在全球能源转型的大背景下, 海上风电作为清洁、可持续且能量密度高的能源形式, 已成为各国能源发展战略的重要组成部分^[1]。根据《全球海上风能报告》, 截至2024年底, 全球海上风电并网装机容量达83.2 GW, 未来10 a将以每年两位数增幅上涨。单桩基础因结构简洁、施工便捷、成本效益高的优势, 在海上风电项目中广泛应用^[2]。然而, 海上施工环境复杂, 海浪、潮流、风速等多因素耦合扰动, 导致注浆设备(如吊机、注浆管)产生非预期运动, 造成注浆位置偏差、固化土成型质量下降等问题^[3-4]。

传统比例-积分-微分(Proportional-Integral-Deri­vative, PID)补偿算法是工业控制领域常用的反馈控制算法, 通过比例环节快速消除当前偏差、积分环节消除静态偏差、微分环节抑制偏差变化趋势, 但其仅依赖单一波浪数据, 参数调整滞后于工况变化, 在浪高超过2.0 m的极端海况下, 补偿偏差可达8~12 cm, 难以满足施工精度要求^[5]。同时, 当前注浆设备功能单一, 仅适配单桩基础施工, 且存在能耗高、部件回收率低等问题, 与“双碳”目标及智慧施工理念不符。

为解决这一动态扰动难题, 学界开展多项研究, 其中Hu等^[6]提出主动补偿模型预测控制策略, 并与比例-积分-差异化控制相结合, 但未考虑流速与风速的耦合影响; 刘尚波等^[7]采用改进PSO优化PID参数, 缩短了参数调整时间, 但局部寻优能力不足, 工况突变时响应滞后; Wu等^[8]尝试采用轻量化材料降低设备能耗, 但未形成全生命周期优化方案。现有研究仍存在以下不足: (1)扰动预测数据单一, 多因素耦合效应未充分量化; (2)PID参数动态调整能力弱, 非线性扰动补偿精度低; (3)设备功能与绿色化、智能化水平有待提升。

针对上述技术痛点, 本文以海上风电单桩注浆设备动态补偿为研究目标, 提出基于粒子群优化(Particle Swarm Optimization, PSO)-鲸鱼优化算法(Whale Optimization Algorithm, WOA)的多模态PID补偿方案: 首先通过多源数据融合(船舶运动姿态、海洋环境参数)构建扰动预测模型, 实现扰动提前预判; 再利用PSO-WOA混合算法优化多模态PID控制器参数, 结合PSO的快速全局定位能力与WOA的精细局部优化优势, 提升控制器对复杂扰动的适配性。本文研究成果可为海上风电注浆施工提供高精度动态补偿技术支撑, 对推动海上风电基础工程智能化、高效化发展具有重要理论与工程意义。

1 多源扰动预测模型与理论基础

海上风电施工中, 船舶受波浪、潮流扰动产生的横摇、纵摇、升沉等6自由度运动, 会直接传递至注浆设备, 导致出泥头位置偏移, 影响施工精度与安全^[9]。针对这一动态扰动难题, 现有静态补偿技术难以适应海洋环境的实时变化, 因此本文基于船舶运动姿态、海洋环境参数等多源数据融合技术, 构建扰动预测模型, 为后续注浆设备的动态补偿控制提供精准的扰动预判依据。

1.1 多源扰动数据采集与预处理

为提升扰动预测精度, 采集3类数据构建三维扰动数据库:

(1) 海洋环境多参数数据: 包括波浪雷达采集的波高(0.5~3.0 m)、波周期(3~10 s)、波向(0°~360°), 流速传感器采集的流速(0.5~2.5 m/s)与流向(0°~360°), 风速风向仪采集的风速(0~17 m/s)与风向(0°~360°)。

(2) 设备状态反馈数据: 通过注浆管末端的应变传感器[应变测量范围0~500微应变(με); 即每m长度构件产生0~500 μm的相对变形量]获取设备应力应变, 振动传感器(测量频率0~500 Hz)获取设备振动频率, 位移传感器(测量精度±0.1 mm)获取注浆管末端实时位移。

