一種水電廠水輪機碰撞故障聲音識別的研究與應用

福建水口發電集團有限公司 李芳芳

1 引言

作為大規模開發利用的可再生能源，水電在國家基礎建設中受到高度重視。近年來，隨著大型水利樞紐工程的興建以及大中型水電廠的相繼建成投產，水電裝機容量越來越大，水電機組在電網中除了送出電能外，還承擔著調峰、調頻、調相和事故備用等作用。

水輪機作為水電機組的重要組成部件，其穩定性關乎水電站的安全生產。水輪機的過流部件和轉動設備由于長期在水下運轉，容易發生碰磨故障，如未能及時發現此類故障，極易造成頂蓋漏水甚至水淹廠房的事故。但早期的碰磨故障特征難以在水、機、電以及噪聲信號摻雜耦合的環境中提取出來，給水電機組穩定運行造成隱患[1]。鑒于這類故障的嚴重性，亟須一種可靠、高效的故障預警識別方法，提升水電站應急處置能力和安全運行水平。

水電機組不同運行工況產生的聲音頻譜特征就像人的指紋，不僅具有特定性，而且具有相對穩定性。本文針對水電站水輪機特定碰撞故障，提出一種水電廠水輪機碰撞故障聲音識別方法與系統，滿足水電廠安全穩定生產需求。

2 系統總體設計與分析

2.1 系統總體結構

由于水電廠現場環境的復雜性，部署機組設備運行狀態監測系統往往存在施工難度高、維護難度大等問題?；诮洕?、可擴展性的需求，本文系統采用分層設計模式，將系統分為三層，包括數據感知層、網絡傳輸層、應用管理層，系統分層結構圖如圖1所示。

2.1.1 數據感知層

部署在現場的前端采集設備采用雙向通信方式，感知外界環境的聲音信息通過網絡進行傳輸，同時響應上層指令進行相應動作；本文在水電站機組水車室內安裝具有聲音信號處理能力的拾音設備，通過設置特定的頻率與相關參數，采集水輪發電機組的聲音樣本。

2.1.2 網絡傳輸層

通過有線接入方式接入水電站現有的通信網絡，基于TCP/IP協議，確保數據傳輸可靠性與穩定性，實現系統網絡的互聯互通。

2.1.3 應用管理層

分析處理前端收集的數據和信息，生成水輪機故障聲音診斷模型，為故障應急處置提供相關依據；構建應用管理操作平臺，實現前端設備管理、用戶信息管理、實時監聽現場機組運行聲音、告警信息黑白名單糾偏、聲音信號回聽等功能。

2.2 前端采集設備硬件設計

2.2.1 邊緣計算

本文系統采用具有聲音采集和數據處理功能的拾音器作為前端采集設備，基于邊緣計算分布模式，將聲音數據預處理轉移至前端設備進行，再將預處理結果通過網絡傳輸至后端進行分析處理，不僅可以節省傳輸網絡帶寬成本，同時還能減小網絡擁堵，降低后端服務器出現單點故障的可能，具有延時低、響應速度快、安全性能高等特點。

2.2.2 拾音器硬件設計

對水電廠應急處置效率與系統整體性能進行考量，采用基于邊緣計算的運算模式，對前端具有數據處理能力的拾音器性能提出了較高的要求。

本文拾音器采用nanopi2 h5芯片，內置64位四核處理器與六核GPU，集成512M DDR3主存，支持運行Ubuntu等嵌入式操作系統；在網絡方面，支持接入百兆與千兆以太網；具有體積小、功耗低、算力高、低延時等特點，廣泛適用于對設備體積要求高、數據吞吐量大、傳輸速度快的高性能應用。

基于上述特性，系統使用超六類網絡屏蔽線，將部署在前端的拾音器接入到通信網絡中，實現聲音信號的高速采集與數據的高效處理，再將預處理的結果通過網絡傳送至后端，實現對水電站設備異常運行聲音的實時監測與分析，具有低時延、響應快等優點，當監測到設備異常聲時，可迅速發出警報，保障數據可靠性與高效性。

2.3 軟件流程設計與分析

本文系統由音頻采集單元、人工標記單元、預處理單元、卷積神經網絡訓練單元、端上識別與存儲單元、人工糾偏單元、報警單元組成。系統總體流程如圖3所示。通過拾音器采集水輪機的正常運行聲音和故障碰撞聲音，并預處理成語譜圖樣本集，利用樣本集對卷積神經網絡進行訓練，得到能夠識別故障碰撞聲音的故障識別模型，通過故障識別模型對水輪機的實時轉動聲音進行實時監測，實現通過故障碰撞聲音識別水輪機是否發生故障碰撞。系統設置有人工糾偏單元，通過人工介入提高系統的魯棒性，能夠根據糾偏結果進一步對故障識別模型進行優化，提高識別的準確性。

