高菘 姚明亮 羅勇 李德華 張勇

摘 要 本文立足于機(jī)器學(xué)習(xí)技術(shù)的應(yīng)用，簡略闡述了在水電站輔助系統(tǒng)設(shè)備狀態(tài)監(jiān)測算法以及數(shù)據(jù)分析模型框架構(gòu)建過程中使用的關(guān)鍵技術(shù)，強(qiáng)化對于機(jī)器學(xué)習(xí)算法的應(yīng)用，能夠有效提升在線監(jiān)測系統(tǒng)應(yīng)用的實(shí)效性，可以幫助工作人員更好地實(shí)現(xiàn)對于水電站輔助設(shè)備的高質(zhì)量檢測，并從淺層結(jié)構(gòu)的機(jī)器學(xué)習(xí)模型以及基于深度神經(jīng)網(wǎng)絡(luò)的方法兩方面著手，對關(guān)鍵技術(shù)的應(yīng)用進(jìn)行了詳細(xì)分析，旨在為相關(guān)研究人員提供參考。

關(guān)鍵詞 水電站 輔助系統(tǒng)設(shè)備 狀態(tài)監(jiān)測

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-0745（2022）02-0022-03

輔助設(shè)備是水電站正常運(yùn)行的重要組成部分，但其在日常應(yīng)用的過程中始終面臨著一定的不利因素，所以應(yīng)當(dāng)積極強(qiáng)化對于在線監(jiān)測系統(tǒng)的應(yīng)用，以便于更好地實(shí)現(xiàn)對于輔助系統(tǒng)設(shè)備狀態(tài)的監(jiān)測工作，進(jìn)而針對性地采取相應(yīng)的解決措施，為水電站各類輔助系統(tǒng)設(shè)備的高質(zhì)量運(yùn)行創(chuàng)造良好的條件。

1 目前設(shè)備狀態(tài)監(jiān)測及故障預(yù)警若干關(guān)鍵技術(shù)

1.1 揭示設(shè)備運(yùn)行狀態(tài)機(jī)械動態(tài)特性劣化演變規(guī)律

設(shè)備在運(yùn)行中是由非故障狀態(tài)向故障運(yùn)行狀態(tài)發(fā)生轉(zhuǎn)化的，且各設(shè)備的機(jī)械動態(tài)特性基本也都存在發(fā)展演變的流程。應(yīng)該分析出設(shè)備劣化的具體流程和實(shí)際故障變化演化的規(guī)律，以及在發(fā)展過程中體現(xiàn)出來的主要特點(diǎn)，另要對故障生成的機(jī)理、形成原因、具體的發(fā)展模式進(jìn)行研究，建構(gòu)起劣化演變機(jī)械動態(tài)特性模型。

1.2 提取設(shè)備運(yùn)行狀態(tài)發(fā)展趨勢特征

對于在役設(shè)備來說，其在運(yùn)行過程中狀態(tài)一般比較復(fù)雜，而歷經(jīng)較長歷程的運(yùn)行之后，會因?yàn)楣r及負(fù)載等一些非故障因素引起信號能量發(fā)生變化，此時非故障變化信息會將故障趨勢信息淹沒，這種情況下就應(yīng)該及時消除因非故障變化導(dǎo)致的冗余信息，繼而建構(gòu)起預(yù)測模型。一旦提取到敏感特征分量因子或模式，則有概率可以分析典型部件或部位。

1.3 低信噪比微弱信號特征早期故障的信號處理

故障在發(fā)生早期階段會表現(xiàn)出比較顯著的低信噪比微弱信號的特點(diǎn)，為了能夠盡早對早期故障做有效分析，具體涉及到的方法有：非平穩(wěn)及非線性信號處理，噪聲規(guī)律和特點(diǎn)分析，信息融合與多傳感系統(tǒng)檢測，故障征兆量與損傷征兆量信號分析，有關(guān)數(shù)據(jù)挖掘和粗糙集、盲源分離等方法。

1.4 故障預(yù)測模型構(gòu)建

建構(gòu)起的基于智能信息系統(tǒng)的設(shè)備早期故障預(yù)測模型通?？梢苑譃閮蓚€途徑，即數(shù)據(jù)信息預(yù)測模型與物理信息預(yù)測模型，或者也可以建構(gòu)起此二者互相融合的預(yù)測模型。

1.5 運(yùn)行狀態(tài)劣化的相關(guān)評價參數(shù)、模式及準(zhǔn)則

比如闡述設(shè)備狀態(tài)下不斷發(fā)展的參數(shù)和特征模式，以及狀態(tài)發(fā)展評價準(zhǔn)則或條件，還包括基于安全可靠的決策理論方法的穩(wěn)定性以及可靠性、維修性的評估和評判依據(jù)等。

