李 誠，劉 昊，蔣希峰，吳軍法，韓文剛，高建國

(浙江黑卡電氣有限公司，浙江 杭州 311100)

我國西南等地區(qū)的水電資源豐富，對其進行梯次有序地開發(fā)利用，對實現(xiàn)節(jié)能減排、碳中和的目標具有重要意義。但是水電機組由于長時間運轉，可能出現(xiàn)連接部位磨損、表面裂紋、關鍵零件脫落、定轉子振動等缺陷[1-4]，這些缺陷將影響水電機組運行的安全性，嚴重時會導致電網(wǎng)的非計劃停運，給電網(wǎng)的安全穩(wěn)定運行帶來嚴重風險。

隨著人工神經(jīng)網(wǎng)絡技術的快速發(fā)展，圖像識別技術在生物醫(yī)學、移動支付、工業(yè)控制等領域得到廣泛應用。如果將圖像識別技術應用于水電機組的定轉子狀態(tài)監(jiān)測，實現(xiàn)發(fā)電機定轉子缺陷智能診斷，將大幅提高水電機組運行的安全性[5-7]。

因此，本文開展了圖像識別技術在發(fā)電機定轉子缺陷診斷中的應用研究，為實現(xiàn)發(fā)電機定轉子缺陷的智能識別奠定了理論基礎。

1 VGG網(wǎng)絡

1.1 卷積神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡是模擬人類大腦處理信息機制的一種仿生學計算方法，其結構由多層神經(jīng)網(wǎng)絡層構成。層內的各神經(jīng)單元相互獨立，層間的神經(jīng)單元相互連接，連接邊具有一定的權值。當前，人工神經(jīng)網(wǎng)絡經(jīng)過了多年的快速發(fā)展，在負荷預測、故障診斷、狀態(tài)監(jiān)測、智能控制領域應用廣泛。但由于人工神經(jīng)網(wǎng)絡的連接權值均為參數(shù)，所以當其規(guī)模較大時，待求取參數(shù)規(guī)模就會非常巨大，導致需要訓練和計算的時間過長，且容易造成擬合的過度和失真[8-11]。

卷積神經(jīng)網(wǎng)絡屬于人工神經(jīng)網(wǎng)絡的發(fā)展形式之一。其對人工神經(jīng)網(wǎng)絡的改進之處在于：卷積神經(jīng)網(wǎng)絡使用滑動的卷積濾波器代替神經(jīng)網(wǎng)絡層之間的連接邊，使得神經(jīng)單元間只存在局部連接關系。神經(jīng)單元層的參數(shù)也減少為卷積濾波器的權重值，參數(shù)規(guī)模大幅減小，提高了計算效率，同時也能有效防止過度擬合現(xiàn)象。特別是在圖像識別領域，卷積神經(jīng)網(wǎng)絡的性能優(yōu)勢更為明顯。卷積神經(jīng)網(wǎng)絡隨著網(wǎng)絡層數(shù)的增加，對于特征的學習和提取則更加精細化，擬合結果的準確度更高。典型的深層卷積神經(jīng)網(wǎng)絡結構有Alex卷積神經(jīng)網(wǎng)絡等[12-14]。Alex卷積神經(jīng)網(wǎng)絡結構如圖1所示，其由5個卷積層、3個池化層和3個全連接層構成。

圖1 Alex卷積神經(jīng)網(wǎng)絡結構Figure 1. Structure of Alex convolution neural network

(1)卷積層。卷積層的作用是實現(xiàn)圖像像素特征的提取識別，卷積操作過程如圖2所示。對于原始輸入矩陣，卷積濾波器為固定大小的權值矩陣，將卷積濾波器覆蓋在輸入矩陣，將卷積濾波器矩陣與被覆蓋的輸入子矩陣做內積計算，并加上一定的偏置值，由此得到輸出矩陣的一個元素值。然后以固定步長滑動卷積濾波器，重復上述計算過程，從而得到整個輸出矩陣。

