馬明晗， 侯岳佳， 李永剛， 賀鵬康， 齊鵬， 武玉才

(華北電力大學(xué) 新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，河北 保定 071003)

0 引 言

同步發(fā)電機(jī)是電力系統(tǒng)中能量轉(zhuǎn)換的關(guān)鍵環(huán)節(jié)，是系統(tǒng)必不可少的一部分。其工作工況多變且結(jié)構(gòu)復(fù)雜，易受外部環(huán)境干擾，易受自身材料老化等原因而導(dǎo)致故障頻發(fā)，若不能及時(shí)發(fā)現(xiàn)并處理這些故障，可能會(huì)使發(fā)電機(jī)軸承的工作狀態(tài)惡化，加劇機(jī)組定轉(zhuǎn)子振動(dòng)，引發(fā)大軸磁化使機(jī)組被迫停機(jī)，對(duì)發(fā)電機(jī)及整個(gè)電網(wǎng)的安全運(yùn)行造成威脅[1-2]。因此，研究同步發(fā)電機(jī)故障診斷方法，提高故障診斷準(zhǔn)確性，對(duì)廠網(wǎng)的運(yùn)維安全有著重要現(xiàn)實(shí)意義。

同步發(fā)電機(jī)作為一個(gè)復(fù)雜的機(jī)械設(shè)備，常見的電氣故障有：轉(zhuǎn)子匝間短路故障、定子匝間短路故障和氣隙偏心故障[3-4]。故障發(fā)生時(shí)，其內(nèi)部各個(gè)部分存在復(fù)雜的耦合關(guān)系，產(chǎn)生的故障信號(hào)較為復(fù)雜，且容易受到噪聲干擾[5]。故障診斷過程一般由信號(hào)采集、特征提取、狀態(tài)分類三部分組成，其中特征提取對(duì)診斷結(jié)果影響最為顯著[6]。傳統(tǒng)的同步電機(jī)故障診斷方法利用信號(hào)處理技術(shù)對(duì)機(jī)組進(jìn)行機(jī)理分析，提取故障特征量進(jìn)行狀態(tài)識(shí)別[7-8]。

隨著數(shù)據(jù)挖掘和人工智能技術(shù)的不斷發(fā)展，在傳統(tǒng)故障診斷方法的基礎(chǔ)上，基于機(jī)器學(xué)習(xí)的智能故障診斷方法逐步應(yīng)用在電機(jī)領(lǐng)域中[9]。文獻(xiàn)[10]利用小波包變換和快速傅里葉變換，融合定子電流和振動(dòng)信號(hào)頻譜特征進(jìn)行定子匝間短路故障診斷。文獻(xiàn)[11]提取負(fù)序電流差與定子振動(dòng)的二倍頻分量，提出了一種基于多分類支持向量機(jī)和D-S證據(jù)理論的定子繞組匝間短路故障診斷新方法。文獻(xiàn)[12]詳細(xì)分析了定轉(zhuǎn)子匝間短路、氣隙偏心故障的電氣信號(hào)和機(jī)械振動(dòng)特征，結(jié)合自適應(yīng)神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)診斷目的。然而，機(jī)器學(xué)習(xí)算法具有一定的局限性，其準(zhǔn)確率受限于特征提取的準(zhǔn)確性[13]，既耗時(shí)也依賴于專家經(jīng)驗(yàn)[14-15]。

近年來(lái)，深度學(xué)習(xí)的封閉特征提取與狀態(tài)分類過程使其具有更強(qiáng)的特征學(xué)習(xí)能力，推動(dòng)了智能故障診斷的發(fā)展[16-17]。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)是深度學(xué)習(xí)的基本模型，可自動(dòng)提取原始信號(hào)的特征，減少了對(duì)經(jīng)驗(yàn)的依賴，解決了傳統(tǒng)方法依賴專家經(jīng)驗(yàn)、耗時(shí)大、泛化能力較差的問題，適合故障診斷的工程應(yīng)用[18]。文獻(xiàn)[19-20]提出了一種信號(hào)-圖像轉(zhuǎn)換方法，將一維時(shí)序信號(hào)轉(zhuǎn)化為二維灰度圖像，并使用LeNet-5網(wǎng)絡(luò)進(jìn)行訓(xùn)練，該方法拓寬了CNN在故障診斷領(lǐng)域中的應(yīng)用范圍，但直接把振動(dòng)信號(hào)轉(zhuǎn)化為二維圖像會(huì)破壞信號(hào)之間的關(guān)聯(lián)性導(dǎo)致故障特征丟失。文獻(xiàn)[21]利用一維卷積神經(jīng)網(wǎng)絡(luò)將特征提取和故障分類合二為一，將原始振動(dòng)信號(hào)作為輸入源，無(wú)需特殊處理，結(jié)果顯示比二維故障診斷模型具有更好的性能。

