基于深度學(xué)習(xí)的水輪發(fā)電機定轉(zhuǎn)子缺陷智能診斷技術(shù)研究

李 誠，高建國，胡平良，夏海軍，何 亮，胡 勉

（湖北白蓮河抽水蓄能有限公司水電分公司，湖北黃岡 438200）

水電能源清潔、環(huán)保、可再生，是新能源發(fā)電的重要發(fā)電形式[1]。作為電能的主要生產(chǎn)設(shè)備，水電機組的安全、穩(wěn)定、可靠運行直接關(guān)系到電站能否向電網(wǎng)穩(wěn)定、經(jīng)濟地提供可靠的電力[2]。水電機組故障經(jīng)常會引發(fā)安全事故，例如宜昌葛洲壩水電站因水導(dǎo)軸承安裝存在偏差，導(dǎo)致水導(dǎo)擺度越限，影響機組運行[3]；麗水緊水灘水電站因偏離設(shè)計工況運行導(dǎo)致尾水管低頻渦帶脈動，引發(fā)了劇烈的機組振動[4]；俄羅斯薩楊-舒申斯克水電站于2009 年超負(fù)荷運行，最終造成75 人遇難、10 臺機組完全損壞的嚴(yán)重后果[5]。傳統(tǒng)水電站發(fā)電機組運維容易錯過機組缺陷處理的最佳時間[6]，目前比較好的維護模式是依據(jù)機組運行狀態(tài)，合理制定狀態(tài)監(jiān)測、故障診斷和狀態(tài)趨勢預(yù)測的水電機組維修策略[7]，從對故障的被動響應(yīng)轉(zhuǎn)變?yōu)橹鲃宇A(yù)防，避免維修不足或過度維修的問題。

近年來，人工智能技術(shù)不斷發(fā)展，其中深度學(xué)習(xí)[8]智能技術(shù)在各行各業(yè)應(yīng)用廣泛，比如可用于振動信號的提取[9]。金棋等利用優(yōu)化的棧式降噪自編碼器提取齒輪箱特征進行故障診斷[10]；謝吉鵬等將深度信念網(wǎng)絡(luò)用于高速列車振動信號特征提取及故障診斷[11]；張朝林等采用卷積神經(jīng)網(wǎng)絡(luò)方法提取軸承振動信號，采用小波包分頻帶構(gòu)建特征向量，實現(xiàn)軸承故障診斷[12]。而研究表明，單一的故障診斷策略不利于獲得智能診斷的準(zhǔn)確度，會增加診斷的困難程度[13-16]。

1 理論基礎(chǔ)

1.1 深度學(xué)習(xí)模型

機械設(shè)備故障智能分類的深度學(xué)習(xí)模型以人工神經(jīng)網(wǎng)絡(luò)、支持向量機等為代表，獲得了長遠(yuǎn)的發(fā)展，極限學(xué)習(xí)機是一種現(xiàn)代智能模擬專家決策識別的深度學(xué)習(xí)模型。其參數(shù)權(quán)值的選取基于MP 廣義逆，具備較好的泛化特性。隱含層中的參數(shù)通過隨機的方式獲取，不需要多次迭代。圖1 為極限學(xué)習(xí)機的結(jié)構(gòu)原理。

圖1 極限學(xué)習(xí)機的結(jié)構(gòu)原理圖

計算方法如下：

當(dāng)確定深度學(xué)習(xí)的樣本集（xi，yi）后，其中xi∈Rn，yi∈R，則極限學(xué)習(xí)機的模型計算公式為：

其中，N是隱含層中節(jié)點的數(shù)量，G是激勵的表達(dá)函數(shù)，βi表示β中的任意元素，是第i個隱含層節(jié)點對輸出神經(jīng)元的權(quán)值；H是隱含層的輸出；bi是第i個隱含層節(jié)點的偏置。

1.2 狀態(tài)評價

狀態(tài)評價采用類比的評價標(biāo)準(zhǔn)，首先對同一機組出廠后不同時期各項參數(shù)監(jiān)測數(shù)值進行比對，其次考慮多臺同樣型號的機組在統(tǒng)一相同的運行工況下各項參數(shù)監(jiān)測信息的比對[17]，通過這種類比比對的方式有效獲取當(dāng)前考察機組的運行狀態(tài)。

