李 誠(chéng)，高建國(guó)，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(jī)組的安全、穩(wěn)定、可靠運(yùn)行直接關(guān)系到電站能否向電網(wǎng)穩(wěn)定、經(jīng)濟(jì)地提供可靠的電力[2]。水電機(jī)組故障經(jīng)常會(huì)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(jī)組運(yùn)行[3]；麗水緊水灘水電站因偏離設(shè)計(jì)工況運(yùn)行導(dǎo)致尾水管低頻渦帶脈動(dòng)，引發(fā)了劇烈的機(jī)組振動(dòng)[4]；俄羅斯薩楊-舒申斯克水電站于2009 年超負(fù)荷運(yùn)行，最終造成75 人遇難、10 臺(tái)機(jī)組完全損壞的嚴(yán)重后果[5]。傳統(tǒng)水電站發(fā)電機(jī)組運(yùn)維容易錯(cuò)過(guò)機(jī)組缺陷處理的最佳時(shí)間[6]，目前比較好的維護(hù)模式是依據(jù)機(jī)組運(yùn)行狀態(tài)，合理制定狀態(tài)監(jiān)測(cè)、故障診斷和狀態(tài)趨勢(shì)預(yù)測(cè)的水電機(jī)組維修策略[7]，從對(duì)故障的被動(dòng)響應(yīng)轉(zhuǎn)變?yōu)橹鲃?dòng)預(yù)防，避免維修不足或過(guò)度維修的問(wèn)題。

近年來(lái)，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(dòng)信號(hào)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(jìn)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(chē)振動(dòng)信號(hào)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(dòng)信號(hào)，采用小波包分頻帶構(gòu)建特征向量，實(shí)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(huì)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(jī)械設(shè)備故障智能分類(lèi)的深度學(xué)習(xí)模型以人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等為代表，獲得了長(zhǎng)遠(yuǎn)的發(fā)展，極限學(xué)習(xí)機(jī)是一種現(xiàn)代智能模擬專(zhuān)家決策識(shí)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(guò)隨機(jī)的方式獲取，不需要多次迭代。圖1 為極限學(xué)習(xí)機(jī)的結(jié)構(gòu)原理。

圖1 極限學(xué)習(xí)機(jī)的結(jié)構(gòu)原理圖

計(jì)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(jī)的模型計(jì)算公式為：

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

1.2 狀態(tài)評(píng)價(jià)

狀態(tài)評(píng)價(jià)采用類(lèi)比的評(píng)價(jià)標(biāo)準(zhǔn)，首先對(duì)同一機(jī)組出廠后不同時(shí)期各項(xiàng)參數(shù)監(jiān)測(cè)數(shù)值進(jìn)行比對(duì)，其次考慮多臺(tái)同樣型號(hào)的機(jī)組在統(tǒng)一相同的運(yùn)行工況下各項(xiàng)參數(shù)監(jiān)測(cè)信息的比對(duì)[17]，通過(guò)這種類(lèi)比比對(duì)的方式有效獲取當(dāng)前考察機(jī)組的運(yùn)行狀態(tài)。

該方法本質(zhì)上是通過(guò)機(jī)組的健康狀態(tài)與當(dāng)前狀態(tài)的相似度分析來(lái)進(jìn)行距離估算，從而完成狀態(tài)評(píng)價(jià)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(guò)歐氏幾何法計(jì)算相似度距離的度量公式，由此最終建立的類(lèi)比評(píng)價(jià)流程，如圖2所示。

圖2 類(lèi)比評(píng)估方法計(jì)算流程

因?yàn)轭?lèi)比評(píng)估的標(biāo)準(zhǔn)是與不同時(shí)期下該機(jī)組的歷史參數(shù)數(shù)據(jù)或同一時(shí)期下相同型號(hào)和運(yùn)行工況的機(jī)組的對(duì)比，因此可以避開(kāi)難以量化的缺陷狀態(tài)，全面有效地評(píng)估待測(cè)機(jī)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(jiàn)光攝像探頭

水輪發(fā)電機(jī)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(lái)自于可見(jiàn)光探頭，探頭的選擇和安裝位置不能影響水電機(jī)組的穩(wěn)定運(yùn)行，還要能夠適應(yīng)惡劣的工作環(huán)境。