然而，上述智能診斷算法在同步發(fā)電機(jī)上應(yīng)用較少，且大多依靠單一傳感器實(shí)現(xiàn)診斷目的。單一信號(hào)反映的故障信息是片面的，且信號(hào)采集過程中易受傳感器故障及環(huán)境噪聲等因素的影響，發(fā)生誤判、漏判等問題[22-23]。不僅如此，由于電機(jī)中存在大量旋轉(zhuǎn)機(jī)械，因此采集到的信號(hào)具有較強(qiáng)周期性和深度相關(guān)性,僅憑深層網(wǎng)絡(luò)是無(wú)法捕獲多尺度性質(zhì)。如果同時(shí)考慮不同尺度信號(hào)之間的關(guān)系，更充分地利用信號(hào)中的所有信息，將進(jìn)一步提高故障診斷準(zhǔn)確率[24]。文獻(xiàn)[25]提出了一種位錯(cuò)時(shí)間序列CNN，通過添加位錯(cuò)層，提取周期性機(jī)械信號(hào)中具有不同間隔的信號(hào)之間的關(guān)系。文獻(xiàn)[26]對(duì)原始信號(hào)進(jìn)行下采樣或取平均值生成原始信號(hào)的多尺度長(zhǎng)度，但這可能會(huì)限制CNN的性能。

本文在傳統(tǒng)CNN模型的基礎(chǔ)上提出一種多尺度卷積核和多源機(jī)電信息融合的故障診斷方法。首先提出一種多尺度核卷積神經(jīng)網(wǎng)絡(luò)(multi-scale kernel convolutional neural network，MSK-CNN)模型，利用不同尺寸的卷積核從多個(gè)尺度捕獲原始信號(hào)的故障特征，提高了特征學(xué)習(xí)能力。然后，選取轉(zhuǎn)子相電壓、轉(zhuǎn)子振動(dòng)、定子振動(dòng)信號(hào)分別輸入MSK-CNN進(jìn)行訓(xùn)練，并將提取到的特征進(jìn)行融合，實(shí)現(xiàn)診斷目的；這種端到端的方式繼承了CNN在不借助信號(hào)處理技術(shù)的情況下，從原始時(shí)序信號(hào)中提取特征和識(shí)別故障的優(yōu)點(diǎn)。最后，以SDF-9型1對(duì)極同步發(fā)電機(jī)為實(shí)驗(yàn)對(duì)象進(jìn)行驗(yàn)證。結(jié)果表明，同步發(fā)電機(jī)故障準(zhǔn)確率顯著提高，且對(duì)噪聲具有良好的魯棒性。

1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)受哺乳動(dòng)物大腦視覺皮層工作機(jī)制啟發(fā)產(chǎn)生，包括輸入層、卷積層、池化層、全連接層和輸出層[27-28]。

卷積層將輸入信號(hào)局部感受域與卷積核進(jìn)行卷積操作，在激活函數(shù)的作用下實(shí)現(xiàn)特征提取。

(1)

ReLU函數(shù)是一個(gè)分段函數(shù)，可避免梯度飽和效應(yīng)的發(fā)生，在深度卷積網(wǎng)絡(luò)中大量應(yīng)用。其表達(dá)式為

(2)

池化層通過降采樣縮小數(shù)據(jù)長(zhǎng)度，保留信號(hào)原始特征的同時(shí)剔除冗余信息，避免發(fā)生過擬合現(xiàn)象，減少計(jì)算量，常用的池化方法有均值池化和最大池化法，其表達(dá)式分別為

(3)

(4)

由式(3)、式(4)可知，均值池化將特征面感受域的平均值作為輸出；而最大池化則輸出每個(gè)特征面感受域的最大值，提取重要特征，忽略次要因素，本文的網(wǎng)絡(luò)結(jié)構(gòu)采用最大池化層。