2 輔助系統(tǒng)設(shè)備狀態(tài)監(jiān)測分析技術(shù)和算法簡析

隨著工業(yè)生產(chǎn)自動化程度的提升，其工業(yè)生產(chǎn)過程中依然陸續(xù)呈現(xiàn)出一系列無法量化或決策者不知道的彈性因素，而這些彈性因素也埋下了一系列決策和生產(chǎn)管控工作環(huán)節(jié)的隱患。時下相較而言更成熟的工業(yè)大數(shù)據(jù)分析技術(shù)基本就是要供給一種透明的工具及解決方案，且該方案具備拆解及量化其彈性因素的功效，繼而能夠站在客觀角度有針對性地對于其生產(chǎn)過程及設(shè)備運(yùn)行狀況、可用性實(shí)施透明化管理，并且保證管理者能夠?qū)Q策“知情”。

運(yùn)用已有的數(shù)據(jù)可以完成故障預(yù)警及預(yù)測分析工作環(huán)節(jié)，而充分運(yùn)用好各種推理技術(shù)來預(yù)測設(shè)備的健康狀態(tài)，其間采取的核心故障預(yù)測算法為“基于模型的故障預(yù)測技術(shù)”、“基于統(tǒng)計(jì)可靠性的故障預(yù)測技術(shù)”以及“基于數(shù)據(jù)驅(qū)動的故障預(yù)測技術(shù)”三中技術(shù)類型。

1.所謂“基于模型的預(yù)測算法”，它是受到復(fù)雜的動態(tài)系統(tǒng)和精確的數(shù)學(xué)模型較難建立的條件限制的，且此間會很大限度上對其實(shí)際應(yīng)用效果產(chǎn)生限制。

2.所謂“基于數(shù)據(jù)驅(qū)動的預(yù)測算法”，這種計(jì)算方法很有可能是因?yàn)槎嘀毓收弦蛩厮?，因此想要確定究竟選用哪一種預(yù)測模型及機(jī)理模型往往存在一定難度。這種技術(shù)是以采集來的數(shù)據(jù)為基礎(chǔ)，借助各種數(shù)據(jù)處理方法來深挖隱含信息予以預(yù)測的一種技術(shù)手段，因此它也是一種實(shí)用性較強(qiáng)的預(yù)測故障的方法。

3.所謂“基于概率統(tǒng)計(jì)的預(yù)測方法”，此方法當(dāng)中既包含了時間序列預(yù)測法，又包含了回歸預(yù)測法等，對于前者來說，短期的預(yù)測效果較好，但后者則對樣本的數(shù)量需求較高[1]。

3 輔助系統(tǒng)設(shè)備狀態(tài)監(jiān)測算法及數(shù)據(jù)分析模型框架構(gòu)建中的關(guān)鍵技術(shù)——機(jī)器學(xué)習(xí)技術(shù)

現(xiàn)如今，我國的水電站中實(shí)現(xiàn)了對于各種在線監(jiān)測以及計(jì)算機(jī)監(jiān)控系統(tǒng)的應(yīng)用，能夠助力對于各種類型監(jiān)測數(shù)據(jù)的廣泛采集，用戶往往在面對海量監(jiān)測信息資源的時候，難以實(shí)現(xiàn)對于其所需要數(shù)據(jù)的精確獲取。通常情況下，用戶并不能更為精細(xì)準(zhǔn)確地對信息的實(shí)際需求進(jìn)行表達(dá)，結(jié)合實(shí)際情況來看，其根本原因在于表達(dá)工具的欠缺。此外，即便是人們能夠?qū)⒆约旱男枨蟊磉_(dá)出來，但若是沒有更為全面科學(xué)地進(jìn)行信息處理，并采用更加有效的檢測分析方法，便會在一定程度上制約人們對其的形象化表達(dá)以及充分消化，這樣一來便會為設(shè)備檢測工作的高質(zhì)量開展造成一定的阻礙。但在設(shè)備狀態(tài)監(jiān)測中，強(qiáng)化對于機(jī)器學(xué)習(xí)技術(shù)的應(yīng)用，便能夠?qū)⒃O(shè)備所具有的更加真實(shí)的狀態(tài)展現(xiàn)出來，以保障其能夠同用戶日常設(shè)備監(jiān)測以及使用習(xí)慣相適應(yīng)，通過對于機(jī)器學(xué)習(xí)技術(shù)的應(yīng)用，能夠有效幫助用戶對設(shè)備健康狀態(tài)展開分析工作，進(jìn)而實(shí)現(xiàn)對于當(dāng)下設(shè)備在應(yīng)用過程中存在的風(fēng)險(xiǎn)和異常的精準(zhǔn)識別并進(jìn)行告警。與此同時，其還可以結(jié)合其實(shí)際的狀態(tài)評價結(jié)果，更為科學(xué)、智能化地對最優(yōu)化的檢修策略進(jìn)行選用。

