基于深度學習的大型水電機組智能運維框架研究

李衛兵

(中國長江電力股份有限公司， 宜昌 443002)

0 引言

隨著我國水電建設水平的提高以及裝備制造水平的提高，近年來水電機組正向大容量、大型化、高比轉速、高負載等方向發展，整個系統的復雜程度也變得越來越高。大型水電機組的運維工作相應的也面臨著各種挑戰。一方面由于大型機組構造復雜，其安全運行受影響的因素包含很多方面，例如水力、機械、電氣等，這些多源、高維監測數據為關鍵故障特征提取帶來了極大的困難。另一方面，水電機組的故障與監測數據之間呈現出典型的非線性特征、而且故障樣本獲取困難、樣本量小，這為機組的故障分類診斷帶來了極大的挑戰。這些因素都直接導致大型水電機組的故障識別診斷難度增大，安全運行風險也呈指數級上升。如果運維不當，就會導致各種機組設備故障，從而使得非計劃停運和突發故障日趨增多，直接影響電網的安全穩定。因此，大型水電機組的運維水平亟待提高，整個機組運維體系需要逐步向自動化、數據化、智能化方向發展。

本文針對大型水電機組的運維需求和當下運維工作所面臨的新挑戰，提出基于深度學習的水電機組智能運維框架，從數據采集、預處理、故障診斷、故障處理等環節分析了智能運維框架所包含的內容，并提出如何將深度學習方法運用于智能運維，從而實現對大型水電機組的更科學、更高效的智能運維。

1 相關研究工作

我國關于水電機組的狀態監測和故障診斷技術雖然起步較晚，但隨著裝機容量的大幅增大、運維經驗的不斷積累，目前我國在水電機組在線狀態監測和故障診斷技術方面取得很多成果。這方面的發展主要可以分為三個階段：20世紀70～80年代初期，主要借鑒吸收國外一些先進的技術，并開始相關監測方法、技術的研究；20世紀80年代至90年代初期，在前期工作的基礎上，開始自主研發在線監測系統，包括相關的監測儀器設備的研制；20世紀90年代開始至今，逐步形成智能化故障診斷理論，并不斷融入新的技術方法。

水電機組的運維系統可以從不同角度分為不同種類。例如，從自動化程度可以分為：半自動、全自動系統；從是否實現在線分為：離線監測系統、在線監測系統；從智能化程度可以分為：人工輔助、專家系統、具有自學習能力的智能系統等。有學者將水輪發電機組智能故障診斷技術分為基于經驗和基于模型兩大類[1]。基于經驗的診斷系統主要利用機組運維人員和專家積累的經驗等淺層知識指導故障診斷和機組運維工作。這類方法采用包括模糊集合理論[2]、實例推理、粗糙集理論[3]、神經網絡[4]、遺傳算法[5]等方法進行經驗知識的提取和學習。這類方法在高維故障特征、小樣本的情況下效果還不夠理想，需要采用新的特征提取方法和故障分類方法才能適應大型復雜水電機組的特點。基于模型的診斷系統主要利用系統的結構性知識構建模型，根據這個模型來判斷預期輸出和實際輸出的差別來識別故障。這類技術已經應用在多個領域，包括水電機組的故障診斷[6]。但大型水電機組是一個非常復雜的系統，完整準確的對這樣一個復雜系統進行事先建模基本做不到，所以，也必然決定了這類方法的準確性不夠高，實際使用局限性較大。另有學者將故障診斷方法分為三大類[7]：基于規則的方法、基于數據驅動的方法、基于模板匹配的方法。其中基于規則的方法包括專家系統、故障樹等方法；基于數據驅動的方法包括神經網絡、支持向量機等方法。

深度學習技術[8]近年來受到學術界和工業界的廣泛關注，已在圖像識別、自然語言處理、金融科技、生物醫療等領域得到了應用。在電力應用領域，也存在大量的高維數據，深度學習理論的引入和運用具有可預見的重要應用價值。目前深度學習在電力領域的應用包括電力設備的故障診斷、電力圖像處理、風電的負荷預測等[9]。隨著深度學習技術的發展，在電力的其他應用方面相信也會逐步體現出這項技術的價值。

2 大型水電機組智能運維框架

針對大型水電機組智能運維的需求，本文結合大數據分析、深度學習技術提出基于深度學習的大型水電機組智能運維框架，如圖1所示。

圖1 大型水電機組智能運維框架

整個智能運維框架包括以下部分：

(1) 機組監測數據采集

數據是異常檢測、故障診斷分析的來源，是實現智能運維的基礎。所以，整個框架最外部是通過各類傳感器采集必要的機組設備監測數據。

(2) 數據清洗與審查

直接采集到的監測數據由于各種原因不可避免的會存在各種臟數據的可能性，因此，對于原始采集獲得的數據，需要進行必要的數據清洗和審查的預處理步驟，從而獲得滿足下一步數據分析質量要求的數據。整個過程要求簡單，高效且保持一定的準確性。

