基于并行神經(jīng)網(wǎng)絡(luò)的水電機組振動狀態(tài)劣化研究

王博維， 劉愛蓮， 杜景琦

(1.昆明理工大學(xué) 信息工程與自動化學(xué)院， 云南 昆明 650500；2.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院， 云南 昆明 650504)

0 引言

水輪機作為水電站中最重要的發(fā)電設(shè)備，一直以來都是水電研究的重點。隨著狀態(tài)監(jiān)測在電力系統(tǒng)中的廣泛應(yīng)用，特別是近些年來狀態(tài)監(jiān)測在水利發(fā)電系統(tǒng)中的快速發(fā)展，越來越多的研究者將目光投入到水力發(fā)電狀態(tài)監(jiān)測[1～4]上來。文獻[5]中，李輝等人使用的集合經(jīng)驗?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition, EEMD)和 自組織特征映射網(wǎng)絡(luò)(Self-organizing Feature Map, SOM)神經(jīng)網(wǎng)絡(luò)的水電機組故障診斷方法，該方法使用小波神經(jīng)網(wǎng)絡(luò)和自適應(yīng)差分進化法對振動信號進行識別分析，能在網(wǎng)絡(luò)運算中顧及全局并優(yōu)化局部，可以準確地找到問題所在；但僅限于少量數(shù)據(jù)輸入的預(yù)測，無法將大量的數(shù)據(jù)有效地利用起來。

水電機組振動特征和故障類型之間具有復(fù)雜的非線性關(guān)系，神經(jīng)網(wǎng)絡(luò)具有極強的非線性映射能力[6,7]。使用神經(jīng)網(wǎng)絡(luò)能夠建立水電機組振動特征和故障類型之間的關(guān)系，很好地處理復(fù)雜系統(tǒng)中存在的問題。但神經(jīng)網(wǎng)絡(luò)的復(fù)雜度與輸入數(shù)量有著緊密的關(guān)系，實際應(yīng)用中往往是由于神經(jīng)網(wǎng)絡(luò)的輸入太多而導(dǎo)致系統(tǒng)無法運行[8～12]。

針對上述問題，本文以水電機組的劣化速度和運行狀態(tài)作為主要研究內(nèi)容，使用并行神經(jīng)網(wǎng)絡(luò)來處理大數(shù)據(jù)，使系統(tǒng)的運行速度得到大幅度的提升，并在預(yù)測后給出檢修建議。最后使用歷史數(shù)據(jù)對模型進行驗證，確定其可以準確有效地反映設(shè)備的情況。

1 狀態(tài)監(jiān)測方法設(shè)計

目前大多數(shù)關(guān)于水電振動故障診斷均傾向于故障類型和故障定位，而忽視了檢修的重要性，通過維護可以避免大多數(shù)故障[13～15]。針對水電設(shè)備所處的不同運行狀態(tài)，需要進行的維護也不同。當水電設(shè)備運行到一定年限時，由于其設(shè)備自身的原因發(fā)出預(yù)警需要進行維護檢修，此時需要一種快速、直觀的診斷方法對此作出反應(yīng)，而不是等發(fā)生故障時給出定性的分析診斷。

基于以上問題，本文設(shè)計了一種基于并行神經(jīng)網(wǎng)絡(luò)的狀態(tài)監(jiān)測方法，流程如圖1所示。

圖1 狀態(tài)監(jiān)測方法流程

傳感器采集到數(shù)據(jù)后，首先對數(shù)據(jù)送入原始數(shù)據(jù)處理，在此進行異常值分析、對比分析、缺失值分析；然后將處理完的數(shù)據(jù)送入狀態(tài)監(jiān)測模型中進行預(yù)測，得到水電設(shè)備當前的運行狀態(tài)和劣化速度，并給出狀態(tài)檢修參考建議。

2 原始數(shù)據(jù)預(yù)處理

傳感器在使用的時候由于環(huán)境干擾、人為操作等經(jīng)常出現(xiàn)數(shù)據(jù)不精確等問題，這些由于干擾產(chǎn)生的數(shù)據(jù)會使預(yù)測變的極為不準確。所以需要對數(shù)據(jù)進行篩選，再進行下一步的預(yù)測。首先對數(shù)據(jù)進行異常值分析，排除部分干擾造成的數(shù)據(jù)異常；其次進行缺失值分析，補充由于干擾造成的部分數(shù)據(jù)丟失；最后進行對比分析，減少數(shù)據(jù)量。

2.1 異常值分析和缺失值分析

傳感器在受到干擾時可能會出現(xiàn)突然急速增大到最大值或減小到最小值，即出現(xiàn)跳變，針對這樣的數(shù)據(jù)需要進行刪除。

設(shè)水電站某設(shè)備上傳感器U在一段時間內(nèi)采集到的數(shù)據(jù)為st1，st2，…，stn。

如果

|st2-st1|≤α|st3-st2|

(1)

|st3-st2|≤α|st4-st3|

(2)

