时间历程重建。现有基于模型的方法虽具良好收敛性和理论可解释性，但计算复杂度高、参数选择困难，且系统辨识误差导致的模型失配会降低识别精度；深度学习方法虽推理速度快，却因“黑箱”性质缺乏物理可解释性。为此，研究人员将ADMM算法的迭代流程通过算法展开技术映射至深层网络架构，并在初始化及更新模块中嵌入实验获得的传递矩阵作为结构先验，以提升逆问题的稳定性与物理一致性。实验结果显示，ADMM-Net在欠定条件及高噪声环境下均能实现精确冲击力识别，兼具高效性与鲁棒性。

关键技术方法方面，研究采用压电陶瓷（PZT）传感器采集叶片结构响应信号，通过实验辨识得到传递矩阵S作为物理先验；将ADMM迭代步骤展开为可训练的深层网络，实现端到端优化；结合稀疏正则化框架处理病态反演问题；在真实风力机叶片主梁试件上构建冲击实验数据集，用于模型训练与验证。

研究结果部分，首先在数学建模环节，研究人员基于线性时不变系统假设，将冲击力与结构响应的关系描述为卷积形式，并建立离散矩阵方程，为后续逆问题求解奠定理论基础。其次，在ADMM-Net设计环节，通过引入结构响应先验，将物理约束嵌入网络初始化与参数更新过程，使网络在保持数学可解释性的同时具备数据驱动的适应能力。随后，在实验验证环节，研究人员在叶片主梁试件上进行多组冲击测试，结果表明ADMM-Net在冲击定位与力时程重建方面均优于传统ADMM方法，尤其在低信噪比条件下表现出更强的稳定性。最后，在结论部分，研究指出ADMM-Net能够在有限传感条件下实现高精度冲击力识别，兼具物理可解释性与计算效率，适用于复合材料及其他结构的冲击监测。

讨论与结论部分强调，该方法弥补了传统模型驱动与数据驱动方法的不足，为复杂结构的动态逆问题提供了可解释且高效的解决方案，具有重要的工程应用价值。研究证实，将物理先验与深度展开架构相结合，可在保证物理一致性的前提下显著提升逆问题求解的鲁棒性与精度。