基于經(jīng)驗(yàn)小波變換和卷積神經(jīng)網(wǎng)絡(luò)的水泵水輪機(jī)無(wú)葉區(qū)流態(tài)特征提取及識(shí)別研究1)

李 浩 鄭祥豪 張宇寧 ,2) 李金偉

*(華北電力大學(xué)電站能量傳遞轉(zhuǎn)化與系統(tǒng)教育部重點(diǎn)實(shí)驗(yàn)室，北京 102206)

?(華北電力大學(xué)能源動(dòng)力與機(jī)械工程學(xué)院，北京 102206)

**(中國(guó)水利水電科學(xué)研究院，北京 100048)

為了提高可再生能源發(fā)電的并網(wǎng)規(guī)模，更好地利用可再生能源，能夠用于削峰填谷、減輕電網(wǎng)波動(dòng)的儲(chǔ)能技術(shù)成為當(dāng)下研究的熱點(diǎn)。抽水蓄能是當(dāng)前負(fù)荷容量最大、技術(shù)最成熟的大規(guī)模電能存儲(chǔ)方式，除了能夠調(diào)峰填谷、調(diào)頻調(diào)相外，還具備黑啟動(dòng)、緊急事故備用等多種功能[1]。水泵水輪機(jī)是抽水蓄能電站實(shí)現(xiàn)能量轉(zhuǎn)換的核心設(shè)備，其特點(diǎn)是可以根據(jù)實(shí)際需求發(fā)揮水泵或水輪機(jī)兩種相反的功能。水泵水輪機(jī)運(yùn)行水頭和轉(zhuǎn)速高、工況頻繁轉(zhuǎn)換的工作特性，使其內(nèi)部經(jīng)常出現(xiàn)不穩(wěn)定的流態(tài)。這些不穩(wěn)定流態(tài)會(huì)使機(jī)組產(chǎn)生異常壓力脈動(dòng)和振動(dòng)等現(xiàn)象，嚴(yán)重威脅抽水蓄能電站的運(yùn)行穩(wěn)定性和安全性[2-5]。其中，在無(wú)葉區(qū)發(fā)生的由動(dòng)靜干涉現(xiàn)象所產(chǎn)生的異常壓力脈動(dòng)被認(rèn)為是危害最大的水力不穩(wěn)定現(xiàn)象。因此，通過(guò)實(shí)時(shí)監(jiān)測(cè)和準(zhǔn)確識(shí)別水泵水輪機(jī)的無(wú)葉區(qū)流態(tài)，防止產(chǎn)生異常壓力脈動(dòng)現(xiàn)象，對(duì)于保證機(jī)組穩(wěn)定和安全運(yùn)行是十分必要的。