該方法本質(zhì)上是通過機組的健康狀態(tài)與當(dāng)前狀態(tài)的相似度分析來進行距離估算，從而完成狀態(tài)評價的。距離估算有諸多方法，其中歐氏幾何距離比較直觀，如下所示：

式（4）為通過歐氏幾何法計算相似度距離的度量公式，由此最終建立的類比評價流程，如圖2所示。

圖2 類比評估方法計算流程

因為類比評估的標(biāo)準(zhǔn)是與不同時期下該機組的歷史參數(shù)數(shù)據(jù)或同一時期下相同型號和運行工況的機組的對比，因此可以避開難以量化的缺陷狀態(tài)，全面有效地評估待測機組，且該方法適用于多種電力設(shè)備。

2 特征提取和深度學(xué)習(xí)算法

2.1 超廣角可見光攝像探頭

水輪發(fā)電機定轉(zhuǎn)子缺陷智能診斷系統(tǒng)的關(guān)鍵分析數(shù)據(jù)均來自于可見光探頭，探頭的選擇和安裝位置不能影響水電機組的穩(wěn)定運行，還要能夠適應(yīng)惡劣的工作環(huán)境。

水輪發(fā)電機內(nèi)狹小，為了準(zhǔn)確、有效地觀測定轉(zhuǎn)子運行狀態(tài)，包括潛在的裂紋和抖動，探頭需安裝于水電機組的內(nèi)部。設(shè)計選用高清和高幀率的超廣角可見光探頭，同時每臺攝像機需自帶紅外補光器來匹配整個過程的曝光一致性。定制超廣角可見光探頭要考慮振動、高溫、觀測位置等多個因素。

設(shè)計在水輪發(fā)電機組內(nèi)的冷風(fēng)道周圍安裝4 臺適合該場景應(yīng)用的超廣角高清攝像頭，通過圖像拼接技術(shù)，將整個定轉(zhuǎn)子拼接成立體展現(xiàn)視圖，實現(xiàn)對全部定轉(zhuǎn)子的現(xiàn)場實時監(jiān)控。此外還要在水電站的集電環(huán)和電刷裝置附近裝備紅外相機，對電氣連接部位進行實時的溫度監(jiān)測及診斷。

2.2 缺陷圖像識別處理

1）攝像機鏡頭畸變校正技術(shù)

通過高清超廣角攝像頭實時監(jiān)視水輪發(fā)電機的定轉(zhuǎn)子運行狀態(tài)，采用圖像拼接技術(shù)獲得最終的分析圖后，還要考慮攝像機鏡頭的畸變問題。首先需要獲取準(zhǔn)確的鏡頭畸變校正參數(shù)，通常相機鏡頭會隨著觀察點與中心位置的增大，成像畸變程度逐漸增大，越靠近圖像中心時，直線的彎曲越小。因此對于彎曲測度指標(biāo)函數(shù)的構(gòu)造，離圖像中心不同距離的直線應(yīng)賦以不同的權(quán)重，利用目標(biāo)函數(shù)計算最終的畸變參數(shù)，通過計算過程的優(yōu)化提高畸變標(biāo)定的精度。同時，利用實際實驗獲取數(shù)據(jù)及時調(diào)整畸變矯正系數(shù)。

2）基于SIFT 特征圖像配準(zhǔn)算法

SIFT 算法又被稱為尺度不變特征變化，通過確定圖像上的一個或多個特征點，在不同的尺度空間下以此特征點為參照，記錄空間變化。其目的是達(dá)到圖像的抗畸變，準(zhǔn)確地反映特征點在監(jiān)測中的位置。

3）多探頭圖像智能拼接技術(shù)

通過多探頭圖像智能拼接技術(shù)拼接安裝于水電機組內(nèi)部多個探頭的畫面，營造拼接后的在線監(jiān)測查看體驗，為后續(xù)的全息化維修保養(yǎng)奠定技術(shù)基礎(chǔ)。圖像拼接在實際的應(yīng)用較為廣泛，該算法選用SURF 進行圖像拼接，包括特征點提取和匹配、圖像配準(zhǔn)、圖像拷貝、圖像融合（去裂縫處理），部分源代碼如下：