水輪發(fā)電機(jī)內(nèi)狹小，為了準(zhǔn)確、有效地觀測(cè)定轉(zhuǎn)子運(yùn)行狀態(tài)，包括潛在的裂紋和抖動(dòng)，探頭需安裝于水電機(jī)組的內(nèi)部。設(shè)計(jì)選用高清和高幀率的超廣角可見(jiàn)光探頭，同時(shí)每臺(tái)攝像機(jī)需自帶紅外補(bǔ)光器來(lái)匹配整個(gè)過(guò)程的曝光一致性。定制超廣角可見(jiàn)光探頭要考慮振動(dòng)、高溫、觀測(cè)位置等多個(gè)因素。

設(shè)計(jì)在水輪發(fā)電機(jī)組內(nèi)的冷風(fēng)道周?chē)惭b4 臺(tái)適合該場(chǎng)景應(yīng)用的超廣角高清攝像頭，通過(guò)圖像拼接技術(shù)，將整個(gè)定轉(zhuǎn)子拼接成立體展現(xiàn)視圖，實(shí)現(xiàn)對(duì)全部定轉(zhuǎn)子的現(xiàn)場(chǎng)實(shí)時(shí)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(jī)，對(duì)電氣連接部位進(jìn)行實(shí)時(shí)的溫度監(jiān)測(cè)及診斷。

2.2 缺陷圖像識(shí)別處理

1）攝像機(jī)鏡頭畸變校正技術(shù)

通過(guò)高清超廣角攝像頭實(shí)時(shí)監(jiān)視水輪發(fā)電機(jī)的定轉(zhuǎn)子運(yùn)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(jī)鏡頭的畸變問(wèn)題。首先需要獲取準(zhǔn)確的鏡頭畸變校正參數(shù)，通常相機(jī)鏡頭會(huì)隨著觀察點(diǎn)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(shí)，直線的彎曲越小。因此對(duì)于彎曲測(cè)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(jì)算最終的畸變參數(shù)，通過(guò)計(jì)算過(guò)程的優(yōu)化提高畸變標(biāo)定的精度。同時(shí)，利用實(shí)際實(shí)驗(yàn)獲取數(shù)據(jù)及時(shí)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(chēng)為尺度不變特征變化，通過(guò)確定圖像上的一個(gè)或多個(gè)特征點(diǎn)，在不同的尺度空間下以此特征點(diǎn)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(diǎn)在監(jiān)測(cè)中的位置。

3）多探頭圖像智能拼接技術(shù)

通過(guò)多探頭圖像智能拼接技術(shù)拼接安裝于水電機(jī)組內(nèi)部多個(gè)探頭的畫(huà)面，營(yíng)造拼接后的在線監(jiān)測(cè)查看體驗(yàn)，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(shí)際的應(yīng)用較為廣泛，該算法選用SURF 進(jìn)行圖像拼接，包括特征點(diǎn)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(jī)定轉(zhuǎn)子缺陷特征提取

水輪發(fā)電機(jī)組轉(zhuǎn)子一般按裂紋形狀進(jìn)行分類(lèi)。通過(guò)簡(jiǎn)化模型模擬轉(zhuǎn)子裂紋，發(fā)現(xiàn)裂紋將引起機(jī)組振動(dòng)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(jī)和帶負(fù)荷運(yùn)行的過(guò)程中分析水電機(jī)組的振動(dòng)特征。發(fā)現(xiàn)裂紋會(huì)使機(jī)組的振動(dòng)緩慢增大，波形畸變；振動(dòng)信號(hào)中會(huì)出現(xiàn)偶次諧波，甚至是高頻成分；轉(zhuǎn)子軸心的運(yùn)動(dòng)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(shí)晃度增大明顯，后期甚至還會(huì)引起熱彎曲[18]。根據(jù)不同運(yùn)行狀態(tài)下的情況，搜集對(duì)應(yīng)的轉(zhuǎn)子裂痕的可見(jiàn)光圖像集，包括從開(kāi)始出現(xiàn)到比較嚴(yán)重等多個(gè)階段的圖像。

積累定轉(zhuǎn)子常見(jiàn)缺陷所對(duì)應(yīng)的圖像及特征數(shù)據(jù)，才能對(duì)采集到的圖像進(jìn)行智能診斷，這一過(guò)程涵蓋了數(shù)據(jù)積累、診斷算法的提出和實(shí)現(xiàn)。

