一種水電廠水輪機碰撞故障聲音識別的研究與應(yīng)用

福建水口發(fā)電集團有限公司 李芳芳

1 引言

作為大規(guī)模開發(fā)利用的可再生能源，水電在國家基礎(chǔ)建設(shè)中受到高度重視。近年來，隨著大型水利樞紐工程的興建以及大中型水電廠的相繼建成投產(chǎn)，水電裝機容量越來越大，水電機組在電網(wǎng)中除了送出電能外，還承擔(dān)著調(diào)峰、調(diào)頻、調(diào)相和事故備用等作用。

水輪機作為水電機組的重要組成部件，其穩(wěn)定性關(guān)乎水電站的安全生產(chǎn)。水輪機的過流部件和轉(zhuǎn)動設(shè)備由于長期在水下運轉(zhuǎn)，容易發(fā)生碰磨故障，如未能及時發(fā)現(xiàn)此類故障，極易造成頂蓋漏水甚至水淹廠房的事故。但早期的碰磨故障特征難以在水、機、電以及噪聲信號摻雜耦合的環(huán)境中提取出來，給水電機組穩(wěn)定運行造成隱患[1]。鑒于這類故障的嚴重性，亟須一種可靠、高效的故障預(yù)警識別方法，提升水電站應(yīng)急處置能力和安全運行水平。

水電機組不同運行工況產(chǎn)生的聲音頻譜特征就像人的指紋，不僅具有特定性，而且具有相對穩(wěn)定性。本文針對水電站水輪機特定碰撞故障，提出一種水電廠水輪機碰撞故障聲音識別方法與系統(tǒng)，滿足水電廠安全穩(wěn)定生產(chǎn)需求。

2 系統(tǒng)總體設(shè)計與分析

2.1 系統(tǒng)總體結(jié)構(gòu)

由于水電廠現(xiàn)場環(huán)境的復(fù)雜性，部署機組設(shè)備運行狀態(tài)監(jiān)測系統(tǒng)往往存在施工難度高、維護難度大等問題?；诮?jīng)濟性、可擴展性的需求，本文系統(tǒng)采用分層設(shè)計模式，將系統(tǒng)分為三層，包括數(shù)據(jù)感知層、網(wǎng)絡(luò)傳輸層、應(yīng)用管理層，系統(tǒng)分層結(jié)構(gòu)圖如圖1所示。

2.1.1 數(shù)據(jù)感知層

部署在現(xiàn)場的前端采集設(shè)備采用雙向通信方式，感知外界環(huán)境的聲音信息通過網(wǎng)絡(luò)進行傳輸，同時響應(yīng)上層指令進行相應(yīng)動作；本文在水電站機組水車室內(nèi)安裝具有聲音信號處理能力的拾音設(shè)備，通過設(shè)置特定的頻率與相關(guān)參數(shù)，采集水輪發(fā)電機組的聲音樣本。

2.1.2 網(wǎng)絡(luò)傳輸層

通過有線接入方式接入水電站現(xiàn)有的通信網(wǎng)絡(luò)，基于TCP/IP協(xié)議，確保數(shù)據(jù)傳輸可靠性與穩(wěn)定性，實現(xiàn)系統(tǒng)網(wǎng)絡(luò)的互聯(lián)互通。

2.1.3 應(yīng)用管理層

分析處理前端收集的數(shù)據(jù)和信息，生成水輪機故障聲音診斷模型，為故障應(yīng)急處置提供相關(guān)依據(jù)；構(gòu)建應(yīng)用管理操作平臺，實現(xiàn)前端設(shè)備管理、用戶信息管理、實時監(jiān)聽現(xiàn)場機組運行聲音、告警信息黑白名單糾偏、聲音信號回聽等功能。

2.2 前端采集設(shè)備硬件設(shè)計

2.2.1 邊緣計算

本文系統(tǒng)采用具有聲音采集和數(shù)據(jù)處理功能的拾音器作為前端采集設(shè)備，基于邊緣計算分布模式，將聲音數(shù)據(jù)預(yù)處理轉(zhuǎn)移至前端設(shè)備進行，再將預(yù)處理結(jié)果通過網(wǎng)絡(luò)傳輸至后端進行分析處理，不僅可以節(jié)省傳輸網(wǎng)絡(luò)帶寬成本，同時還能減小網(wǎng)絡(luò)擁堵，降低后端服務(wù)器出現(xiàn)單點故障的可能，具有延時低、響應(yīng)速度快、安全性能高等特點。