由于目前技術(shù)手段的限制，原型水泵水輪機(jī)無(wú)葉區(qū)的流態(tài)無(wú)法被直接觀測(cè)到，需要通過(guò)間接方法進(jìn)行無(wú)葉區(qū)流態(tài)監(jiān)測(cè)。無(wú)葉區(qū)的流態(tài)通?？梢苑从吃诰哂胁煌卣黝l率分量的壓力脈動(dòng)信號(hào)中，因此可以通過(guò)分析無(wú)葉區(qū)壓力脈動(dòng)信號(hào)的頻譜信息，從中提取流態(tài)特征并進(jìn)行流態(tài)監(jiān)測(cè)與識(shí)別。目前，許多學(xué)者針對(duì)水輪機(jī)領(lǐng)域的信號(hào)特征提取和識(shí)別方法進(jìn)行了研究。薛延剛等[6]使用經(jīng)驗(yàn)?zāi)B(tài)分解（empirical mode decomposition,EMD）分析了水輪機(jī)空化信號(hào)，并利用希爾伯特變換（Hilbert transform,HT）將分解結(jié)果轉(zhuǎn)換為二維時(shí)頻圖且提取了空化信號(hào)的特征，提升了空化信號(hào)中高頻部分的識(shí)別準(zhǔn)確率。張飛等[7]使用EMD 分析了機(jī)組甩負(fù)荷過(guò)程中蝸殼進(jìn)口壓力脈動(dòng)信號(hào)，并計(jì)算各模態(tài)分量的相關(guān)性系數(shù)作為特征，識(shí)別出了信號(hào)中的趨勢(shì)項(xiàng)和脈動(dòng)項(xiàng)。Lu 等[8]使用EMD 對(duì)混流式水輪機(jī)不同負(fù)荷下的尾水管壓力脈動(dòng)信號(hào)進(jìn)行了分析，并計(jì)算了各模態(tài)分量的能量指標(biāo)作為特征向量，實(shí)現(xiàn)了尾水管中不同強(qiáng)度渦帶的特征提取。Zhang 等[9]使用集合經(jīng)驗(yàn)?zāi)B(tài)分解（ensemble empirical mode decomposition,EEMD）和希爾伯特–黃變換（Hilbert–Huang transform,HHT）對(duì)水泵水輪機(jī)飛逸暫態(tài)過(guò)程中的無(wú)葉區(qū)壓力脈動(dòng)信號(hào)進(jìn)行分析，發(fā)現(xiàn)信號(hào)主要特征頻率來(lái)源于動(dòng)靜干涉現(xiàn)象。Zheng 等[10]基于EEMD 和排列熵對(duì)水泵水輪機(jī)發(fā)電工況不同負(fù)荷下的水導(dǎo)軸承處的軸心軌跡進(jìn)行了提取，并闡述了其與機(jī)組內(nèi)部流態(tài)的關(guān)聯(lián)性。蔣文君等[11]使用EEMD 和近似熵提取了水電機(jī)組轉(zhuǎn)子的不同故障特征，并在概率神經(jīng)網(wǎng)絡(luò)中成功對(duì)上述故障進(jìn)行識(shí)別。王衛(wèi)玉等[12]提出基于自適應(yīng)噪聲完備經(jīng)驗(yàn)?zāi)B(tài)分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）和樣本熵的水電機(jī)組故障信息特征提取方法，并將提取到的故障特征向量輸入至經(jīng)過(guò)參數(shù)優(yōu)化后的支持向量機(jī)中實(shí)現(xiàn)了分類識(shí)別。

通過(guò)上述研究發(fā)現(xiàn)，EMD[13]及其改進(jìn)算法（EEMD[14]和CEEMDAN[15]等）是目前水輪機(jī)領(lǐng)域主流的信號(hào)特征提取方法。它們均能夠自適應(yīng)地將目標(biāo)信號(hào)分解成包含不同時(shí)間尺度的本征模態(tài)函數(shù)（intrinsic mode function,IMF）。然而，這些方法在處理復(fù)雜信號(hào)時(shí)會(huì)發(fā)生模態(tài)混疊、產(chǎn)生虛假分量等現(xiàn)象。模態(tài)混疊即相近的特征時(shí)間尺度分布在不同的IMF 中，或者一個(gè)IMF 中包含了差異極大的特征時(shí)間尺度，會(huì)嚴(yán)重降低分解精度。另外，目前的研究對(duì)于特征提取后的模式識(shí)別往往采用的是淺層的機(jī)器學(xué)習(xí)算法，遇到復(fù)雜信號(hào)特征時(shí)難以準(zhǔn)確識(shí)別，迫切需要采用深度學(xué)習(xí)算法進(jìn)一步提升識(shí)別準(zhǔn)確率。針對(duì)以上問(wèn)題，本文提出了一種創(chuàng)新的原型水泵水輪機(jī)無(wú)葉區(qū)流態(tài)的特征提取和識(shí)別方法。該方法能有效避免模態(tài)混疊現(xiàn)象，并實(shí)現(xiàn)復(fù)雜流態(tài)的智能識(shí)別，為水泵水輪機(jī)無(wú)葉區(qū)流態(tài)的監(jiān)測(cè)提供了一種解決方案。

1 研究方法

本節(jié)介紹本文所使用的相關(guān)方法的具體原理，以及所提出方法的具體步驟。

1.1 經(jīng)驗(yàn)小波變換

經(jīng)驗(yàn)小波變換（empirical wavelet transform,EWT）[16]是由Gilles 在2013 年提出的一種信號(hào)模態(tài)分解方法，它結(jié)合了小波變換的理論完備性和EMD 自適應(yīng)分解的優(yōu)勢(shì)，通過(guò)對(duì)信號(hào)的傅里葉頻譜分割，找出“有意義”的模態(tài)分量，實(shí)現(xiàn)模態(tài)分解。EWT 的主要步驟如下[16]。

