水力發(fā)電站智能巡檢機(jī)械設(shè)備缺陷自動(dòng)識(shí)別方法

田 云，趙 婭，葉 波，蔣勤偉

（1.國(guó)家電投集團(tuán)貴州金元遵義水電開發(fā)有限公司，遵義 563000；2.國(guó)家電投集團(tuán)貴州金元股份有限公司，貴陽 550081）

電力的需求日益增長(zhǎng)，水力發(fā)電站作為一種清潔能源供應(yīng)方式也受到了社會(huì)的廣泛關(guān)注[1-2]。水力發(fā)電站智能巡檢機(jī)械設(shè)備是指應(yīng)用智能技術(shù)和傳感器等裝置，對(duì)水力發(fā)電站中的機(jī)械設(shè)備進(jìn)行自動(dòng)化巡檢和監(jiān)控的設(shè)備。通過引入智能巡檢機(jī)械設(shè)備，可以實(shí)現(xiàn)對(duì)水力發(fā)電站的機(jī)械設(shè)備進(jìn)行全面、精準(zhǔn)的監(jiān)測(cè)和管理，提高設(shè)備的可靠性。但由于水力發(fā)電站機(jī)械設(shè)備常常暴露于高濕度、高溫度、腐蝕性介質(zhì)等惡劣環(huán)境中，這些外部環(huán)境因素可能對(duì)設(shè)備造成損害，影響水電站的安全性，為此，需要研究一種水力發(fā)電站智能巡檢機(jī)械設(shè)備缺陷的自動(dòng)識(shí)別方法。

文獻(xiàn)[3]對(duì)旋轉(zhuǎn)機(jī)械缺陷展開全息希爾伯特譜分析（Holo-Hilbert spectral analysis，HHSA）。根據(jù)雙層經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)構(gòu)的方法對(duì)設(shè)備振動(dòng)信號(hào)中的內(nèi)部調(diào)制特性展開描述，為了解決機(jī)械設(shè)備信號(hào)中出現(xiàn)的一些噪聲和對(duì)其缺陷識(shí)別造成干擾的問題，用改進(jìn)HHSA 方法對(duì)設(shè)備信號(hào)中的噪聲展開約束，針對(duì)機(jī)械設(shè)備缺陷使用IHHSA 方法完成識(shí)別。該方法對(duì)設(shè)備缺陷識(shí)別所需的時(shí)間較長(zhǎng)，存在設(shè)備缺陷識(shí)別效率低的問題；文獻(xiàn)[4]設(shè)計(jì)了一個(gè)寬的卷積層初步融合信息，并擴(kuò)展模型的接收域。基于殘差塊建造3 個(gè)獨(dú)立的并行分支網(wǎng)絡(luò)，且在并行分支網(wǎng)絡(luò)中設(shè)計(jì)了多尺度卷積核，分別對(duì)輸入網(wǎng)絡(luò)的信號(hào)展開特征提取，根據(jù)動(dòng)態(tài)加權(quán)層構(gòu)建全局信息建模特征通道當(dāng)中的非線性關(guān)系，并重新標(biāo)定每個(gè)尺度上的特征通道，融合3 個(gè)尺度特征，通過分類器實(shí)現(xiàn)缺陷識(shí)別。該方法對(duì)于設(shè)備缺陷信號(hào)的噪聲處理效果較差，存在去噪效果弱的問題；文獻(xiàn)[5]針對(duì)變分模態(tài)分解算法中存在的相關(guān)參數(shù)，通過麻雀算法對(duì)其優(yōu)化提出SSA-VMD 算法，采用SSA-VMD 算法對(duì)設(shè)備信號(hào)展開分解，得到若干個(gè)模態(tài)分量，引入皮爾遜相關(guān)系數(shù)分析原始設(shè)備信號(hào)與模態(tài)分量之間的關(guān)系，根據(jù)分析結(jié)果選擇保留或剔除分量，通過重構(gòu)分量實(shí)現(xiàn)信號(hào)去噪，提取信號(hào)的時(shí)頻特征與熵特征，將其輸入輕量級(jí)梯度提升機(jī)中，通過迭代訓(xùn)練完成缺陷識(shí)別。但該方法對(duì)于分析設(shè)備缺陷的特征類型較差，缺陷識(shí)別精度還需進(jìn)一步提升。

