基于深度學習的大型水電機組智能運維框架研究

李衛(wèi)兵

(中國長江電力股份有限公司， 宜昌 443002)

0 引言

隨著我國水電建設(shè)水平的提高以及裝備制造水平的提高，近年來水電機組正向大容量、大型化、高比轉(zhuǎn)速、高負載等方向發(fā)展，整個系統(tǒng)的復(fù)雜程度也變得越來越高。大型水電機組的運維工作相應(yīng)的也面臨著各種挑戰(zhàn)。一方面由于大型機組構(gòu)造復(fù)雜，其安全運行受影響的因素包含很多方面，例如水力、機械、電氣等，這些多源、高維監(jiān)測數(shù)據(jù)為關(guān)鍵故障特征提取帶來了極大的困難。另一方面，水電機組的故障與監(jiān)測數(shù)據(jù)之間呈現(xiàn)出典型的非線性特征、而且故障樣本獲取困難、樣本量小，這為機組的故障分類診斷帶來了極大的挑戰(zhàn)。這些因素都直接導致大型水電機組的故障識別診斷難度增大，安全運行風險也呈指數(shù)級上升。如果運維不當，就會導致各種機組設(shè)備故障，從而使得非計劃停運和突發(fā)故障日趨增多，直接影響電網(wǎng)的安全穩(wěn)定。因此，大型水電機組的運維水平亟待提高，整個機組運維體系需要逐步向自動化、數(shù)據(jù)化、智能化方向發(fā)展。

本文針對大型水電機組的運維需求和當下運維工作所面臨的新挑戰(zhàn)，提出基于深度學習的水電機組智能運維框架，從數(shù)據(jù)采集、預(yù)處理、故障診斷、故障處理等環(huán)節(jié)分析了智能運維框架所包含的內(nèi)容，并提出如何將深度學習方法運用于智能運維，從而實現(xiàn)對大型水電機組的更科學、更高效的智能運維。

1 相關(guān)研究工作

我國關(guān)于水電機組的狀態(tài)監(jiān)測和故障診斷技術(shù)雖然起步較晚，但隨著裝機容量的大幅增大、運維經(jīng)驗的不斷積累，目前我國在水電機組在線狀態(tài)監(jiān)測和故障診斷技術(shù)方面取得很多成果。這方面的發(fā)展主要可以分為三個階段：20世紀70～80年代初期，主要借鑒吸收國外一些先進的技術(shù)，并開始相關(guān)監(jiān)測方法、技術(shù)的研究；20世紀80年代至90年代初期，在前期工作的基礎(chǔ)上，開始自主研發(fā)在線監(jiān)測系統(tǒng)，包括相關(guān)的監(jiān)測儀器設(shè)備的研制；20世紀90年代開始至今，逐步形成智能化故障診斷理論，并不斷融入新的技術(shù)方法。

水電機組的運維系統(tǒng)可以從不同角度分為不同種類。例如，從自動化程度可以分為：半自動、全自動系統(tǒng)；從是否實現(xiàn)在線分為：離線監(jiān)測系統(tǒng)、在線監(jiān)測系統(tǒng)；從智能化程度可以分為：人工輔助、專家系統(tǒng)、具有自學習能力的智能系統(tǒng)等。有學者將水輪發(fā)電機組智能故障診斷技術(shù)分為基于經(jīng)驗和基于模型兩大類[1]?；诮?jīng)驗的診斷系統(tǒng)主要利用機組運維人員和專家積累的經(jīng)驗等淺層知識指導故障診斷和機組運維工作。這類方法采用包括模糊集合理論[2]、實例推理、粗糙集理論[3]、神經(jīng)網(wǎng)絡(luò)[4]、遺傳算法[5]等方法進行經(jīng)驗知識的提取和學習。這類方法在高維故障特征、小樣本的情況下效果還不夠理想，需要采用新的特征提取方法和故障分類方法才能適應(yīng)大型復(fù)雜水電機組的特點?；谀Ｐ偷脑\斷系統(tǒng)主要利用系統(tǒng)的結(jié)構(gòu)性知識構(gòu)建模型，根據(jù)這個模型來判斷預(yù)期輸出和實際輸出的差別來識別故障。這類技術(shù)已經(jīng)應(yīng)用在多個領(lǐng)域，包括水電機組的故障診斷[6]。但大型水電機組是一個非常復(fù)雜的系統(tǒng)，完整準確的對這樣一個復(fù)雜系統(tǒng)進行事先建?；咀霾坏?，所以，也必然決定了這類方法的準確性不夠高，實際使用局限性較大。另有學者將故障診斷方法分為三大類[7]：基于規(guī)則的方法、基于數(shù)據(jù)驅(qū)動的方法、基于模板匹配的方法。其中基于規(guī)則的方法包括專家系統(tǒng)、故障樹等方法；基于數(shù)據(jù)驅(qū)動的方法包括神經(jīng)網(wǎng)絡(luò)、支持向量機等方法。