（1）對(duì)信號(hào)x(t) 進(jìn)行傅里葉變換，得到其傅里葉頻譜x?(ω)，并將頻率ω歸一化至 [ 0,π] 范圍內(nèi)。

（2）利用N+1 個(gè)邊界ωi把傅里葉頻譜x?(ω) 劃分為N個(gè)連續(xù)區(qū)間Λi，如圖1 所示，其中ω0=0，ωN=π，剩余N -1 個(gè) 邊界由 頻譜劃分方法確定[16]。常用的頻譜劃分方法有極大值法[17]、極大極小值法以及尺度空間變換法[18]等。之后，以每個(gè)邊界ωi為中心，定義一個(gè)寬度為2τi的過(guò)渡區(qū)（圖1 中的陰影部分）。

（3）構(gòu) 造每個(gè)連續(xù)區(qū)間Λi上的經(jīng)驗(yàn)小波，其定義為每個(gè)Λi上的帶通濾波器。根據(jù)Littlewood–Paley 和Meyer 小波結(jié)構(gòu)[19]，定義經(jīng)驗(yàn)尺度函數(shù)φn(ω) 和經(jīng)驗(yàn)小波ψn(ω) 的表達(dá)式。

（4）計(jì)算EWT。按照經(jīng)典的小波變換形式定義經(jīng)驗(yàn)小波變換的細(xì)節(jié)相關(guān)系數(shù)(n,t) 和近似系數(shù)(0,t) 。(n,t) 由經(jīng)驗(yàn)小波函數(shù)與信號(hào)的內(nèi)積得到[16]

(0,t)由尺度函數(shù)與信號(hào)內(nèi)積得到[16]

式中，〈,〉 表示內(nèi)積運(yùn)算，“ ”表示復(fù)共軛，“^”表示傅里葉變換，“∨”表示傅里葉逆變換。

（5）重構(gòu)信號(hào)，并獲得信號(hào)各模態(tài)的表達(dá)式。由相關(guān)系數(shù)(n,t) 和近似系數(shù)(0,t) 組成的重構(gòu)信號(hào)的表達(dá)式為[16]

信號(hào)x(t) 的經(jīng)驗(yàn)?zāi)B(tài)可根據(jù)式（3）形式被定義為[16]

根據(jù)上述介紹可知，執(zhí)行EWT 過(guò)程中的關(guān)鍵步驟是確定頻譜劃分方法。本文選擇頻譜劃分方法為極大極小值法，即首先計(jì)算局部極大值，然后將兩個(gè)局部極大值之間最小的局部極小值設(shè)置為模態(tài)邊界。使用極大極小值法時(shí)需要預(yù)先確定模態(tài)個(gè)數(shù)N。為保證良好的分解效果，N的值需要恰當(dāng)選取。如果N值過(guò)小，則會(huì)導(dǎo)致無(wú)法把各個(gè)模態(tài)完全分開(kāi)，造成模態(tài)混疊；如果N值過(guò)大，則會(huì)導(dǎo)致過(guò)度分解，產(chǎn)生虛假模態(tài)，降低計(jì)算效率。在本文中，首先將N值范圍設(shè)置為5～15，經(jīng)過(guò)多次測(cè)試后N值最終確定為9。

1.2 散布熵

散布熵（dispersion entropy,DE）[20]是近年來(lái)提出的一種較為新穎的用于評(píng)估非線性時(shí)間序列復(fù)雜性和不規(guī)律性的方法，對(duì)比經(jīng)典的樣本熵[21]和排列熵[22]具有計(jì)算速度快、受突變信號(hào)影響小的優(yōu)點(diǎn)，其具體計(jì)算步驟如下[20]。

（1）使用正態(tài)分布函數(shù)將長(zhǎng)度為L(zhǎng)的非線性時(shí)間序列x={x1,x2,x3,...,xL}進(jìn)行正態(tài)累計(jì)分布積分，得到y(tǒng)={y1,y2,y3,...,yL}，其中0＜y ＜1。

（2）選取類別個(gè)數(shù)c，按照式（6）對(duì)yj進(jìn)行線性變換，得到[20]

式中，round 為取整函數(shù)，j=1,2,3,...,L。

（3）選擇嵌入維數(shù)m和時(shí)間延遲d，按照式（7）構(gòu)造嵌入向量[20]

式中，i=1,2,3,...,L-(m-1)d。

（5）計(jì)算每種散布模式的概率[20]