輸入信號(hào)經(jīng)過卷積層和池化層的處理被提取為高層信息特征后，設(shè)置全連接層將高層特征矢量展開為一維向量；輸出層采用Softmax分類器解決分類問題，獲得最終的故障診斷結(jié)果。其表達(dá)式為：

(5)

式中：θ為訓(xùn)練模型的參數(shù)集；M為訓(xùn)練集樣本總數(shù)；(Xm,Ym)為模型的訓(xùn)練集樣本；D為同步發(fā)電機(jī)運(yùn)行狀態(tài)類別數(shù)；1{Ym=d}為指示函數(shù)，當(dāng)括號(hào)值為真時(shí)，函數(shù)值為1，否則為0。

卷積神經(jīng)網(wǎng)絡(luò)具有共享權(quán)重、稀疏連接、共享權(quán)重和池化的特性，在故障診斷領(lǐng)域有著獨(dú)特的優(yōu)勢(shì)[29]。

2 多源機(jī)電信息和多尺度核融合的卷積神經(jīng)網(wǎng)絡(luò)

2.1 多尺度核卷積神經(jīng)網(wǎng)絡(luò)(MSK-CNN)

同步發(fā)電機(jī)大多數(shù)時(shí)間運(yùn)行在強(qiáng)噪聲環(huán)境中，采集到的原始機(jī)電信號(hào)是復(fù)雜的一維時(shí)間序列，包含著大量無(wú)關(guān)噪聲成分，經(jīng)過復(fù)雜的傳輸路徑，信號(hào)表現(xiàn)出非線性、不穩(wěn)定性、弱故障特征性。另一方面，在實(shí)際的運(yùn)行現(xiàn)場(chǎng)，電機(jī)通常工作在可變的操作條件下，機(jī)電信號(hào)通常表現(xiàn)出多尺度特征，并在多個(gè)時(shí)間尺度上包含復(fù)雜的模式，傳統(tǒng)的CNN模型只專注于提取信號(hào)的局部特征，缺乏多尺度特征提取能力，在強(qiáng)噪聲干擾下無(wú)法提取出足夠的用于故障診斷的特征量，這嚴(yán)重影響了電機(jī)故障診斷的準(zhǔn)確率。為了克服這一局限性，本文提出一種MSK-CNN網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，包括輸入層、多尺度核特征提取層、輸出層；其中，多尺度核特征提取層由多個(gè)卷積核大小不同的CNN子塊構(gòu)成。

由圖1可知，輸入層為傳感器采集到的原始一維時(shí)序信號(hào)。多尺度核特征提取層由3個(gè)不同尺度的CNN子塊構(gòu)成，CNN子塊包括：兩個(gè)交替出現(xiàn)的卷積層、歸一化批處理(BN)層、激活函數(shù)(ReLu)層、最大池化層。原始一維時(shí)序信號(hào)經(jīng)過卷積層后首先被轉(zhuǎn)換為一組多特征映射(多通道一維數(shù)組)，其次經(jīng)過BN層歸一化處理，解決深層網(wǎng)絡(luò)訓(xùn)練可能帶來(lái)的梯度彌散問題。最后通過最大池化進(jìn)行下采樣，保留重要特征的同時(shí)去除冗余信息，重復(fù)兩次上述操作。3個(gè)CNN子塊采用不同的卷積核尺寸并行訓(xùn)練，將每個(gè)CNN子塊中的最后一個(gè)池化層的特性經(jīng)Flatten層數(shù)據(jù)壓平為一維數(shù)組結(jié)構(gòu)并進(jìn)行融合。輸出層由兩個(gè)全連接層組成，第一個(gè)全連接層的神經(jīng)元數(shù)量為512，將不同尺度CNN子塊提取到的一維特征向量進(jìn)行融合；第二個(gè)全連接層采用Softmax回歸分類器解決分類問題，輸出節(jié)點(diǎn)數(shù)為7?；镜腃NN子塊模型為：

(6)

