徐晶珺，鄭源，2*，于洋，潘虹，唐魏

(1. 河海大學(xué)能源與電氣學(xué)院，江蘇 南京 211100； 2. 河海大學(xué)創(chuàng)新研究院，江蘇 南京 210098； 3. 中水東北勘測(cè)設(shè)計(jì)研究有限責(zé)任公司，吉林 長(zhǎng)春 130021； 4. 河海大學(xué)水利水電學(xué)院，江蘇 南京 210098)

目前，隨著互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、云計(jì)算和大數(shù)據(jù)等信息技術(shù)的快速發(fā)展和演進(jìn)，水電行業(yè)正朝著自動(dòng)化、智慧化的方向前進(jìn)，推動(dòng)了水電站故障診斷技術(shù)快速發(fā)展與變革.水電機(jī)組的軸心軌跡研究是故障診斷的一個(gè)常用方法，人工識(shí)別軸心軌跡雖然十分準(zhǔn)確，但當(dāng)故障數(shù)據(jù)過(guò)多時(shí)，也會(huì)造成嚴(yán)重的人力浪費(fèi).根據(jù)軸心軌跡智能識(shí)別機(jī)組的故障狀態(tài)，不僅可以及時(shí)有效地根據(jù)實(shí)際的故障嚴(yán)重程度對(duì)機(jī)組進(jìn)行分類檢修，還能對(duì)機(jī)組的狀態(tài)進(jìn)行監(jiān)測(cè)以預(yù)防產(chǎn)生故障，這對(duì)水電站故障診斷的智能化有著重要的意義.

軸心軌跡識(shí)別可以看作是提取圖像的特征和對(duì)特征分類處理的問(wèn)題.現(xiàn)階段有較多特征提取的方法和理論，例如特征矩理論[1]、傅里葉描述子理論[2-3]和高階相關(guān)特征[4]等.

孫國(guó)棟等[5]結(jié)合了BP神經(jīng)網(wǎng)絡(luò)，提出了基于高度函數(shù)的軸心軌跡識(shí)別的算法，算法的識(shí)別率達(dá)到了94.2%，并且識(shí)別速度顯著提高；鄭慧娟等[6]結(jié)合大數(shù)據(jù)技術(shù)與算法理論對(duì)軸心軌跡信號(hào)進(jìn)行了原始波形分布式存儲(chǔ)、特征向量并行計(jì)算,最終用Mahout做軸心軌跡類型識(shí)別；付婧等[7]采用統(tǒng)計(jì)分析的方法定義了軸心軌跡的標(biāo)準(zhǔn)差、變異系數(shù)、歸一化面積等參數(shù)，并對(duì)機(jī)組各個(gè)載負(fù)荷下的軸心軌跡進(jìn)行了分類；陳征等[8]基于軸心軌跡信息熵和盒維數(shù),提出并構(gòu)建了一種新的直觀評(píng)價(jià)轉(zhuǎn)子運(yùn)行狀態(tài)指標(biāo)及轉(zhuǎn)子故障程度判別和故障狀態(tài)預(yù)示方法，該方法可以識(shí)別轉(zhuǎn)子正常模式與故障模式.

隨著深度學(xué)習(xí)快速發(fā)展，在圖像識(shí)別領(lǐng)域取得了一些突破性的進(jìn)展，其中卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)成為研究熱點(diǎn)之一.1984年，日本學(xué)者FUKUSHIMA[9]根據(jù)視覺(jué)皮層功能模型啟發(fā),提出了卷積神經(jīng)網(wǎng)絡(luò)的神經(jīng)認(rèn)知機(jī)，而卷積神經(jīng)網(wǎng)絡(luò)被看成是神經(jīng)認(rèn)知機(jī)的一種推廣.SIMARD等[10]采用梯度下降法實(shí)現(xiàn)最早的卷積神經(jīng)網(wǎng)絡(luò)，設(shè)計(jì)LeNet-5[11]網(wǎng)絡(luò)模型應(yīng)用于識(shí)別手寫文字并且達(dá)到商用的程度(錯(cuò)誤率小于0.8%).KRIZHEVSKY等[12]在ImageNet數(shù)據(jù)識(shí)別中，使用卷積神經(jīng)(convolutional neural networks，CNN)進(jìn)行圖像識(shí)別，取得了良好的效果，標(biāo)志著CNN在圖像識(shí)別領(lǐng)域逐漸占據(jù)主導(dǎo)地位.卷積神經(jīng)網(wǎng)絡(luò)在各方面有著很多應(yīng)用.文獻(xiàn)[13-16]分別在食品、機(jī)械、醫(yī)學(xué)等領(lǐng)域應(yīng)用了卷積神經(jīng)網(wǎng)絡(luò)，取得了很好的分類效果.

