熊 璽,汪廣明,童 松,何 滔,黃賽梟
(國能大渡河沙坪發(fā)電有限公司,四川 樂山 614300)
21世紀以來,我國水利水電事業(yè)發(fā)展迅速,水電站單機容量不斷增大。水電站的運行穩(wěn)定性直接關(guān)系到電站的安全和電網(wǎng)的供電質(zhì)量[1]。水輪機調(diào)節(jié)系統(tǒng)(HTGS, hydro-turbine governing system)在水電站中起著功率調(diào)節(jié)的作用,為了減少HTGS的突發(fā)事故,延長HTGS的使用壽命,許多大型水電站采用360攝像頭、智能巡檢機器人、無人機等方式對水電站中關(guān)鍵設(shè)備進行在線狀態(tài)監(jiān)測,分析水電站機組的穩(wěn)定運行狀態(tài),并結(jié)合設(shè)備故障診斷技術(shù),達到保證水電企業(yè)設(shè)備安全穩(wěn)定運行的目的,從而提高水電企業(yè)的經(jīng)濟效益[2-3]。
針對上述問題,文獻[4]提出了一種水電站故障智能檢測系統(tǒng),從運行數(shù)據(jù)中研究了故障特征向量,并利用人工神經(jīng)網(wǎng)絡(luò)建立了故障診斷模型,具有較好的故障診斷能力。然而該系統(tǒng)運算性能差,診斷時間太長。文獻[5]公開了廣義頻率響應(yīng)函數(shù)作為基于HTGS參數(shù)模型的診斷方法,非線性輸出頻率響應(yīng)函數(shù)(NOFRFs,nonlinear output frequency response functions)在非線性系統(tǒng)分析中具有良好的計算性能,有助于HTGS的故障診斷。但NOFRFs模式的識別需要多種精度,在工程實踐中難以實現(xiàn)。
鑒于上述文獻技術(shù)中的優(yōu)缺點,本研究采用巡檢機器人對水電站HTGS進行智能監(jiān)測,機器人能夠通過自身攝像頭拍攝HTGS實時畫面,作為本文中的采集圖像數(shù)據(jù),以巷道巡檢機器人為例的采集識別圖像如圖1所示。
圖1 巡檢機器人采集識別圖像案例
之后,得到的圖像數(shù)據(jù)要根據(jù)可編程邏輯控制器(PLC, programmable logic controller)控制器進行智能識別,圖像的識別過程為計算機算法運算處理過程。在此基礎(chǔ)上,本研究還構(gòu)建了計算機平臺—水電站故障監(jiān)測系統(tǒng),其架構(gòu)如圖1所示。
圖2中的系統(tǒng)框架可以看出,本研究通過設(shè)置不同的數(shù)據(jù)層次實現(xiàn)多種類型的數(shù)據(jù)診斷。首先,通過在水電站電力系統(tǒng)中設(shè)置巡檢機器人行動路線,通過機器人上智能攝像頭采集HTGS實時圖像數(shù)據(jù)信息,提取HTGS圖像中的故障特征。在數(shù)據(jù)傳輸過程中,通過無線傳輸?shù)姆绞綄TGS中的故障數(shù)據(jù)傳遞到水電站故障監(jiān)測系統(tǒng),傳輸途徑通過云平臺傳遞到數(shù)據(jù)分析層進行數(shù)據(jù)分析或者計算,利用優(yōu)化的DPM算法實現(xiàn)HTGS的故障識別。與此同時,通過映射的方式處理HTGS中的水電站故障監(jiān)測系統(tǒng)數(shù)據(jù)類型的復(fù)雜非線性關(guān)系,通過巡檢機器人視覺識別實現(xiàn)電網(wǎng)系統(tǒng)中HTGS的數(shù)據(jù)信息診斷和故障位置診斷,使用戶能夠?qū)崟r地得出HTGS故障診斷方案[6]。診斷后的數(shù)據(jù)信息通過遠程數(shù)據(jù)傳輸端口傳遞到數(shù)據(jù)監(jiān)控層進行監(jiān)控,進而實現(xiàn)底層數(shù)據(jù)的物聯(lián)網(wǎng)傳遞,用戶無需在現(xiàn)場即可實現(xiàn)底層數(shù)據(jù)的遠程監(jiān)控。