（6）由香農(nóng)熵定義，計(jì)算散布熵[20]

其歸一化形式為[20]

嵌入維數(shù)m，類別個(gè)數(shù)c和時(shí)間延遲d是散布熵計(jì)算過(guò)程中的關(guān)鍵參數(shù)。根據(jù)文獻(xiàn)[20]，d一般取1；c和m取值越大，散布熵的結(jié)果越可靠，但同時(shí)應(yīng)滿足cm的值小于L。按照以上原則，本文選取嵌入維數(shù)m=4，類別個(gè)數(shù)c=6，時(shí)間延遲d=1 。

1.3 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network,CNN）是深度學(xué)習(xí)的代表算法之一，其特點(diǎn)是含有卷積計(jì)算且具有深層結(jié)構(gòu)。CNN 主要由若干個(gè)輸入層、隱含層和輸出層組成，其中隱含層還分為卷積層、池化層和全連接層。本文使用的CNN 包含一個(gè)一維輸入層，兩個(gè)一維卷積層，一個(gè)全局平均池化層，一個(gè)全連接層和一個(gè)分類輸出層，具體結(jié)構(gòu)如圖2 所示。

圖2 本文所使用CNN 結(jié)構(gòu)Fig.2 CNN structure adopted in the present paper

1.4 EWT–DE–CNN 特征提取和流態(tài)識(shí)別方法

基于以上理論，本文提出了一套EWT–DE–CNN 方法，用于原型水泵水輪機(jī)無(wú)葉區(qū)壓力脈動(dòng)的特征提取和流態(tài)識(shí)別。首先使用經(jīng)驗(yàn)小波變換將壓力脈動(dòng)信號(hào)分解成若干分量，然后計(jì)算各分量的散布熵并將計(jì)算結(jié)果與信號(hào)所屬流態(tài)組成特征–標(biāo)簽對(duì)，最后將特征–標(biāo)簽對(duì)輸入卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到了智能流態(tài)識(shí)別模型，具體流程如圖3 所示。

圖3 EWT–DE–CNN 方法流程圖Fig.3 Flow diagram of the EWT–DE–CNN method

2 壓力脈動(dòng)信號(hào)采集實(shí)驗(yàn)

本節(jié)簡(jiǎn)要介紹了壓力脈動(dòng)信號(hào)采集實(shí)驗(yàn)相關(guān)情況，包括機(jī)組信息、實(shí)驗(yàn)概況以及各流態(tài)信號(hào)特征，同時(shí)對(duì)涉及到的水泵水輪機(jī)相關(guān)參數(shù)進(jìn)行了無(wú)量綱化，以方便后續(xù)討論。

2.1 無(wú)量綱參數(shù)

各無(wú)量綱參數(shù)右上角用上標(biāo)“′”標(biāo)識(shí)，具體定義如下。

發(fā)電工況下無(wú)量綱負(fù)荷（P′）定義為

式中，P表示實(shí)際負(fù)荷，Prated表示額定輸出功率；當(dāng)水泵水輪機(jī)處于空轉(zhuǎn)工況時(shí)，P′=0 。

抽水工況下無(wú)量綱輸入功率（）定義為

式中，Ps表示實(shí)際輸入功率，Ps-max表示最大輸入功率，負(fù)號(hào)表示抽水工況。

無(wú)量綱頻率（f′）定義為

式中，f和fn分別表示特征頻率和轉(zhuǎn)輪轉(zhuǎn)動(dòng)頻率。

壓力脈動(dòng)信號(hào)時(shí)域圖及其快速傅里葉變換后頻域圖的幅值（和Af）分別定義為

式中，At和Af分別表示其時(shí)域和頻域的原始幅值，ρ表示液體密度，g表示重力加速度，H表示水頭或者揚(yáng)程。

2.2 機(jī)組參數(shù)及實(shí)驗(yàn)概況

本文選擇了國(guó)內(nèi)某抽水蓄能電站的水泵水輪機(jī)組進(jìn)行壓力脈動(dòng)信號(hào)采集實(shí)驗(yàn)，機(jī)組的詳細(xì)工作參數(shù)如表1 所示。