3 基于語譜圖的聲音數據預處理

3.1 語譜圖

在水輪機故障碰撞故障音頻識別過程中，不僅包含需要提取的故障信息，還存在干擾信息及環境噪聲。為了更加有效提取水輪機碰撞故障音頻數據信息，需要預先對采集的聲音信息進行特征提取，從而結合深度學習神經網絡，進行更加高效的模型訓練。

語譜圖可以實現將聲音信號轉換為能夠動態展示時間和頻譜變化關系的二維圖像，以可視化方式展示頻率與能量強度組成的空間特征信息，以及隨時間變化的時序特征信息[2]。根據相關人員的研究成果，將MFCC特征、LPMCC特征及語譜圖的相關識別能力進行比較，語譜圖在泛化性、魯棒性、實用性、識別率方面有較好的綜合表現[3]，所以本文在預處理單元采用語譜圖對采集的聲音數據進行特征提取。

3.2 預處理單元設計

預處理單元主要對水輪機正常運行聲音和故障碰撞聲音進行預處理，獲取正常運行聲音的語譜圖和故障碰撞聲音的語譜圖作為深度神經網絡的樣本集?；谡Z譜圖的預處理單元流程圖如圖4所示。

首先，分別對正常運行聲音和故障碰撞聲音進行分幀處理，設置每幀的數據長度為N，分幀步長為N/M，即重疊率為（M-1）/M進行數據分幀。本文中取N=1024，分幀步長為512，重疊率為50%進行數據分幀，對3600s時長的原始聲音數據劃分為16000×3600/512-1=112499幀數據。利用漢寧窗對每幀數據進行加窗處理，窗的長度為N=1024，數字形式如下式所示：

對加窗處理后的每個窗中的數據進行短時傅里葉變換（short-time Fourier transform，STFT），得到短時幅度譜估計值。傅里葉變換的數字形式如下式所示，其中xi（n）表示為每個幀經過加窗后的數據，k∈[0,N-1]，m表示幀序號，N=1024。

對每幀短時幅度譜估計值|X(m,k)|取對數值，得到具有一一對應關系的語譜圖，語譜圖橫坐標為時間，縱坐標為頻率，每個窗格的顏色深淺表示相對應時間與頻率處的能量值。

4 基于CNN的故障聲音模型訓練

4.1 卷積神經網絡

卷積神經網絡（Convolutional Neural Network，CNN）屬于一種前饋型深度學習模型，是由一個或多個卷積層與其他分類神經網絡構成。卷積神經網絡通過訓練算法不斷對每一層神經元對應的權重進行迭代更新，具有局部特征提取、區域共享權值以及數據池化等特點，相較于其他類型的神經網絡，卷積神經網絡計算所需的網絡數更少，特征量提取更準確[4]，所以本文采用卷積神經網絡進行水輪機故障聲音模型識別訓練。

卷積神經網絡的基本結構包括輸入層、卷積層、池化層、全連接層和輸出層。輸入層主要用于輸入經過預處理后的數據；卷積層使用卷積核與輸入數據進行卷積計算，用于提取特征量，池化層對卷積層輸出的特征進行池化處理，用于壓縮數據和減少計算量，避免過擬合，卷積層和池化層交替分布可進一步提煉更高一級的特征；全連接層接收前端網絡傳遞的特征向量，計算網絡輸出，再傳遞給輸出層；輸出層根據網絡模型的目的進行設置，通常為一個多分類器[5]。

4.2 卷積神經網絡訓練單元設計

卷積神經網絡訓練單元用于搭建卷積神經網絡，并將預處理后的樣本集輸入至卷積神經網絡對其進行訓練，得到故障識別模型。本單元主要包括樣本劃分模塊、訓練模塊和測試模塊。樣本劃分模塊用于將樣本集按照一定的比例劃分為訓練集和測試集。訓練模塊用于將訓練集中的正常運行聲音的語譜圖和故障碰撞聲音的語譜圖，輸入至卷積升降網絡中進行訓練，訓練過程中使用損失函數調整卷積神經網絡的參數。測試模塊用于通過測試集對卷積神經網絡的識別結果進行驗證，當卷積神經網絡的識別準確率達到目標值時，結束訓練，保存當前參數，得到故障識別模型。

