李 誠(chéng)，劉 昊，蔣希峰，吳軍法，韓文剛，高建國(guó)

(浙江黑卡電氣有限公司，浙江 杭州 311100)

我國(guó)西南等地區(qū)的水電資源豐富，對(duì)其進(jìn)行梯次有序地開發(fā)利用，對(duì)實(shí)現(xiàn)節(jié)能減排、碳中和的目標(biāo)具有重要意義。但是水電機(jī)組由于長(zhǎng)時(shí)間運(yùn)轉(zhuǎn)，可能出現(xiàn)連接部位磨損、表面裂紋、關(guān)鍵零件脫落、定轉(zhuǎn)子振動(dòng)等缺陷[1-4]，這些缺陷將影響水電機(jī)組運(yùn)行的安全性，嚴(yán)重時(shí)會(huì)導(dǎo)致電網(wǎng)的非計(jì)劃停運(yùn)，給電網(wǎng)的安全穩(wěn)定運(yùn)行帶來(lái)嚴(yán)重風(fēng)險(xiǎn)。

隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)的快速發(fā)展，圖像識(shí)別技術(shù)在生物醫(yī)學(xué)、移動(dòng)支付、工業(yè)控制等領(lǐng)域得到廣泛應(yīng)用。如果將圖像識(shí)別技術(shù)應(yīng)用于水電機(jī)組的定轉(zhuǎn)子狀態(tài)監(jiān)測(cè)，實(shí)現(xiàn)發(fā)電機(jī)定轉(zhuǎn)子缺陷智能診斷，將大幅提高水電機(jī)組運(yùn)行的安全性[5-7]。

因此，本文開展了圖像識(shí)別技術(shù)在發(fā)電機(jī)定轉(zhuǎn)子缺陷診斷中的應(yīng)用研究，為實(shí)現(xiàn)發(fā)電機(jī)定轉(zhuǎn)子缺陷的智能識(shí)別奠定了理論基礎(chǔ)。

1 VGG網(wǎng)絡(luò)

1.1 卷積神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是模擬人類大腦處理信息機(jī)制的一種仿生學(xué)計(jì)算方法，其結(jié)構(gòu)由多層神經(jīng)網(wǎng)絡(luò)層構(gòu)成。層內(nèi)的各神經(jīng)單元相互獨(dú)立，層間的神經(jīng)單元相互連接，連接邊具有一定的權(quán)值。當(dāng)前，人工神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)了多年的快速發(fā)展，在負(fù)荷預(yù)測(cè)、故障診斷、狀態(tài)監(jiān)測(cè)、智能控制領(lǐng)域應(yīng)用廣泛。但由于人工神經(jīng)網(wǎng)絡(luò)的連接權(quán)值均為參數(shù)，所以當(dāng)其規(guī)模較大時(shí)，待求取參數(shù)規(guī)模就會(huì)非常巨大，導(dǎo)致需要訓(xùn)練和計(jì)算的時(shí)間過(guò)長(zhǎng)，且容易造成擬合的過(guò)度和失真[8-11]。

卷積神經(jīng)網(wǎng)絡(luò)屬于人工神經(jīng)網(wǎng)絡(luò)的發(fā)展形式之一。其對(duì)人工神經(jīng)網(wǎng)絡(luò)的改進(jìn)之處在于：卷積神經(jīng)網(wǎng)絡(luò)使用滑動(dòng)的卷積濾波器代替神經(jīng)網(wǎng)絡(luò)層之間的連接邊，使得神經(jīng)單元間只存在局部連接關(guān)系。神經(jīng)單元層的參數(shù)也減少為卷積濾波器的權(quán)重值，參數(shù)規(guī)模大幅減小，提高了計(jì)算效率，同時(shí)也能有效防止過(guò)度擬合現(xiàn)象。特別是在圖像識(shí)別領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)的性能優(yōu)勢(shì)更為明顯。卷積神經(jīng)網(wǎng)絡(luò)隨著網(wǎng)絡(luò)層數(shù)的增加，對(duì)于特征的學(xué)習(xí)和提取則更加精細(xì)化，擬合結(jié)果的準(zhǔn)確度更高。典型的深層卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)有Alex卷積神經(jīng)網(wǎng)絡(luò)等[12-14]。Alex卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，其由5個(gè)卷積層、3個(gè)池化層和3個(gè)全連接層構(gòu)成。