表1 機(jī)組工作參數(shù)Table 1 Working parameters of the unit

該機(jī)組分別在空轉(zhuǎn)、發(fā)電和抽水工況進(jìn)行了實(shí)驗(yàn)，在實(shí)驗(yàn)中使用了滿量程精度為±0.5%的MPM480 型壓力變送器測(cè)量機(jī)組無(wú)葉區(qū)中的壓力脈動(dòng)信號(hào)。信號(hào)采樣頻率為1000 Hz，信號(hào)長(zhǎng)度為2000 個(gè)數(shù)據(jù)點(diǎn)。

2.3 流態(tài)特征介紹

實(shí)驗(yàn)共采集了4 種水輪機(jī)無(wú)葉區(qū)壓力脈動(dòng)信號(hào)，分別對(duì)應(yīng)4 種流態(tài)信息。流態(tài)1 通常發(fā)生在發(fā)電工況P′=0 時(shí)的空轉(zhuǎn)啟動(dòng)階段。流態(tài)2 通常發(fā)生在發(fā)電工況下P′為24.50%～40.83%的低負(fù)荷區(qū)。流態(tài)3 發(fā)生在發(fā)電工況下P′為57.17%～98.00%的高負(fù)荷區(qū)。流態(tài)4 發(fā)生在=100% 附近抽水工況。圖4～圖7 分別展示了上述4 種流態(tài)的典型壓力脈動(dòng)信號(hào)樣本。

圖4 P ′=0 時(shí)的無(wú)葉區(qū)壓力脈動(dòng)信號(hào)Fig.4 Pressure fluctuation signal in the vaneless area atP′=0

圖5 P ′=32.67% 時(shí)的無(wú)葉區(qū)壓力脈動(dòng)信號(hào)Fig.5 Pressure fluctuation signal in the vaneless area at P′=32.67%

圖6 P ′=89.83% 時(shí)的無(wú)葉區(qū)壓力脈動(dòng)信號(hào)Fig.6 Pressure fluctuation signal in the vaneless area at P′=89.83%

圖7 =–97.91%時(shí)的無(wú)葉區(qū)壓力脈動(dòng)信號(hào)Fig.7 Pressure fluctuation signal in the vaneless area at=–97.91%

3 結(jié)果與討論

本節(jié)將展示使用本文提出的EWT–DE–CNN 方法分析實(shí)測(cè)壓力脈動(dòng)信號(hào)結(jié)果，并與傳統(tǒng)方法進(jìn)行對(duì)比，討論該方法的有效性和優(yōu)越性。首先，以具有典型壓力脈動(dòng)信號(hào)特征的圖5 中P′=32.67%的壓力脈動(dòng)信號(hào)為例，通過(guò)圖片展示了EWT 分解結(jié)果。然后，計(jì)算了由EWT 分解得到的分量信號(hào)的散布熵結(jié)果，構(gòu)建流態(tài)特征向量。最后，利用特征–標(biāo)簽對(duì)訓(xùn)練了智能流態(tài)識(shí)別模型，并進(jìn)行了流態(tài)識(shí)別測(cè)試，驗(yàn)證了其識(shí)別的準(zhǔn)確性。

3.1 EWT 分析結(jié)果

圖8 和 圖9 展示了P′=32.67% 時(shí)壓力脈動(dòng)信號(hào)經(jīng)EWT 分解得到的模態(tài)分量的時(shí)域圖和瞬時(shí)頻率分布圖。從圖8 中可以看出，壓力脈動(dòng)信號(hào)被分解成9 個(gè)分量，且隨著模態(tài)階數(shù)的增加，分量信號(hào)的頻率逐漸增高。從圖9 可以看出，9個(gè)模態(tài)分量的頻率均勻分布在整個(gè)頻率區(qū)間。單個(gè)分量的頻率隨時(shí)間的變化幅度較小，總體成一條直線，且未出現(xiàn)相交或重疊。圖8 和圖9 的結(jié)果說(shuō)明，EWT 方法較好地按照不同模態(tài)頻率分解了原始信號(hào)，沒(méi)有出現(xiàn)分解不充分或過(guò)度分解的情況。

圖8 P ′=32.67% 時(shí)基于EWT 方法的壓力脈動(dòng)信號(hào)模態(tài)分量時(shí)域圖Fig.8 Time–domain diagrams of the mode components of pressure fluctuation signal based on EWT method atP′=32.67%

圖9 P ′=32.67% 時(shí)基于EWT 方法的壓力脈動(dòng)信號(hào)模態(tài)分量瞬時(shí)頻率Fig.9 Instantaneous frequencies of the mode components of pressure fluctuation signal based on EWT method at P′=32.67%