(3) 历史施工大数据: 选取某海上风场2018— 2020年的施工数据, 具体包括不同施工时段(如季风期、平水期)的注浆位置偏差记录(如单次施工中每10 s采集的偏差值, ≥12 000组)、固化土密实度检测报告(如每50 m²检测1个点位, ≥800份)、设备故障与维护记录(如电机过载次数、传感器校准周期, ≥300条)、海洋环境同步监测数据(如对应施工时段的波高、流速时序数据, ≥50 000组), 覆盖不同季节(春、夏、秋、冬)与海况(浪高0.5~3.8 m)。

采用卡尔曼滤波算法对原始数据进行预处理, 滤除传感器噪声(信噪比提升至35 dB以上), 并通过数据标准化统一数据量纲:

$ {x_{{\text{norm}}}} = \frac{{x - {x_{\min }}}}{{{x_{\max }} - {x_{\min }}}}, $

(1)

其中, x为原始数据, ${x_{\min }}$、${x_{\max }}$分别为数据的最小值与最大值。

本文采集的波周期、波向、流向数据用于优化后续ARIMA时间序列模型的海浪运动预测精度; 应力应变数据用于设备结构安全监测, 避免注浆管因极端扰动导致过载损坏; 位移传感器采集的实时位移数据作为模型预测结果的验证标签, 用于计算预测偏差并迭代优化Transformer模型参数; 历史施工中的固化土密实度、设备故障记录用于构建施工质量——环境扰动关联库, 为PID参数优化提供工程约束条件。上述数据虽未直接作为Transformer模型输入, 但通过“预测—验证—约束”的协同作用, 保障了扰动预测与补偿控制的整体可靠性。

1.2 基于Transformer的多源耦合扰动预测模型

引入注意力机制的Transformer模型, 挖掘多参数间的耦合关联^[10]。模型输入为“波高-流速-风速-设备振动频率”的时序数据(时间步长为1 s), 输出为未来5 s内的船舶运动位移预测值。其中, 设备振动频率具体指注浆管末端振动传感器采集的注浆管振动频率、吊机回转机构振动传感器采集的吊机振动频率, 以及移动平台支撑腿振动传感器采集的平台振动频率, 这些设备的振动直接影响注浆管末端定位精度。

Transformer模型超参数设置如下: 编码器层数=3, 解码器层数=2, 多头注意力头数=8, 隐藏层维度=256, 词嵌入维度=64, dropout概率=0.15, 优化器为AdamW (学习率=0.001, 权重衰减=1e–5), 训练迭代次数=100轮, batch size=32, 序列长度=60(对应60 s时序数据)。

Transformer编码器通过多头注意力层, 计算不同参数的注意力权重, 突出关键参数对扰动的影响:

$ {Attention}(\boldsymbol{Q}, \boldsymbol{K}, \boldsymbol{V})= { Soft } \max \left(\frac{\boldsymbol{Q} \boldsymbol{K}^{\mathbf{T}}}{\sqrt{d_k}}\right) \cdot \boldsymbol{V} \text {, } $

(2)

其中, Q、K、V分别为查询矩阵、键矩阵、值矩阵, ${d_k}$为键矩阵维度。

通过该模型修正船舶运动位移预测公式:

$ \begin{aligned} S_{\mathrm{pred}}(t)= & \alpha \cdot S_{\mathrm{wave}}(t)+\beta \cdot S_{\mathrm{current}}(t) \\ & +\gamma \cdot S_{\mathrm{wind}}(t)+\delta \cdot S_{\mathrm{vib}}(t) \end{aligned}, $

(3)

其中, ${S_{{\text{wave}}}}(t)$、${S_{{\text{current}}}}(t)$、${S_{{\text{wind}}}}(t)$、${S_{{\text{vib}}}}(t)$分别为波浪、潮流、风速、设备振动对应的位移贡献量, α、β、γ、δ为Transformer输出的权重系数(总和为1)。

1.3 预测模型性能评估 1.3.1 数据集与评估指标 1.3.1.1 数据集详情

多源时序数据集涵盖海上风电施工全工况场景, 总样本量120 000组, 按70 %∶15 %∶15 %比例划分为训练集(84 000组)、验证集(18 000组)与测试集(18 000组)。数据时间步长1 s, 每组样本包含“波高-流速-风速-设备振动频率”4类输入参数时序序列(长度60 s)及对应5 s后船舶运动位移真实值(输出标签), 覆盖浪高0.5~3.8 m、流速0.5~2.5 m/s、风速0~17 m/s的全域变化范围, 包含季风期强扰动、平水期平稳工况等不同场景数据。

