基于多傳感器信息融合與混合感受野殘差卷積神經網絡的調相機轉子故障診斷

錢白云，呂朝陽，張維寧，林 翔，朱霄珣，董利江，吳玉華，王魯東 ，李震濤

(1.國網新疆電力有限公司電力科學研究院，烏魯木齊 830000；2.華北電力大學 動力工程系，河北 保定 071003；3.國網新疆電力有限公司，烏魯木齊 830000；4.新疆新能集團有限責任公司烏魯木齊電力建設調試所，烏魯木齊 830000)

0 引言

如今風電、光伏等新能源正在大量并網，特高壓直流輸電技術也在不斷發展，電網對無功調節的需求正在逐步提升。調相機作為大型無功調節設備，其無功增加能力與無功吸收能力均較強，可以在電網中增強電壓的動態調節能力[1-3]，憑借出色的動態無功補償能力，調相機能夠消除電力系統電壓突然提高帶來的不良影響，尤其在網側，調相機能夠快速、大量的吸收換相失敗產生的無功功率，同時對無功進行快速補償，保障系統無功的穩定[4]。因此，調相機的安全穩定運行尤其關鍵。

調相機作為一種典型的旋轉機械設備，轉子是其最主要的組成部分，若發生故障會導致機組停機，產生較大的經濟損失，甚至威脅人身安全[5-6]。因此，針對調相機轉子進行準確快速的智能故障診斷，對提升機組的安全性和經濟性具有十分重要的意義。對于大型旋轉機械設備而言，振動傳感器布置測點豐富、經濟性、準確性較高，因此針對振動信號進行分析是一種普遍的狀態監測方法。目前國內外學者嘗試在轉子、軸承等旋轉機械的故障診斷中分析振動信號的特征。文獻[7]通過改進經驗模態分解(EMD，empirical mode decomposition)對轉子振動信號進行分析，有效定位了轉子故障特征。文獻[8]通過聯合定子振動特性與磁密諧波的綜合特征，實現了大型調相機轉子偏心故障的識別。文獻[9]提出一種可調品質因子小波變換方法，識別了早期軸承故障。然而轉子振動信號的故障特征相對更微弱，極易被現場噪聲或其他無關信號淹沒，進而影響到對轉子運行狀態的判斷。

隨著數據挖掘和人工智能技術的不斷發展，信號特征提取結合傳統機器學習模型實現故障診斷的方法被廣泛研究，如：人工神經網絡(ANN，artificial neural network)、支持向量機 (support vector machines，SVM)、模糊識別[10-11]等。然而，實際工作時，設備工況經常發生變化，且許多信號特征提取方法無法在現場強噪聲、多源干擾下分離并捕捉故障特征，同時淺層機器學習模型學習深度不足，在面臨如今海量的工業數據時，此類方法的應用范圍和診斷效果將受到制約[12]。

深度學習(DL，deep learning)的出現解決了信號處理方法特征提取能力有限和淺層機器學習中學習深度的問題[13]。而卷積神經網絡CNN作為DL的一種特殊結構形式，是計算機視覺領域最強大的模型，因此最近受到了故障診斷領域研究人員的廣泛關注[14]。文獻[15]將原始信號轉化為AE聲譜圖特征，結合CNN實現了轉子碰摩故障的識別。文獻[16]采用短時傅里葉變換將振動信號轉化為時頻圖輸入CNN，實現了滾動軸承的故障診斷。文獻[17]通過希爾伯特變換 (HT，Hilbert transform)處理原始振動信號，并采用PSO算法對CNN參數進行優化，識別了5種轉子故障。另外，多個傳感器捕獲的信號包含系統運行的更多信息。在過去幾年里，基于CNN的多傳感器數據信息的融合策略也被廣泛應用于全面描述旋轉機械設備狀態，利用多傳感器數據所具有的同步關聯性，有助于提高模型診斷準確率和抗噪聲干擾能力[18-19]，合理利用多傳感器信息且實現準確、快速診斷是需要重點關注的。