式中：?為卷積操作；BN為批處理歸一化操作，它允許模型使用更高的學(xué)習(xí)率，提高模型的通用性和訓(xùn)練速度；l為最大池化操作。

圖1 MSK-CNN結(jié)構(gòu)圖Fig.1 MSK-CNN structure diagram

卷積核尺寸的大小會(huì)影響網(wǎng)絡(luò)的故障診斷結(jié)果，大尺寸卷積核可以獲得較大的感受野，增強(qiáng)語(yǔ)義表征能力，但網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，學(xué)習(xí)能力差；小尺寸卷積核感受野較小，幾何細(xì)節(jié)信息表征能力強(qiáng)，包含更多細(xì)節(jié)信息，但是語(yǔ)義信息表征能力弱，導(dǎo)致網(wǎng)絡(luò)深度增加，耗時(shí)大。所以本文分別采用3×1、5×1、7×1大小的卷積核進(jìn)行并行卷積操作，并將多尺度卷積核提取到的特征進(jìn)行融合，使提取到的分類特征同時(shí)具備較強(qiáng)的語(yǔ)義信息表征能力和幾何細(xì)節(jié)信息表征能力。為減少計(jì)算參數(shù)，本文將5×1和7×1卷積核分別用2個(gè)和3個(gè)3×1卷積核代替。根據(jù)上述的準(zhǔn)則設(shè)計(jì)MSK-CNN模型，并通過反復(fù)實(shí)驗(yàn)調(diào)整相關(guān)參數(shù)，本文最終采用的MSK-CNN網(wǎng)絡(luò)具體結(jié)構(gòu)如表1所示。

表1 MSK-CNN網(wǎng)絡(luò)結(jié)構(gòu)Table 1 MSK-CNN network structure

其中：編號(hào)為FCL1時(shí)，網(wǎng)絡(luò)層為全連接層，節(jié)點(diǎn)數(shù)為512，激活函數(shù)為ReLU；編號(hào)為FCL2時(shí)，網(wǎng)絡(luò)層為Softmax，輸出節(jié)點(diǎn)數(shù)為7，激活函數(shù)為Softmax。

在運(yùn)行現(xiàn)場(chǎng)，傳感器采集到的機(jī)電信號(hào)是以一定的時(shí)間間隔采樣的一維時(shí)間序列。MSK-CNN可以將同步發(fā)電機(jī)一維時(shí)序信號(hào)直接輸入CNN網(wǎng)絡(luò)，經(jīng)過卷積-池化層進(jìn)行特診提取進(jìn)而實(shí)現(xiàn)故障診斷，避免了將信號(hào)轉(zhuǎn)化為時(shí)頻圖再進(jìn)行卷積操作的繁瑣，且保留了原始信號(hào)的之間的關(guān)聯(lián)性，最大化地發(fā)揮了CNN自動(dòng)學(xué)習(xí)原始信號(hào)特征的優(yōu)勢(shì)。

2.2 多源機(jī)電信息融合

同步發(fā)電機(jī)常見的電氣故障有轉(zhuǎn)子繞組匝間短路故障、偏心故障和定子匝間短路故障，反映上述故障的特征信號(hào)往往不是唯一的，包括轉(zhuǎn)子振動(dòng)、定子振動(dòng)、相電壓等，而且單一信號(hào)不能全面反映被測(cè)機(jī)組的故障狀態(tài)，易受環(huán)境因素的干擾。上述問題可通過使用信息融合技術(shù)來(lái)解決，機(jī)電信號(hào)具有較強(qiáng)的互補(bǔ)性，可以獲得比同類信號(hào)融合更好的診斷效果，所以本文選擇轉(zhuǎn)子振動(dòng)、定子振動(dòng)和相電壓作為原始輸入信號(hào)聯(lián)合診斷同步發(fā)電機(jī)各類故障。

2.3 基于多尺度核卷積神經(jīng)網(wǎng)絡(luò)和多源機(jī)電信息融合的故障診斷總體流程

基于多源機(jī)電信息的MSK-CNN模型結(jié)構(gòu)和算法流程分別如圖2、圖3所示，由3個(gè)同參數(shù)的MSK-CNN子模型構(gòu)成。首先將傳感器采集到的同步發(fā)電機(jī)轉(zhuǎn)子振動(dòng)、定子振動(dòng)、相電壓原始信號(hào)分別作為3個(gè)子模型的輸入信號(hào)，經(jīng)過多尺度特征提取層，將多尺度核提取到的特征進(jìn)行融合并作為各個(gè)MSK-CNN子模型的輸出；然后將各信號(hào)提取到的故障特征匯聚輸入同一Flatten層壓平，通過全連接層傳遞到Softmax輸出層，最終得到每個(gè)運(yùn)行狀態(tài)的概率值，其中最大的類別為最終的診斷結(jié)果。

