路 建，李 勇，王宗收，郝崇清

(1.河北張河灣蓄能發(fā)電有限責(zé)任公司，河北石家莊 050300；2.河北科技大學(xué)電氣工程學(xué)院，河北石家莊 050018)

主站發(fā)電機(jī)是抽水蓄能發(fā)電站核心運(yùn)行單元，然而發(fā)電機(jī)組設(shè)備在長期運(yùn)行時存在下導(dǎo)瓦間隙偏小、冷卻器容量不足、透平油老化、雜質(zhì)混入等風(fēng)險隱患[1]。對一些長期緩慢變化的趨勢信息，如發(fā)電機(jī)瓦溫等，采用機(jī)器學(xué)習(xí)算法和大數(shù)據(jù)處理方法對生成的報表數(shù)據(jù)進(jìn)行分析，進(jìn)而實現(xiàn)故障監(jiān)測和潛在風(fēng)險預(yù)警，對提高整個系統(tǒng)的穩(wěn)定性和可靠性，以及給監(jiān)控系統(tǒng)國產(chǎn)化改造提供了很好的范本，具有很好的推廣意義。

基于機(jī)器學(xué)習(xí)的故障監(jiān)測方法，目的在于通過不同故障模態(tài)下信號傳感器采集的數(shù)據(jù)信息，訓(xùn)練學(xué)習(xí)得到一個數(shù)據(jù)與故障之間的數(shù)學(xué)模型，并通過該模型對后測數(shù)據(jù)進(jìn)行實時監(jiān)測，以確定故障類型和時間，其中隨機(jī)森林、決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等方法已越來越多地應(yīng)用到各類故障檢測和診斷領(lǐng)域[2-5]。李兵等[6]利用一種改進(jìn)的隨機(jī)森林算法，在考慮漏報率的基礎(chǔ)上提出了電機(jī)軸承故障診斷決策方法；鄭日暉等[7]提出了優(yōu)化決策樹的智能診斷方法，在簡化模型的基礎(chǔ)上使得故障分類的準(zhǔn)確率大大提升；賈京龍等[8]基于油中溶解氣體濃度信息，利用卷積神經(jīng)網(wǎng)絡(luò)的方法實現(xiàn)了電力變壓器故障診斷。陳如清等[9]基于振動傳感器的頻譜信息，提出了一種基于遞歸神經(jīng)網(wǎng)絡(luò)的方法，成功用于旋轉(zhuǎn)機(jī)械裝置的故障診斷。支持向量機(jī)作為一種有監(jiān)督的機(jī)器學(xué)習(xí)方法，其在樣本數(shù)量、待識別的模式數(shù)量以及非線性問題分類等方面均能達(dá)到良好效果。樊浩等[10]提出了主元分析結(jié)合支持向量機(jī)的斷路器故障診斷方法，在噪聲背景下實現(xiàn)了斷路器7種故障的準(zhǔn)確分類。然而，支持向量機(jī)的懲罰因子以及核函數(shù)參數(shù)組合較大程度地影響了故障識別準(zhǔn)確率，有學(xué)者利用各類尋優(yōu)算法對支持向量機(jī)的參數(shù)組合進(jìn)行優(yōu)化配置以期望獲得更高的故障識別準(zhǔn)確率[11-13]。近年來，麻雀搜索算法受到了學(xué)者們的廣泛關(guān)注，其可以有效避免陷入局部尋優(yōu)的問題，現(xiàn)已被成功應(yīng)用于三維無人機(jī)航跡規(guī)劃[14]。

基于以上分析，提出一種通過主站發(fā)電機(jī)瓦溫信息構(gòu)建發(fā)電機(jī)故障診斷模型的方法，利用麻雀算法全局尋優(yōu)和局部尋優(yōu)自由切換的優(yōu)勢，對支持向量機(jī)的懲罰因子以及核函數(shù)參數(shù)組合進(jìn)行優(yōu)化，以提高發(fā)電機(jī)故障模式識別準(zhǔn)確率。