為了解決上述方法中存在的問題，提出水力發(fā)電站智能巡檢機(jī)械設(shè)備缺陷自動(dòng)識(shí)別方法。

1 設(shè)備信號(hào)處理與特征提取

1.1 信號(hào)去噪處理

為了提高智能巡檢機(jī)械設(shè)備缺陷識(shí)別的精度，所提方法結(jié)合非下采樣小波變換方法[6]對(duì)智能巡檢機(jī)械設(shè)備產(chǎn)生的信號(hào)展開去噪處理。

非下采樣小波變換具有2 個(gè)特點(diǎn)：平移不變性和冗余性。設(shè)水力發(fā)電站智能巡檢機(jī)械設(shè)備的一維信號(hào)函數(shù)為d（x），將d（x）投射到子集Wj的每一步j(luò)上，投影Zj的過程可通過函數(shù)d（x）和尺度函數(shù)的積描述，即：

由此獲取非下采樣小波變換的濾波值，即：

式中：b 表示濾波器；l，m 表示離散的索引值。

則小波系數(shù)εj，l的尺度可表示為

式中：r（·）表示下采樣函數(shù)。

根據(jù)離散小波變換的多分辨率算法，對(duì)上式進(jìn)行變換。在變換期間兩點(diǎn)取一點(diǎn)，每變換一次，函數(shù)d（x）的長(zhǎng)度會(huì)縮小原來的一半。不斷重復(fù)上述過程，當(dāng)函數(shù)的d（x）長(zhǎng)度為1 時(shí)終止變換。

通過式（4）對(duì)設(shè)備信號(hào)展開上采樣操作，完成信號(hào)的去噪處理，獲得去噪后的設(shè)備信號(hào)εj+1，l：

根據(jù)上述過程，可以對(duì)智能巡檢機(jī)械設(shè)備產(chǎn)生的信號(hào)實(shí)現(xiàn)信號(hào)去噪。通過去除噪聲，有助于消除噪聲引起的干擾，使原始信號(hào)更加清晰，突出信號(hào)特征，方便信號(hào)特征的提取。

1.2 信號(hào)特征提取

在水力發(fā)電站中，通過信號(hào)特征提取，可以快速?gòu)膹?fù)雜的信號(hào)中提取出與機(jī)械設(shè)備缺陷相關(guān)的特征，提高缺陷識(shí)別精度。通常情況下，水力發(fā)電站的機(jī)械設(shè)備處于一種正常運(yùn)行狀態(tài)，且存在異常樣本少與非線性的特點(diǎn)。水力發(fā)電站智能巡檢機(jī)械設(shè)備缺陷自動(dòng)識(shí)別方法利用經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒ǎ╡mpirical mode decomposition，EMD）[7-8]提取機(jī)械設(shè)備信號(hào)的特征并對(duì)其展開自適應(yīng)分析。

EMD 方法適用于非線性過程，可以獲得一連串的固有模態(tài)函數(shù)（intrinsic mode function，IMF）與一個(gè)殘余函數(shù)。采用EMD 方法分解水力發(fā)電站智能巡檢機(jī)械設(shè)備信號(hào)的過程如下：

（1）利用三階樣條函數(shù)對(duì)初始設(shè)備信號(hào)序列x（t）中的局部最大值展開插值，可以得到初始信號(hào)序列x（t）的上包絡(luò)序列xmax（t）。利用三階樣條函數(shù)對(duì)初始信號(hào)序列x（t）中的局部最小值展開插值，可以得到初始信號(hào)序列x（t）的下包絡(luò)序列xmin（t）；

（2）在各個(gè)時(shí)間點(diǎn)計(jì)算xmax（t）與xmin（t）的平均值，得到瞬時(shí)平均序列v（t）：

（3）計(jì)算去均值序列g(shù)（t）為g（t）=x（t）-v（t）；

（4）若g（t）滿足與過零點(diǎn)數(shù)目相等或上包絡(luò)序列值和下包絡(luò)序列值在任意一點(diǎn)的平均值為0這兩個(gè)條件。那么g（t）為內(nèi)在模式函數(shù)，反之，則將g（t）作為初始序列，重復(fù)上述步驟，直到條件得到滿足；