深度學習技術(shù)[8]近年來受到學術(shù)界和工業(yè)界的廣泛關(guān)注，已在圖像識別、自然語言處理、金融科技、生物醫(yī)療等領(lǐng)域得到了應(yīng)用。在電力應(yīng)用領(lǐng)域，也存在大量的高維數(shù)據(jù)，深度學習理論的引入和運用具有可預(yù)見的重要應(yīng)用價值。目前深度學習在電力領(lǐng)域的應(yīng)用包括電力設(shè)備的故障診斷、電力圖像處理、風電的負荷預(yù)測等[9]。隨著深度學習技術(shù)的發(fā)展，在電力的其他應(yīng)用方面相信也會逐步體現(xiàn)出這項技術(shù)的價值。

2 大型水電機組智能運維框架

針對大型水電機組智能運維的需求，本文結(jié)合大數(shù)據(jù)分析、深度學習技術(shù)提出基于深度學習的大型水電機組智能運維框架，如圖1所示。

圖1 大型水電機組智能運維框架

整個智能運維框架包括以下部分：

(1) 機組監(jiān)測數(shù)據(jù)采集

數(shù)據(jù)是異常檢測、故障診斷分析的來源，是實現(xiàn)智能運維的基礎(chǔ)。所以，整個框架最外部是通過各類傳感器采集必要的機組設(shè)備監(jiān)測數(shù)據(jù)。

(2) 數(shù)據(jù)清洗與審查

直接采集到的監(jiān)測數(shù)據(jù)由于各種原因不可避免的會存在各種臟數(shù)據(jù)的可能性，因此，對于原始采集獲得的數(shù)據(jù)，需要進行必要的數(shù)據(jù)清洗和審查的預(yù)處理步驟，從而獲得滿足下一步數(shù)據(jù)分析質(zhì)量要求的數(shù)據(jù)。整個過程要求簡單，高效且保持一定的準確性。

(3) 故障特征分析

機組監(jiān)測數(shù)據(jù)一般來自于多種傳感器，構(gòu)成了高維的原始數(shù)據(jù)。高維數(shù)據(jù)不利于數(shù)據(jù)分析，也無法反映故障的核心特征。所以，需要通過大數(shù)據(jù)分析的一些手段來為數(shù)據(jù)進行降維，一方面可以提取關(guān)鍵特征，另一方面可以減小訓練學習的規(guī)模和壓力。

(4) 故障診斷分類

通過異常識別的方法可以從海量的監(jiān)測數(shù)據(jù)中發(fā)現(xiàn)異常。異?？赡苁枪收?，也可能不是故障。故障也可以分為多種種類。因此，需要采用一些智能方法來實現(xiàn)故障的自動分類，以便指導后續(xù)的運維工作。