1 支持向量機(jī)分類方法

支持向量機(jī)(SVM)是一種具有較強(qiáng)泛化能力、適用小樣本學(xué)習(xí)的模型，被廣泛應(yīng)用于分類和回歸等問題。對于線性可分問題，SVM通過建立一個最優(yōu)決策超平面，滿足平面兩側(cè)待分類的樣本之間距離最大化，從而獲得良好的泛化能力和分類效果。對于非線性可分問題，是將低維不易區(qū)分的特征點(diǎn)通過核函數(shù)實現(xiàn)到高維特征空間的非線性映射，然后在特征空間中建立最優(yōu)超平面進(jìn)行分類。

1)設(shè)最優(yōu)決策超平面：

ωφ(x)+b=0，

(1)

式中：ω為權(quán)重；b為偏置量。

2)通過ωφ(x)+b>0或ωφ(x)+b<0對x進(jìn)行分類，決策函數(shù)如下：

f(x)=sgn(ωφ(x)+b)。

(2)

3)為了解決非線性可分問題，通過將懲罰因子C和松弛系數(shù)ζi引入到目標(biāo)函數(shù)中，以此來間接增大目標(biāo)函數(shù)值。目標(biāo)函數(shù)和約束條件構(gòu)造如下：

(3)

式中：C為懲罰因子，用于調(diào)整樣本間的權(quán)重；ζi為松弛系數(shù)，對應(yīng)于非線性樣本。

4)利用拉格朗日函數(shù)及拉格朗日乘子αi解出不等式約束條件下的最大值。

(4)

可得最優(yōu)分類函數(shù)為

(5)

式中：K(x,xi)為支持向量機(jī)的核函數(shù)；m為向量樣本個數(shù)。

SVM的核函數(shù)種類包括高斯徑向基核函數(shù)、線性核函數(shù)和多項式核函數(shù)等。其中，相較于其他核函數(shù)，高斯徑向基核函數(shù)有更好的分類效果，因此采用RBF核函數(shù)求解，表達(dá)式[15]如式(6)所示：

(6)

2 基于麻雀搜索算法的SVM參數(shù)優(yōu)化

使用虛擬麻雀進(jìn)行食物的尋找，由n只麻雀組成的種群可如式(7)表示：

(7)

式中：d為待優(yōu)化問題變量的維數(shù)；n為麻雀的數(shù)量。則所有麻雀的適應(yīng)度值可以表示為

(8)

式中f表示適應(yīng)度值。

在第t次迭代中，擁有較好適應(yīng)度的第i個麻雀在第j維更新位置為

(9)

式中：itermax為最大迭代次數(shù)；α為介于0～1的隨機(jī)值；Q為服從正態(tài)分布的隨機(jī)值。R2(R2∈[0,1]) 和 ST(ST∈[0.5,1])分別表示預(yù)警值和安全值。L表示一個1×d大小的元素為1的矩陣。

在覓食過程中，新入麻雀的位置更新表示為

(10)

式中：Xp是目前發(fā)現(xiàn)者所占據(jù)的最優(yōu)位置；Xworst則表示當(dāng)前全局最差的位置；A表示每個元素隨機(jī)為±1的1×d向量。

“意識到危險”位置的麻雀位置更新為

(11)

式中：Xbest是當(dāng)前的全局最優(yōu)位置；β作為步長控制參數(shù)；K∈[-1,1]是一個隨機(jī)數(shù)，表示麻雀移動的方向；fi是當(dāng)前麻雀個體的適應(yīng)度值。

由式(3)和式(6)可知，SVM的懲罰因子C和核函數(shù)半徑g是影響其分類能力的主要因素，其中懲罰因子C可以影響SVM對樣本學(xué)習(xí)的準(zhǔn)確性，參數(shù)g影響樣本的空間投射[16]。通過麻雀搜索算法尋找到最佳的2個參數(shù)C和g，進(jìn)而提高SVM在故障模式識別中的正確率。利用麻雀搜索算法來進(jìn)行SVM參數(shù)優(yōu)化的步驟如下：

Step1 確定訓(xùn)練樣本和測試樣本；

Step2 設(shè)置麻雀種群規(guī)模pop，搜索空間維度dim，最大迭代次數(shù)Max_iteration。生成麻雀初始位置，取[-1,1]之間的隨機(jī)數(shù)作為麻雀的初始位置，設(shè)置“意識到危險”的麻雀及“發(fā)現(xiàn)者”麻雀占比，并確定預(yù)警值ST；