水電行業(yè)對(duì)卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用得較少，文中提出將該算法應(yīng)用于水電機(jī)組軸心軌跡分類，從而達(dá)到判別機(jī)組運(yùn)行故障的目的.

1 卷積神經(jīng)網(wǎng)絡(luò)

特征提取和分類是卷積神經(jīng)網(wǎng)絡(luò)的兩大重要核心.特征提取是卷積層通過(guò)卷積核的運(yùn)算提取關(guān)鍵信息，得到每個(gè)神經(jīng)元輸入的特征(features)，并確定多個(gè)特征之間對(duì)應(yīng)的相對(duì)位置隨著卷積層數(shù)增加，則濾波器得到的特征就越復(fù)雜.分類是通過(guò)卷積運(yùn)算得到的特征經(jīng)全連接層進(jìn)行分類識(shí)別.卷積神經(jīng)網(wǎng)絡(luò)中，權(quán)值矩陣表現(xiàn)像是一個(gè)過(guò)濾器，先對(duì)權(quán)值進(jìn)行學(xué)習(xí)，然后最小化損失函數(shù)，通過(guò)對(duì)參數(shù)學(xué)習(xí)，從原始圖像中獲得特征并進(jìn)行分類.網(wǎng)絡(luò)結(jié)構(gòu)愈深，矩陣提取的特征信息越復(fù)雜.

卷積神經(jīng)網(wǎng)絡(luò)不需要手工提取圖像的各個(gè)特征，在圖像識(shí)別表現(xiàn)上更加準(zhǔn)確且智能，大大節(jié)省了人工勞動(dòng)力.在圖像處理中，卷積神經(jīng)網(wǎng)絡(luò)把圖像表示為像素的向量，其權(quán)值共享結(jié)構(gòu)大大減少了權(quán)值的數(shù)目，有效地降低了網(wǎng)絡(luò)模型的復(fù)雜度，從而加快了計(jì)算速度，尤其在網(wǎng)絡(luò)輸入多維圖像時(shí)表現(xiàn)更為突出，圖像作為網(wǎng)絡(luò)的輸入有效地避免了傳統(tǒng)算法中復(fù)雜的特征提取和數(shù)據(jù)重建的耗時(shí)過(guò)程.

特征提取對(duì)卷積神經(jīng)網(wǎng)絡(luò)有著至關(guān)重要的意義，是卷積網(wǎng)絡(luò)的核心步驟.卷積神經(jīng)網(wǎng)絡(luò)從輸入信號(hào)中提取到的有效特征信息的質(zhì)量，決定了分類器是否能準(zhǔn)確地實(shí)現(xiàn)分類.

1.1 卷積層

傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)由卷積層、采樣層(池化層)、全連接層3層組成，每一層由多個(gè)二維平面組成，每一個(gè)平面由多個(gè)獨(dú)立的神經(jīng)元組成.圖1為卷積神經(jīng)網(wǎng)絡(luò)的體系構(gòu)成.

圖1 卷積神經(jīng)網(wǎng)絡(luò)體系構(gòu)成

通過(guò)卷積運(yùn)算，可以提取出不同圖像中的不同特征，同時(shí)加強(qiáng)輸入的某些原始信號(hào)，并且起到了降噪的作用.

(1)

式中：f(·)為激活函數(shù)；mj為上層的一個(gè)輸入特征圖；k為卷積核；l為卷積層所在的層數(shù)；b為偏執(zhí).