1.3.1.2 评估指标

选取平均绝对误差(MAE)、均方根误差(RMSE)、决定系数(R²)作为核心评估指标, 全面反映模型预测精度与拟合效果。

1.3.2 基线模型对比

选取工业控制领域常用的时序预测模型作为基线, 对比本文Transformer模型的性能优势:

(1) 基线模型1: GRU(门控循环单元)模型, 隐藏层维度256, 层数3, 优化器为Adam。

(2) 基线模型2: LSTM(长短期记忆网络)模型, 结构与GRU一致, 确保对比公平性。

(3) 基线模型3: 传统ARIMA (3, 1, 2)模型, 基于时间序列统计特性构建, 为海浪预测常用方法。

各模型在测试集上的性能对比结果如表 1所示:

由表 1可知, 本文Transformer模型在各项精度指标上均显著优于基线模型:

与传统ARIMA模型相比, MAE降低47.4%, RMSE降低46.9%, R²提升8.7个百分点, 验证了深度学习模型挖掘多参数耦合关联的优势;

与LSTM、GRU模型相比, MAE分别降低19.4%、16.3%, RMSE分别降低20.0%、16.0%, R²分别提升3.2、2.5个百分点, 得益于Transformer多头注意力机制对关键影响参数的精准捕捉;

尽管Transformer模型计算效率略低于GRU和LSTM, 但每秒780个样本的处理速度完全满足海上施工实时性要求(控制系统响应周期0.1 s)。且Transformer模型单次推理耗时≤0.001 3 s, 远低于控制系统0.1 s的响应周期阈值, 实时性完全达标。

本文Transformer模型输出的未来5 s船舶运动位移预测值, 将作为2.1.3节前馈补偿的核心输入数据, 为前馈控制量u_ff(t)的计算提供精准扰动预判依据, 同时其预测偏差将反向用于PSO-WOA算法的适应度函数优化, 实现“预测-补偿-迭代”的闭环逻辑。

2 多模态PID补偿算法与混合优化策略 2.1 多模态PID三级控制架构设计

为应对海上作业时船舶晃动对注浆精度的影响, 设计“实时修正+智能优化+提前预判”三级控制架构, 通过基础PID、模糊自适应优化、海浪扰动前馈补偿的协同作用, 实现动态补偿精度提升^[11]。

2.1.1 基础PID控制

PID控制通过比例(P)、积分(I)、微分(D)三环节调节偏差, 使吊机末端位置跟踪目标值, 数学表达式为^[12]:

$ u(t) = {K_{\text{p}}}e(t) + {K_{\text{i}}}\mathop \smallint \limits_0^t e(t){\text{d}}t + {K_{\text{d}}}\frac{{{\text{d}}e(t)}}{{{\text{d}}t}} , $

(4)

其中, u(t)为控制量, e(t)=P₀(t)‒P(t)为偏差信号, K_p为比例系数(快速消除当前偏差), K_i为积分系数(消除静态偏差), K_d为微分系数(抑制偏差变化趋势, 避免超调)。

2.1.2 模糊自适应优化

海上工况(浪高、流速)多变, 易导致固定PID参数失配, 因此引入模糊逻辑对PID参数进行在线修正^[13]。设计二维模糊控制器, 输入为偏差幅值│e(t)│(反映当前位置偏差大小)和偏差变化率│ė(t)│(反映偏差变化速度)的大小, 输出为参数修正量∆K_p、∆K_i、∆K_d。

1) 模糊集与论域定义

(1) 输入变量: │e(t)│的模糊集为{ NB(负大), NM(负中), NS(负小), ZO(零), PS(正小), PM(正中), PB(正大) }, 论域为[0, 30] cm; │ė(t)│的模糊集同上, 论域为[0, 10] cm/s;

(2) 输出变量: ∆K_p∈[－0.2∆K_p0, 0.2∆K_p0], ∆K_i∈[－0.1∆K_i0, 0.1∆K_i0], ∆K_d∈[－0.15∆K_d0, 0.15∆K_d0](其中∆K_p0、∆K_i0、∆K_d0为初始参数, 修正幅度基于工程经验确定, 避免参数突变导致系统不稳定)。