圖10 和圖11 展示了P′=32.67% 時(shí)壓力脈動(dòng)信號(hào)經(jīng)EMD 分解得到的IMF的時(shí)域圖和瞬時(shí)頻率。從圖10 和圖11 中可以看出，壓力脈動(dòng)信號(hào)被分解成了7 個(gè)IMF和一個(gè)余項(xiàng)，且頻率由高到低變化。具體觀察各分量可以發(fā)現(xiàn)，高頻分量IMF1在圖10 中出現(xiàn)了兩次明顯的低頻脈動(dòng)，而在對(duì)應(yīng)的圖11 中IMF1在1 s 和1.8 s 附近出現(xiàn)了兩次較大幅度的頻率驟減。低頻分量IMF4，IMF5和IMF6在圖10 中的波形變化具有一定的相似性，而在對(duì)應(yīng)的圖11 中，IMF4，IMF5和IMF6在低頻區(qū)重疊在一起。圖10 和圖11 的結(jié)果表明，EMD方法在分解壓力脈動(dòng)信號(hào)時(shí)在高頻分量IMF1中存在部分低頻未被完全分離出去，而低頻分量則被過(guò)度分解成了多個(gè)分量，說(shuō)明發(fā)生了模態(tài)混疊現(xiàn)象。

圖10 P ′=32.67% 時(shí)基于EMD 方法的壓力脈動(dòng)信號(hào)模態(tài)分量時(shí)域圖Fig.10 Time–domain diagrams of the mode components of pressure fluctuation signal based on EMD method atP′=32.67%

圖11 P ′=32.67% 時(shí)基于EMD 方法的壓力脈動(dòng)信號(hào)模態(tài)分量瞬時(shí)頻率Fig.11 Instantaneous frequencies of the mode components of pressure fluctuation signal based on EMD method at P′=32.67%

3.2 壓力脈動(dòng)信號(hào)特征提取結(jié)果

通過(guò)式（6）～式（11）步驟計(jì)算上述4 種流態(tài)的典型壓力脈動(dòng)信號(hào)，經(jīng)EWT 或EMD 分解后得到的若干模態(tài)分量的散布熵合并為特征向量，結(jié)果如表2 和表3 所示。從表2 中可以看出，4種流態(tài)的特征向量的維度相等，等于EWT 方法的最大模態(tài)個(gè)數(shù)N。而在表3 中，特征向量的維數(shù)并不一致，這是由于EMD 方法的特性導(dǎo)致的。EMD 方法自適應(yīng)地分解信號(hào)，產(chǎn)生的模態(tài)數(shù)量不確定，從而導(dǎo)致特征向量維度不統(tǒng)一。特征向量維度不統(tǒng)一對(duì)后續(xù)根據(jù)特征向量訓(xùn)練智能流態(tài)識(shí)別模型造成了極大的困難，因此需要對(duì)特征向量的維度統(tǒng)一化。經(jīng)統(tǒng)計(jì)，基于EMD 結(jié)果的特征向量的維度范圍為7～10，第7 維之后的數(shù)據(jù)將被舍棄。

表2 基于EWT 方法的不同流態(tài)壓力脈動(dòng)信號(hào)特征向量Table 2 Feature vectors of pressure fluctuation signals of different flow statuses based on EWT method

表3 基于EMD 方法的不同流態(tài)壓力脈動(dòng)信號(hào)特征向量Table 3 Feature vectors of pressure fluctuation signals of different flow statuses based on EMD method

3.3 流態(tài)識(shí)別結(jié)果

將提取到的特征向量與其所屬的類型標(biāo)簽組成特征–標(biāo)簽對(duì)，輸入神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)根據(jù)輸入的特征預(yù)測(cè)其類型，并與特征對(duì)應(yīng)的類型標(biāo)簽對(duì)比，計(jì)算預(yù)測(cè)準(zhǔn)確率。然后根據(jù)梯度下降算法，神經(jīng)網(wǎng)絡(luò)不斷修改內(nèi)部的權(quán)重系數(shù)，提高預(yù)測(cè)的準(zhǔn)確率。此過(guò)程稱為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程。本文使用的CNN 訓(xùn)練參數(shù)如表4 所示。