1.2 池化層

卷積神經(jīng)網(wǎng)絡(luò)的采樣方法相當(dāng)多，代表性的方法有重疊采樣(overlapping)、最大值采樣(max pooling)、均值采樣(mean pooling)等方法，采樣目的是為了減少計(jì)算機(jī)的計(jì)算量和模型的參數(shù)，并保留圖形的重要特征，提高模型的泛化能力，防止卷積神經(jīng)網(wǎng)絡(luò)的過(guò)度擬合.采樣層的計(jì)算公式為

(2)

式中:β為子采樣系數(shù)；down(·)為采樣函數(shù)；f(·)為采樣激活函數(shù)；b為采樣偏執(zhí).

1.3 全連接層

通過(guò)前面的運(yùn)算得到了圖像的特征，全連接層可以將最后的輸出映射到線性可分空間內(nèi)，將最后得到的長(zhǎng)方體平攤成一個(gè)向量，并配合輸出層進(jìn)行分類識(shí)別.在實(shí)際操作中，卷積運(yùn)算也可以實(shí)現(xiàn)分類的功能.

2 水電機(jī)組軸心軌跡細(xì)粒度分析

水電機(jī)組軸心軌跡包含著轉(zhuǎn)子運(yùn)行狀態(tài)的豐富信息，是判斷機(jī)組運(yùn)行狀態(tài)和故障征兆的重要依據(jù)，比振幅和幅頻特性曲線等更能直觀地反映轉(zhuǎn)軸的運(yùn)動(dòng)情況.水電機(jī)組軸心軌跡形狀隨故障類型不同而變化，正常的軸心軌跡是一個(gè)長(zhǎng)短軸相差很小的橢圓.故障圖形主要包含4種類型，例如轉(zhuǎn)子質(zhì)量不平衡、大軸軸線不直、軸間隙過(guò)大對(duì)應(yīng)形狀為橢圓形；軸承油膜渦動(dòng)不正常對(duì)應(yīng)內(nèi)8形；轉(zhuǎn)子不對(duì)中對(duì)應(yīng)的外8形；香蕉形.

隨著水電站狀態(tài)監(jiān)測(cè)和故障診斷技術(shù)發(fā)展，對(duì)故障分類識(shí)別的要求越來(lái)越高.因此，引入細(xì)粒度模型對(duì)故障嚴(yán)重程度做進(jìn)一步研究.細(xì)粒度模型是引入一系列變量以描述軸心軌跡圖像，根據(jù)變量制定故障嚴(yán)重程度的標(biāo)準(zhǔn)并對(duì)其細(xì)化分類，形成更加科學(xué)的模型對(duì)象.

1) 細(xì)粒度C=l′/L，其中l(wèi)′和L分別為橢圓的短軸和長(zhǎng)軸(mm).C越小，圖像越細(xì)長(zhǎng)，軸心振動(dòng)越劇烈，此時(shí)的故障越嚴(yán)重.

圖2為橢圓形軸心軌跡故障嚴(yán)重程度分類，為細(xì)粒度C依次減小的橢圓形軸心軌跡.圖中C，輕微為(0.8，1.0]，中等為(0.5，0.8]，嚴(yán)重為(0，0.5].

2) 彎曲度A：為質(zhì)點(diǎn)P到2個(gè)頂點(diǎn)的夾角度數(shù).A越小，彎曲程度越大，說(shuō)明轉(zhuǎn)子不對(duì)中程度越嚴(yán)重.

圖3為香蕉形軸心軌跡故障嚴(yán)重程度分類，圖中彎曲度A依次減小，故障嚴(yán)重程度依次加劇.圖中A，輕微為(110°，180°]，中等為(75°，110°]，嚴(yán)重為(0，75°].

圖3 香蕉形軸心軌跡故障嚴(yán)重程度分類

3) 圓環(huán)寬比度W=w1/w2，其中w1和w2分別為外8形小圓環(huán)和大圓環(huán)的寬度(mm).W越小，兩圓環(huán)的差距越大，說(shuō)明軸心在小圓環(huán)處變化劇烈，故障就越嚴(yán)重.

圖4為外8形軸心軌跡故障嚴(yán)重程度分類.圖中圓環(huán)寬比度W依次減小，故障嚴(yán)重程度依次加劇.其中W，輕微為(0.75，1.00]，中等為(0.40，0.75]，嚴(yán)重為(0,0.40].