調相機轉子和其它旋轉設備的轉子在基本機械結構原理上相似，均是將轉子固定在轉軸上，兩端以軸承承托，但調相機設備的整體復雜程度決定了其轉子結構相對復雜，其特點如下：大型調相機尺寸和重量大，工作轉速跨越二階臨界轉速，振型復雜，對運行工況和運行參數的變化敏感，因此調相機隨不同運行條件具有多種振動狀態。除此之外，其定轉子上均有勵磁繞組，振動并非單一的機械場，而是電磁-機械場相互耦合作用發生的結果，并且由于它的暫態反應能力和暫態過載能力強，導致其轉子轉速高，急起急停，內部溫度場復雜多變，也會影響轉子的振動狀態。固使用通常轉子故障診斷方法對調相機轉子進行診斷，無法取得理想效果。

目前基于傳統深度學習的轉子故障診斷方法的優化主要以復雜化模型結構加深學習深度，但卷積神經網絡的卷積、池化層堆疊，缺乏對故障特征不同尺度方向提取的考慮，并且過于復雜的模型堆疊會降低訓練速度、耗費大量算力。從提高訓練速度、分類精度和模型適應振動信號多尺度特性的角度，如何將數據可視化和分尺度特征提取與模型特征學習能力增強三者相結合是本文創新性研究的切入點。

基于以上研究，本文提出一種基于多傳感器信息融合SDP圖像聯合多尺度CNN的調相機轉子故障診斷方法。首先，基于使用對稱點模式(SDP，Symmetrized dot pattern，)對調相機多個傳感器的振動信息進行整體特征融合，以更全面的映射出識別對象的特征；在此基礎上，構建混合感受野殘差卷積神經網絡(MRFCNN，Multi receptive field CNN)，采用不同感受野的多尺度卷積核對SDP圖進行全局特征學習。

1 對稱點模式SDP

SDP算法可將復雜時間序列以散點的形式清晰映射在極坐標圖中，可以使原始時域信號通過圖形化的方式提高可視化能力[20]。因為極坐標圖像的特殊性，多源信息可通過SDP方法融合在有限區域中。

在極坐標中xi與xi+1分別為時域信號中i時刻和i+1時刻的幅值，原信號通過SDP方法可變成極坐標空間s[r(i)，θ(i)，φ(i)]中的點，上述變量的計算公式為：

(1)

(2)

(3)

其中：xmax和xmin分別為原始時域波形信號的最大振幅和最小振幅；θ(i)和φ(i)分別為點對于鏡像對稱面而言，沿逆時針和順時針方向偏轉的角度；r(i)為點的極徑；θ為規定的鏡像對稱面的偏轉角度(θ=360m/n，m=1，2，…，n)；ζ為增益系數(ζ<θ)，SDP算法基本原理如圖1所示。

一維信號經SDP變化后，可得到“花瓣狀”的散點圖，避免了傳統信號處理方法導致的數據壓縮與特征丟失。而不同類別的信號間的差異主要表現在：1)散點花瓣的曲率；2)散點分布和形狀特征；3)幾何中心位置。在同一極坐標系中，在不同象限可實現多個信號的信息融合，更加凸顯差異性。

2 混合感受野殘差卷積神經網絡MRFRCNN

2.1 卷積神經網絡CNN概述

卷積神經網絡CNN可以從數據中自動學習并提取抽象的深度特征信息，在圖像識別領域具有巨大潛力。CNN 對輸入樣本數據進行逐層卷積與池化，具有一定的旋轉、平移不變性，被廣泛應用于科研和工程領域。傳統 CNN 包含卷積層、池化層、全連接層等，以下對CNN主要操作進行概述。

給定第l-1層的輸入，則下一層的特征圖為，對應的卷積層操作如下：

(4)

傳統CNN中，池化層會對每一個卷積層提取到的數據進一步降維，加快計算速度且可以避免過擬合[21]。

經過多層學習，原始數據信息初步被抽象成更高級的特征，在網絡的末尾(L層)由全連接層(FC)實現網絡的最終分類，全連接操作如下：

zL=σ(wLyL-1+bL)

(5)

其中，yL-1為L-1層的神經元組，zL為L層的神經元組，wL，bL分別為全連接層的權重和偏置。對于多分類問題，全連接輸出層激活函數為Softmax，通過有監督學習方式和反向傳播算法進行訓練，利用梯度下降法，經歷多次迭代使損失函數Loss值達到小，從而完成訓練。