2.2.2 拾音器硬件設(shè)計

對水電廠應(yīng)急處置效率與系統(tǒng)整體性能進行考量，采用基于邊緣計算的運算模式，對前端具有數(shù)據(jù)處理能力的拾音器性能提出了較高的要求。

本文拾音器采用nanopi2 h5芯片，內(nèi)置64位四核處理器與六核GPU，集成512M DDR3主存，支持運行Ubuntu等嵌入式操作系統(tǒng)；在網(wǎng)絡(luò)方面，支持接入百兆與千兆以太網(wǎng)；具有體積小、功耗低、算力高、低延時等特點，廣泛適用于對設(shè)備體積要求高、數(shù)據(jù)吞吐量大、傳輸速度快的高性能應(yīng)用。

基于上述特性，系統(tǒng)使用超六類網(wǎng)絡(luò)屏蔽線，將部署在前端的拾音器接入到通信網(wǎng)絡(luò)中，實現(xiàn)聲音信號的高速采集與數(shù)據(jù)的高效處理，再將預(yù)處理的結(jié)果通過網(wǎng)絡(luò)傳送至后端，實現(xiàn)對水電站設(shè)備異常運行聲音的實時監(jiān)測與分析，具有低時延、響應(yīng)快等優(yōu)點，當(dāng)監(jiān)測到設(shè)備異常聲時，可迅速發(fā)出警報，保障數(shù)據(jù)可靠性與高效性。

2.3 軟件流程設(shè)計與分析

本文系統(tǒng)由音頻采集單元、人工標記單元、預(yù)處理單元、卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練單元、端上識別與存儲單元、人工糾偏單元、報警單元組成。系統(tǒng)總體流程如圖3所示。通過拾音器采集水輪機的正常運行聲音和故障碰撞聲音，并預(yù)處理成語譜圖樣本集，利用樣本集對卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，得到能夠識別故障碰撞聲音的故障識別模型，通過故障識別模型對水輪機的實時轉(zhuǎn)動聲音進行實時監(jiān)測，實現(xiàn)通過故障碰撞聲音識別水輪機是否發(fā)生故障碰撞。系統(tǒng)設(shè)置有人工糾偏單元，通過人工介入提高系統(tǒng)的魯棒性，能夠根據(jù)糾偏結(jié)果進一步對故障識別模型進行優(yōu)化，提高識別的準確性。

3 基于語譜圖的聲音數(shù)據(jù)預(yù)處理

3.1 語譜圖

在水輪機故障碰撞故障音頻識別過程中，不僅包含需要提取的故障信息，還存在干擾信息及環(huán)境噪聲。為了更加有效提取水輪機碰撞故障音頻數(shù)據(jù)信息，需要預(yù)先對采集的聲音信息進行特征提取，從而結(jié)合深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，進行更加高效的模型訓(xùn)練。

語譜圖可以實現(xiàn)將聲音信號轉(zhuǎn)換為能夠動態(tài)展示時間和頻譜變化關(guān)系的二維圖像，以可視化方式展示頻率與能量強度組成的空間特征信息，以及隨時間變化的時序特征信息[2]。根據(jù)相關(guān)人員的研究成果，將MFCC特征、LPMCC特征及語譜圖的相關(guān)識別能力進行比較，語譜圖在泛化性、魯棒性、實用性、識別率方面有較好的綜合表現(xiàn)[3]，所以本文在預(yù)處理單元采用語譜圖對采集的聲音數(shù)據(jù)進行特征提取。

3.2 預(yù)處理單元設(shè)計

預(yù)處理單元主要對水輪機正常運行聲音和故障碰撞聲音進行預(yù)處理，獲取正常運行聲音的語譜圖和故障碰撞聲音的語譜圖作為深度神經(jīng)網(wǎng)絡(luò)的樣本集?；谡Z譜圖的預(yù)處理單元流程圖如圖4所示。

首先，分別對正常運行聲音和故障碰撞聲音進行分幀處理，設(shè)置每幀的數(shù)據(jù)長度為N，分幀步長為N/M，即重疊率為（M-1）/M進行數(shù)據(jù)分幀。本文中取N=1024，分幀步長為512，重疊率為50%進行數(shù)據(jù)分幀，對3600s時長的原始聲音數(shù)據(jù)劃分為16000×3600/512-1=112499幀數(shù)據(jù)。利用漢寧窗對每幀數(shù)據(jù)進行加窗處理，窗的長度為N=1024，數(shù)字形式如下式所示：