圖4 外8形軸心軌跡故障嚴(yán)重程度分類

4) 幅角跨度比F=α1/α2,其中α1和α2為圖形交點(diǎn)處的2個(gè)夾角值.F越小，2個(gè)夾角值相差越大，說(shuō)明軸心在交點(diǎn)處相位變化越劇烈，故障就越嚴(yán)重.

圖5為內(nèi)8形軸心軌跡故障嚴(yán)重程度分類，圖中幅角跨度比F依次減小，故障嚴(yán)重程度依次加劇.其中F，輕微為(0.6，1.0]，中等為(0.4，0.6]，嚴(yán)重為(0，0.4].

圖5 內(nèi)8形軸心軌跡故障嚴(yán)重程度分類

3 水電機(jī)組軸心軌跡故障分類及識(shí)別

3.1 軸心軌跡數(shù)據(jù)庫(kù)建立

針對(duì)水電機(jī)組常見(jiàn)的4種故障類型，按式(3)用Matlab R2018a對(duì)軸心軌跡圖進(jìn)行仿真模擬.

(3)

式中：A1，A2和B1，B2分別為x和y的一、二倍頻變量；ω為角速度；α，β分別為x，y的初始相位.

模擬了橢圓形、外8形、內(nèi)8形和香蕉形軸心軌跡圖片各220張，其中200張用于訓(xùn)練，20張用于測(cè)試，該數(shù)據(jù)庫(kù)稱為數(shù)據(jù)庫(kù)A，共880張圖片.另按4種軸心軌跡的故障嚴(yán)重程度分為輕微、中等和嚴(yán)重3類，共模擬12種故障圖片各40張，其中30張用于訓(xùn)練，10張用于測(cè)試，該數(shù)據(jù)庫(kù)稱為數(shù)據(jù)庫(kù)B，共480張圖片.庫(kù)B建立的目的是驗(yàn)證卷積神經(jīng)網(wǎng)絡(luò)不僅能識(shí)別分類故障類型，還能準(zhǔn)確判斷機(jī)組故障的嚴(yán)重程度.樣本庫(kù)A和B中的圖片由模擬獨(dú)立且隨機(jī)生成，具有一定的樣本代表性.

3.2 卷積神經(jīng)網(wǎng)絡(luò)模型

采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)水電機(jī)組軸心軌跡類型識(shí)別，首先構(gòu)建軸心軌跡圖像的模型，本模型中輸入軸心軌跡灰度圖像的大小為64×64(px).每層的具體參數(shù)見(jiàn)表1，表中K，s，G分別為卷積核大小、步長(zhǎng)、輸出特征圖大小.圖中共包含5層結(jié)構(gòu)，不包含輸入層.其中C1, C2層為卷積層；P1, P2層為池化層；F1為全連接層.卷積層C1, C2輸出的特征圖分別作為池化層P1, P2的輸入圖像.

表1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

3.3 故障類型識(shí)別試驗(yàn)驗(yàn)證

試驗(yàn)在Windows 10系統(tǒng)上進(jìn)行，系統(tǒng)內(nèi)存為16 Gbyte,使用Matlab R2018a平臺(tái)，計(jì)算過(guò)程使用GPU加速.

試驗(yàn)從數(shù)據(jù)庫(kù)A中選擇橢圓形、外8形、內(nèi)8形、香蕉形的圖片各200張作為訓(xùn)練數(shù)據(jù)、20張作為測(cè)試數(shù)據(jù)，計(jì)算卷積神經(jīng)網(wǎng)絡(luò)對(duì)不同故障類型的識(shí)別結(jié)果.最后用數(shù)據(jù)庫(kù)A中的全部類型圖片800張為訓(xùn)練數(shù)據(jù)、80張為測(cè)試數(shù)據(jù)進(jìn)行計(jì)算.

表2為故障類型識(shí)別結(jié)果對(duì)比，表中ECNN，EA分別為CNN的識(shí)別準(zhǔn)確率、全連接網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率.由表可知CNN對(duì)單獨(dú)類型的故障有很好的識(shí)別效果.