不同的卷積核對圖像信息的捕捉不同，而通常情況下，卷積核越大，感受野(receptive field)越大，看到的整體信息越多，捕捉的全局特征越好，但會導致計算量的激增。反之，卷積核越小，感受野越小，獲得的局部信息會更加具體。

調相機各部件振動耦合會導致轉子振動信號表現多尺度特性，且SDP圖像包含多傳感器同步信息。為獲取更全面的特征并提升CNN模型的識別準確率，本文構建了包含殘差模塊的多感受野卷積神經網絡，采用不同卷積核聯合提取調相機振動特征。

2.2 MRFRCNN架構

針對傳統CNN的結構中存在的缺點，并結合調相機故障信息存在的復雜特征，本文提出的混合感受野殘差卷積神經網絡MRFRCNN，其結構如圖2所示。

圖2 MRFRCNN網絡架構

其中，本架構中將傳統卷積核后添加激活函數的操作改為：卷積操作+BN層+Silu激活函數(簡稱CBS層)，實現在不同卷積特征提取后，將數據標準化并有效激活權重，CBS層的結構如圖3所示。

圖3 CBS層結構

傳統的池化層即下采樣層包括平均池(mean pooling)和最大池(max pooling)等等，一般直接連接在上一層卷積操作之后，可以對特征進行壓縮、減小計算復雜度。但連續的池化層的堆積，難免導致丟失信息，也即降低了圖像分辨率，某些蘊含故障信息的重要特征的丟失將給網絡帶來極大損失。因此在MRFRCNN網絡構架中，用SPPF替代傳統池化層，可以從全局角度出發，有效避免了對圖像區域裁剪、縮放操作導致的圖像失真等問題，避免對特征多次重復提取，提高了分類的精度，節省計算成本[22]，SPPF的結構原理如圖4所示。

圖4 SPPF模塊結構

假設輸入層為128×128的原始圖像，在通過第一個3×3卷積核的CBS層后，數據分流為3個支路，分別為支路1：1×1卷積CBS支路；支路2：3×3的CBS支路；支路3：5×5的CBS支路，因為各支路感受野不同，可以從多個尺度提取振動特征，達到特征融合的效果。三條支路均采用兩個CBS層，核數量為16和32，步長均為2。其中支路2與支路3的輸出進行ADD操作，隨后通過1x1點卷積的CBS層，使數據流平穩，再與支路1的輸出進行CONCAT操作，也即與支路1形成了殘差連接，降低模型復雜度以防止過擬合，同時防止梯度消失或梯度爆炸。三條支路CONCAT后通過SPPF模塊進行降維，使用多個窗口(pooling window)，提取不同尺寸的空間特征信息，提升模型對于空間布局和物體變性的魯棒性。最后為兩層全連接層，并通過Softmax實現多分類。

3 實驗驗證

本文提到的SDP-MRFRCNN模型整體診斷流程如圖5所示，實驗過程模型按照如下環節進行。

圖5 調相機多傳感器信息融合與混合感受野卷積神經網絡故障診斷流程圖

3.1 數據來源

實驗數據來自新疆烏魯木齊天山站300 MVar大型同步調相機。該設備兩端一端為盤車端，通過電機帶動盤車齒輪進行盤車。另一端為勵磁端，定子接入三相電流生成的旋轉磁場以及轉子接入直流電形成的穩定磁場共同維持轉子轉動，兩端均由滑動軸承支撐，大型調相機實驗機組實物及仿真結構結構示意圖如圖6所示。設備長期運行產生了碰摩，不平衡的轉子故障，現場振動傳感器布置于1號：盤車端x方向、2號：盤車端y方向、3號：勵磁端x方向、4號：勵磁端y方向，通過SKVMA振動監測分析儀進行采集，采樣頻率為6 666 Hz。本文所采用故障模式包含正常、碰摩、不平衡3種狀態。

圖6 新疆烏魯木齊天山站300 MVar大型同步調相機

3.2 SDP多傳感器信息融合

由前文可知，SDP 方法可以通過圖像化的方式反映不同信號的特征，從而體現出調相機不同運行狀態間的區別。首先，設置鏡像對稱面θ=45°，參數ξ=45°將調相機3種狀態的4個單一傳感器原始信號分別進行SDP分解，各自占滿第一象限，形成一個清晰且對稱的花瓣，如圖7所示。

