基于深度學習的水輪發電機定轉子缺陷智能診斷技術研究

李 誠，高建國，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、環保、可再生，是新能源發電的重要發電形式[1]。作為電能的主要生產設備，水電機組的安全、穩定、可靠運行直接關系到電站能否向電網穩定、經濟地提供可靠的電力[2]。水電機組故障經常會引發安全事故，例如宜昌葛洲壩水電站因水導軸承安裝存在偏差，導致水導擺度越限，影響機組運行[3]；麗水緊水灘水電站因偏離設計工況運行導致尾水管低頻渦帶脈動，引發了劇烈的機組振動[4]；俄羅斯薩楊-舒申斯克水電站于2009 年超負荷運行，最終造成75 人遇難、10 臺機組完全損壞的嚴重后果[5]。傳統水電站發電機組運維容易錯過機組缺陷處理的最佳時間[6]，目前比較好的維護模式是依據機組運行狀態，合理制定狀態監測、故障診斷和狀態趨勢預測的水電機組維修策略[7]，從對故障的被動響應轉變為主動預防，避免維修不足或過度維修的問題。

近年來，人工智能技術不斷發展，其中深度學習[8]智能技術在各行各業應用廣泛，比如可用于振動信號的提取[9]。金棋等利用優化的棧式降噪自編碼器提取齒輪箱特征進行故障診斷[10]；謝吉鵬等將深度信念網絡用于高速列車振動信號特征提取及故障診斷[11]；張朝林等采用卷積神經網絡方法提取軸承振動信號，采用小波包分頻帶構建特征向量，實現軸承故障診斷[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確度，會增加診斷的困難程度[13-16]。

1 理論基礎

1.1 深度學習模型

機械設備故障智能分類的深度學習模型以人工神經網絡、支持向量機等為代表，獲得了長遠的發展，極限學習機是一種現代智能模擬專家決策識別的深度學習模型。其參數權值的選取基于MP 廣義逆，具備較好的泛化特性。隱含層中的參數通過隨機的方式獲取，不需要多次迭代。圖1 為極限學習機的結構原理。

圖1 極限學習機的結構原理圖

計算方法如下：

當確定深度學習的樣本集（xi，yi）后，其中xi∈Rn，yi∈R，則極限學習機的模型計算公式為：

其中，N是隱含層中節點的數量，G是激勵的表達函數，βi表示β中的任意元素，是第i個隱含層節點對輸出神經元的權值；H是隱含層的輸出；bi是第i個隱含層節點的偏置。

1.2 狀態評價

狀態評價采用類比的評價標準，首先對同一機組出廠后不同時期各項參數監測數值進行比對，其次考慮多臺同樣型號的機組在統一相同的運行工況下各項參數監測信息的比對[17]，通過這種類比比對的方式有效獲取當前考察機組的運行狀態。

該方法本質上是通過機組的健康狀態與當前狀態的相似度分析來進行距離估算，從而完成狀態評價的。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）為通過歐氏幾何法計算相似度距離的度量公式，由此最終建立的類比評價流程，如圖2所示。

圖2 類比評估方法計算流程

因為類比評估的標準是與不同時期下該機組的歷史參數數據或同一時期下相同型號和運行工況的機組的對比，因此可以避開難以量化的缺陷狀態，全面有效地評估待測機組，且該方法適用于多種電力設備。

2 特征提取和深度學習算法

2.1 超廣角可見光攝像探頭

水輪發電機定轉子缺陷智能診斷系統的關鍵分析數據均來自于可見光探頭，探頭的選擇和安裝位置不能影響水電機組的穩定運行，還要能夠適應惡劣的工作環境。

水輪發電機內狹小，為了準確、有效地觀測定轉子運行狀態，包括潛在的裂紋和抖動，探頭需安裝于水電機組的內部。設計選用高清和高幀率的超廣角可見光探頭，同時每臺攝像機需自帶紅外補光器來匹配整個過程的曝光一致性。定制超廣角可見光探頭要考慮振動、高溫、觀測位置等多個因素。

設計在水輪發電機組內的冷風道周圍安裝4 臺適合該場景應用的超廣角高清攝像頭，通過圖像拼接技術，將整個定轉子拼接成立體展現視圖，實現對全部定轉子的現場實時監控。此外還要在水電站的集電環和電刷裝置附近裝備紅外相機，對電氣連接部位進行實時的溫度監測及診斷。

2.2 缺陷圖像識別處理

1）攝像機鏡頭畸變校正技術

通過高清超廣角攝像頭實時監視水輪發電機的定轉子運行狀態，采用圖像拼接技術獲得最終的分析圖后，還要考慮攝像機鏡頭的畸變問題。首先需要獲取準確的鏡頭畸變校正參數，通常相機鏡頭會隨著觀察點與中心位置的增大，成像畸變程度逐漸增大，越靠近圖像中心時，直線的彎曲越小。因此對于彎曲測度指標函數的構造，離圖像中心不同距離的直線應賦以不同的權重，利用目標函數計算最終的畸變參數，通過計算過程的優化提高畸變標定的精度。同時，利用實際實驗獲取數據及時調整畸變矯正系數。

2）基于SIFT 特征圖像配準算法

SIFT 算法又被稱為尺度不變特征變化，通過確定圖像上的一個或多個特征點，在不同的尺度空間下以此特征點為參照，記錄空間變化。其目的是達到圖像的抗畸變，準確地反映特征點在監測中的位置。