2.4 深度學(xué)習(xí)算法

實(shí)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(kuò)展的速度、振動(dòng)偏轉(zhuǎn)的角度大小等，根據(jù)這些歷史參數(shù)及時(shí)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(jiàn)光圖進(jìn)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(guò)VGG 網(wǎng)絡(luò)提取所述預(yù)處理圖中的待測(cè)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(cè)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(jìn)行全局優(yōu)化訓(xùn)練，得到待測(cè)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(cè)物體網(wǎng)絡(luò)模型，輸入或讀取待識(shí)別圖像，獲得待識(shí)別圖中為異常的概率。若待檢測(cè)圖像為異常的概率高于所述概率閾值，則對(duì)應(yīng)的轉(zhuǎn)子異常，需要輸出警報(bào)信號(hào)。

3 智能診斷系統(tǒng)構(gòu)建

基于深度學(xué)習(xí)的發(fā)電機(jī)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(cè)及匹配技術(shù)、訓(xùn)練裂紋、振動(dòng)、脫落樣本及規(guī)則庫(kù)建立等，積累水輪發(fā)電機(jī)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(shí)需要及時(shí)調(diào)整算法來(lái)適應(yīng)少訓(xùn)練集帶來(lái)的挑戰(zhàn)。圖3 是診斷策略流程圖。

實(shí)現(xiàn)的方法包括在水電站發(fā)電機(jī)定轉(zhuǎn)子內(nèi)部安裝定制鏡頭后的可見(jiàn)光相機(jī)，并利用構(gòu)建的網(wǎng)絡(luò)系統(tǒng)實(shí)現(xiàn)多相機(jī)對(duì)定轉(zhuǎn)子的實(shí)時(shí)監(jiān)控系統(tǒng)。獲取特征圖像后，通過(guò)具有深度學(xué)習(xí)機(jī)制的裂紋、脫落、振動(dòng)偏移等缺陷智能監(jiān)測(cè)算法服務(wù)器，按照診斷規(guī)則、模型規(guī)則等綜合經(jīng)驗(yàn)數(shù)據(jù)作為基礎(chǔ)，對(duì)常見(jiàn)定轉(zhuǎn)子故障類(lèi)型進(jìn)行有效的在線故障分析，為水電機(jī)組安全運(yùn)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(jī)組設(shè)備運(yùn)行過(guò)程的可視化。

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

4 智能診斷效果驗(yàn)證

針對(duì)湖北白蓮水庫(kù)水電機(jī)組發(fā)電機(jī)定轉(zhuǎn)子運(yùn)行狀態(tài)的實(shí)時(shí)在線監(jiān)控?cái)?shù)據(jù)，對(duì)水電機(jī)組轉(zhuǎn)子裂紋、脫落和振動(dòng)等異?，F(xiàn)象智能診斷分析提示算法進(jìn)行驗(yàn)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(jī)定轉(zhuǎn)子缺陷診斷圖像處理過(guò)程為：

1）圖像預(yù)處理：建立原始圖像的灰度提取和骨架提取；

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

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

系統(tǒng)實(shí)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(kù)水電機(jī)組發(fā)電機(jī)缺陷智能診斷系統(tǒng)識(shí)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(guò)系統(tǒng)預(yù)處理、特征標(biāo)記以及最后提取特征點(diǎn)的圖像處理過(guò)程，從而證明該系統(tǒng)能夠有效實(shí)現(xiàn)水輪發(fā)電機(jī)定轉(zhuǎn)子缺陷智能診斷。

圖6 裂紋缺陷圖像智能識(shí)別圖

5 結(jié)束語(yǔ)

文中基于ELM 深度學(xué)習(xí)和類(lèi)比狀態(tài)評(píng)價(jià)的理論基礎(chǔ)，采用放置在水電機(jī)組內(nèi)部的超廣角可見(jiàn)光探頭，結(jié)合全景紅外補(bǔ)光燈外設(shè)，對(duì)水電機(jī)組定轉(zhuǎn)子裂紋、振動(dòng)、脫落等缺陷進(jìn)行特征識(shí)別收集，并建立缺陷樣本和規(guī)則庫(kù)，最終實(shí)現(xiàn)了水輪發(fā)電機(jī)定轉(zhuǎn)子缺陷的智能診斷。經(jīng)驗(yàn)證，其可以有效診斷相應(yīng)的故障缺陷。置于機(jī)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(cè)水電機(jī)組定轉(zhuǎn)子狀態(tài)，通過(guò)服務(wù)器實(shí)時(shí)圖像處理、拼接和計(jì)算，在實(shí)現(xiàn)智能診斷缺陷的同時(shí)，通過(guò)網(wǎng)絡(luò)的連接，客戶機(jī)還提供相關(guān)信息實(shí)時(shí)查看的功能。