圖1 Alex卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Figure 1. Structure of Alex convolution neural network

(1)卷積層。卷積層的作用是實(shí)現(xiàn)圖像像素特征的提取識(shí)別，卷積操作過(guò)程如圖2所示。對(duì)于原始輸入矩陣，卷積濾波器為固定大小的權(quán)值矩陣，將卷積濾波器覆蓋在輸入矩陣，將卷積濾波器矩陣與被覆蓋的輸入子矩陣做內(nèi)積計(jì)算，并加上一定的偏置值，由此得到輸出矩陣的一個(gè)元素值。然后以固定步長(zhǎng)滑動(dòng)卷積濾波器，重復(fù)上述計(jì)算過(guò)程，從而得到整個(gè)輸出矩陣。

卷積操作的計(jì)算方法如下

(1)

圖2 卷積操作過(guò)程原理Figure 2. Convolution operation principle

(2)池化層。池化層的作用是實(shí)現(xiàn)圖像像素的壓縮，以消除冗余的數(shù)據(jù)信息，減少算法計(jì)算量，同時(shí)防止算法過(guò)度擬合。池化與卷積操作的滑動(dòng)計(jì)算過(guò)程相似，只是在輸出矩陣元素值的計(jì)算方法上有所不同。

池化操作的計(jì)算方法如下

(2)

在卷積與池化操作中，輸入圖像與輸出圖像的尺寸應(yīng)滿足以下關(guān)系

(3)

式中，i為輸入圖像尺寸；k為濾波器尺寸；s為卷積或池化操作的滑動(dòng)步長(zhǎng)；p為輸入圖像邊界填充尺寸；o為輸出圖像尺寸；[·]為向下取整函數(shù)。

(3)全連接層。全連接層神經(jīng)單元的連接關(guān)系與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相同，即輸入層與輸出層的任意兩個(gè)元神經(jīng)單元之間均存在連接關(guān)系。

1.2 VGG網(wǎng)絡(luò)

VGG(Visual Geometry Group)網(wǎng)絡(luò)是在Alex網(wǎng)絡(luò)基礎(chǔ)上的改進(jìn)，其主要改進(jìn)之處在于堆疊使用多個(gè)小尺寸的3×3卷積濾波器來(lái)代替Alex網(wǎng)絡(luò)中大尺寸的5×5和7×7卷積濾波器。原理如圖3所示，即兩個(gè)步長(zhǎng)為1的3×3卷積濾波器與1個(gè)步長(zhǎng)為1的5×5卷積濾波器的作用效果相同，其他尺寸的卷積濾波器堆疊代替原理也與之相似[15-16]。

與Alex網(wǎng)絡(luò)相比，VGG網(wǎng)絡(luò)結(jié)構(gòu)更加簡(jiǎn)潔，卷積濾波器均具有相同尺寸。利用小尺寸濾波器的堆疊來(lái)代替大尺寸濾波器，這樣的改進(jìn)不但具有更少的參數(shù)，而且提高了算法的計(jì)算效率，同時(shí)加深了網(wǎng)絡(luò)結(jié)構(gòu)的深度，提高了算法的擬合性能。

圖3 卷積濾波器堆疊代替原理Figure 3. Principle of convolution filter stack substitution

2 發(fā)電機(jī)定轉(zhuǎn)子智能診斷算法

本文將VGG網(wǎng)絡(luò)應(yīng)用于發(fā)電機(jī)定轉(zhuǎn)子的智能診斷與缺陷識(shí)別，構(gòu)建了智能診斷系統(tǒng)的拓?fù)浣Y(jié)構(gòu)，如圖4所示。