圖2 水電站故障監(jiān)測系統(tǒng)架構(gòu)
本研究采用PLC控制巡檢機器人的信息獲取,該技術(shù)可以自動控制巡檢機器人的行動路線以及故障定位,避免了人為故障診斷造成的錯誤現(xiàn)象。本研究采用日本廠家FX3U-64MR-ES-A型號的PLC控制器,與傳統(tǒng)控制方式相比,該型號PLC 控制系統(tǒng)有三大優(yōu)點:1)PLC的控制功能編程簡單,程序語言很容易明白,方便操作;2)PLC具有很高的兼容性,能夠與普通用戶電腦直接相連;3)PLC具有遠程通訊的技術(shù),可以接收模擬信號[7-8]。有關(guān)PLC硬件結(jié)構(gòu)如圖3所示。
圖3 PLC硬件結(jié)構(gòu)框圖
如圖3所示,PLC結(jié)構(gòu)擁有電源、中央處理單元(CPU,central processing unit)、存儲器、存儲器、輸入模塊、輸出模塊、通信接口、電源模塊及擴展接口模塊等。其中,電源部分在整個PLC結(jié)構(gòu)框圖中作用是十分重要的,能夠提供系統(tǒng)運行的電壓,保證PLC工作穩(wěn)定運行;CPU對PLC整個結(jié)構(gòu)進行控制指揮;存儲器把所需要的硬件軟件安全的存放,通常固化原廠系統(tǒng)代碼在系統(tǒng)存儲器中,用戶無法對只讀內(nèi)存中的系統(tǒng)代碼進行改寫,軟件代碼的質(zhì)量也決定了PLC的性能;輸入/輸出模塊則是方便接收信號和反饋信號的通道;擴展接口模塊PLC的擴展接口模塊主要負責PLC與外圍模塊之間的連接,保證了控制器與外部的有效數(shù)據(jù)通訊[9]。
PLC的工作原理并不復(fù)雜??偨Y(jié)歸為4個字:循環(huán)掃描。PLC的具體工作內(nèi)容分為3個模塊:輸入采集、程序編程和輸出刷新。在PLC運行的時候,掃描速度由程序員設(shè)定。PLC系統(tǒng)會對全部輸入數(shù)據(jù)進行掃描,然后存儲起來,在掃描過程中,一定要保證收到的信號在掃描的周期內(nèi),否則將無法保存起來。此外,CPU會根據(jù)輸入/輸出模塊對其中所有HTGS故障數(shù)據(jù)進行輸出刷新,然后通過輸出端口連接到外面電路[10]。
由于PID控制算法穩(wěn)定性差,本研究采用模糊控制算法,設(shè)水壓理論值為P,水壓實際測量值為P′,則誤差x為:
x=P′-P
(1)
將誤差x與誤差變化率Δx作為模糊控制算法的輸入,轉(zhuǎn)化為模糊集,并構(gòu)建建立輸入變量與輸出變量之間的模糊控制規(guī)則。模糊控制表是利用模糊元函數(shù)計算出來的,存儲在PLC的存儲器中。以本研究的供水系統(tǒng)為基礎(chǔ),將進水輪發(fā)電機組水壓誤差x、誤差變化率Δx和輸出變量v的模糊集設(shè)為QB(負大)、WA(負中)、RE(負小)、ZQ(零)、JK(正小)、HR(正中)、PL(正大),轉(zhuǎn)換成數(shù)字域(-3,-2,-1,0,1,2,3)共有7個等級[11]。關(guān)于模糊集的模糊元函數(shù)在數(shù)字域中的分布如圖4所示。
圖4 模糊元函數(shù)分布圖
通過模糊控制規(guī)則和根據(jù)模糊元函數(shù)得出模糊控制規(guī)則如表1所示。
如表1所示,可以得出模糊控制關(guān)系:如果x=A和Δx=B,則v=C。A、B、C分別代表模糊集合中任意一個元素。根據(jù)模糊控制規(guī)則表,對輸入值進行模糊控制算法轉(zhuǎn)換為數(shù)字域,得出相應(yīng)的控制運算代碼結(jié)果。
表1 模糊控制規(guī)則表