圖2 MSK-CNN與多源機(jī)電信息融合的網(wǎng)絡(luò)模型Fig.2 Network model of MSK-CNN with multi-source electromechanical information fusion

3 實(shí)驗(yàn)研究與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)采集

本文以一臺(tái)型號(hào)為SDF-9的同步發(fā)電機(jī)為實(shí)驗(yàn)對(duì)象，主要研究同步發(fā)電機(jī)的電氣故障，包括轉(zhuǎn)子繞組匝間短路3%、6%，靜偏心3%、6%和定子匝間短路3%、6%故障。該實(shí)驗(yàn)機(jī)組的結(jié)構(gòu)參數(shù)如表2所示。

表2 實(shí)驗(yàn)電機(jī)參數(shù)Table 2 Experimental motor parameters

圖3 故障診斷算法流程圖Fig.3 Troubleshooting algorithm flow chart

實(shí)驗(yàn)現(xiàn)場(chǎng)圖如圖4所示，該實(shí)驗(yàn)機(jī)組通過2塊百分表控制定子鐵心沿水平方向相對(duì)轉(zhuǎn)子的移動(dòng)量來(lái)模擬氣隙靜偏心故障。發(fā)電機(jī)轉(zhuǎn)子繞組和定子繞組引出線上都分別連接有特定百分比的抽頭，通過抽頭的組合，可以模擬不同匝數(shù)的轉(zhuǎn)子繞組匝間短路和定子繞組匝間短路故障。在發(fā)電機(jī)轉(zhuǎn)子軸承座和定子繞組線棒的軸向安裝速度傳感器，用于測(cè)量電機(jī)定轉(zhuǎn)子在不平衡磁拉力作用下的振動(dòng)響應(yīng)，速度傳感器的靈敏度均為30 mV/(mm·s-1)。在定子三相出線端安裝電壓互感器(輸入輸出參數(shù)為400 V/5 V)，采集A相電壓作為原始信號(hào)。使同步發(fā)電機(jī)帶載并網(wǎng)運(yùn)行，采用U60116C型采集儀采集正常和故障狀態(tài)下的同步發(fā)電機(jī)相電壓、定子振動(dòng)、轉(zhuǎn)子振動(dòng)信號(hào)，采樣頻率為5 000 Hz,采集時(shí)間為5 min，每個(gè)故障種類分別包括1 500 000個(gè)數(shù)據(jù)點(diǎn)。

3.2 數(shù)據(jù)預(yù)處理

一維卷積神經(jīng)網(wǎng)絡(luò)能夠提取數(shù)據(jù)的空間關(guān)聯(lián)特征，傳感器采集到的轉(zhuǎn)子振動(dòng)、定子振動(dòng)、相電壓信號(hào)為連續(xù)變化的數(shù)據(jù)點(diǎn)，空間關(guān)系并不明顯，需將其轉(zhuǎn)換為適用于卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)結(jié)構(gòu)。

圖4 準(zhǔn)確率變化圖Fig.4 Experimental site map

本文分別模擬發(fā)電機(jī)正常運(yùn)行，轉(zhuǎn)子繞組匝間短路3%、6%，靜偏心3%、6%和定子匝間短路3%、6%等7種運(yùn)行狀態(tài)，實(shí)驗(yàn)采集的部分?jǐn)?shù)據(jù)如圖5所示。發(fā)電機(jī)作為旋轉(zhuǎn)設(shè)備，其信號(hào)具有明顯的周期往復(fù)性，各故障類別數(shù)據(jù)之間相互重疊，包含較多噪聲，難以分辨其深度特征差異，需采用深度學(xué)習(xí)挖掘其潛在特征。取5個(gè)周期(即500個(gè)采樣點(diǎn))為單位長(zhǎng)度進(jìn)行切片處理，將每種運(yùn)行狀態(tài)的原始數(shù)據(jù)點(diǎn)切分為3 000個(gè)數(shù)據(jù)波，按8∶2隨機(jī)抽取2 400個(gè)樣本作為訓(xùn)練集，600個(gè)樣本作為測(cè)試集，將各運(yùn)行狀態(tài)進(jìn)行標(biāo)簽化如表3所示。