圖7 SDP圖像(單一傳感器信息)

從圖7可以看出，直接對單個采集通道進行SDP分析，調相機不同狀態間已經可以體現出一定的區別，但由于4個傳感器位置不同，也即包含信息不同，所以不同傳感器采集的信號也是有差異的。因此，本文通過SDP 方法將4個傳感器振動特征進行融合，設置鏡像對稱面θ=45°、θ=135°、θ=225°、θ=315°，參數θ=45°，也即從第一象限開始旋轉，分別以1號、2號、3號、4號傳感器信號作為輸入，4個傳感器的信號在極坐標每個象限各形成一對花瓣，形成最終的四花瓣圖。通過將各傳感器的振動信息融合起來，從整體突出狀態特征的完整度和區分度，從而彌補單一特征成分導致的信息缺失。每種運行狀態均隨機抽取3張SDP圖像作為展示，如圖8所示。

圖8 SDP圖像(融合1、2、3、4號傳感器信息)

由圖8可以看出，單張SDP圖像將調相機4個傳感器的時域振動信號在有限范圍內充分融合了起來，在保證不丟失特征的前提下，極大程度對數據量進行了壓縮，而且更加體現不同出故障特征的可區分度。然而，通過人為識別圖像特征往往需要大量的預先學習記憶，并且難以識別圖像之間的小差異。另外，在工業大數據環境下，極高的采樣率導致數據量的暴增，故人工識別無法滿足快速、智能識別的需求。所以本文提出了基于MRFCNN的調相機故障SDP信息融合圖像識別方法，即通過SDP-MRFCNN診斷模型實現調相機轉子狀態快速識別。

3.3 診斷實驗

為驗證本文方法的有效性，將經過信息融合的調相機振動SDP圖像生成數據集，正常、碰摩、不平衡3種狀態各250條數據，整體混合后設置隨機數打亂數據后，以4：1的比例劃分訓練集和測試集，輸入網絡前3種狀態被順序編碼為0、1、2。數據集的構成如表1所示。

表1 數據集構成

基于以上數據集，在Pytorch環境下，搭建多感受野卷積神經網絡進行診斷分類。設置網絡學習率為0.000 1，批樣本數為32，迭代50輪。模型訓練后測試集上的結果表明，測試集最終識別精度達到了99.33%，模型在訓練集和測試集上的效果曲線如圖9所示。可以看出，模型在第10個epoch左右就達到了較高的精度并開始收斂，整個訓練過程穩定，沒有過擬合、欠擬合的現象出現，初步說明了本文診斷方法的優秀性。

圖9 模型準確率曲線

為了更加清晰直觀地評估模型效果，將測試集3種狀態類別分類結果以熱圖形式繪制混淆矩陣，如圖10所示。

圖10 調相機故障樣本分類混淆矩陣

圖中坐標值0、1、2分別為表1中的標簽編號，代表調相機的不同狀態。陰影中的數字表示為實際樣本標簽和預測樣本標簽相符合的概率值，從混淆矩陣中可以看出測試的總樣本中，除了類別1中有0.01的概率被誤診為類別0，其他預測樣本的分類結果均正確。

同時，引入T-SNE方法對測試集數據分類后的全連接輸出層數據進行降維處理，生成聚類簇，使結果進一步可視化，如圖11所示。綜合圖10和圖11可以看出，混淆矩陣的分類錯誤標簽與T-SNE圖中顏色簇的堆疊情況是相對應的。調相機的3種運行狀態被錯誤分類的幾率非常小，雖然仍可以觀察到一定程度的錯誤診斷，但T-SNE聚類結果顯示，不同類別間特征邊界明顯，同類別間特征分布緊湊。總體而言，測試結果表明，本文診斷方法取得了令人十分滿意的分類結果。