表4 CNN 訓(xùn)練參數(shù)設(shè)置Table 4 Setting of training parameters of CNN

將特征向量的流態(tài)類型作為標(biāo)簽，通過(guò)特征提取共得到了900 個(gè)特征–標(biāo)簽對(duì)，其中流態(tài)1～4 的特征向量–標(biāo)簽對(duì)數(shù)量分別為30，270，540和60。表5 展示了圖4～圖7 中的壓力脈動(dòng)信號(hào)經(jīng)EWT–DE 提取到的特征向量與其流態(tài)組成的特征–標(biāo)簽對(duì)。將所有特征–標(biāo)簽對(duì)按照8∶2 的比例隨機(jī)化分為訓(xùn)練集與測(cè)試集，其中訓(xùn)練集用于訓(xùn)練CNN，測(cè)試集用于測(cè)試智能流態(tài)識(shí)別模型的效果。在訓(xùn)練集和測(cè)試集中，每種流態(tài)的樣本都占一定比例，避免只覆蓋一種或兩種流態(tài)的情況。

表5 基于EWT–DE 方法的不同流態(tài)壓力脈動(dòng)信號(hào)的特征–標(biāo)簽對(duì)Table 5 Feature-label pairs of pressure fluctuation signals of different flow statuses based on EWT–DE method

表6 展示基于EWT–DE–CNN 和EMD–DE–CNN 兩種方法訓(xùn)練出的流態(tài)識(shí)別模型的5 次測(cè)試結(jié)果，其中基于EWT–DE–CNN 方法的模型5次測(cè)試的平均準(zhǔn)確率為94.89%，達(dá)到了較高水平，并顯著高于EMD–DE–CNN 方法的86.45%，表明該模型對(duì)無(wú)葉區(qū)流態(tài)的識(shí)別效果較為準(zhǔn)確。圖12 展示了EWT–DE–CNN 方法流態(tài)識(shí)別模型準(zhǔn)確率最高的第2 次測(cè)試（96.11%）的具體結(jié)果，模型對(duì)4 種流態(tài)識(shí)別準(zhǔn)確率分別為80%，96.43%，97.27%和88.89%。

表6 基于EWT–DE–CNN 和EMD–DE–CNN 方法得到的智能流態(tài)識(shí)別模型測(cè)試的準(zhǔn)確率(%)Table 6 Accuracy rate of intelligent identification model of flow status based on EWT–DE–CNN and EMD–DE–CNN methods(%)

圖12 基于EWT–DE–CNN 方法的智能流態(tài)識(shí)別模型第2 次測(cè)試結(jié)果Fig.12 Result of the second test of intelligent identification model of flow status based on EWT–DE–CNN method

4 結(jié)論

水泵水輪機(jī)由于無(wú)葉區(qū)中的異常流動(dòng)引起的壓力脈動(dòng)嚴(yán)重威脅了機(jī)組的安全平穩(wěn)運(yùn)行。監(jiān)測(cè)和識(shí)別不同運(yùn)行工況下無(wú)葉空間內(nèi)的流動(dòng)狀態(tài)，是保證整個(gè)抽水蓄能電站安全穩(wěn)定運(yùn)行的必要條件。本文基于EWT，DE 和CNN，提出了一種原型水泵水輪機(jī)無(wú)葉區(qū)流態(tài)的特征提取和識(shí)別方法，并使用實(shí)測(cè)壓力脈動(dòng)信號(hào)進(jìn)行了驗(yàn)證，結(jié)論如下。

（1）使用EWT 方法對(duì)水泵水輪機(jī)無(wú)葉區(qū)壓力脈動(dòng)信號(hào)進(jìn)行模態(tài)分解，有效避免了EMD 方法中出現(xiàn)的模態(tài)混疊現(xiàn)象，改善了分解效果。

（2）使用DE 進(jìn)行特征提取，特征向量的維度由模態(tài)分解結(jié)果數(shù)量決定。EWT 方法產(chǎn)生固定個(gè)數(shù)的信號(hào)分量，解決了EMD 方法中特征向量維度不一致的問(wèn)題。

（3）本文提出EWT–DE–CNN 方法得到的智能流態(tài)識(shí)別模型，有效實(shí)現(xiàn)了發(fā)電、抽水、空轉(zhuǎn)工況下水泵水輪機(jī)無(wú)葉區(qū)壓力脈動(dòng)信號(hào)的特征提取和識(shí)別，識(shí)別的平均準(zhǔn)確率為94.89%。