(3) 故障特征分析

機組監測數據一般來自于多種傳感器，構成了高維的原始數據。高維數據不利于數據分析，也無法反映故障的核心特征。所以，需要通過大數據分析的一些手段來為數據進行降維，一方面可以提取關鍵特征，另一方面可以減小訓練學習的規模和壓力。

(4) 故障診斷分類

通過異常識別的方法可以從海量的監測數據中發現異常。異常可能是故障，也可能不是故障。故障也可以分為多種種類。因此，需要采用一些智能方法來實現故障的自動分類，以便指導后續的運維工作。

(5) 深度學習引擎

深度學習引擎包含了常用的深度學習模型，可以為故障的特征分析和診斷分類提供更智能的機器學習引擎支持。

水電機組智能運維的核心關鍵是對設備故障的特征提取和診斷分類。故障智能化診斷區別于傳統人工經驗式診斷方法，由計算機根據累積的歷史數據形成診斷知識，可以透過現象看本質，即根據現象進行智能診斷，并具有一定的準確率。同時，整個智能診斷系統也具有自學習能力，根據預案的執行情況反饋，可以不斷訓練系統，從而使得系統積累的知識越豐富，逐步提高診斷的準確率。整個智能化故障診斷和運維過程可以分為主要的3個步驟，如圖2所示。

圖2 智能運維流程及關鍵技術

故障關鍵特征提取、故障智能診斷、提出故障處理預案。

第一步，故障關鍵特征提取

根據機組設備監測數據，以及故障運維歷史工單、人工經驗指導以及累積形成的運維標簽庫，可以提取不同類型故障的關鍵特征，作為下一步故障診斷的知識庫，對實現自動診斷起到關鍵的支撐作用。同時，系統也會根據運維反饋情況，不斷自動學習，不斷根據歷史累積情況修正這些關鍵特征，或使得這些關鍵特征更細化，實現更精細、更準確的診斷。

第二步，故障智能診斷

由計算機根據搜集的故障現象作出智能判斷，判斷目前的現象屬于哪類故障，實現故障的智能分類。故障的有效分類可以為進一步采取什么樣的運維措施提供方向性指導意見。

第三步，提出故障處理預案

根據故障診斷結果，并結合歷史工單處理預案的經驗類型，提出可行的故障運維建議，并對預案按照成功概率進行排序。同時，搜集運維結果反饋情況，形成自反饋、自學習機制，使得下次推薦的預案更具可操作性，切實提高運維工作的一次成功率，從而提高整體運維工作的效率。

3 大型水電機組智能運維關鍵技術

3.1 基于物聯網的監測數據采集

水電機組的運行數據及外圍系統的數據可以通過物聯網的方式進行采集。機組監測數據主要包括水、機、電、控等多個方面，每種數據分類又包括各種數據項。可以采集的機組監測數據如表1所示。

這些監測數據一般通過各種相應的傳感器采集獲得，并通過網絡傳輸到集中的實時數據庫中。傳感器一般是可以將非電量/模擬量轉換為電量的專用數據采集設備。

表1 水電機組監測數據分類

采集來數據一般都要集中存儲。由于這些數據大多是一些狀態、計量值日志數據，所以，從數據存儲的效率以及以后分析處理的便捷性角度可以考慮采用ElasticSearch系統[10]作為這些數據的存儲系統。

3.2 監測數據的清洗與審查

監測數據的清洗與審查部分的主要任務是處理原始數據中存在的明顯的數據錯誤和數據遺失，對原始數據進行必要的預處理。

在數據審查規則設計時，不僅要考慮通用的判斷標準和規則，還要結合待處理數據的相關情況合理、科學地分析和設計。不依賴額外知識進行數據處理有利于進行自動化處理，提高數據處理的效率。但是在具有特殊性的規則設計時，必須依賴電力系統運行維護中的工作經驗和特定數據集的特點。

在對數據進行預處理時，由于接收的都是實時數據，所以還可以考慮采用數據流(Data Streaming)的方法來對采集的數據進行預處理，這樣可以保證數據采集的數據不淤積，保證實時性。

3.3 基于深度學習的故障診斷技術

大型水電機組是一種典型的復雜工業系統，其包含的單元組件很多，這也導致產生的故障種類多，故障原因復雜，難以診斷。在各種故障中，水電機組轉子的不平衡故障、不對中故障、定子轉子間的碰摩故障、尾水管偏心渦帶故障、發電機磁拉力不平衡是最常見的五種故障[11]。這些故障除了復雜外，還具備復雜工業系統故障的新特性，即層次性、傳播性、相關性、不確定性、大數據特性[12]。針對這種復雜系統的故障診斷，傳統的一些方法不再適用或效果很差。本文針對傳統故障診斷方法特征提取難度大、故障分類準確較低等問題，提出基于深度學習的智能故障診斷方法框架。