Step3 計算出麻雀種群適應(yīng)度值，得到最優(yōu)位置Xp和最劣位置Xworst；

Step4 根據(jù)式(9)—式(11)更新“發(fā)現(xiàn)者”“加入者”“意識到危險”的麻雀位置；

Step5 計算麻雀更新位置后的適應(yīng)度值，并與前一次迭代中的適應(yīng)度值做對比。假如高于原有適應(yīng)度值，則把新位置值作為最優(yōu)的適應(yīng)度值Xbest；否則保持原適應(yīng)度值不變；

Step6 判斷是否已經(jīng)達(dá)到了最大迭代次數(shù)，若未達(dá)到，則轉(zhuǎn)到Step3，若已經(jīng)達(dá)到，則停止迭代過程；

Step7 結(jié)束尋優(yōu)過程，輸出最優(yōu)(C,g)組合，以最優(yōu)參數(shù)構(gòu)造SVM分類器。

3 實驗結(jié)果分析

利用張河灣抽水蓄能電站監(jiān)控系統(tǒng)采集的水泵發(fā)電機(jī)實測溫度數(shù)據(jù)進(jìn)行方法的驗證和分析。數(shù)據(jù)覆蓋正常、下導(dǎo)瓦間隙偏小、冷卻器容量不足、透平油老化、雜質(zhì)混入故障5種狀態(tài)模式。每個狀態(tài)中選取了200組故障樣本數(shù)據(jù)作為研究數(shù)據(jù)，其中訓(xùn)練樣本集160組(占80%)和測試樣本40組(占20%)，對故障狀態(tài)進(jìn)行診斷測試。限于篇幅，各故障狀態(tài)下部分溫度數(shù)據(jù)(截取了下導(dǎo)軸承20個溫度數(shù)據(jù)點(diǎn))變化情況如圖1所示，其中相鄰數(shù)據(jù)點(diǎn)之間的采樣時間間隔為10 min。

圖1 原始溫度數(shù)據(jù)在4種故障模式下的變化情況Fig.1 Distribution of original temperature data in four fault modes

采用本文所提方法對SVM模型進(jìn)行優(yōu)化，并完成故障模式識別，其相關(guān)參數(shù)設(shè)置如下：種群規(guī)模為50，最大迭代次數(shù)為100，搜索空間維度為2，“意識到危險”的麻雀占比為25%，“發(fā)現(xiàn)者”麻雀占比為75%，預(yù)警值為0.6；SVM模型中懲罰因子C∈[0.01,1]，核函數(shù)半徑g∈[2×10-5,2×105]。

以識別錯誤率作為適應(yīng)度，利用麻雀尋優(yōu)算法對懲罰因子C和核函數(shù)半徑g的參數(shù)組合尋優(yōu)，其適應(yīng)度及參數(shù)變化過程分別如圖2和圖3所示。

圖2 麻雀尋優(yōu)算法的適應(yīng)度變化曲線Fig.2 Fitness curve of sparrow optimization

圖3 懲罰因子和核函數(shù)半徑的尋優(yōu)過程Fig.3 Optimization process of penalty factor and kernel radius

由圖2可知，麻雀尋優(yōu)算法在第6次迭代完成了參數(shù)尋優(yōu)，因此，本文所提的麻雀尋優(yōu)-支持向量機(jī)故障識別模型具備較快的收斂速度。參數(shù)尋優(yōu)結(jié)果為C=448.5，g=0.036 72，并以此模型對200組測試樣本(正常、下導(dǎo)瓦間隙偏小、冷卻器容量不足、透平油老化、雜質(zhì)混入各40組)故障識別測試。其中組數(shù)1～40為正常測試樣本，組數(shù)41～80為下導(dǎo)瓦間隙偏小故障測試樣本，組數(shù)81～120為冷卻器容量不足故障測試樣本，組數(shù)121～160為透平油老化故障測試樣本，組數(shù)161～200為雜質(zhì)混入故障測試樣本。模型對測試樣本的識別結(jié)果及識別正確率統(tǒng)計分別如圖4和表1所示。為了驗證本文所提方法在提升識別正確率方面的有效性，傳統(tǒng)SVM模型識別的統(tǒng)計結(jié)果如表2所示。