3）多探頭圖像智能拼接技術

通過多探頭圖像智能拼接技術拼接安裝于水電機組內部多個探頭的畫面，營造拼接后的在線監測查看體驗，為后續的全息化維修保養奠定技術基礎。圖像拼接在實際的應用較為廣泛，該算法選用SURF 進行圖像拼接，包括特征點提取和匹配、圖像配準、圖像拷貝、圖像融合（去裂縫處理），部分源代碼如下：

2.3 發電機定轉子缺陷特征提取

水輪發電機組轉子一般按裂紋形狀進行分類。通過簡化模型模擬轉子裂紋，發現裂紋將引起機組振動產生奇次諧波、偶次諧波以及高頻成分。在有轉子裂紋缺陷的情況下，從啟停機和帶負荷運行的過程中分析水電機組的振動特征。發現裂紋會使機組的振動緩慢增大，波形畸變；振動信號中會出現偶次諧波，甚至是高頻成分；轉子軸心的運動軌跡隨著裂紋缺陷的嚴重程度逐漸發展趨向雙橢圓或不規則形狀，轉子低速旋轉時晃度增大明顯，后期甚至還會引起熱彎曲[18]。根據不同運行狀態下的情況，搜集對應的轉子裂痕的可見光圖像集，包括從開始出現到比較嚴重等多個階段的圖像。

積累定轉子常見缺陷所對應的圖像及特征數據，才能對采集到的圖像進行智能診斷，這一過程涵蓋了數據積累、診斷算法的提出和實現。

2.4 深度學習算法

實際工程中，需要分析歷史數據中的轉子結構異常情況，包括裂痕的大小、裂痕擴展的速度、振動偏轉的角度大小等，根據這些歷史參數及時調整深度學習模型。

深度學習算法步驟如下：

1）將前期獲取的訓練用轉子缺陷可見光圖進行統一的特征歸一化操作，得到預處理后的訓練集；

2）通過VGG 網絡提取所述預處理圖中的待測缺陷特征；

3）保存深度網絡的瓶頸特征：輸入訓練樣本集合和測試樣本集合，提取全連接層之前的輸出，即獲得瓶頸特征，并使用優化器訓練瓶頸特征；

4）網絡優化：進行全局優化訓練，得到待測物體（輸入圖像是否包含轉子裂痕、結構異常等）的網絡模型，獲得輸入圖像為異常的概率閾值；

5）利用所述待測物體網絡模型，輸入或讀取待識別圖像，獲得待識別圖中為異常的概率。若待檢測圖像為異常的概率高于所述概率閾值，則對應的轉子異常，需要輸出警報信號。

3 智能診斷系統構建

基于深度學習的發電機組定轉子缺陷智能診斷技術的關鍵是要研究深度學習智能檢測及匹配技術、訓練裂紋、振動、脫落樣本及規則庫建立等，積累水輪發電機組定轉子缺陷數據，構建基于深度學習的智能診斷策略，同時需要及時調整算法來適應少訓練集帶來的挑戰。圖3 是診斷策略流程圖。

實現的方法包括在水電站發電機定轉子內部安裝定制鏡頭后的可見光相機，并利用構建的網絡系統實現多相機對定轉子的實時監控系統。獲取特征圖像后，通過具有深度學習機制的裂紋、脫落、振動偏移等缺陷智能監測算法服務器，按照診斷規則、模型規則等綜合經驗數據作為基礎，對常見定轉子故障類型進行有效的在線故障分析，為水電機組安全運行提供保障。服務器應具備圖片在線播放、歷史回放、拼接后立體展現等功能，確保電站水電機組設備運行過程的可視化。

在故障診斷系統中，所有安裝于發電機內部的相機均通過千兆路由接入到算法及應用服務器中。通過網絡實時查看設備內部監控視頻，同時服務器具備實時圖像處理、拼接和計算功能，而客戶端則負責查看實時的相關信息。

4 智能診斷效果驗證

針對湖北白蓮水庫水電機組發電機定轉子運行狀態的實時在線監控數據，對水電機組轉子裂紋、脫落和振動等異常現象智能診斷分析提示算法進行驗證。定轉子缺陷診斷圖像處理流程如圖4 所示。

圖4 定轉子缺陷診斷圖像處理流程

基于深度學習的發電機定轉子缺陷診斷圖像處理過程為：

1）圖像預處理：建立原始圖像的灰度提取和骨架提取；

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

3）通過超廣角攝像頭記錄缺陷類型，并輸入到學習庫、豐富庫。

系統實現所采用的技術路線拓撲連接圖如圖5所示。

圖5 系統連接拓撲圖

圖6 所示為湖北白蓮水庫水電機組發電機缺陷智能診斷系統識別捕捉到的轉子上裂紋示意圖。圖中展示了原始圖像和經過系統預處理、特征標記以及最后提取特征點的圖像處理過程，從而證明該系統能夠有效實現水輪發電機定轉子缺陷智能診斷。

圖6 裂紋缺陷圖像智能識別圖

5 結束語

文中基于ELM 深度學習和類比狀態評價的理論基礎，采用放置在水電機組內部的超廣角可見光探頭，結合全景紅外補光燈外設，對水電機組定轉子裂紋、振動、脫落等缺陷進行特征識別收集，并建立缺陷樣本和規則庫，最終實現了水輪發電機定轉子缺陷的智能診斷。經驗證，其可以有效診斷相應的故障缺陷。置于機組內部的超廣角攝像頭加上圖像智能拼接技術，可以全方位檢測水電機組定轉子狀態，通過服務器實時圖像處理、拼接和計算，在實現智能診斷缺陷的同時，通過網絡的連接，客戶機還提供相關信息實時查看的功能。