表3 樣本數(shù)據(jù)標(biāo)簽Table 3 Sample data labels

3.3 實(shí)驗(yàn)結(jié)果

將經(jīng)過預(yù)處理后的轉(zhuǎn)子振動(dòng)、定子振動(dòng)、相電壓信號(hào)分別輸入搭建完成的模型中進(jìn)行訓(xùn)練，本文的實(shí)驗(yàn)環(huán)境為Intel(R)Core(TM)i5-4590，CPU@3.30 GHz，RAM24.00GB的微機(jī)平臺(tái)，所用語(yǔ)言為Python 3.7，深度學(xué)習(xí)框架為tensorflow2.7.0。在訓(xùn)練過程中，迭代步數(shù)為50次，每批處理的樣本個(gè)數(shù)batch_size為50，使用Adam優(yōu)化算法更新權(quán)值，學(xué)習(xí)率設(shè)為0.001；在全連接層引入Droupout正則化法則，避免過度擬合訓(xùn)練數(shù)據(jù)，速率設(shè)為0.5。MSK-CNN的分類準(zhǔn)確率變化情況如圖6所示。

由圖6可知，在模型訓(xùn)練過程中，訓(xùn)練集和測(cè)試集的準(zhǔn)確率都迅速上升，并在迭代次數(shù)為12次時(shí)分別收斂于100%和99.64%。這說(shuō)明本文提出的方法具有優(yōu)良的抗干擾性能，對(duì)于同步發(fā)電機(jī)故障數(shù)據(jù)的特征挖掘和學(xué)習(xí)效果顯著。

圖5 同步發(fā)電機(jī)不同狀態(tài)下的轉(zhuǎn)子振動(dòng)、定子振動(dòng)、相電壓信號(hào)Fig.5 Rotor vibration, stator vibration and phase voltage signals of synchronous generators in different states

圖6 準(zhǔn)確率變化圖Fig.6 Accuracy change chart

4 實(shí)驗(yàn)對(duì)比與性能分析

4.1 多源機(jī)電信息融合性能測(cè)試

本文提出的故障診斷方法基于單一傳感器進(jìn)行優(yōu)化改進(jìn)，避免了傳感器故障時(shí)導(dǎo)致的誤判、漏判等現(xiàn)象，且異類信息融合具有較強(qiáng)的互補(bǔ)性，進(jìn)一步提高故障診斷準(zhǔn)確率。為體現(xiàn)多源機(jī)電信息融合的優(yōu)勢(shì)，本文分別以轉(zhuǎn)子振動(dòng)信號(hào)、定子振動(dòng)信號(hào)、相電壓輸入MSK-CNN模型中進(jìn)行訓(xùn)練，并引入混淆矩陣與多源機(jī)電信息融合后識(shí)別結(jié)果進(jìn)行詳細(xì)分析，如圖7所示。

由圖7可知，單一信號(hào)對(duì)同步發(fā)電機(jī)故障診斷效果不佳，每一種運(yùn)行工況都有更多的樣本被誤分類。而采用多源信息融合后的故障診斷準(zhǔn)確率顯著提高，除個(gè)別樣本分類錯(cuò)誤，準(zhǔn)確率幾乎可達(dá)100%。

4.2 多尺度核卷積神經(jīng)網(wǎng)絡(luò)性能測(cè)試

為驗(yàn)證本文提出的MSK-CNN模型的有效性，與傳統(tǒng)CNN進(jìn)行對(duì)比，準(zhǔn)確率變化如圖8所示。

由圖8可知，使用CNN模型訓(xùn)練時(shí)，故障準(zhǔn)確率僅達(dá)到88.88%，且其收斂速度較慢，在模型訓(xùn)練初期存在一定的波動(dòng)，這是因?yàn)樵夹盘?hào)故障特征被噪聲所掩蓋，僅在一個(gè)尺度上執(zhí)行的傳統(tǒng)CNN難以識(shí)別。而MSK-CNN可以從不同尺度上并行學(xué)習(xí)有用的故障特征，從而獲得包含更豐富和互補(bǔ)的診斷信息的多尺度表示，達(dá)到更好的故障診斷性能。在訓(xùn)練初期準(zhǔn)確率快速上升，且波動(dòng)很小，這說(shuō)明MSK-CNN模型對(duì)噪聲具有優(yōu)越的魯棒性，更適合于同步發(fā)電機(jī)復(fù)雜的環(huán)境噪聲和測(cè)量干擾的實(shí)際工業(yè)環(huán)境。