采用模糊控制算法能夠分析內(nèi)部參數(shù)動態(tài)穩(wěn)定性,進一步分析HTGS故障問題。但并非每臺水輪發(fā)電機組都有完整的特性曲線,因此,本研究構(gòu)建簡化非線性水輪機模型,該模型因結(jié)構(gòu)簡單、計算精度高而得到廣泛應(yīng)用。簡化非線性水輪機模型可表示如下:
(2)
式(2)中,Pm是指水力機械功率,At是指比例系數(shù),q是指水輪機流量,Qnl是指水輪機空載流量,D是指速度失調(diào)阻尼系數(shù),G是指閘門開度,Tw是指水錘時間常數(shù),fp為是指水頭損失系數(shù),h是指水頭??紤]到HTGS中發(fā)電機的動態(tài)轉(zhuǎn)速,發(fā)電機的模型可描述為以下傳遞函數(shù):
(3)
式(3)中,x表示水輪發(fā)電機組的頻率,TaS表示慣性時間常數(shù),eg表示自適應(yīng)控制系數(shù)。非線性水輪發(fā)電機組模型如圖5所示。
圖5 非線性水輪發(fā)電機組模型框圖
NOFRFs是頻率響應(yīng)函數(shù)在非線性系統(tǒng)中的推廣,它能反映非線性系統(tǒng)的一些典型頻率響應(yīng)。正常狀態(tài)下的GFRFs與非線性系統(tǒng)中的故障狀態(tài)不同,這種現(xiàn)象可用于故障診斷。n階NOFRF如下所示:
(4)
式(4)中,Y和U分別是指HTGS輸入和輸出的頻譜,σ是指HTGS的非線性函數(shù)自變量,Hn是指n階廣義頻率響應(yīng)函數(shù)。當HTGS系統(tǒng)發(fā)生故障時,系統(tǒng)的非線性特性會發(fā)生變化,其反映在NOFRFs上。因此,通過NOFRFs可以反應(yīng)出水電站HTGS故障問題。
為了解決水電站HTGS圖像的故障識別困難的問題,本研究利用基于方向梯度直方圖(HOG,histograms of oriented gradients)特征模板優(yōu)化的可變形組件模型(DPM, deformable part model)算法算法實現(xiàn)HTGS的故障識別。HOG特征是巡檢機器人視覺識別中最常用的特征模型,其提取方法的具體過程為:
步驟1:將HTGS圖像轉(zhuǎn)換為灰度圖,并進行標準化:
(5)
式(5)中,T(a,b)是指HTGS圖像的灰度值。
步驟2:梯度計算。計算HTGS圖像在像素(a,b)點的梯度值,其公式為:
La(a,b)=H(a+1,b)-H(a-1,b)
Lb(a,b)=H(a,b+1)-H(a,b-1)
(6)
式(6)中,La(a,b)是指HTGS圖像的水平梯度值,Lb(a,b)是指HTGS圖像的垂直梯度值,H(a,b)是指HTGS圖像的像素值。在像素點(a,b)的梯度向量為:
(7)
(8)
式(7)~(8)中,L(a,b)是指HTGS圖像的梯度值,α(a,b)是指HTGS圖像的梯度方向。
步驟3:構(gòu)建方向梯度直方圖。將HTGS圖像分成若干模塊,每個模塊有8*8個像素,將模塊梯度方向分成9塊。對模塊中的每個像素在梯度方向直方圖中進行加權(quán)投影,就可以統(tǒng)計出該模塊的梯度方向直方圖[12]。將相鄰的幾個模塊進行組合,并進行歸一化。
步驟4:生成特征向量。每片歸一化模塊會有部分重疊的HOG特征,提取這些特征生成特征向量。關(guān)于HOG特征提取過程中單元格、塊以及圖像之間的關(guān)系如圖6所示。
圖6 HOG特征提取過程示意圖
在得到HOG特征后,支持向量機(SVM, support vector machine,)可以最大限度地分離出HTGS圖像兩個類別特征。該分類器可以簡化分類中的問題,并能剔除許多冗余信息。假設(shè)一個線性SVM分類器為f(x),該函數(shù)的定義表達式為:
(9)
