在全球经济高速发展的今天,各类能源对于社会发展起着至关重要的作用。与此同时,海洋中蕴含着丰富的资源,而海洋平台是用于海上资源开采的大型土木设施,所以海洋平台的结构安全是海洋经济发展的基础,同时如果海洋平台出现严重事故,开采的原油也会造成海洋环境污染,因此海洋平台的结构安全状况受到各界广泛关注。本文是将模态分析和机器学习两种方法有机地结合起来,运用到海洋平台结构异常检测领域的研究中去。具体说来,本文首先将海洋平台监测数据库作为数据基础,该数据库包括了十一五、十二五、十三五期间对南海多个FPSO的长期在位监测数据;接着考虑到海洋平台监测数据具有非连续、非线性、非平稳的特点,对其采用数据清洗、数据一阶差分方程平稳化、数据分段的数据预处理操作,然后从经过数据预处理的响应数据中提取海洋平台结构自由响应特征作为算法训练数据;然后对常用的四种异常检测算法进行了实验对比,最后选用了OCSVM作为海洋平台异常检测算法;接着由于海洋平台长期服役期间会有多种工况出现,设计以OCSVM为核心基于单类样本的长期在线学习架构,并对离线学习和在线边界增量学习和在线重新学习三种方法的精度和空间复杂度进行了横向对比,分析长期在线边界增量学习的优势所在;最后最后将长期在线边界增量学习应用在海洋平台真实数据上,分析了结构异常检测领域尤为关注的误报率和准确率两个指标,论证了在线边界增量学习在海洋平台工程实际中的适用性。可得出长期在线边界增量学习方法是适用于海洋平台结构异常检测的结论,可以在保证低误报率和高准确率的同时,一定程度上解决了工程上难以获取异常数据样本和长期在线学习架构空间复杂度大的难题,可认为该分析方法是具有一定工程意义的。