2.3 發(fā)電機定轉(zhuǎn)子缺陷特征提取

水輪發(fā)電機組轉(zhuǎn)子一般按裂紋形狀進行分類。通過簡化模型模擬轉(zhuǎn)子裂紋，發(fā)現(xiàn)裂紋將引起機組振動產(chǎn)生奇次諧波、偶次諧波以及高頻成分。在有轉(zhuǎn)子裂紋缺陷的情況下，從啟停機和帶負(fù)荷運行的過程中分析水電機組的振動特征。發(fā)現(xiàn)裂紋會使機組的振動緩慢增大，波形畸變；振動信號中會出現(xiàn)偶次諧波，甚至是高頻成分；轉(zhuǎn)子軸心的運動軌跡隨著裂紋缺陷的嚴(yán)重程度逐漸發(fā)展趨向雙橢圓或不規(guī)則形狀，轉(zhuǎn)子低速旋轉(zhuǎn)時晃度增大明顯，后期甚至還會引起熱彎曲[18]。根據(jù)不同運行狀態(tài)下的情況，搜集對應(yīng)的轉(zhuǎn)子裂痕的可見光圖像集，包括從開始出現(xiàn)到比較嚴(yán)重等多個階段的圖像。

積累定轉(zhuǎn)子常見缺陷所對應(yīng)的圖像及特征數(shù)據(jù)，才能對采集到的圖像進行智能診斷，這一過程涵蓋了數(shù)據(jù)積累、診斷算法的提出和實現(xiàn)。

2.4 深度學(xué)習(xí)算法

實際工程中，需要分析歷史數(shù)據(jù)中的轉(zhuǎn)子結(jié)構(gòu)異常情況，包括裂痕的大小、裂痕擴展的速度、振動偏轉(zhuǎn)的角度大小等，根據(jù)這些歷史參數(shù)及時調(diào)整深度學(xué)習(xí)模型。

深度學(xué)習(xí)算法步驟如下：

1）將前期獲取的訓(xùn)練用轉(zhuǎn)子缺陷可見光圖進行統(tǒng)一的特征歸一化操作，得到預(yù)處理后的訓(xùn)練集；

2）通過VGG 網(wǎng)絡(luò)提取所述預(yù)處理圖中的待測缺陷特征；

3）保存深度網(wǎng)絡(luò)的瓶頸特征：輸入訓(xùn)練樣本集合和測試樣本集合，提取全連接層之前的輸出，即獲得瓶頸特征，并使用優(yōu)化器訓(xùn)練瓶頸特征；

4）網(wǎng)絡(luò)優(yōu)化：進行全局優(yōu)化訓(xùn)練，得到待測物體（輸入圖像是否包含轉(zhuǎn)子裂痕、結(jié)構(gòu)異常等）的網(wǎng)絡(luò)模型，獲得輸入圖像為異常的概率閾值；

5）利用所述待測物體網(wǎng)絡(luò)模型，輸入或讀取待識別圖像，獲得待識別圖中為異常的概率。若待檢測圖像為異常的概率高于所述概率閾值，則對應(yīng)的轉(zhuǎn)子異常，需要輸出警報信號。

3 智能診斷系統(tǒng)構(gòu)建

基于深度學(xué)習(xí)的發(fā)電機組定轉(zhuǎn)子缺陷智能診斷技術(shù)的關(guān)鍵是要研究深度學(xué)習(xí)智能檢測及匹配技術(shù)、訓(xùn)練裂紋、振動、脫落樣本及規(guī)則庫建立等，積累水輪發(fā)電機組定轉(zhuǎn)子缺陷數(shù)據(jù)，構(gòu)建基于深度學(xué)習(xí)的智能診斷策略，同時需要及時調(diào)整算法來適應(yīng)少訓(xùn)練集帶來的挑戰(zhàn)。圖3 是診斷策略流程圖。