式(9)中,R是指SVM分類器一個參數(shù),x是指一個HTGS圖像樣本變量,z是指隱變量,Z(x)是指隱變量的取值空間,P(x,z)是指HTGS圖像樣本的描述。一個SVM分類器訓(xùn)練主要通過最小化目標函數(shù)得到最優(yōu)參數(shù)R,具體定義為:
(10)
式(10)中,M(R)是指目標函數(shù),i是指第i個訓(xùn)練任務(wù)。關(guān)于求出目標函數(shù)最小化,可以通過固定R為每個正樣本選取最佳的隱變量值來最優(yōu)化。
DPM基于HOG特征采用了模塊化的概念,并在歸一化處理時,直接將當前單元與周圍4個單元的區(qū)域歸一化。關(guān)于優(yōu)化的DPM特征提取流程如圖7所示。
圖7 優(yōu)化的DPM特征提取流程圖
如圖7所示,本文采用了有符號梯度和無符號梯度相結(jié)合的方式來進行DPM特征提取流程的優(yōu)化,簡單原理在于分別計算有符號所有方向梯度和無符號0~180°的方向梯度,在有符號梯度方向提取18維特征向量,無符號梯度方向提取9維向量,得到的27維特征向量,對4個模塊參數(shù)進行歸一化,得到4*27=108維的HTGS特征圖像。之后重排為并進行行列相加,得到4+27=31維的特征[13]。綜上所述,下面將針對DPM模型的HTGS故障識別過程進行綜合闡述:
1)首先,將采集到的HTGS圖像通過低通濾波器,并對HTGS圖像進行切片,從而得到一系列尺寸變化的圖像。
2)與原始模板進行圖像對比,將部分模板與3倍率的HTGS圖像進行匹配,綜合部件模板與特征的匹配程度和最佳位置偏離,得到最佳的匹配結(jié)果,該過程實現(xiàn)公式為:
S(x0,y0,l0)=K(x0,y0)+J
(11)
(12)
式(11)~(12)中,(x0,y0)是指HTGS圖像識別特征點,l0是指尺度層,S是指匹配度,K(x0,y0)是指待監(jiān)測的HTGS圖像,J是指不同部分模板與3倍率的HTGS圖像匹配度,t是指一個隨機部分模板。
3)通過低通濾波器進行響應(yīng)變換,其中響應(yīng)變換的公式為:
(13)
式(13)中,d是指HTGS圖像特征點偏離原始模板位置,(x,y)是指第i個部分模板在尺度層l的最佳偏離位置。(dx,dy)是指相對于第i個部分模板的偏移量。等式(13)的含義為待檢測HTGS圖像K在(x+dx,y+dy)偏移量處的匹配得分,根據(jù)匹配得分系統(tǒng)將智能評估出匹配結(jié)果,從而實現(xiàn)巡檢機器人視覺故障識別[14]。
為了驗證水電站故障監(jiān)測系統(tǒng)的實用性與可靠性,在這一節(jié)中,本研究將設(shè)計模擬實驗。通過巡檢機器人調(diào)研一年內(nèi)安徽省蕪湖市郊外多個大型水電站水輪機設(shè)備,并搭建后臺服務(wù)器集群用于數(shù)據(jù)處理,每臺服務(wù)器的計算機操作系統(tǒng)為Windows10·64位,計算機的開發(fā)工具為Visual Studio 2019,OpenCV 3.0,計算機的硬件環(huán)境為CPU:Inter(R)Core(TM)i7;主頻為2.59 GHz;內(nèi)存16 G,所用的編碼軟件JavaScript的版本為ECMA Script 6。
通過巡檢機器人檢出水電站多種故障圖像類型,例如:水輪機組功率不足、調(diào)速器問題、水輪機問題、油系統(tǒng)問題、儲氣罐壓力問題、球閥問題、接力器問題等多種問題。此外,水輪機空載流量會因?qū)畽C構(gòu)泄漏、軸承潤滑不良等原因而發(fā)生變化,軸承潤滑不良的原因在于水輪機組推力瓦和鏡板之間沒有形成足夠的油膜厚度,推力瓦和鏡板沒有分離,推力瓦面得不到充分潤滑而引起的燒瓦現(xiàn)象,這種故障情況嚴重影響水輪機組的運行效率。本研究以軸承潤滑不良引起的推力瓦面燒瓦現(xiàn)象作為本研究實驗的圖像,經(jīng)過一年時間調(diào)研多個大型水電站水輪機采集得到了26 864張故障圖像,經(jīng)過篩選分類等預(yù)處理構(gòu)建了實驗數(shù)據(jù)庫,關(guān)于巡檢機器人監(jiān)測得到的圖像數(shù)據(jù)如圖8所示。