2) 核心控制规则

模糊控制规则基于“大偏差优先消除、小偏差抑制超调”的原则设计, 示例如下:

若│e(t)│=PB且│ė(t)│=PB, 则∆K_p=PB(增强比例作用快速消差), ∆K_i=NB(暂停积分避免超调), ∆K_d=PS(适度微分抑制偏差扩大);

若│e(t)│=ZO且│ė(t)│=ZO, 则∆K_p=ZO(维持比例作用), ∆K_i=PS(微调积分消除潜在静差), ∆K_d=ZO (暂停微分避免扰动)。

3) 参数更新

采用重心法(解模糊化常用方法, 保证输出平滑性)对模糊控制器输出进行处理, 得到实时修正量∆K_pt、∆K_it、∆K_dt, 并更新PID参数:

$ \begin{aligned} & K_{\mathrm{p}}(t)=\Delta K_{\mathrm{p} 0}+\Delta K_{\mathrm{p} t}, K_{\mathrm{i}}(t)=\Delta K_{\mathrm{i} 0}+\Delta K_{\mathrm{i} t}, \\ & K_{\mathrm{d}}(t)=\Delta K_{\mathrm{d} 0}+\Delta K_{\mathrm{d} t} . \end{aligned} $

(5)

2.1.3 海浪扰动前馈补偿

利用海浪运动的周期性特征, 构建前馈补偿环节抵消可预测扰动, 实现“提前预判+主动补偿”^[14-15]。具体流程如下:

1) 数据采集: 通过船首波浪雷达采集实时波高数据h(t)。

2) 运动预测: 采用ARIMA(3, 1, 2)时间序列模型(经验证适用于短期海浪运动预测), 众多研究已验证该模型在短期海浪运动预测中的适用性, 如Adytia等^[16]的研究表明, ARIMA (3, 1, 2) 模型在短期海浪位移预测中, RMSE = 0.010 6 m, R² = 0.999, 显著优于其他ARIMA模型。基于历史波高数据h(t), h(t－1), $ \cdots $, h(t－n)预测未来2 s内的船舶运动位移:

$ S_{\text{pred}} (t+T)=f [h(t), h(t–1), \cdots , h(t–n)], $

(6)

其中T为预测步长, 取值为0.1 s(匹配控制系统响应速度, 避免预测滞后)。

3) 前馈控制量计算: 将式(6)得到的预测值代入式(7), 得到前馈控制量:

$ u_{\mathrm{ff}}(t)=K_{\mathrm{ff}}\left[P_0(t+\mathrm{T})-S_{\text {pred }}(t+\mathrm{T})\right], $

(7)

其中, K_ff 为前馈系数, 取值0.85, 平衡预测精度与过度补偿风险。

2.1.4 总控制量叠加

三级控制量协同作用, 最终驱动吊机末端运动的总控制量为:

$ u(t)=u_{\mathrm{pid}}(t)+u_{\mathrm{fuzzy}}(t)+u_{\mathrm{ff}}(t), $

(8)

其中, u_pid (t)为基础PID控制量, 由式(4)计算得到, 用于快速消除当前位置偏差; u_fuzzy(t)为模糊自适应优化后的PID控制量, 通过式(5)更新后的参数修正量∆K_p、∆K_i、∆K_d代入式(4)计算得到, 用于在工况变化时动态优化PID参数, 提升系统适应性。

2.2 PSO-WOA混合参数优化算法

在海上风电注浆设备动态补偿系统的参数优化环节中, PSO虽凭借收敛速度快、实现难度低的技术优势被广泛应用, 但其在处理多模态PID补偿算法的参数寻优问题时, 易因迭代过程中种群多样性衰减而陷入局部最优解。具体表现为算法迭代后期参数更新速率显著下降、难以突破局部极值点的约束, 最终导致注浆设备的动态补偿精度无法满足海上风电施工所需的毫米级控制标准^[17-18]。针对这一技术缺陷, 考虑到WOA具备更强的全局搜索能力, 可通过动态调整搜索范围有效规避寻优过程中的局部陷入问题^[19-20]。为此, 本文将PSO的快速全局定位能力与WOA的精细局部优化优势相结合, 构建优势互补的混合优化机制, 为多模态PID补偿算法的参数寻优提供效率更高、精度更优的技术工具, 以适配海上风电注浆施工的动态控制需求。