實現(xiàn)的方法包括在水電站發(fā)電機定轉(zhuǎn)子內(nèi)部安裝定制鏡頭后的可見光相機，并利用構(gòu)建的網(wǎng)絡(luò)系統(tǒng)實現(xiàn)多相機對定轉(zhuǎn)子的實時監(jiān)控系統(tǒng)。獲取特征圖像后，通過具有深度學(xué)習(xí)機制的裂紋、脫落、振動偏移等缺陷智能監(jiān)測算法服務(wù)器，按照診斷規(guī)則、模型規(guī)則等綜合經(jīng)驗數(shù)據(jù)作為基礎(chǔ)，對常見定轉(zhuǎn)子故障類型進行有效的在線故障分析，為水電機組安全運行提供保障。服務(wù)器應(yīng)具備圖片在線播放、歷史回放、拼接后立體展現(xiàn)等功能，確保電站水電機組設(shè)備運行過程的可視化。

在故障診斷系統(tǒng)中，所有安裝于發(fā)電機內(nèi)部的相機均通過千兆路由接入到算法及應(yīng)用服務(wù)器中。通過網(wǎng)絡(luò)實時查看設(shè)備內(nèi)部監(jiān)控視頻，同時服務(wù)器具備實時圖像處理、拼接和計算功能，而客戶端則負(fù)責(zé)查看實時的相關(guān)信息。

4 智能診斷效果驗證

針對湖北白蓮水庫水電機組發(fā)電機定轉(zhuǎn)子運行狀態(tài)的實時在線監(jiān)控數(shù)據(jù)，對水電機組轉(zhuǎn)子裂紋、脫落和振動等異?，F(xiàn)象智能診斷分析提示算法進行驗證。定轉(zhuǎn)子缺陷診斷圖像處理流程如圖4 所示。

圖4 定轉(zhuǎn)子缺陷診斷圖像處理流程

基于深度學(xué)習(xí)的發(fā)電機定轉(zhuǎn)子缺陷診斷圖像處理過程為：

1）圖像預(yù)處理：建立原始圖像的灰度提取和骨架提??；

2）建立裂紋、振動、脫落模型，并提取特征（包括裂紋大小、周長、面積、基于圖像對齊的振動幅度閾值、光滑表面脫落模型快速特征等）；

3）通過超廣角攝像頭記錄缺陷類型，并輸入到學(xué)習(xí)庫、豐富庫。

系統(tǒng)實現(xiàn)所采用的技術(shù)路線拓?fù)溥B接圖如圖5所示。

圖5 系統(tǒng)連接拓?fù)鋱D

圖6 所示為湖北白蓮水庫水電機組發(fā)電機缺陷智能診斷系統(tǒng)識別捕捉到的轉(zhuǎn)子上裂紋示意圖。圖中展示了原始圖像和經(jīng)過系統(tǒng)預(yù)處理、特征標(biāo)記以及最后提取特征點的圖像處理過程，從而證明該系統(tǒng)能夠有效實現(xiàn)水輪發(fā)電機定轉(zhuǎn)子缺陷智能診斷。

圖6 裂紋缺陷圖像智能識別圖

5 結(jié)束語

文中基于ELM 深度學(xué)習(xí)和類比狀態(tài)評價的理論基礎(chǔ)，采用放置在水電機組內(nèi)部的超廣角可見光探頭，結(jié)合全景紅外補光燈外設(shè)，對水電機組定轉(zhuǎn)子裂紋、振動、脫落等缺陷進行特征識別收集，并建立缺陷樣本和規(guī)則庫，最終實現(xiàn)了水輪發(fā)電機定轉(zhuǎn)子缺陷的智能診斷。經(jīng)驗證，其可以有效診斷相應(yīng)的故障缺陷。置于機組內(nèi)部的超廣角攝像頭加上圖像智能拼接技術(shù)，可以全方位檢測水電機組定轉(zhuǎn)子狀態(tài)，通過服務(wù)器實時圖像處理、拼接和計算，在實現(xiàn)智能診斷缺陷的同時，通過網(wǎng)絡(luò)的連接，客戶機還提供相關(guān)信息實時查看的功能。