將安裝在水電機(jī)組內(nèi)部的可見光探頭獲取的圖像先通過(guò)千兆級(jí)網(wǎng)絡(luò)上傳至遠(yuǎn)程服務(wù)器，然后再接入到智能診斷算法和應(yīng)用服務(wù)器中。同時(shí)配置本地服務(wù)器，使其具備視頻、圖像記錄儲(chǔ)存功能，便于本地查閱歷史視頻、圖像歷史記錄。在局域網(wǎng)上，使用者通過(guò)網(wǎng)絡(luò)查看設(shè)備內(nèi)部的實(shí)時(shí)監(jiān)控視頻以及經(jīng)過(guò)服務(wù)器拼接的大視角視頻。在公共網(wǎng)絡(luò)上，用戶可以通過(guò)客戶端或者手機(jī)應(yīng)用實(shí)時(shí)查看相關(guān)的監(jiān)測(cè)信息和智能診斷結(jié)果。

圖4 發(fā)電機(jī)定轉(zhuǎn)子智能診斷系統(tǒng)拓?fù)浣Y(jié)構(gòu)Figure 4. Topology of generator stator and rotor intelligent diagnosis system

基于VGG網(wǎng)絡(luò)的發(fā)電機(jī)定轉(zhuǎn)子智能診斷算法結(jié)構(gòu)如圖5所示，包括離線訓(xùn)練和實(shí)時(shí)監(jiān)測(cè)兩部分。

離線監(jiān)測(cè)則通過(guò)對(duì)本地服務(wù)器中儲(chǔ)存的歷史圖像進(jìn)行灰度處理和骨架提取等預(yù)處理，形成訓(xùn)練圖像樣本，然后作為VGG網(wǎng)絡(luò)模型的輸入，通過(guò)訓(xùn)練獲得滿足精確度要求的VGG網(wǎng)絡(luò)模型。同時(shí)實(shí)現(xiàn)對(duì)VGG網(wǎng)絡(luò)模型的修正，不斷提高智能診斷算法的準(zhǔn)確性。

在線監(jiān)測(cè)通過(guò)將可見光探頭獲取的實(shí)時(shí)發(fā)電機(jī)定轉(zhuǎn)子圖像進(jìn)行預(yù)處理后，作為已訓(xùn)練至精度滿足要求的VGG網(wǎng)絡(luò)模型輸入，然后得到輸出結(jié)果，即發(fā)電機(jī)定轉(zhuǎn)子的健康狀態(tài)，實(shí)現(xiàn)發(fā)電機(jī)定轉(zhuǎn)子的實(shí)時(shí)在線智能診斷。

圖5 基于VGG網(wǎng)絡(luò)的發(fā)電機(jī)定轉(zhuǎn)子智能診斷算法Figure 5. Intelligent diagnosis algorithm of generator stator and rotor based on VGG network

VGG網(wǎng)絡(luò)模型的訓(xùn)練過(guò)程如圖6所示，主要包括以下步驟：

步驟1從本地服務(wù)器的歷史圖像集合中隨機(jī)抽取N個(gè)圖像樣本構(gòu)成訓(xùn)練組；

步驟2對(duì)訓(xùn)練組的圖像進(jìn)行預(yù)處理；

步驟3初始化卷積濾波器權(quán)值、學(xué)習(xí)率和最小精度要求等算法控制參數(shù)；

步驟4將訓(xùn)練組的圖像樣本作為VGG網(wǎng)絡(luò)模型的輸入，計(jì)算輸出值；

步驟5計(jì)算輸出值與目標(biāo)值的誤差；

步驟6根據(jù)誤差對(duì)卷積濾波器的權(quán)重進(jìn)行調(diào)整；

步驟7判斷是否滿足精度要求，若是則進(jìn)行步驟8，否則返回步驟6；

步驟8輸出滿足精度要求的VGG網(wǎng)絡(luò)模型。

圖6 VGG網(wǎng)絡(luò)模型訓(xùn)練過(guò)程Figure 6. VGG network model training process

3 算例分析

為了驗(yàn)證本文所提基于VGG網(wǎng)絡(luò)的發(fā)電機(jī)定轉(zhuǎn)子智能診斷法算法的正確性和有效性，選取本地服務(wù)器中儲(chǔ)存的300張發(fā)電機(jī)定轉(zhuǎn)子圖像，其中訓(xùn)練組250張，其余50張作為測(cè)試組。實(shí)驗(yàn)所采用的計(jì)算機(jī)硬件環(huán)境配置如表1所示。