本文設計的卷積神經網絡包含以下層級：

第一層為輸入層，用于接收經過預處理后的語譜圖數據；第二層為卷積層，根據預處理單元輸出的語譜圖數據，設置卷積核尺寸為16，卷積核數量為8，卷積步長為4，激活函數使用Leaky ReLU（帶泄露線性整流函數），第二層網絡結束，網絡輸出連接至第三層；激活函數Leaky ReLU的數學形式如下所示：

第三層為卷積池化層，卷積核尺寸為3，卷積核數量32，卷積步長為1，激活函數使用Leaky ReLU，隨后進行池化，采用最大池化方式，池化尺寸4，步長2。第三層網絡結束，網絡輸出進行展平操作，連接至第四層；第四層為全連接層；第五層為softmax層，輸出維數為2，使用softmax函數，softmax函數的數學形式如下式所示，每個輸出值P（i）的大小在0與1之間，總和為1；

第六層為輸出層，輸出維數與設定故障類型個數一致，使用softmax函數。

5 管理操作平臺設計

管理操作平臺具有用戶管理、音頻管理、設備管理、數據統計、告警輸出等功能模塊。

5.1 用戶管理模塊

鑒于平臺操作安全性考慮，用戶類型配置了管理員和一般用戶，并分配不同的使用權限。在用戶操作展示頁面上，管理員用戶可以對采集設備進行添加與刪除、音頻文件編輯、聲音模型糾偏等，一般用戶則配置了瀏覽、讀取等功能。平臺根據登錄用戶的屬性，展示不同操作權限的頁面，實現用戶的分類管理。

5.2 設備管理模塊

展示內容包括綁定設備個數，前端設備的名稱、版本、安裝位置與當前工作狀態。管理員用戶在此頁面可以對設備進行刪除和添加：點擊刪除按鈕實現刪除當前選擇的設備；綁定設備，需要輸入設備的設備ID號等相關信息，便于平臺將讀取設備信息，通過網絡與前端設備相連。

5.3 音頻管理模塊

該頁面內容包括兩個組成部分，上半部分為正常音頻，展示示例水輪機故障音頻，下半部分為設備通過采集所捕獲到的異常聲。當專家用戶聽過音頻后，確定當前音頻為水輪機的碰撞異常聲，可對將該段聲音進行標記，若發現標記錯誤，仍可以取消原來標記內容，實現專家介入糾偏模型的功能。

6 系統測試與應用

在水車室內水輪機組主軸旁設置拾音器，采集水輪機轉動聲音，拾音器聲音采樣率為16000Hz，時長為3600s，根據奈奎斯特定律（Nyquist's law），可以復原不大于8000Hz頻率大小的采集聲音信號。對水輪機正常轉動聲標記為正常運行聲音，在現場使用“擊鐵”聲模擬水輪機碰撞聲并標記為故障碰撞聲音。經現場應用與測試，水輪機在正常運行情況下，采集到的聲音頻率極大值集中在4000～5000Hz，產生碰撞故障情況下，聲音頻率極大值集中在2500～3000Hz，結合富有經驗的技術專家的判斷辨別，以對水輪機聲音類型進行標記，提高系統魯棒性。

系統報警單元在故障識別模型主要功能是識別實時轉動聲音中是否為故障碰撞聲音，同時計算輸出的故障碰撞聲音的幀長占實時轉動聲音的全幀長的比例，通過預設閾值P，當比例大于預設閾值P時，發出報警信號，起到預警效果。在測試中，實時采集水輪機60s的轉動聲音，經過預處理后分割為1874幀，重疊率為50%的數據，將1874幀數據輸入到訓練好的故障識別模型進行識別，設置閾值P為50%，當故障碰撞聲音的幀長超過1874×50%時，向值班人員發出報警信號，報警單元可以安裝在計算機的監控軟件中，通過計算機的監控軟件發出報警信號。

本文通過將語譜圖與卷積神經網絡相結合，提出了一種水輪機故障碰撞的識別方法與系統。通過語譜圖實現聲音樣本特征向量的有效提取，結合卷積神經網絡迭代訓練，得到水輪機故障碰撞聲音的故障識別模型，實現對水輪機實時轉動聲音的實時監測，通過故障碰撞聲音識別水輪機是否發生故障碰撞。結合人工糾偏，通過人工介入對故障識別模型進行優化，提升系統魯棒性。通過在水電站應用基于故障聲音識別的水輪機碰撞故障識別系統，能夠實現及時有效的故障預警，提升水電站應急處置效率，保障水電機組設備安全生產。