卷積操作的計算方法如下

(1)

圖2 卷積操作過程原理Figure 2. Convolution operation principle

(2)池化層。池化層的作用是實現(xiàn)圖像像素的壓縮，以消除冗余的數(shù)據(jù)信息，減少算法計算量，同時防止算法過度擬合。池化與卷積操作的滑動計算過程相似，只是在輸出矩陣元素值的計算方法上有所不同。

池化操作的計算方法如下

(2)

在卷積與池化操作中，輸入圖像與輸出圖像的尺寸應滿足以下關系

(3)

式中，i為輸入圖像尺寸；k為濾波器尺寸；s為卷積或池化操作的滑動步長；p為輸入圖像邊界填充尺寸；o為輸出圖像尺寸；[·]為向下取整函數(shù)。

(3)全連接層。全連接層神經(jīng)單元的連接關系與傳統(tǒng)神經(jīng)網(wǎng)絡相同，即輸入層與輸出層的任意兩個元神經(jīng)單元之間均存在連接關系。

1.2 VGG網(wǎng)絡

VGG(Visual Geometry Group)網(wǎng)絡是在Alex網(wǎng)絡基礎上的改進，其主要改進之處在于堆疊使用多個小尺寸的3×3卷積濾波器來代替Alex網(wǎng)絡中大尺寸的5×5和7×7卷積濾波器。原理如圖3所示，即兩個步長為1的3×3卷積濾波器與1個步長為1的5×5卷積濾波器的作用效果相同，其他尺寸的卷積濾波器堆疊代替原理也與之相似[15-16]。

與Alex網(wǎng)絡相比，VGG網(wǎng)絡結構更加簡潔，卷積濾波器均具有相同尺寸。利用小尺寸濾波器的堆疊來代替大尺寸濾波器，這樣的改進不但具有更少的參數(shù)，而且提高了算法的計算效率，同時加深了網(wǎng)絡結構的深度，提高了算法的擬合性能。

圖3 卷積濾波器堆疊代替原理Figure 3. Principle of convolution filter stack substitution

2 發(fā)電機定轉子智能診斷算法

本文將VGG網(wǎng)絡應用于發(fā)電機定轉子的智能診斷與缺陷識別，構建了智能診斷系統(tǒng)的拓撲結構，如圖4所示。

將安裝在水電機組內部的可見光探頭獲取的圖像先通過千兆級網(wǎng)絡上傳至遠程服務器，然后再接入到智能診斷算法和應用服務器中。同時配置本地服務器，使其具備視頻、圖像記錄儲存功能，便于本地查閱歷史視頻、圖像歷史記錄。在局域網(wǎng)上，使用者通過網(wǎng)絡查看設備內部的實時監(jiān)控視頻以及經(jīng)過服務器拼接的大視角視頻。在公共網(wǎng)絡上，用戶可以通過客戶端或者手機應用實時查看相關的監(jiān)測信息和智能診斷結果。

圖4 發(fā)電機定轉子智能診斷系統(tǒng)拓撲結構Figure 4. Topology of generator stator and rotor intelligent diagnosis system

基于VGG網(wǎng)絡的發(fā)電機定轉子智能診斷算法結構如圖5所示，包括離線訓練和實時監(jiān)測兩部分。

離線監(jiān)測則通過對本地服務器中儲存的歷史圖像進行灰度處理和骨架提取等預處理，形成訓練圖像樣本，然后作為VGG網(wǎng)絡模型的輸入，通過訓練獲得滿足精確度要求的VGG網(wǎng)絡模型。同時實現(xiàn)對VGG網(wǎng)絡模型的修正，不斷提高智能診斷算法的準確性。

在線監(jiān)測通過將可見光探頭獲取的實時發(fā)電機定轉子圖像進行預處理后，作為已訓練至精度滿足要求的VGG網(wǎng)絡模型輸入，然后得到輸出結果，即發(fā)電機定轉子的健康狀態(tài)，實現(xiàn)發(fā)電機定轉子的實時在線智能診斷。