近些年，我國現(xiàn)代化科學(xué)技術(shù)發(fā)展水平飛速提升，積極開展對于電力信息化平臺的開發(fā)和利用工作，能夠幫助工作人員對各種運(yùn)行設(shè)備的實(shí)際狀態(tài)以及工況信息進(jìn)行全面獲取，結(jié)合大數(shù)據(jù)本身的內(nèi)在規(guī)律，能夠明確設(shè)備狀態(tài)演變的整體發(fā)展趨勢，并對其中所存在的內(nèi)在關(guān)聯(lián)產(chǎn)生更為深層次的了解，以便于在機(jī)器學(xué)習(xí)技術(shù)的基礎(chǔ)上，構(gòu)建起相應(yīng)的輔助系統(tǒng)設(shè)備狀態(tài)監(jiān)測算法和相應(yīng)的數(shù)據(jù)分析模型框架。這樣一來便能夠?yàn)樗娬靖鞣N輔助設(shè)備的安全平穩(wěn)運(yùn)行創(chuàng)造良好的條件，幫助相關(guān)工作人員更好地開展設(shè)備檢修等工作。

4 基于機(jī)器學(xué)習(xí)技術(shù)的水電站輔助設(shè)備系統(tǒng)狀態(tài)監(jiān)測算法及數(shù)據(jù)分析模型框架

4.1 輔助系統(tǒng)設(shè)備

4.1.1 油系統(tǒng)

在水電站中，油系統(tǒng)是至關(guān)重要的組成部分，油系統(tǒng)的構(gòu)成包括斷路器和電力變壓器的絕緣油系統(tǒng)，以及供給水輪發(fā)電機(jī)組的液壓操作油系統(tǒng)和潤滑油系統(tǒng)。液壓操作油系統(tǒng)和潤滑油系統(tǒng)主要是在發(fā)電廠房中進(jìn)行設(shè)置，包括變壓器等的絕緣油系統(tǒng)，主要是結(jié)合主變壓器安裝的具體位置，在廠房或者是變電站的附近進(jìn)行設(shè)置。

4.1.2 壓縮空氣系統(tǒng)

對于壓縮空氣系統(tǒng)來說，其主要是由兩個系統(tǒng)所構(gòu)成，其中高壓系統(tǒng)將會向油壓裝置各空氣斷路器以及油壓裝置提供相應(yīng)的操作和滅弧氣壓以及蓄能氣壓。在實(shí)際應(yīng)用的過程中，低壓系統(tǒng)可以有效實(shí)現(xiàn)機(jī)組停機(jī)制動。壓縮空氣系統(tǒng)可以向廠房中的風(fēng)動工具提供相應(yīng)的動力，在面對寒冷地區(qū)的時候，就能夠給進(jìn)水口攔污閘門進(jìn)行吹氣，以達(dá)到良好的防凍效果，與此同時，還能夠?yàn)殚_關(guān)站啟動隔離開關(guān)以及少油開關(guān)進(jìn)行操作氣壓的提供。

4.1.3 供水系統(tǒng)

供水系統(tǒng)的覆蓋范圍為深井水泵、空氣壓縮機(jī)、主變壓器以及供給水輪發(fā)電機(jī)組等設(shè)備運(yùn)行過程中所需要的潤滑水以及冷卻水，同時，還包含著水電站整體所涉及到的生活用水和消防用水等等。當(dāng)面臨汛期的時候，其水源有著相對較大的含沙量，所以還應(yīng)當(dāng)確保其有著相應(yīng)的備用水源[2]。

4.1.4 排水系統(tǒng)

排水系統(tǒng)的主要功能便是將廠房、大壩以及水輪機(jī)頂蓋處存在的滲漏水有效排除，同時，還要排除在水輪機(jī)水下部分檢修工作開展過程中所存在的尾水管中的積水等。一般來說都是通過對于排水管和排水廊道的應(yīng)用，使其流到集水井當(dāng)中，與此同時，還要在應(yīng)用深井水泵的基礎(chǔ)上，將其向尾水渠中排除。

4.2 設(shè)備故障診斷模型

4.2.1 淺層結(jié)構(gòu)的機(jī)器學(xué)習(xí)模型

對于以往淺層機(jī)器學(xué)習(xí)模型來說，其主要是采用人工神經(jīng)網(wǎng)絡(luò)以及支持向量機(jī)兩種模型，筆者在此處主要針對支持向量機(jī)進(jìn)行分析。從本質(zhì)上來看，支持向量機(jī)屬于一種二分類模型，其基本模式是特征空間間隔上最大的線性分類器。當(dāng)處在線性不可分狀況下的時候，SVM將會基于非線性變化，使得輸入空間向高維特征空間進(jìn)行轉(zhuǎn)化，并在這一個全新的空間中對最優(yōu)線性分類面進(jìn)行求解。從實(shí)際情況來看，SVM僅僅可以進(jìn)行二分類，但水電站輔助系統(tǒng)設(shè)備的故障診斷以及狀態(tài)監(jiān)測本身屬于一個多分類的問題，所以需要對多個SVM進(jìn)行分別建立，接下來便可以擴(kuò)展為一個多分類器。