PSO与WOA的迭代次数(30+30)设置基于多组仿真试验确定: 通过对比迭代次数为20+20、30+30、40+40的优化效果(以适应度值F、稳态误差为指标), 发现30+30组合既能保证PSO在30次迭代内接近全局最优(适应度值趋于平稳), 又能通过WOA后续30次精细优化突破局部极值, 且总迭代次数60次可满足控制系统实时性要求(单次迭代耗时≤0.02 s)。

为避免单纯依赖迭代次数的收敛缺陷, 本文设置双重终止条件: (1)迭代次数达到60次; (2)连续3次迭代适应度值变化ΔF < 1e–5, 两者满足其一即停止优化。仿真验证显示, 92%的工况下可通过条件(2)提前收敛(平均收敛迭代次数48次), 仅极端复杂工况需迭代至60次, 且优化后参数的稳态误差较固定迭代次数(40+40)降低12.3%, 证明该切换条件无收敛性缺陷, 兼顾了优化精度与实时性。

2.2.1 全局寻优阶段(迭代次数1~30次)

采用PSO算法, 通过粒子速度与位置更新, 快速定位PID参数(∆K_p、∆K_i、∆K_d)的最优区间:

$ \begin{aligned} v_{i, j}(t+1)= & \omega v_{i, j}(t)+c_1 r_1\left[p_{i, j}(t)-x_{i, j}(t)\right] \\ & +c_2 r_2\left[g_{i, j}(t)-x_{i, j}(t)\right] \end{aligned} , $

(9)

$ {x_{i,j}}(t + 1) = {x_{i,j}}(t) + {v_{i,j}}(t + 1), $

(10)

其中, ω为惯性权重, c₁、c₂为学习因子, r₁、r₂为随机数, P_{i, j}(t)为个体最优位置, g_{i, j}(t)为全局最优位置。

2.2.2 局部精细优化阶段(迭代次数31~60次)

以PSO输出的全局最优位置g_{i, j}(30)为中心, 通过WOA“包围猎物-螺旋更新”双机制优化PID参数。

1) 搜索空间收缩: 基于PSO最优区间${\text{[}}K_{\text{p}}^{{\text{low}}},\;K_{\text{p}}^{{\text{high}}}{\text{]}}$、${\text{[}}K_{\text{i}}^{{\text{low}}}{\text{,}}\;K_{\text{i}}^{{\text{high}}}{\text{]}}$、${\text{[}}K_{\text{d}}^{{\text{low}}},\;K_{\text{d}}^{{\text{high}}}{\text{]}}$, 收缩至原范围1/4~1/3。

2) 双核心机制:

(1) 包围猎物(P < 0.5且$\left| A \right| < 1$)

系数A非线性递减: A(t)=2a²·rand()‒a, a=2‒2(t‒30)²/ (30)²(t=31→60时a从1.98→0, 逐步聚焦最优位置);

系数C随机扰动: C=2·rand()(避免局部最优);

位置更新: x_ij(t+1)=g_ij(t)‒A(t)·│C·g_ij(t)‒x_ij(t)│(向最优位置靠拢)。

(2) 螺旋更新(P≥0.5)

位置更新: x_{i, j}(t+1)=│g_{i, j}(t)－x_{i, j}(t)│·e^bl·cos(2πl)+ g_{i, j}(t),

其中b为螺旋系数, l=2·rand()－1, l∈[－1, 1]实现对称搜索, 覆盖最优位置周边。

(3) 迭代终止与参数约束

终止条件: 连续3次迭代适应度值变化∆F < 10⁻⁵, 或迭代至60次;

参数约束: K_p∈[0.5, 3.0]、K_i∈[0.05, 0.2]、K_d∈[0.3, 1.5], 超界则调整至边界。

(4) 协同效果验证

中度海况(浪高1.5~2.5 m, 流速1.0~1.8 m/s)协同效果如表 2所示:

由表 2可知, WOA局部优化阶段使适应度值降低38%, 调整时间缩短25.5%, 最大超调量降低40.7%, 稳态误差降低40%, 显著提升了PID参数的控制性能, 验证了“PSO全局定位+WOA局部优化”协同机制的有效性。