圖5 基于VGG網(wǎng)絡的發(fā)電機定轉子智能診斷算法Figure 5. Intelligent diagnosis algorithm of generator stator and rotor based on VGG network

VGG網(wǎng)絡模型的訓練過程如圖6所示，主要包括以下步驟：

步驟1從本地服務器的歷史圖像集合中隨機抽取N個圖像樣本構成訓練組；

步驟2對訓練組的圖像進行預處理；

步驟3初始化卷積濾波器權值、學習率和最小精度要求等算法控制參數(shù)；

步驟4將訓練組的圖像樣本作為VGG網(wǎng)絡模型的輸入，計算輸出值；

步驟5計算輸出值與目標值的誤差；

步驟6根據(jù)誤差對卷積濾波器的權重進行調整；

步驟7判斷是否滿足精度要求，若是則進行步驟8，否則返回步驟6；

步驟8輸出滿足精度要求的VGG網(wǎng)絡模型。

圖6 VGG網(wǎng)絡模型訓練過程Figure 6. VGG network model training process

3 算例分析

為了驗證本文所提基于VGG網(wǎng)絡的發(fā)電機定轉子智能診斷法算法的正確性和有效性，選取本地服務器中儲存的300張發(fā)電機定轉子圖像，其中訓練組250張，其余50張作為測試組。實驗所采用的計算機硬件環(huán)境配置如表1所示。

表1 算法仿真硬件環(huán)境

3.1 算法訓練過程

本文采用目標值和輸出值之間的均方差來衡量發(fā)電機定轉子智能診斷算法的誤差，其計算方法如下

(4)

式中，x′i為第i個樣本的輸出值；xi為第i個樣本的目標值。

分別基于Alex網(wǎng)絡和VGG網(wǎng)絡的兩種發(fā)電機定轉子智能診斷算法訓練過程的均方差如圖7所示。由圖可知，VGG網(wǎng)絡算法在迭代1 000次左右時，均方差約為0.003，而且后續(xù)趨于穩(wěn)定，算法訓練達到收斂狀態(tài)。而此時Alex網(wǎng)絡算法的均方差約為0.38，且處于波動狀態(tài)，在迭代次數(shù)達到4 000次時，算法仍未收斂。由此可見，相比于Alex算法，VGG網(wǎng)絡算法具有更快的收斂速度。其主要原因是VGG算法的參數(shù)較少，計算速度更快。

圖7 算法訓練收斂過程Figure 7. Convergence process of algorithm training

3.2 算法性能分析

將本文所提方法與基于Alex網(wǎng)絡的發(fā)電機定轉子智能診斷算法進行對比，智能診斷結果的準確率如表2所示。由表2可知，本文所提的發(fā)電機定轉子智能診斷算法的準確率均大于90%，準確率最高可達96.1%。而基于Alex網(wǎng)絡的智能診斷算法的準確率均小于85%，最高的準確率僅為84.2%。這是因為基于VGG網(wǎng)絡的智能診斷算法的網(wǎng)絡結構更深，所以算法的準確性更高。

表2 智能診斷結果的準確率

4 結束語

本文進行了基于VGG網(wǎng)絡的發(fā)電機定轉子智能診斷算法研究，通過實驗仿真結果表明：相比于基于Alex網(wǎng)絡的發(fā)電機定轉子智能診斷算法，本文所提算法的參數(shù)規(guī)模更小，在訓練過程中收斂速度更快，誤差更小，同時算法結構層次更深，所得到的發(fā)電機定轉子智能診斷結果準確率更高。但是本文所提算法僅實現(xiàn)了對發(fā)電機定轉子機械故障的智能診斷，對于接地、短路等電氣故障仍無法實現(xiàn)智能診斷，這將在后續(xù)的研究中進一步展開。