對加窗處理后的每個窗中的數(shù)據(jù)進行短時傅里葉變換（short-time Fourier transform，STFT），得到短時幅度譜估計值。傅里葉變換的數(shù)字形式如下式所示，其中xi（n）表示為每個幀經(jīng)過加窗后的數(shù)據(jù)，k∈[0,N-1]，m表示幀序號，N=1024。

對每幀短時幅度譜估計值|X(m,k)|取對數(shù)值，得到具有一一對應(yīng)關(guān)系的語譜圖，語譜圖橫坐標為時間，縱坐標為頻率，每個窗格的顏色深淺表示相對應(yīng)時間與頻率處的能量值。

4 基于CNN的故障聲音模型訓(xùn)練

4.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）屬于一種前饋型深度學(xué)習(xí)模型，是由一個或多個卷積層與其他分類神經(jīng)網(wǎng)絡(luò)構(gòu)成。卷積神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練算法不斷對每一層神經(jīng)元對應(yīng)的權(quán)重進行迭代更新，具有局部特征提取、區(qū)域共享權(quán)值以及數(shù)據(jù)池化等特點，相較于其他類型的神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)計算所需的網(wǎng)絡(luò)數(shù)更少，特征量提取更準確[4]，所以本文采用卷積神經(jīng)網(wǎng)絡(luò)進行水輪機故障聲音模型識別訓(xùn)練。

卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)包括輸入層、卷積層、池化層、全連接層和輸出層。輸入層主要用于輸入經(jīng)過預(yù)處理后的數(shù)據(jù)；卷積層使用卷積核與輸入數(shù)據(jù)進行卷積計算，用于提取特征量，池化層對卷積層輸出的特征進行池化處理，用于壓縮數(shù)據(jù)和減少計算量，避免過擬合，卷積層和池化層交替分布可進一步提煉更高一級的特征；全連接層接收前端網(wǎng)絡(luò)傳遞的特征向量，計算網(wǎng)絡(luò)輸出，再傳遞給輸出層；輸出層根據(jù)網(wǎng)絡(luò)模型的目的進行設(shè)置，通常為一個多分類器[5]。

4.2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練單元設(shè)計

卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練單元用于搭建卷積神經(jīng)網(wǎng)絡(luò)，并將預(yù)處理后的樣本集輸入至卷積神經(jīng)網(wǎng)絡(luò)對其進行訓(xùn)練，得到故障識別模型。本單元主要包括樣本劃分模塊、訓(xùn)練模塊和測試模塊。樣本劃分模塊用于將樣本集按照一定的比例劃分為訓(xùn)練集和測試集。訓(xùn)練模塊用于將訓(xùn)練集中的正常運行聲音的語譜圖和故障碰撞聲音的語譜圖，輸入至卷積升降網(wǎng)絡(luò)中進行訓(xùn)練，訓(xùn)練過程中使用損失函數(shù)調(diào)整卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)。測試模塊用于通過測試集對卷積神經(jīng)網(wǎng)絡(luò)的識別結(jié)果進行驗證，當(dāng)卷積神經(jīng)網(wǎng)絡(luò)的識別準確率達到目標值時，結(jié)束訓(xùn)練，保存當(dāng)前參數(shù)，得到故障識別模型。

本文設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)包含以下層級：

第一層為輸入層，用于接收經(jīng)過預(yù)處理后的語譜圖數(shù)據(jù)；第二層為卷積層，根據(jù)預(yù)處理單元輸出的語譜圖數(shù)據(jù)，設(shè)置卷積核尺寸為16，卷積核數(shù)量為8，卷積步長為4，激活函數(shù)使用Leaky ReLU（帶泄露線性整流函數(shù)），第二層網(wǎng)絡(luò)結(jié)束，網(wǎng)絡(luò)輸出連接至第三層；激活函數(shù)Leaky ReLU的數(shù)學(xué)形式如下所示：

第三層為卷積池化層，卷積核尺寸為3，卷積核數(shù)量32，卷積步長為1，激活函數(shù)使用Leaky ReLU，隨后進行池化，采用最大池化方式，池化尺寸4，步長2。第三層網(wǎng)絡(luò)結(jié)束，網(wǎng)絡(luò)輸出進行展平操作，連接至第四層；第四層為全連接層；第五層為softmax層，輸出維數(shù)為2，使用softmax函數(shù)，softmax函數(shù)的數(shù)學(xué)形式如下式所示，每個輸出值P（i）的大小在0與1之間，總和為1；

