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(jī)組正向大容量、大型化、高比轉(zhuǎn)速、高負(fù)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(jī)組的運(yùn)維工作相應(yīng)的也面臨著各種挑戰(zhàn)。一方面由于大型機(jī)組構(gòu)造復(fù)雜，其安全運(yùn)行受影響的因素包含很多方面，例如水力、機(jī)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(jī)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(jī)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(dǎo)致大型水電機(jī)組的故障識別診斷難度增大，安全運(yùn)行風(fēng)險也呈指數(shù)級上升。如果運(yùn)維不當(dāng)，就會導(dǎo)致各種機(jī)組設(shè)備故障，從而使得非計劃停運(yùn)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(jī)組的運(yùn)維水平亟待提高，整個機(jī)組運(yùn)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(jī)組的運(yùn)維需求和當(dāng)下運(yùn)維工作所面臨的新挑戰(zhàn)，提出基于深度學(xué)習(xí)的水電機(jī)組智能運(yùn)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(yùn)維框架所包含的內(nèi)容，并提出如何將深度學(xué)習(xí)方法運(yùn)用于智能運(yùn)維，從而實現(xiàn)對大型水電機(jī)組的更科學(xué)、更高效的智能運(yùn)維。

1 相關(guān)研究工作

我國關(guān)于水電機(jī)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(jī)容量的大幅增大、運(yùn)維經(jīng)驗的不斷積累，目前我國在水電機(jī)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(jì)70～80年代初期，主要借鑒吸收國外一些先進(jìn)的技術(shù)，并開始相關(guān)監(jiān)測方法、技術(shù)的研究；20世紀(jì)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(jì)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(jī)組的運(yùn)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(xué)習(xí)能力的智能系統(tǒng)等。有學(xué)者將水輪發(fā)電機(jī)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(jī)組運(yùn)維人員和專家積累的經(jīng)驗等淺層知識指導(dǎo)故障診斷和機(jī)組運(yùn)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(jìn)行經(jīng)驗知識的提取和學(xué)習(xí)。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(jī)組的特點(diǎn)?；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(jī)組的故障診斷[6]。但大型水電機(jī)組是一個非常復(fù)雜的系統(tǒng)，完整準(zhǔn)確的對這樣一個復(fù)雜系統(tǒng)進(jìn)行事先建?；咀霾坏剑?，也必然決定了這類方法的準(zhǔn)確性不夠高，實際使用局限性較大。另有學(xué)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(jī)等方法。

深度學(xué)習(xí)技術(shù)[8]近年來受到學(xué)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(xué)習(xí)理論的引入和運(yùn)用具有可預(yù)見的重要應(yīng)用價值。目前深度學(xué)習(xí)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(fēng)電的負(fù)荷預(yù)測等[9]。隨著深度學(xué)習(xí)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(jī)組智能運(yùn)維框架

針對大型水電機(jī)組智能運(yùn)維的需求，本文結(jié)合大數(shù)據(jù)分析、深度學(xué)習(xí)技術(shù)提出基于深度學(xué)習(xí)的大型水電機(jī)組智能運(yùn)維框架，如圖1所示。

圖1 大型水電機(jī)組智能運(yùn)維框架

整個智能運(yùn)維框架包括以下部分：

(1) 機(jī)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(yùn)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(jī)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(jìn)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(zhǔn)確性。

(3) 故障特征分析

機(jī)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(jìn)行降維，一方面可以提取關(guān)鍵特征，另一方面可以減小訓(xùn)練學(xué)習(xí)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。異常可能是故障，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(dǎo)后續(xù)的運(yùn)維工作。

(5) 深度學(xué)習(xí)引擎

深度學(xué)習(xí)引擎包含了常用的深度學(xué)習(xí)模型，可以為故障的特征分析和診斷分類提供更智能的機(jī)器學(xué)習(xí)引擎支持。

水電機(jī)組智能運(yùn)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(jī)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(jìn)行智能診斷，并具有一定的準(zhǔn)確率。同時，整個智能診斷系統(tǒng)也具有自學(xué)習(xí)能力，根據(jù)預(yù)案的執(zhí)行情況反饋，可以不斷訓(xùn)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(zhǔn)確率。整個智能化故障診斷和運(yùn)維過程可以分為主要的3個步驟，如圖2所示。

圖2 智能運(yùn)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(jī)組設(shè)備監(jiān)測數(shù)據(jù)，以及故障運(yùn)維歷史工單、人工經(jīng)驗指導(dǎo)以及累積形成的運(yùn)維標(biāo)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(yùn)維反饋情況，不斷自動學(xué)習(xí)，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(xì)化，實現(xiàn)更精細(xì)、更準(zhǔn)確的診斷。