（5）根據(jù)以上步驟會(huì)得到第1 個(gè)內(nèi)在模式函數(shù)U1（t），然后計(jì)算殘余序列e1（t），即e1（t）=x（t）-U1（t）。

將殘余序列e1（t）作為新的初始序列，提取各內(nèi)在模式函數(shù)，直到無法從剩余值序列中提取出內(nèi)在模式函數(shù)為止，獲取最終的信號(hào)提取結(jié)果為

式中：Ui（t）為通過分解得出的第i 個(gè)IMF；en（t）為殘余函數(shù)。以此完成信號(hào)特征的提取。通過對(duì)信號(hào)進(jìn)行特征提取，可以幫助運(yùn)維人員準(zhǔn)確區(qū)分設(shè)備正常運(yùn)行和異常情況，提高識(shí)別的準(zhǔn)確性。

2 設(shè)備缺陷識(shí)別

通過對(duì)提取的信號(hào)特征進(jìn)行分析，可以有效獲取設(shè)備運(yùn)行狀態(tài)的信息，基于這些信息，可以準(zhǔn)確地判斷故障類型和故障位置，提高設(shè)備缺陷識(shí)別的可靠性。根據(jù)水力發(fā)電站智能巡檢機(jī)械設(shè)備的歷史運(yùn)行信號(hào)，建立設(shè)備的狀態(tài)集，根據(jù)多維高斯貝葉斯原理[9-10]實(shí)現(xiàn)缺陷檢測(cè)。多維高斯貝葉斯分類方法是根據(jù)設(shè)備缺陷歷史樣本構(gòu)建貝葉斯模型，以達(dá)到各信號(hào)特征在相同缺陷集合中的聯(lián)合分布概率P（X|Ck）達(dá)到最大可能性的計(jì)算方法，P（X|Ck）的表達(dá)式如下：

式中：X代表的是通過N 個(gè)相關(guān)或不相關(guān)的設(shè)備信號(hào)特征組成的矢量，即X=（x1，x2，…，xi，…，xN）T；Ck被用在設(shè)備缺陷狀態(tài)分類（失效、缺陷或者工作正常）中，代表的是設(shè)備運(yùn)行狀態(tài)集C 的一種（Ck∈C），即C＝｛C1，C2，…，Ci，…，Ck｝。

若公式（7）的信號(hào)特征出現(xiàn)相互獨(dú)立的情況時(shí)，可以對(duì)其計(jì)算展開簡(jiǎn)化；若公式（7）的信號(hào)特征出現(xiàn)不互相獨(dú)立的情況時(shí)，要對(duì)其展開分析。在某一缺陷模式Ck中，如果任何一個(gè)信號(hào)特征的聯(lián)合概率分布P（X|Ck）服從于高斯分布，則公式（7）可以稱為高斯貝葉斯。

對(duì)于同在Ck分類中的全部Nk個(gè)信號(hào)特征，根據(jù)公式（8）計(jì)算出屬于Ck的Nk個(gè)特征的聯(lián)合分布概率密度P（x1，x2，…，xN|Ck），即：

式中：βk＝（β1，β2，…，βN）T代表的是Ck分類中的信號(hào)特征組成的矢量；Σk代表的是Ck分類中影響信號(hào)特征組成的協(xié)方差矩陣；在X中式（8）的各特征沒有出現(xiàn)相互獨(dú)立的情況，適合水力發(fā)電站智能機(jī)械設(shè)備缺陷識(shí)別。在公式（8）中取對(duì)數(shù)，可以得到缺陷識(shí)別的計(jì)算公式為

通過求解公式（9）結(jié)合極大似然原理，針對(duì)設(shè)備某一狀態(tài)Ck進(jìn)行識(shí)別。若待檢樣本中，各個(gè)信號(hào)特征的聯(lián)合分布概率密度值達(dá)到最大時(shí)，說明這個(gè)樣本屬于Ck狀態(tài)的概率最大，從而可以確定智能巡檢機(jī)械設(shè)備的狀態(tài)（失效、缺陷或者工作正常），完成缺陷自動(dòng)識(shí)別。