由表1的統(tǒng)計分析可知，正常和冷卻器容量不足故障測試樣本的正確率最高，均可達(dá)到95%，下導(dǎo)瓦間隙偏小故障測試樣本的正確率較低為87.5%。在200個測試樣本中，識別錯誤的樣本數(shù)為16，其總體識別正確率達(dá)到92%。由表1和表2的數(shù)據(jù)對比，可見本文所提方法將200組測試樣本的識別正確率提高了7%。然而，下導(dǎo)瓦間隙偏小故障的識別錯誤樣本數(shù)仍然偏高。

圖4 測試樣本識別結(jié)果Fig.4 Identification results of the test samples

此外，為驗證所使用的麻雀尋優(yōu)-支持向量機(jī)(Sparrow-SVM)方法較現(xiàn)行主流故障模式識別方法的優(yōu)勢，分別利用粒子群-支持向量機(jī)(PSO-SVM)、遺傳算法-支持向量機(jī)(GA-SVM)和麻雀尋

表1 基于麻雀尋優(yōu)-支持向量機(jī)方法的測試樣本識別正確率統(tǒng)計Tab.1 Statistical results for the identification accuracy of the test samples based on Sparrow-SVM

表2 基于傳統(tǒng)SVM的測試樣本識別正確率統(tǒng)計Tab.2 Statistical results for the identification accuracy of the test samples based on traditional SVM

優(yōu)-極限學(xué)習(xí)機(jī)(Sparrow-ELM)以相同數(shù)據(jù)樣本進(jìn)行訓(xùn)練并測試識別，相應(yīng)的統(tǒng)計結(jié)果如表3所示。由數(shù)據(jù)分析可知，Sparrow-SVM方法識別正確率均高于被對比的其他3種主流方法。一方面驗證了麻雀尋優(yōu)方法較傳統(tǒng)粒子群尋優(yōu)、遺傳算法尋優(yōu)的優(yōu)勢；另一方面說明在抽水蓄能電站主機(jī)故障訓(xùn)練樣本有限的情況下，SVM方法較ELM方法故障模式分類效果更佳。

表3 與現(xiàn)行同類方法識別結(jié)果對比Tab.3 Performance comparison with other current fault pattern recognition methods 單位：%

4 結(jié) 語

提出了一種基于溫度信號分析的麻雀尋優(yōu)-支持向量機(jī)發(fā)電機(jī)故障模式識別方法，經(jīng)數(shù)據(jù)分析得到相關(guān)結(jié)論如下。

1)抽水蓄能電站下導(dǎo)瓦間隙偏小、冷卻器容量不足、透平油老化、雜質(zhì)混入故障可導(dǎo)致發(fā)電機(jī)瓦溫等信息的變化。

2)通過瓦溫構(gòu)建的故障樣本可用于訓(xùn)練SVM模型并可實現(xiàn)實測數(shù)據(jù)的故障類型識別，同時，麻雀尋優(yōu)算法可快速有效地對SVM的懲罰因子C和核函數(shù)半徑g進(jìn)行尋優(yōu)。與傳統(tǒng)SVM識別方法相比，麻雀尋優(yōu)-支持向量機(jī)可將樣本識別正確率從85%提升至92%，在200組測試樣本中，識別錯誤樣本數(shù)由30組降至16組。

3)張河灣抽水蓄能電站故障下實測溫度數(shù)據(jù)表明，本文所提出的麻雀尋優(yōu)-支持向量機(jī)方法可進(jìn)行故障模式識別，為機(jī)組運(yùn)行狀態(tài)的智能化監(jiān)測提供了有效支撐，為抽水蓄能發(fā)電站主站電機(jī)的安全可靠運(yùn)行提供了技術(shù)保障。

采樣過程中溫度波動對溫度變化率的影響容易導(dǎo)致下導(dǎo)瓦間隙偏小故障發(fā)生誤判?；谝陨戏治?，各類故障下溫度數(shù)據(jù)的預(yù)處理將作為今后研究的重點(diǎn)。