…

|stn+1-stn|≤α|stn+2-stn+1|

(3)

不成立，則參照同組傳感器在同一時間的數(shù)據(jù)進行判斷，如果同組傳感器在這一時間均不成立，則保留該數(shù)據(jù)；如果僅該組數(shù)據(jù)不成立，則刪除不成立的那組數(shù)據(jù)并視情況決定是否補充數(shù)據(jù)，其中α為異常數(shù)據(jù)判斷因子，由歷史數(shù)據(jù)決定其取值。補充的數(shù)據(jù)為:

(4)

2.2 對比分析

電廠在進行狀態(tài)監(jiān)測時經(jīng)常會在重要的設(shè)備上安裝多個傳感器進行監(jiān)控，以防止單個傳感器出問題而導(dǎo)致監(jiān)測異常。另外還有一些設(shè)備體積比較大，需要取多個點同時進行監(jiān)測。如果將同一監(jiān)測點的多個傳感器同時輸入到網(wǎng)絡(luò)中，網(wǎng)絡(luò)的復(fù)雜度將會呈指數(shù)增長，所以需要對這些數(shù)據(jù)進行對比分析，使用一組或幾組代替更多組數(shù)據(jù)進行預(yù)測[16～18]。

設(shè)水電站某重要設(shè)備上安裝有U組傳感器(u1，u2，u3，…，uk)，ui表示U組傳感器中的一組。x(x1，x2，x3，…，xn)表示傳感器ui在某一時間點T采集到的數(shù)據(jù)。

方差

(5)

式中：x為平均值；a為經(jīng)驗數(shù)據(jù)。如果這些數(shù)據(jù)的方差s2≤a，則用其平均值來代替這一組數(shù)據(jù)，否則根據(jù)具體設(shè)備決定使用幾組數(shù)據(jù)進行代替。將相關(guān)性高的幾組數(shù)據(jù)進行合并處理，刪除了部分無用數(shù)據(jù)，提高系統(tǒng)的運行速度。

3 狀態(tài)監(jiān)測模型建立

隨著運行時間的增加，設(shè)備會逐步劣化，性能也會越來越差，直到產(chǎn)生故障損壞。設(shè)備的劣化遵循圖2曲線，該曲線也可反映出設(shè)備的運行狀態(tài)，根據(jù)不同的運行狀態(tài)和劣化速度采用的應(yīng)對措施也不盡相同。

圖2 設(shè)備性能劣化曲線

針對設(shè)備的劣化，本文使用水電廠中各部位的傳感器作為故障預(yù)警的基本條件，通過并行神經(jīng)網(wǎng)絡(luò)建立預(yù)測模型，為水電站提供更加可靠的預(yù)警方法。

3.1 并行神經(jīng)網(wǎng)絡(luò)簡介

神經(jīng)網(wǎng)絡(luò)可以實現(xiàn)復(fù)雜的映射，一般的神經(jīng)網(wǎng)絡(luò)包含有輸入層、隱含層、輸出層，這3層相互作用可以以任意精度來逼近連續(xù)函數(shù)，適用于非線性函數(shù)的擬合。神經(jīng)網(wǎng)絡(luò)的關(guān)鍵在于其隱含層的相互作用，但在使用神經(jīng)網(wǎng)絡(luò)的時候經(jīng)常會出現(xiàn)輸入過多的情況，針對某只需要單一輸出問題的求解，其影響因素經(jīng)常是十多條或者更多。而神經(jīng)網(wǎng)絡(luò)的復(fù)雜度是隨著輸入的增加呈指數(shù)級增長的，這會造成神經(jīng)網(wǎng)絡(luò)的建立變得極為復(fù)雜，具體表現(xiàn)為學(xué)習(xí)時間大大增加、網(wǎng)絡(luò)不穩(wěn)定，甚至在一些多輸入上建立的網(wǎng)絡(luò)甚至無法正確地擬合原有曲線，這就是所謂的過擬合現(xiàn)象。

針對這種多輸入單一輸出的問題，提出并行神經(jīng)網(wǎng)絡(luò)的方法[19～21]。并行神經(jīng)網(wǎng)絡(luò)可以從結(jié)構(gòu)和數(shù)據(jù)兩個方向來實現(xiàn)，由于數(shù)據(jù)量的龐大性，若要從結(jié)構(gòu)上實現(xiàn)并行，所需運算量將會極為龐大，難以實現(xiàn)。當然，也可通過物理方法來實現(xiàn)結(jié)構(gòu)上的并行神經(jīng)網(wǎng)絡(luò)，但這種方法需要建立專用的設(shè)備，實現(xiàn)起來不僅麻煩而且實用性差，費用也很大。另一方面，數(shù)據(jù)并行的神經(jīng)網(wǎng)絡(luò)可以通過算法來實現(xiàn)，其總體結(jié)構(gòu)框架如圖3所示。圖中每組數(shù)據(jù)都有自己完整的神經(jīng)網(wǎng)絡(luò)，在各自達到收斂條件后產(chǎn)生多個中間量，對這些運行出的中間量進行匯總分析，判斷是否再次進行分組重新訓(xùn)練，最終得出結(jié)果。相比之下，數(shù)據(jù)并行的方式更加容易實現(xiàn)。針對具體的神經(jīng)網(wǎng)絡(luò)而言，并行化處理之后，其泛化能力依然很好。