第六層為輸出層，輸出維數(shù)與設(shè)定故障類型個數(shù)一致，使用softmax函數(shù)。

5 管理操作平臺設(shè)計

管理操作平臺具有用戶管理、音頻管理、設(shè)備管理、數(shù)據(jù)統(tǒng)計、告警輸出等功能模塊。

5.1 用戶管理模塊

鑒于平臺操作安全性考慮，用戶類型配置了管理員和一般用戶，并分配不同的使用權(quán)限。在用戶操作展示頁面上，管理員用戶可以對采集設(shè)備進行添加與刪除、音頻文件編輯、聲音模型糾偏等，一般用戶則配置了瀏覽、讀取等功能。平臺根據(jù)登錄用戶的屬性，展示不同操作權(quán)限的頁面，實現(xiàn)用戶的分類管理。

5.2 設(shè)備管理模塊

展示內(nèi)容包括綁定設(shè)備個數(shù)，前端設(shè)備的名稱、版本、安裝位置與當(dāng)前工作狀態(tài)。管理員用戶在此頁面可以對設(shè)備進行刪除和添加：點擊刪除按鈕實現(xiàn)刪除當(dāng)前選擇的設(shè)備；綁定設(shè)備，需要輸入設(shè)備的設(shè)備ID號等相關(guān)信息，便于平臺將讀取設(shè)備信息，通過網(wǎng)絡(luò)與前端設(shè)備相連。

5.3 音頻管理模塊

該頁面內(nèi)容包括兩個組成部分，上半部分為正常音頻，展示示例水輪機故障音頻，下半部分為設(shè)備通過采集所捕獲到的異常聲。當(dāng)專家用戶聽過音頻后，確定當(dāng)前音頻為水輪機的碰撞異常聲，可對將該段聲音進行標記，若發(fā)現(xiàn)標記錯誤，仍可以取消原來標記內(nèi)容，實現(xiàn)專家介入糾偏模型的功能。

6 系統(tǒng)測試與應(yīng)用

在水車室內(nèi)水輪機組主軸旁設(shè)置拾音器，采集水輪機轉(zhuǎn)動聲音，拾音器聲音采樣率為16000Hz，時長為3600s，根據(jù)奈奎斯特定律（Nyquist's law），可以復(fù)原不大于8000Hz頻率大小的采集聲音信號。對水輪機正常轉(zhuǎn)動聲標記為正常運行聲音，在現(xiàn)場使用“擊鐵”聲模擬水輪機碰撞聲并標記為故障碰撞聲音。經(jīng)現(xiàn)場應(yīng)用與測試，水輪機在正常運行情況下，采集到的聲音頻率極大值集中在4000～5000Hz，產(chǎn)生碰撞故障情況下，聲音頻率極大值集中在2500～3000Hz，結(jié)合富有經(jīng)驗的技術(shù)專家的判斷辨別，以對水輪機聲音類型進行標記，提高系統(tǒng)魯棒性。

系統(tǒng)報警單元在故障識別模型主要功能是識別實時轉(zhuǎn)動聲音中是否為故障碰撞聲音，同時計算輸出的故障碰撞聲音的幀長占實時轉(zhuǎn)動聲音的全幀長的比例，通過預(yù)設(shè)閾值P，當(dāng)比例大于預(yù)設(shè)閾值P時，發(fā)出報警信號，起到預(yù)警效果。在測試中，實時采集水輪機60s的轉(zhuǎn)動聲音，經(jīng)過預(yù)處理后分割為1874幀，重疊率為50%的數(shù)據(jù)，將1874幀數(shù)據(jù)輸入到訓(xùn)練好的故障識別模型進行識別，設(shè)置閾值P為50%，當(dāng)故障碰撞聲音的幀長超過1874×50%時，向值班人員發(fā)出報警信號，報警單元可以安裝在計算機的監(jiān)控軟件中，通過計算機的監(jiān)控軟件發(fā)出報警信號。

本文通過將語譜圖與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出了一種水輪機故障碰撞的識別方法與系統(tǒng)。通過語譜圖實現(xiàn)聲音樣本特征向量的有效提取，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)迭代訓(xùn)練，得到水輪機故障碰撞聲音的故障識別模型，實現(xiàn)對水輪機實時轉(zhuǎn)動聲音的實時監(jiān)測，通過故障碰撞聲音識別水輪機是否發(fā)生故障碰撞。結(jié)合人工糾偏，通過人工介入對故障識別模型進行優(yōu)化，提升系統(tǒng)魯棒性。通過在水電站應(yīng)用基于故障聲音識別的水輪機碰撞故障識別系統(tǒng)，能夠?qū)崿F(xiàn)及時有效的故障預(yù)警，提升水電站應(yīng)急處置效率，保障水電機組設(shè)備安全生產(chǎn)。