圖11 調相機故障樣本分類T-SNE圖

3.4 對比試驗

3.4.1 SDP特征融合優越性

對1號傳感器的振動數據，分別使用短時傅里葉變換STFT、小波變換WT、及非特征融合的SDP圖(SoleSDP)即圖7所示的未經融合的單一傳感器SDP圖，分別輸入本文提出的MRFCNN網絡結構中進行分類識別，同樣以正常、碰摩、不平衡3種狀態各250條數據整體混合后以4：1的比例劃分訓練集和測試集，實驗結果如表2所示。

表2 對比實驗結果

實驗結果表明，同在本文提出的MRFCNN深度學習模型中，STFT和WT時頻圖作為特征輸入時故障分類精度偏低，證明這兩種傳統時頻分析圖在調相機故障特征提取過程中對細微特征的提取能力較差；而方法3無融合的單一傳感器SDP圖和融合特征的SDP圖實驗結果比對，說明單一SDP圖雖然較STFT和WT有更強的細微特征二維化表征能力，但是經多傳感器融合后的SDP圖對分類精度的提升有了更大的提升。

3.4.2 SDP-MRFCNN與其他模型對比

為了進一步說明所提SDP-MRFCNN深度學習網絡架構有效性，選取了幾種經典旋轉機械故障診斷方法在本文數據集上進行測試，進行對比研究：1)EMD-SVM方法[23]，使用EMD分解信號，構造IMF特征矩陣輸入SVM進行狀態識別；2)DBN方法[24]，通過對多個傳感器振動數據提取時域特征并融合，然后輸入DBN網絡，能夠自適應融合多傳感器數據完成分類任務；3)STFT-CNN方法[25]，利用短時傅里葉變換將信號轉化為時頻圖輸入CNN進行診斷；4)SDP-CNN方法[26]，將多傳感器融合信息的SDP圖像輸入一個傳統的CNN結構進行診斷分類；5)SDP-VGG[27]，將單一傳感器信號(本文采用3號傳感器)進行SDP分析，得到相應SDP圖像后，輸入VGG網絡結構中進行分類。6)本文所提SDP-MRFCNN方法，將多傳感器融合信息的SDP圖像輸入一個包含多感受野和殘差塊以及SPPF池化的MRFCNN模型進行診斷分類。對比實驗結果如表3所示。

表3 對比實驗結果

由表2可知，本文方法識別準確率最高，達到了99.33%。其他方法的最高準確率僅達到了94.67%。雖然其他方法也在一定程度上實現了調相機轉子故障診斷，但是在原始信號特征過于復雜時，很難以更高精度完成狀態特征到識別結果的映射，極易造成誤診。特別地，方法4與本文方法十分類似，區別在于CNN結構不同，方法4采用了傳統CNN，而本文針對傳統CNN進行了有效改進；方法5則沒有考慮多傳感器信息融合的作用，僅利用單一傳感器信息，單一傳感器造成的設備狀態運行特征不足，與傳統診斷模型的特征提取能力弱，均限制了診斷精度的進一步升高。而本文方法SDP-MRFCNN在數據處理階段通過SDP圖像最小尺度的融合了調相機多傳感器的振動信息，同時，MRFCNN模型結構避免了傳統神經網絡的單一感受野以及單支路卷積、池化的堆疊形式，具有更強大的特征提取能力，更利于調相機的故障診斷。

4 結束語

針對受現場強噪聲干擾、故障特征復雜的調相機轉子振動信號，本文提出了一種SDP-MRFCNN調相機轉子故障診斷方法。該方法主要步驟如下：首先將來自現場設備4個不同方位傳感器的振動信號通過SDP方法進行信息融合，獲取全面、立體的設備運行狀態特征；改進傳統分類的CNN結構，構建多尺度、多感受野、具備更強特征學習能力的MRFCNN網絡；最后，基于MRFCNN網絡對融合信息的SDP圖像進行識別，實現調相機轉子設備智能故障診斷。通過兩組對比實驗分別驗證了SDP多傳感器信息融合以及MRFCNN網絡的優越性，證明了SDP-MRFCNN模型在準確率上具有很大提升，達到了99.33%，大大提高了對于調相機振動信號特征學習效果與狀態識別精度。但是，由于該模型以圖形特征作為輸入，對圖片數量需求大，如何針對現場數據不平衡，克服故障樣本量對網絡的影響有待于進一步研究；同時如何在保證分類精度的前提下，對網絡的輕量化研究也是一個改進方向。