表2 故障類型識(shí)別結(jié)果對(duì)比

圖6為CNN提取橢圓形故障圖片特征的過(guò)程，輸入圖像經(jīng)卷積核1處理獲得20個(gè)特征，再經(jīng)池化層對(duì)特征進(jìn)行加強(qiáng)，又經(jīng)卷積核2提取出10個(gè)特征，然后池化層加強(qiáng)分類特征，最后根據(jù)特征進(jìn)行分類處理.

圖7為全部類型分類識(shí)別結(jié)果，其中n為測(cè)試集樣本.由圖可知在全部類型的分類中對(duì)第25張圖識(shí)別錯(cuò)誤，但對(duì)比全連接網(wǎng)絡(luò)也有98.75%的高識(shí)別率.

圖6 特征提取過(guò)程

圖7 全部類型識(shí)別結(jié)果

由表2還可知，CNN卷積神經(jīng)網(wǎng)絡(luò)對(duì)單類軸心軌跡的識(shí)別率達(dá)到了100%，對(duì)4種類型混合的軸心軌跡的識(shí)別率也達(dá)到了98.75%，明顯優(yōu)于全連接網(wǎng)絡(luò)的識(shí)別率，表明該算法對(duì)軸心軌跡故障類型有著很好的分類與識(shí)別效果.

3.4 故障嚴(yán)重程度識(shí)別試驗(yàn)驗(yàn)證

試驗(yàn)從數(shù)據(jù)庫(kù)B中選擇4種類型的圖片各90張作為訓(xùn)練數(shù)據(jù)、30張作為測(cè)試數(shù)據(jù)，計(jì)算卷積神經(jīng)網(wǎng)絡(luò)對(duì)不同故障類型的識(shí)別結(jié)果.最后用數(shù)據(jù)庫(kù)B中的全部類型圖片360張為訓(xùn)練圖片、120張為測(cè)試數(shù)據(jù)進(jìn)行計(jì)算.

表3為故障嚴(yán)重程度識(shí)別結(jié)果對(duì)比.由表可知CNN對(duì)單獨(dú)類型的故障嚴(yán)重程度識(shí)別率到達(dá)了100%.

表3 故障嚴(yán)重程度識(shí)別結(jié)果對(duì)比

圖8為全部類型嚴(yán)重程度識(shí)別結(jié)果.由圖可知在全部類型的識(shí)別結(jié)果中，對(duì)第15和第80張圖識(shí)別出現(xiàn)了錯(cuò)誤，但也有98.33%的高識(shí)別率，表明卷積神經(jīng)網(wǎng)絡(luò)能有效識(shí)別軸心軌跡的故障嚴(yán)重程度，能滿足故障識(shí)別的應(yīng)用.

圖8 全部類型嚴(yán)重程度識(shí)別結(jié)果

4 結(jié) 論

針對(duì)當(dāng)前水電機(jī)組軸心軌跡識(shí)別率不高、未對(duì)故障嚴(yán)重程度進(jìn)行區(qū)分的問(wèn)題，進(jìn)行了研究：首先引入細(xì)粒度模型，建立了故障嚴(yán)重程度的評(píng)判標(biāo)準(zhǔn)，建立了對(duì)應(yīng)的2種水電機(jī)組軸心軌跡細(xì)粒度數(shù)據(jù)庫(kù)；接著利用改進(jìn)過(guò)卷積層與池化層參數(shù)以適應(yīng)水力機(jī)組研究的卷積神經(jīng)網(wǎng)絡(luò)對(duì)軸心軌跡數(shù)據(jù)庫(kù)進(jìn)行對(duì)比試驗(yàn).研究結(jié)果表明，該方法能有效地對(duì)軸心軌跡的類型進(jìn)行識(shí)別，識(shí)別率達(dá)到了98.75%，同時(shí)對(duì)水電機(jī)組的故障嚴(yán)重程度也有著很好的識(shí)別效果，對(duì)嚴(yán)重程度的識(shí)別率達(dá)到了98.33%；該方法提出的關(guān)于細(xì)粒度分類的有量綱指標(biāo)相比量綱一指標(biāo)擁有更優(yōu)的狀態(tài)描述能力，從而能更加準(zhǔn)確地判斷機(jī)組的具體運(yùn)行狀態(tài)，為水電機(jī)組的狀態(tài)評(píng)估及故障診斷等提供了有效的指導(dǎo)作用.