表1 算法仿真硬件環(huán)境

3.1 算法訓(xùn)練過(guò)程

本文采用目標(biāo)值和輸出值之間的均方差來(lái)衡量發(fā)電機(jī)定轉(zhuǎn)子智能診斷算法的誤差，其計(jì)算方法如下

(4)

式中，x′i為第i個(gè)樣本的輸出值；xi為第i個(gè)樣本的目標(biāo)值。

分別基于Alex網(wǎng)絡(luò)和VGG網(wǎng)絡(luò)的兩種發(fā)電機(jī)定轉(zhuǎn)子智能診斷算法訓(xùn)練過(guò)程的均方差如圖7所示。由圖可知，VGG網(wǎng)絡(luò)算法在迭代1 000次左右時(shí)，均方差約為0.003，而且后續(xù)趨于穩(wěn)定，算法訓(xùn)練達(dá)到收斂狀態(tài)。而此時(shí)Alex網(wǎng)絡(luò)算法的均方差約為0.38，且處于波動(dòng)狀態(tài)，在迭代次數(shù)達(dá)到4 000次時(shí)，算法仍未收斂。由此可見，相比于Alex算法，VGG網(wǎng)絡(luò)算法具有更快的收斂速度。其主要原因是VGG算法的參數(shù)較少，計(jì)算速度更快。

圖7 算法訓(xùn)練收斂過(guò)程Figure 7. Convergence process of algorithm training

3.2 算法性能分析

將本文所提方法與基于Alex網(wǎng)絡(luò)的發(fā)電機(jī)定轉(zhuǎn)子智能診斷算法進(jìn)行對(duì)比，智能診斷結(jié)果的準(zhǔn)確率如表2所示。由表2可知，本文所提的發(fā)電機(jī)定轉(zhuǎn)子智能診斷算法的準(zhǔn)確率均大于90%，準(zhǔn)確率最高可達(dá)96.1%。而基于Alex網(wǎng)絡(luò)的智能診斷算法的準(zhǔn)確率均小于85%，最高的準(zhǔn)確率僅為84.2%。這是因?yàn)榛赩GG網(wǎng)絡(luò)的智能診斷算法的網(wǎng)絡(luò)結(jié)構(gòu)更深，所以算法的準(zhǔn)確性更高。

表2 智能診斷結(jié)果的準(zhǔn)確率

4 結(jié)束語(yǔ)

本文進(jìn)行了基于VGG網(wǎng)絡(luò)的發(fā)電機(jī)定轉(zhuǎn)子智能診斷算法研究，通過(guò)實(shí)驗(yàn)仿真結(jié)果表明：相比于基于Alex網(wǎng)絡(luò)的發(fā)電機(jī)定轉(zhuǎn)子智能診斷算法，本文所提算法的參數(shù)規(guī)模更小，在訓(xùn)練過(guò)程中收斂速度更快，誤差更小，同時(shí)算法結(jié)構(gòu)層次更深，所得到的發(fā)電機(jī)定轉(zhuǎn)子智能診斷結(jié)果準(zhǔn)確率更高。但是本文所提算法僅實(shí)現(xiàn)了對(duì)發(fā)電機(jī)定轉(zhuǎn)子機(jī)械故障的智能診斷，對(duì)于接地、短路等電氣故障仍無(wú)法實(shí)現(xiàn)智能診斷，這將在后續(xù)的研究中進(jìn)一步展開。