圖8 MSK-CNN與CNN準(zhǔn)確率對(duì)比圖Fig.8 Comparison of MSK-CNN and CNN accuracy

4.3 不同算法對(duì)比

為進(jìn)一步評(píng)估該方法的性能，選取支持向量機(jī)(support vector machine,SVM)、隨機(jī)森林(random forest,RF)和極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)三種經(jīng)典的故障診斷算法進(jìn)行對(duì)比分析。為了避免單一實(shí)驗(yàn)造成診斷誤差，本文采用5折交叉驗(yàn)證法進(jìn)行模型評(píng)估，結(jié)果如圖9所示。

圖9 不同算法診斷結(jié)果Fig.9 Diagnostic results of different algorithms

由圖9可知，基于SVM、RF和ELM的故障診斷準(zhǔn)確率受限于特征提取的準(zhǔn)確性，依賴于專家經(jīng)驗(yàn)，最終準(zhǔn)確率分別為85.29%、90.61%、99.62%。本文提出的基于MSK-CNN和多源機(jī)電信息融合的故障診斷方法，直接將原始時(shí)序信號(hào)作為輸入，最大程度地保留了原始信號(hào)的特征，消除了人工提取特征的影響，同時(shí)利用MSK-CNN和多源機(jī)電信息融合，從不同信號(hào)多個(gè)尺度并行學(xué)習(xí)互補(bǔ)且豐富的故障特征信息，同步發(fā)電機(jī)故障診斷的準(zhǔn)確率較其他傳統(tǒng)方法顯著提升。

4.4 t-SNE可視化

t分布隨機(jī)鄰域嵌入(t-SNE)算法能同時(shí)考慮數(shù)據(jù)的全局與局部關(guān)系，一般用于驗(yàn)證算法的有效性[30]。由于僅憑故障診斷準(zhǔn)確率難以直觀呈現(xiàn)本文所提方法的分類效果，所以采用t-SNE的方法來(lái)提供原始信號(hào)和全連接層的特征映射三維視覺表示，直觀說(shuō)明該模型提取到的基本特征，如圖10所示。

圖10 t-SNE可視化Fig.10 t-SNEVisualization

圖10中，第一層(輸入)和最后一層(全連接層)的特征映射維度都減少到三個(gè)維度，以便特征可視化更容易比較。每個(gè)樣本都可視化為一個(gè)點(diǎn)，不同的顏色代表不同的故障類型，屬于同一類的樣本具有相同的顏色?？梢钥闯?，原始輸入信號(hào)不同的工作狀態(tài)嚴(yán)重重疊，說(shuō)明原始信號(hào)的特征信息難以區(qū)分，而輸出層提取到的不同故障特征可以很容易地區(qū)分，這表明通過所提出的框架提取的特征映射是用于故障診斷的更好特征，從而驗(yàn)證了該方法的有效性。

5 結(jié) 論

1)MSK-CNN融合多尺度學(xué)習(xí)，在不同尺度上并行學(xué)習(xí)有效的故障特征，從而獲得包含更豐富和互補(bǔ)的診斷信息，提高了故障診斷性能，具有較好的魯棒性。

2)不同類型的信號(hào)對(duì)同步發(fā)電機(jī)故障的辨識(shí)度不同，多源機(jī)電信息的融合，避免了由于單一傳感器故障時(shí)導(dǎo)致的誤判、漏判等現(xiàn)象，進(jìn)一步提高了故障診斷準(zhǔn)確率。

3)該方法沒有針對(duì)特定的診斷對(duì)象人工提取特征，直接對(duì)原始時(shí)序信號(hào)學(xué)習(xí)，不依賴于信號(hào)轉(zhuǎn)換、領(lǐng)域知識(shí)和專家經(jīng)驗(yàn)，是一種通用的方法，后期可以結(jié)合遷移學(xué)習(xí)對(duì)其他機(jī)組進(jìn)行診斷。