(5) 深度學習引擎

深度學習引擎包含了常用的深度學習模型，可以為故障的特征分析和診斷分類提供更智能的機器學習引擎支持。

水電機組智能運維的核心關(guān)鍵是對設(shè)備故障的特征提取和診斷分類。故障智能化診斷區(qū)別于傳統(tǒng)人工經(jīng)驗式診斷方法，由計算機根據(jù)累積的歷史數(shù)據(jù)形成診斷知識，可以透過現(xiàn)象看本質(zhì)，即根據(jù)現(xiàn)象進行智能診斷，并具有一定的準確率。同時，整個智能診斷系統(tǒng)也具有自學習能力，根據(jù)預(yù)案的執(zhí)行情況反饋，可以不斷訓練系統(tǒng)，從而使得系統(tǒng)積累的知識越豐富，逐步提高診斷的準確率。整個智能化故障診斷和運維過程可以分為主要的3個步驟，如圖2所示。

圖2 智能運維流程及關(guān)鍵技術(shù)

故障關(guān)鍵特征提取、故障智能診斷、提出故障處理預(yù)案。

第一步，故障關(guān)鍵特征提取

根據(jù)機組設(shè)備監(jiān)測數(shù)據(jù)，以及故障運維歷史工單、人工經(jīng)驗指導以及累積形成的運維標簽庫，可以提取不同類型故障的關(guān)鍵特征，作為下一步故障診斷的知識庫，對實現(xiàn)自動診斷起到關(guān)鍵的支撐作用。同時，系統(tǒng)也會根據(jù)運維反饋情況，不斷自動學習，不斷根據(jù)歷史累積情況修正這些關(guān)鍵特征，或使得這些關(guān)鍵特征更細化，實現(xiàn)更精細、更準確的診斷。

第二步，故障智能診斷

由計算機根據(jù)搜集的故障現(xiàn)象作出智能判斷，判斷目前的現(xiàn)象屬于哪類故障，實現(xiàn)故障的智能分類。故障的有效分類可以為進一步采取什么樣的運維措施提供方向性指導意見。

第三步，提出故障處理預(yù)案

根據(jù)故障診斷結(jié)果，并結(jié)合歷史工單處理預(yù)案的經(jīng)驗類型，提出可行的故障運維建議，并對預(yù)案按照成功概率進行排序。同時，搜集運維結(jié)果反饋情況，形成自反饋、自學習機制，使得下次推薦的預(yù)案更具可操作性，切實提高運維工作的一次成功率，從而提高整體運維工作的效率。

3 大型水電機組智能運維關(guān)鍵技術(shù)

3.1 基于物聯(lián)網(wǎng)的監(jiān)測數(shù)據(jù)采集

水電機組的運行數(shù)據(jù)及外圍系統(tǒng)的數(shù)據(jù)可以通過物聯(lián)網(wǎng)的方式進行采集。機組監(jiān)測數(shù)據(jù)主要包括水、機、電、控等多個方面，每種數(shù)據(jù)分類又包括各種數(shù)據(jù)項。可以采集的機組監(jiān)測數(shù)據(jù)如表1所示。

這些監(jiān)測數(shù)據(jù)一般通過各種相應(yīng)的傳感器采集獲得，并通過網(wǎng)絡(luò)傳輸?shù)郊械膶崟r數(shù)據(jù)庫中。傳感器一般是可以將非電量/模擬量轉(zhuǎn)換為電量的專用數(shù)據(jù)采集設(shè)備。

表1 水電機組監(jiān)測數(shù)據(jù)分類

采集來數(shù)據(jù)一般都要集中存儲。由于這些數(shù)據(jù)大多是一些狀態(tài)、計量值日志數(shù)據(jù)，所以，從數(shù)據(jù)存儲的效率以及以后分析處理的便捷性角度可以考慮采用ElasticSearch系統(tǒng)[10]作為這些數(shù)據(jù)的存儲系統(tǒng)。

3.2 監(jiān)測數(shù)據(jù)的清洗與審查

監(jiān)測數(shù)據(jù)的清洗與審查部分的主要任務(wù)是處理原始數(shù)據(jù)中存在的明顯的數(shù)據(jù)錯誤和數(shù)據(jù)遺失，對原始數(shù)據(jù)進行必要的預(yù)處理。