結(jié)合當(dāng)前的具體情況進(jìn)行分析，現(xiàn)如今，所采用的擴(kuò)展策略包括決策導(dǎo)向無環(huán)圖、決策樹、一對一以及一對多等。假設(shè)在訓(xùn)練樣本中涉及到K類故障狀態(tài)，應(yīng)當(dāng)對個二分類的SVM進(jìn)行構(gòu)造工作，而每一個SVM都會分別將一類故障樣本看成是正樣本。而其他的樣本都屬于是負(fù)樣本展開相應(yīng)的訓(xùn)練。在應(yīng)用SVM的時候有著較高的優(yōu)勢，具體指的是，其能夠基于最小化結(jié)構(gòu)風(fēng)險(xiǎn)展開模型參數(shù)訓(xùn)練，而其在理論方面有著較高的嚴(yán)謹(jǐn)度，可以在原有的基礎(chǔ)上促進(jìn)模型可解釋性的提升。與此同時，其診斷模型能夠更好地獲得全局最優(yōu)解，有助于從根本上保障其良好的診斷準(zhǔn)確度。但在應(yīng)用SVM方法的時候，其還存在一定的不足，具體在于其分類性能將會對核函數(shù)的優(yōu)化選擇造成阻礙，若是其所選擇的核函數(shù)不合適，便會在極大程度上降低其分類性能。除此以外，在SVM中難以實(shí)現(xiàn)對于傳感器所采集的時序數(shù)據(jù)的科學(xué)應(yīng)用，而其中部分特征值所存在的時序變化對于故障分類有著重要意義[3]。

4.2.2 基于深度神經(jīng)網(wǎng)絡(luò)的方法

當(dāng)前，在圖像識別以及自然語言處理方面，深度神經(jīng)網(wǎng)絡(luò)的應(yīng)用得到了長足的發(fā)展，與此同時，在設(shè)備狀態(tài)監(jiān)測以及故障智能診斷中，也實(shí)現(xiàn)了對于深度神經(jīng)網(wǎng)絡(luò)的廣泛應(yīng)用。從目前來看，神經(jīng)網(wǎng)絡(luò)主要包含殘差網(wǎng)絡(luò)、深度卷積神經(jīng)網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)以及堆疊自編碼器等等，筆者在本文中主要是針對其中比較經(jīng)典的模型進(jìn)行分析?；赟AE的故障診斷模型結(jié)構(gòu)圖（如圖1所示），其一般涉及到諸多個自編碼器，其中每一個自編碼器形成的隱向量都可以作為下一個自編碼器的輸入，而最后的自編碼器的隱向量將會向一個softmax分類器中輸入并進(jìn)行分類。

在最小化分類誤差的基礎(chǔ)上，對模型參數(shù)進(jìn)行優(yōu)化，從實(shí)際情況來看，深度卷積神經(jīng)網(wǎng)絡(luò)本身便是一種局部連接以及權(quán)重共享的深度前饋神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)主要由若干池化層以及干卷積層所組成，最后再使用一個softmax函數(shù)開展相應(yīng)的故障分類工作。

5 結(jié)論

綜上所述，強(qiáng)化對于機(jī)器學(xué)習(xí)算法的應(yīng)用，能夠有效提升在線監(jiān)測系統(tǒng)應(yīng)用的實(shí)效性，可以幫助工作人員更好地實(shí)現(xiàn)對于水電站輔助設(shè)備的高質(zhì)量檢測，這對于水電站整體的持續(xù)平穩(wěn)運(yùn)行有著積極的促進(jìn)作用。因此，相關(guān)研究人員應(yīng)加強(qiáng)對于機(jī)器算法技術(shù)應(yīng)用的重視，進(jìn)而保障在線檢測系統(tǒng)的有效應(yīng)用。

參考文獻(xiàn)：

[1] 何燕.基于物聯(lián)網(wǎng)的輸變電設(shè)備狀態(tài)監(jiān)測關(guān)鍵技術(shù)研究[D].長沙：湖南大學(xué)，2014.

[2] 張宏，李俊，樊錦，等.流域水電站設(shè)備遠(yuǎn)程狀態(tài)分析及輔助診斷系統(tǒng)建設(shè)探討[J].水電站機(jī)電技術(shù)，2018 （11）：92-95.

[3] 敖成彥，羅文云.水電站輔助機(jī)械設(shè)備的安裝與檢修[J].黑龍江科學(xué)，2019，10（20）：88-89.