第二步，故障智能診斷

由計算機(jī)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(jìn)一步采取什么樣的運(yùn)維措施提供方向性指導(dǎo)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(yùn)維建議，并對預(yù)案按照成功概率進(jìn)行排序。同時，搜集運(yùn)維結(jié)果反饋情況，形成自反饋、自學(xué)習(xí)機(jī)制，使得下次推薦的預(yù)案更具可操作性，切實提高運(yùn)維工作的一次成功率，從而提高整體運(yùn)維工作的效率。

3 大型水電機(jī)組智能運(yùn)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(jī)組的運(yùn)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(jìn)行采集。機(jī)組監(jiān)測數(shù)據(jù)主要包括水、機(jī)、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?？梢圆杉臋C(jī)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(jī)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(jìn)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(biāo)準(zhǔn)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(xué)地分析和設(shè)計。不依賴額外知識進(jìn)行數(shù)據(jù)處理有利于進(jìn)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(yùn)行維護(hù)中的工作經(jīng)驗和特定數(shù)據(jù)集的特點(diǎn)。

在對數(shù)據(jù)進(jìn)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(jìn)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(xué)習(xí)的故障診斷技術(shù)

大型水電機(jī)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(dǎo)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(jī)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(jī)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(zhǔn)確較低等問題，提出基于深度學(xué)習(xí)的智能故障診斷方法框架。

3.3.1 深度學(xué)習(xí)模型適用性分析

深度學(xué)習(xí)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(xué)習(xí)網(wǎng)絡(luò)的隱含層的層數(shù)大大增加，這使得深度學(xué)習(xí)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(xué)習(xí)的落地應(yīng)用提供了很好的基礎(chǔ)條件。

隨著深度學(xué)習(xí)技術(shù)的深入研究和廣泛應(yīng)用，目前較成熟的深度學(xué)習(xí)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(jī)(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(diǎn)和適用范圍。針對故障診斷問題，不同模型的特點(diǎn)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(xué)習(xí)理論在大型水電機(jī)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(xué)習(xí)方法，是由多個限制玻爾茲曼機(jī)(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(jī)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?jǐn)?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(dá)。在特征提取后，DBN可以進(jìn)一步進(jìn)行有監(jiān)督的學(xué)習(xí)使其具有較強(qiáng)的分類能力。DBN的工作原理如圖3所示。

表2 深度學(xué)習(xí)模型特點(diǎn)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(yùn)維的必備步驟和環(huán)節(jié)?；谏疃戎眯啪W(wǎng)絡(luò)的水電機(jī)組故障診斷方法主要包括以下幾個步驟：

1) 對采集到的機(jī)組時域監(jiān)測數(shù)據(jù)按固定批次進(jìn)行分割，并進(jìn)行必要的預(yù)處理，然后將數(shù)據(jù)集劃分為訓(xùn)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(diǎn)數(shù)，使用訓(xùn)練集對DBN模型進(jìn)行無監(jiān)督訓(xùn)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(jìn)行反向微調(diào)；

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

3.4 智能運(yùn)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(jìn)行運(yùn)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(jī)組運(yùn)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(yùn)維故障難度系數(shù)，優(yōu)化運(yùn)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(yùn)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(xué)習(xí)，從而變得更智能、更有效。

本文設(shè)計的智能運(yùn)維框架能夠為運(yùn)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(yùn)維工作更有針對性，解決原先運(yùn)維工作的盲目性問題，從而更合理地配置運(yùn)維資源，實現(xiàn)更有效的運(yùn)維，節(jié)約運(yùn)維成本。具體實現(xiàn)方式包括以下步驟：

對采集運(yùn)維故障進(jìn)行運(yùn)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(jìn)行技術(shù)等級評價，配合采集運(yùn)維故障難度系數(shù)，優(yōu)化運(yùn)維模式和運(yùn)維資源力量調(diào)度安排；

根據(jù)具體運(yùn)維實施效果的反饋，進(jìn)一步優(yōu)化數(shù)據(jù)分析模型并細(xì)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(jī)組的運(yùn)維需求和當(dāng)下運(yùn)維工作所面臨的新挑戰(zhàn)，提出基于深度學(xué)習(xí)的水電機(jī)組智能運(yùn)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(yùn)維框架所包含的內(nèi)容，通過分析各種深度學(xué)習(xí)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(jī)組故障智能診斷方法框架，并與后續(xù)運(yùn)維工作結(jié)合，從而實現(xiàn)對大型水電機(jī)組的更科學(xué)、更高效的智能運(yùn)維。

深度學(xué)習(xí)在大型水電機(jī)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(jī)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(jìn)一步的深入研究。除了智能故障診斷，深度學(xué)習(xí)理論和技術(shù)在大型水電站的建設(shè)和運(yùn)營中的其他方面也具有很多實際的研究和應(yīng)用價值。