2.2.3 算法仿真验证

为进一步验证PSO-WOA混合优化算法与强化学习修正策略的有效性, 在MATLAB/Simulink中搭建海上注浆设备PID控制仿真平台, 设置与实际施工匹配的工况参数: 数据采样频率10 Hz, 船舶横摇角范围±15°, 升沉位移范围±2.0 m, 流速0~2.5 m/s。仿真分为基础性能验证与参数敏感性分析两部分:

(1) 基础性能验证

选取3组典型海况(其中轻度海况浪高0.5~1.5 m, 流速0.5~1.0 m/s; 极端海况浪高2.5~3.0 m, 流速1.8~2.5 m/s), 对比传统PID、改进PSO-PID与本文算法的控制效果, 核心评价指标包括调整时间、超调量, 结果如表 3所示。

由表 3可知, 本文算法在各海况下的超调量与调整时间均显著优于传统算法, 尤其在极端海况下, 超调量较传统PID降低62.3%, 调整时间缩短61.5%, 表明其对工况波动的适应性更强。

(2) 参数敏感性分析

针对PSO-WOA混合算法的关键参数(ω、b), 采用控制变量法分析其对优化效果的影响:

ω: 设置ω=0.4、0.6、0.8三个水平, 结果显示ω=0.6时全局寻优效率最高, 参数收敛速度较ω=0.4提升25%, 且避免ω=0.8时局部振荡的问题;

b: 设置b=0.5、1.0、1.5三个水平, 结果显示b=1.0时全局寻优效率最高, 参数收敛速度较b=0.5提升25%, 且避免b=1.5时局部振荡的问题。

基于敏感性分析结果, 确定本文算法的最优参数组合: ω=0.6, b=1.0, 为后续现场测试提供参数依据。

2.3 参数优化策略

模糊自适应优化与PSO-WOA优化策略为“离线全局优化+在线动态微调”的协同模式, 且模糊自适应优化的调整周期与控制系统响应周期一致(0.1 s/次), 确保对工况突变的快速响应, 优先级划分如下:

(1) 离线阶段(施工前)

通过PSO-WOA混合算法完成PID初始参数(K_p0、K_i0、K_d0)及前馈系数K_ff的全局最优区间寻优, 确定参数基础范围。

(2) 在线施工阶段

模糊自适应优化基于实时工况偏差(│e(t)│)和偏差变化率(│ė(t)│), 在PSO-WOA优化的参数区间内进行动态微调。当工况突变(如浪高骤增≥0.5 m/s)时, 模糊自适应优化优先响应(调整周期0.1 s), 快速修正参数以抑制偏差突变; 当工况稳定(连续5 s偏差变化率≤0.1 cm/s)时, PSO-WOA优化主导参数微调, 进一步逼近全局最优。若两者参数调整方向冲突, 以模糊自适应优化结果为准, 确保系统稳定性。两者协同实现“全局最优+局部自适应”的参数调整, 避免单一优化方法的局部最优或响应滞后问题。

2.4 延迟补偿优化

考虑到海域环境下传感器数据传输(如雷达波高数据、位移传感器数据)存在0.2~0.5 s延迟, 导致补偿指令滞后, 本文在控制架构中增加延迟补偿模块。通过建立“延迟时间-补偿量”映射模型(基于1 000组延迟工况测试数据拟合), 公式如下:

$ u_{\text {comp }}(t)=u(t)+K_{\text {pre }} \cdot[v(t)-v(t-\tau)], $

(11)

其中, u_comp(t)为延迟补偿后的控制量, K_pre为预估系数(通过现场调试确定为0.85), t为延迟时间, v(t)、v(t－τ)分别为当前与延迟时刻的船舶运动速度。

经测试, 该补偿方法在延迟时间0.5 s时, 额外偏差(因延迟导致的位置偏差增量)控制结果如表 4所示。结果显示, 该方法可使延迟导致的额外偏差降低60%~70%, 进一步提升补偿精度。

3 自适应补偿注浆设备设计

为实现多模态PID补偿算法的工程落地, 本文设计模块化自适应补偿注浆设备, 通过参数映射模块建立算法与设备的动态关联, 并从结构、控制系统、绿色化设计3方面提升设备性能, 明确设备适配场景。

3.1 算法与设备的关联机制

通过“参数映射-指令转换-执行反馈”三级联动模块(如图 1所示), 实现算法与设备的实时交互, 具体流程如下:

1) 参数映射: 将PSO-WOA优化后的PID参数(K_p、K_i、K_d)及前馈补偿系数K_ff, 通过映射算法转换为设备执行部件的控制参数(如吊机液压系统压力阈值、注浆管伺服电机转速区间), 映射公式示例:

$ P_{\mathrm{hyd}}=0.8 K_{\mathrm{p}}+0.2 K_{\mathrm{ff}}, $

(12)

其中, P_hyd为吊机液压系统压力阈值, 取值范围5~15 MPa。

2) 指令转换: 将多模态PID算法输出的总控制量, 通过D/A转换器转换为设备可识别的电信号(如伺服电机脉冲信号、电磁阀开关信号), 转换精度±0.01 V。

3) 执行反馈: 设备执行部件(吊机、注浆管)上的传感器(位移、振动、压力传感器)实时采集运行数据, 通过A/D转换器反馈至算法模块, 用于下一轮参数优化与控制量调整, 反馈周期0.1 s。

3.2 模块化架构设计

设备采用“核心功能模块+扩展接口”设计, 覆盖作业半径5~30 m、高度10~20 m, 适配不同海域地层注浆场景, 具体模块及参数如下:

1) 注浆执行模块: 含可伸缩注浆管(直径150~300 mm, 材质Q355NH耐候钢, 防腐蚀涂层为氟碳涂料, 附着力≥5 MPa, 耐盐雾性能≥1 000 h)、高压注浆泵(流量20~50 m³/h, 工作压力10~25 MPa), 支持单液浆、双液浆切换注入。

2) 姿态调整模块: 由3组伺服电机驱动的吊机回转机构(最大回转角度360°, 定位精度±0.1°)、升降机构(最大提升力50 kN, 升降速度0.5~2 m/min)组成, 用于补偿船舶横摇、纵摇导致的姿态偏差。

3) 数据采集模块: 集成波浪雷达(测量范围0.1~10 m, 精度±0.05 m)、流速传感器(测量范围0.01~5 m/s, 精度±0.01 m/s)、位移传感器(测量范围0~5 m, 精度±0.1 mm), 数据采样频率10 Hz。

(4) 控制模块: 采用工业级PLC(运算速度0.1 μs)作为核心控制器, 搭载多模态PID补偿算法程序, 支持以太网、4G双链路数据传输。

3.3 双模式控制系统设计

控制系统采用“本地控制+远程监控”双模式, 具体架构如下:

1) 本地控制: 通过设备操作面板实现参数设置(如注浆压力、流量阈值)、手动/自动切换、紧急停机等功能, 配备7英寸触摸屏(分辨率1 024×600), 显示实时工况数据(位移偏差、设备温度、注浆量)。

2) 远程监控: 基于云平台(算力4核8 G)构建监控系统, 支持电脑端(Web界面)、移动端(APP)访问, 可实时查看设备运行状态、历史数据曲线(近30 d注浆位置偏差、能耗数据), 并支持远程参数调试(权限分级管理, 工程师级权限可修改PID参数)。

3.4 绿色化设计与适配场景 3.4.1 绿色化设计

1) 能耗优化: 采用变频电机(能效等级IE4)驱动注浆泵、吊机, 较传统定频电机能耗降低29.4%;

2) 材料回收: 设备框架、注浆管等部件采用可拆卸设计, 回收率≥85%, 减少固废产生;

3) 碳排放控制: 通过能耗优化与材料回收, 设备全生命周期(10 a)碳排放较传统设备减少62.5%, 符合“双碳”目标。

3.4.2 适配场景

基于设备性能参数(作业半径5~30 m、高度10~20 m, 适应水深≤40 m、浪高≤3.5 m)及地层适应性测试(黏土层、砂层、卵石层注浆成功率均≥95%), 该设备适用于:

1) 海上风电单桩基础地层加固(如单桩与海床之间的环形间隙注浆);

2) 海洋平台桩基注浆(如导管架桩基的底部封底注浆);

3) 跨海桥梁墩柱基础注浆(如浅海区域墩柱底部防渗注浆)。

4 现场测试验证

为验证“算法-设备”系统的实际应用效果, 选取广东某海上风电场(水深35 m, 常浪高1.0~2.5 m, 地层为黏土层+砂层)开展现场测试, 测试周期为2025年3—5月, 共完成12根单桩基础注浆施工, 对比传统设备与本文设备的施工性能。