在數(shù)據(jù)審查規(guī)則設(shè)計時，不僅要考慮通用的判斷標準和規(guī)則，還要結(jié)合待處理數(shù)據(jù)的相關(guān)情況合理、科學地分析和設(shè)計。不依賴額外知識進行數(shù)據(jù)處理有利于進行自動化處理，提高數(shù)據(jù)處理的效率。但是在具有特殊性的規(guī)則設(shè)計時，必須依賴電力系統(tǒng)運行維護中的工作經(jīng)驗和特定數(shù)據(jù)集的特點。

在對數(shù)據(jù)進行預(yù)處理時，由于接收的都是實時數(shù)據(jù)，所以還可以考慮采用數(shù)據(jù)流(Data Streaming)的方法來對采集的數(shù)據(jù)進行預(yù)處理，這樣可以保證數(shù)據(jù)采集的數(shù)據(jù)不淤積，保證實時性。

3.3 基于深度學習的故障診斷技術(shù)

大型水電機組是一種典型的復(fù)雜工業(yè)系統(tǒng)，其包含的單元組件很多，這也導致產(chǎn)生的故障種類多，故障原因復(fù)雜，難以診斷。在各種故障中，水電機組轉(zhuǎn)子的不平衡故障、不對中故障、定子轉(zhuǎn)子間的碰摩故障、尾水管偏心渦帶故障、發(fā)電機磁拉力不平衡是最常見的五種故障[11]。這些故障除了復(fù)雜外，還具備復(fù)雜工業(yè)系統(tǒng)故障的新特性，即層次性、傳播性、相關(guān)性、不確定性、大數(shù)據(jù)特性[12]。針對這種復(fù)雜系統(tǒng)的故障診斷，傳統(tǒng)的一些方法不再適用或效果很差。本文針對傳統(tǒng)故障診斷方法特征提取難度大、故障分類準確較低等問題，提出基于深度學習的智能故障診斷方法框架。

3.3.1 深度學習模型適用性分析

深度學習的概念起源于人工神經(jīng)網(wǎng)絡(luò),由多個隱含層的感知器構(gòu)成，區(qū)別于傳統(tǒng)的淺層神經(jīng)網(wǎng)絡(luò)，深度學習網(wǎng)絡(luò)的隱含層的層數(shù)大大增加，這使得深度學習網(wǎng)絡(luò)具有更好的復(fù)雜函數(shù)逼近能力，也能夠更多的處理非線性的復(fù)雜問題。近年來，隨著云計算、內(nèi)存計算、GPU加速等計算技術(shù)的發(fā)展，計算能力得到了長足發(fā)展，也為深度學習的落地應(yīng)用提供了很好的基礎(chǔ)條件。

隨著深度學習技術(shù)的深入研究和廣泛應(yīng)用，目前較成熟的深度學習模型主要包括：深度置信網(wǎng)絡(luò)(DBN)、卷積神經(jīng)網(wǎng)絡(luò) (CNN)、堆疊自動編碼機(SAE)、遞歸神經(jīng)網(wǎng)絡(luò)(RNN)等。這些模型各自都具有自身的優(yōu)點和適用范圍。針對故障診斷問題，不同模型的特點和適用范圍分析可以總結(jié)為下表，如表2所示。

下面，我們主要以深度置信網(wǎng)絡(luò)(DBN)為例介紹深度學習理論在大型水電機組故障診斷中的基本應(yīng)用方法。

3.3.2 基于深度置信網(wǎng)絡(luò)的故障診斷方法

深度置信網(wǎng)絡(luò)(DBN) 是一種典型的深度學習方法，是由多個限制玻爾茲曼機(RBM)組成的多隱層神經(jīng)網(wǎng)絡(luò)，通過模擬人類大腦來處理信息[13]。DBN可以同時適用于特征提取和分類問題。在特征提取方面，DBN可以通過限制玻爾茲曼機從輸入數(shù)據(jù)開始將高維的底層數(shù)據(jù)逐步提煉為高層的抽象表示，但仍然保持數(shù)據(jù)內(nèi)在的關(guān)鍵特征，能夠在樣本有限的情況下實現(xiàn)無監(jiān)督的特征識別、提取和表達。在特征提取后，DBN可以進一步進行有監(jiān)督的學習使其具有較強的分類能力。DBN的工作原理如圖3所示。