圖8 檢機器人監(jiān)測得到的圖像
針對上述水電站故障問題,水輪機空載流量的非線性頻率分析對水輪機的正確檢修具有重要意義。本研究通過構(gòu)建NOFRFs模型進行特性分析,其相關(guān)的主要參數(shù)根據(jù)實際HTGS設(shè)置為:Tw=0.5 s,At=1.06,Ta=5.7 s,eg=0和D=0,模擬時間為500 s,模擬步長為0.01 s。此外,主伺服電機的響應(yīng)時間常數(shù)設(shè)置為Ty=0.1。干擾信號設(shè)置為xr(t)=0.05 sin(t),并在90秒時施加。為了減少計算量,將NOFRFs的最大階數(shù)N設(shè)為3,提取信號設(shè)為xu(t)=0.05 sin(t),干擾信號的基頻為wf=1/2π。不同空載流量(Qnl=0.1、Qnl=0.2、Qnl=0.3)下HTGS的NOFRF如表2所示。
表2 不同空載流量下NOFRF值
如表2所示,隨著空載流量的增加,一些非線性特征可以從NOFRFs中反映出來。最明顯的變化是G2的半頻增加,基頻降低。G1的半頻有微弱的增加,基頻變化不大。G3的半頻會增加,G1的基頻會有較大幅度的變化。NOFRFs的這些變化可用于HTGS的故障識別,并證實了與空載流量有關(guān)。
為了突顯基于DPM的故障識別算法的優(yōu)勢性能,以文獻[4]中基于人工神經(jīng)網(wǎng)絡(luò)(ANN,artificial neural network)的故障監(jiān)測模型作為比較對象,進行對比實驗。從實驗數(shù)據(jù)集中提取0~2 GB的水輪機組故障圖像數(shù)據(jù)量,采用ANN與DPM兩種算法的故障診斷系統(tǒng)處理這些故障圖像數(shù)據(jù),統(tǒng)計不同系統(tǒng)的延遲時間,根據(jù)數(shù)據(jù)量大小和延遲時間為軸繪制曲線如圖9所示。
圖9 兩種系統(tǒng)的延遲時間對比
從圖9中可知,本研究所開發(fā)的DPM算法處理HTGS數(shù)據(jù)耗時更短,效率更高,這是因為DPM基于HOG特征采用了模塊化的概念,并在歸一化處理時,直接將當前單元與周圍4個單元的區(qū)域歸一化,采用這種優(yōu)化策略提高了巡檢機器人視覺識別的效率,充分驗證了本研究水電站故障監(jiān)測系統(tǒng)的實用性與可靠性。
為了達到水電站設(shè)備安全穩(wěn)定運行的目的,從而提高水電行業(yè)的經(jīng)濟效益,本研究構(gòu)建了水電站故障監(jiān)測系統(tǒng),其主要內(nèi)容有:
1)基于巡檢機器人視覺對水電站中HTGS進行故障識別,采用PLC控制巡檢機器人的信息獲取,該技術(shù)可以自動控制巡檢機器人的行動路線以及故障定位,避免了人為故障診斷造成的錯誤現(xiàn)象。
2)通過模糊控制算法提高了巡檢機器人識別穩(wěn)定性,并采用一種非線性輸出頻率響應(yīng)函數(shù)分析HTGS參數(shù),有助于辨識HTGS故障問題。
3)采用基于HOG特征模板優(yōu)化的DPM算法,結(jié)合SVM分類器最大限度地分離出HTGS圖像兩個類別特征,實現(xiàn)HTGS圖像的視覺故障識別。
經(jīng)過實驗驗證了該系統(tǒng)的可行性,總結(jié)該研究成果,發(fā)現(xiàn)在HTGS特征點的分類方面仍具有較大的分類問題,導(dǎo)致了徐建機器人識別精度較低,未來將會進行這方面的探討與改進。