3 實(shí)驗(yàn)與分析

為了驗(yàn)證水力發(fā)電站智能巡檢機(jī)械設(shè)備缺陷自動(dòng)識(shí)別方法的整體有效性，需要對(duì)其展開測(cè)試。實(shí)驗(yàn)在Simulink 仿真環(huán)境下展開，數(shù)據(jù)采集頻率為2 kHz，信號(hào)類型為振動(dòng)信號(hào)，實(shí)驗(yàn)數(shù)據(jù)量共50 MB，具體的實(shí)驗(yàn)測(cè)試結(jié)果如下。

3.1 去噪效果測(cè)試

在智能巡檢機(jī)械設(shè)備信息采集過程中，容易引入大量的噪聲信號(hào)，對(duì)缺陷識(shí)別結(jié)果產(chǎn)生影響，為此需要對(duì)智能巡檢機(jī)械設(shè)備信號(hào)展開去噪處理。

現(xiàn)引入均方誤差（mean-square error，MSE）作為測(cè)試指標(biāo)。均方誤差?MSE的表達(dá)式為

式中：zt為去噪信號(hào)在波點(diǎn)t 處的信號(hào)值；yt為實(shí)際信號(hào)在波點(diǎn)t 處的信號(hào)值；H 為離散信號(hào)的總波數(shù)。

均方誤差越小，去噪能力就越好。測(cè)試結(jié)果如表1 所示。

表1 均方誤差測(cè)試結(jié)果Tab.1 Mean squared error test results

分析表1 中的數(shù)據(jù)可知，所提方法的均方誤差隨著數(shù)據(jù)量的增加而增大，但該方法的均方誤差始終未超過0.97 dB2，證明所提方法去噪效果良好，驗(yàn)證了所提方法的有效性。

3.2 缺陷識(shí)別效果測(cè)試

展開智能巡檢機(jī)械設(shè)備缺陷識(shí)別測(cè)試，實(shí)驗(yàn)結(jié)果如圖1 所示。

圖1 缺陷識(shí)別效果測(cè)試Fig.1 Defect identification effect test

分析圖1 可知，所提方法缺陷識(shí)別信號(hào)的幅值與實(shí)際信號(hào)波動(dòng)較為一致，僅在0.5 s 和1.5 s 處存在一些偏差，識(shí)別效果較好，驗(yàn)證了所提方法對(duì)于智能巡檢機(jī)械設(shè)備缺陷識(shí)別的有效性。

3.3 缺陷識(shí)別精度測(cè)試

展開智能巡檢機(jī)械設(shè)備缺陷識(shí)別測(cè)試，通過ROC曲線來測(cè)試缺陷識(shí)別效果，ROC 曲線下方的面積越大，表明缺陷識(shí)別精度越高，測(cè)試結(jié)果如圖2所示。

圖2 ROC 曲線Fig.2 Receiver operating characteristic

分析圖2 可知，所提方法的ROC 曲線面積較大，驗(yàn)證了所提方法對(duì)于智能巡檢機(jī)械設(shè)備缺陷識(shí)別精準(zhǔn)度。

3.4 缺陷識(shí)別時(shí)間測(cè)試

為了進(jìn)一步分析所提方法的綜合性能，計(jì)算該方法在缺陷識(shí)別過程中所用的時(shí)間，實(shí)驗(yàn)結(jié)果如圖3 所示。

圖3 缺陷識(shí)別時(shí)間測(cè)試Fig.3 Defect identification time test

分析圖3 可知，所提方法的缺陷識(shí)別時(shí)間低于3 s，對(duì)設(shè)備缺陷的識(shí)別效率較高，因?yàn)樗岱椒▽?duì)設(shè)備缺陷的信號(hào)展開了去噪處理，消除了噪聲對(duì)故障診斷過程產(chǎn)生的干擾，提高缺陷識(shí)別的效率。

4 結(jié)語

為了保障水力發(fā)電站機(jī)械設(shè)備的正常運(yùn)行，提出水力發(fā)電站智能巡檢機(jī)械設(shè)備缺陷自動(dòng)識(shí)別方法。對(duì)智能巡檢機(jī)械設(shè)備信號(hào)展開去噪處理，分解機(jī)械設(shè)備信號(hào)提取其信號(hào)特征，根據(jù)多維高斯貝葉斯原理實(shí)現(xiàn)缺陷檢測(cè)。在未來階段，可在此基礎(chǔ)上加深研究，細(xì)化機(jī)械設(shè)備缺陷的類型，提升機(jī)械設(shè)備缺陷識(shí)別的效率。