表2 深度學習模型特點及適用性分析

圖3 深度置信網(wǎng)絡(luò)(DBN)的工作原理

智能故障診斷的首要關(guān)鍵步驟是故障特征提取，然后是故障智能分類，這些步驟都是實現(xiàn)智能運維的必備步驟和環(huán)節(jié)?；谏疃戎眯啪W(wǎng)絡(luò)的水電機組故障診斷方法主要包括以下幾個步驟：

1) 對采集到的機組時域監(jiān)測數(shù)據(jù)按固定批次進行分割，并進行必要的預(yù)處理，然后將數(shù)據(jù)集劃分為訓練集和測試集；

2) 建立一個多隱含層的DBN網(wǎng)絡(luò), 根據(jù)故障樣本維數(shù)確定DBN模型的輸入節(jié)點數(shù)，使用訓練集對DBN模型進行無監(jiān)督訓練；

3) 根據(jù)故障類別確定模型的輸出維數(shù)，并對模型的關(guān)鍵參數(shù)值進行反向微調(diào)；

4) 利用訓練好的DBN模型并結(jié)合標注數(shù)據(jù)對測試集進行故障診斷和分類。

3.4 智能運維實現(xiàn)方法

根據(jù)以上方法可以實現(xiàn)對故障的精確定位并根據(jù)故障歷史數(shù)據(jù)進行運維技術(shù)難度分析，定義相關(guān)故障難度系數(shù)。與現(xiàn)有的水電機組運維系統(tǒng)結(jié)合，結(jié)合技術(shù)人員的技術(shù)等級評價，配合運維故障難度系數(shù)，優(yōu)化運維模式，根據(jù)難度等級派單到需要相應(yīng)技術(shù)等級的運維人員手里。同時，將故障診斷結(jié)果與處理結(jié)果等歷史數(shù)據(jù)反饋到整個系統(tǒng)，使得整個系統(tǒng)迭代學習，從而變得更智能、更有效。

本文設(shè)計的智能運維框架能夠為運維工作提供必要的數(shù)據(jù)支撐和決策依據(jù)，從而使得運維工作更有針對性，解決原先運維工作的盲目性問題，從而更合理地配置運維資源，實現(xiàn)更有效的運維，節(jié)約運維成本。具體實現(xiàn)方式包括以下步驟：

對采集運維故障進行運維技術(shù)難度分析，定義相關(guān)故障難度系數(shù)；

對技術(shù)人員進行技術(shù)等級評價，配合采集運維故障難度系數(shù)，優(yōu)化運維模式和運維資源力量調(diào)度安排；

根據(jù)具體運維實施效果的反饋，進一步優(yōu)化數(shù)據(jù)分析模型并細化故障類型，并針對常見故障提出處理預(yù)案。

4 總結(jié)

本文針對大型水電機組的運維需求和當下運維工作所面臨的新挑戰(zhàn)，提出基于深度學習的水電機組智能運維框架，從數(shù)據(jù)采集、預(yù)處理、智能故障診斷、故障處理等環(huán)節(jié)介紹了智能運維框架所包含的內(nèi)容，通過分析各種深度學習模型對故障診斷問題的適用性，基于深度置信網(wǎng)絡(luò)模型提出一種水電機組故障智能診斷方法框架，并與后續(xù)運維工作結(jié)合，從而實現(xiàn)對大型水電機組的更科學、更高效的智能運維。

深度學習在大型水電機組的智能故障診斷方面的應(yīng)用還屬于起步階段，在對復(fù)雜故障的形成機理理解、模型的自動調(diào)參和優(yōu)化、與海量監(jiān)測大數(shù)據(jù)深度結(jié)合等方面還有待進一步的深入研究。除了智能故障診斷，深度學習理論和技術(shù)在大型水電站的建設(shè)和運營中的其他方面也具有很多實際的研究和應(yīng)用價值。