3.3.1 深度學習模型適用性分析

深度學習的概念起源于人工神經網絡,由多個隱含層的感知器構成，區別于傳統的淺層神經網絡，深度學習網絡的隱含層的層數大大增加，這使得深度學習網絡具有更好的復雜函數逼近能力，也能夠更多的處理非線性的復雜問題。近年來，隨著云計算、內存計算、GPU加速等計算技術的發展，計算能力得到了長足發展，也為深度學習的落地應用提供了很好的基礎條件。

隨著深度學習技術的深入研究和廣泛應用，目前較成熟的深度學習模型主要包括：深度置信網絡(DBN)、卷積神經網絡 (CNN)、堆疊自動編碼機(SAE)、遞歸神經網絡(RNN)等。這些模型各自都具有自身的優點和適用范圍。針對故障診斷問題，不同模型的特點和適用范圍分析可以總結為下表，如表2所示。

下面，我們主要以深度置信網絡(DBN)為例介紹深度學習理論在大型水電機組故障診斷中的基本應用方法。

3.3.2 基于深度置信網絡的故障診斷方法

深度置信網絡(DBN) 是一種典型的深度學習方法，是由多個限制玻爾茲曼機(RBM)組成的多隱層神經網絡，通過模擬人類大腦來處理信息[13]。DBN可以同時適用于特征提取和分類問題。在特征提取方面，DBN可以通過限制玻爾茲曼機從輸入數據開始將高維的底層數據逐步提煉為高層的抽象表示，但仍然保持數據內在的關鍵特征，能夠在樣本有限的情況下實現無監督的特征識別、提取和表達。在特征提取后，DBN可以進一步進行有監督的學習使其具有較強的分類能力。DBN的工作原理如圖3所示。

表2 深度學習模型特點及適用性分析

圖3 深度置信網絡(DBN)的工作原理

智能故障診斷的首要關鍵步驟是故障特征提取，然后是故障智能分類，這些步驟都是實現智能運維的必備步驟和環節。基于深度置信網絡的水電機組故障診斷方法主要包括以下幾個步驟：

1) 對采集到的機組時域監測數據按固定批次進行分割，并進行必要的預處理，然后將數據集劃分為訓練集和測試集；

2) 建立一個多隱含層的DBN網絡, 根據故障樣本維數確定DBN模型的輸入節點數，使用訓練集對DBN模型進行無監督訓練；

3) 根據故障類別確定模型的輸出維數，并對模型的關鍵參數值進行反向微調；

4) 利用訓練好的DBN模型并結合標注數據對測試集進行故障診斷和分類。

3.4 智能運維實現方法

根據以上方法可以實現對故障的精確定位并根據故障歷史數據進行運維技術難度分析，定義相關故障難度系數。與現有的水電機組運維系統結合，結合技術人員的技術等級評價，配合運維故障難度系數，優化運維模式，根據難度等級派單到需要相應技術等級的運維人員手里。同時，將故障診斷結果與處理結果等歷史數據反饋到整個系統，使得整個系統迭代學習，從而變得更智能、更有效。

本文設計的智能運維框架能夠為運維工作提供必要的數據支撐和決策依據，從而使得運維工作更有針對性，解決原先運維工作的盲目性問題，從而更合理地配置運維資源，實現更有效的運維，節約運維成本。具體實現方式包括以下步驟：

對采集運維故障進行運維技術難度分析，定義相關故障難度系數；

對技術人員進行技術等級評價，配合采集運維故障難度系數，優化運維模式和運維資源力量調度安排；

根據具體運維實施效果的反饋，進一步優化數據分析模型并細化故障類型，并針對常見故障提出處理預案。

4 總結

本文針對大型水電機組的運維需求和當下運維工作所面臨的新挑戰，提出基于深度學習的水電機組智能運維框架，從數據采集、預處理、智能故障診斷、故障處理等環節介紹了智能運維框架所包含的內容，通過分析各種深度學習模型對故障診斷問題的適用性，基于深度置信網絡模型提出一種水電機組故障智能診斷方法框架，并與后續運維工作結合，從而實現對大型水電機組的更科學、更高效的智能運維。

深度學習在大型水電機組的智能故障診斷方面的應用還屬于起步階段，在對復雜故障的形成機理理解、模型的自動調參和優化、與海量監測大數據深度結合等方面還有待進一步的深入研究。除了智能故障診斷，深度學習理論和技術在大型水電站的建設和運營中的其他方面也具有很多實際的研究和應用價值。