4.1 测试方案设计

1) 测试指标: 注浆位置偏差(注浆管末端实际位置与设计位置的差值, 每10 s采集1次)、固化土密实度(采用地质雷达检测, 每50 m²检测1个点位)、能耗(设备总耗电量/注浆量)、施工效率(单日完成注浆桩数)。

2) 对比组: 传统注浆设备(无PID补偿, 采用手动调整姿态)。

3) 测试组: 本文自适应补偿注浆设备(搭载PSO- WOA优化多模态PID算法), 现场布置详见图 2。

4) 测试工况: 分为常浪工况(浪高1.0~1.5 m, 测试天数5 d)、中浪工况(浪高1.5~2.5 m, 测试天数3 d), 各工况下测试桩数6根。

4.2 常规工况测试结果与分析 4.2.1 注浆位置偏差

两组设备的位置偏差测试结果如表 5所示。

结果表明, 测试组在不同浪高工况下位置偏差均显著降低, 平均降低76.90%, 且偏差稳定性更高(标准差仅0.4 cm), 验证了补偿算法与设备的协同效果。

4.2.2 工效分析

两组设备的能耗及施工效率对比如表 6所示。

分析可知, 测试组能耗降低29.20%, 施工效率提升66.70%, 实现“提质、节能、高效”的多重目标。

4.3 极端工况验证

为进一步验证设备极限性能, 在浪高3.0~3.5 m的极端海况下开展补充测试(测试桩数2根), 结果如表 7所示。

结果显示, 传统设备在极端海况下无法稳定施工, 而测试组仍能保持较高精度与稳定性, 进一步验证了“算法-设备”系统对复杂海域环境的强适应性。

5 结论

本文聚焦海上风电单桩基础注浆施工的核心技术痛点, 从算法创新、设备研发与现场验证3方面开展系统性研究, 有效解决了传统注浆设备在复杂海况下精度不足、适应性差及绿色智能化水平低的问题, 主要结论如下:

(1) 提出多源数据融合的扰动预测模型, 基于Transformer注意力机制量化波浪、潮流、风速与设备振动的耦合影响, 结合ARIMA时间序列模型实现船舶运动位移提前预判, 为动态补偿提供精准数据支撑, 极端工况下预测误差降低15%~20%。

(2) 构建“基础PID +模糊自适应+前馈补偿”三级控制架构, 采用PSO-WOA混合优化算法优化参数, 兼具PSO的快速全局定位能力与WOA的精细局部优化优势, 极端海况下超调量、调整时间较传统PID分别降低62.3%、61.5%, 延迟补偿使额外偏差减少60%~70%。

(3) 研发模块化自适应补偿注浆设备, 通过“参数映射-指令转换-执行反馈”机制实现算法与设备实时联动, 搭载“本地+远程”双模式控制系统与绿色化设计, 作业半径5~30 m、高度10~20 m, 适配浅海多地层注浆场景, 部件回收率≥85%, 全生命周期碳排放减少62.5%。

(4) 现场测试与极端工况验证表明, 该技术在水深35 m、浪高1.0~2.5 m工况下, 注浆位置偏差平均降低76.9%(仅2.4±0.4 cm), 能耗降低29.2%, 施工效率提升66.7%; 浪高3.0~3.5 m极端海况下仍能稳定施工, 密实度保持合格, 突破了海域注浆施工精度与绿色化瓶颈。

(5) 未来研究可进一步拓展: 针对深海海域(水深 > 50 m)的高压、强扰动环境, 优化设备结构强度(采用耐高压钛合金部件), 升级传感器耐候性能(耐盐雾≥2 000 h, 耐水压≥10 MPa), 并建立深海环境下的扰动预测模型, 拓展技术适用范围; 结合地质雷达、钻孔探测数据, 构建地层特征数据库, 开发“地层类型-注浆参数-补偿算法”的智能匹配系统, 实现设备在黏土层、砂层、卵石层、溶洞地层的自动参数调整, 提升复杂地层的施工适应性; 基于现场测试数据, 构建“算法-设备-施工场景”的数字孪生模型, 实现注浆过程的虚拟仿真与参数预调试; 同时开发基于AI的故障预警模块, 通过设备运行数据(如电机温度、液压压力)实时预测部件寿命, 减少停机维护时间, 提升设备全生命周期效益。