圖3 并行神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

3.2 并行神經(jīng)網(wǎng)絡(luò)模型

水輪機的振動故障分為機械振動故障、水力振動故障、和電磁振動故障3大類。機械振動故障包含轉(zhuǎn)動部分質(zhì)量不平衡、軸線不對中、轉(zhuǎn)動部分與固定部件發(fā)生碰磨及其他；水力振動故障包含導(dǎo)葉和導(dǎo)輪開口不均、水封間隙不等、轉(zhuǎn)輪葉片斷裂、尾水管產(chǎn)生的低頻偏心渦帶、轉(zhuǎn)輪葉片出水邊后的卡門旋渦等；電磁振動故障包含發(fā)電機轉(zhuǎn)子不圓、繞組匝間短路、定子鐵心松動、分辨機座合縫處鐵心間隙大、定轉(zhuǎn)子間隙不均勻、不平衡負載等。對這些故障，需要逐一建立相應(yīng)的狀態(tài)監(jiān)測神經(jīng)網(wǎng)絡(luò)；除此之外還需要對正常運行狀態(tài)和其沒有提出的故障建立一個專門的神經(jīng)網(wǎng)絡(luò)來進行預(yù)測。

通常情況下大型水電站中所安置的監(jiān)控測點有數(shù)千個，一些超大型的水電站其中監(jiān)控測點更是有可能有上萬個，對一個運行狀態(tài)進行預(yù)測顯然并不需要全部的監(jiān)控測點，但某些必須的監(jiān)控測點必不可少；其中可能含有不能用傳感器直接進行測量的監(jiān)控測點，這種重要的監(jiān)測數(shù)據(jù)水電站一般會使用間接測量的方法進行監(jiān)控。這些間接測量的測點數(shù)據(jù)必須放在同一組中進行學(xué)習(xí)。

并行神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟如下：

1)設(shè)某個故障狀態(tài)大訓(xùn)練集為M，共有S(s1，s2，s3，…，sn)個關(guān)聯(lián)數(shù)據(jù)測點。其中sa，…，sb個數(shù)據(jù)測點為間接測點，需將sa，…，sb每個單獨分為一組。其他數(shù)據(jù)采用隨機分組，每個分組數(shù)據(jù)包含3～5個測點，具體分組數(shù)據(jù)個數(shù)根據(jù)總體確定。用這樣的方法將大訓(xùn)練集M分成t個子集，每個子集都是并行神經(jīng)網(wǎng)絡(luò)中的一個訓(xùn)練樣本，子集的輸出為中間值y1，y2，y3，…，yt。

2)在每個子集都訓(xùn)練完后，比較每個子集中的測點權(quán)值，若某個數(shù)據(jù)所占有的權(quán)值小于該子集其他任意數(shù)據(jù)權(quán)值的0.5%，即

(6)

則可認定該數(shù)據(jù)對應(yīng)測點對該故障的影響因子可忽略，刪除該測點并標記該子集為失敗訓(xùn)練子集，執(zhí)行第三步。

3)比較各個子集的誤差值δ1，δ2，δ3，…，δt是否達到設(shè)定值。如果各個子集的訓(xùn)練均比較合適，達到預(yù)期誤差標準且沒有出現(xiàn)失敗訓(xùn)練子集，則執(zhí)行第五步；若某個子集不能正常進行預(yù)測，訓(xùn)練失敗或無法達到預(yù)期的誤差標準，則將該子集標記為失敗訓(xùn)練子集，執(zhí)行第四步。

4)檢查失敗訓(xùn)練子集，若失敗訓(xùn)練子集中含有間接測量的子集，拆分為兩個子集；然后將剩余失敗訓(xùn)練子集分組進行合并，執(zhí)行第一步。

5)子集的訓(xùn)練完成后，需要將子集輸出的中間值進行合并，在此選用加權(quán)平均值的合并方式，按照

(7)

(8)

進行合并，其中fi為各子集所占權(quán)重，Y為最終的合并結(jié)果。

每個子集網(wǎng)絡(luò)同步進行，對于已經(jīng)訓(xùn)練好的子集將保持其原有的網(wǎng)絡(luò)結(jié)構(gòu)不變，只重復(fù)訓(xùn)練適應(yīng)性不好的網(wǎng)絡(luò)。

3.3 設(shè)備故障風(fēng)險評估

由圖2可知，設(shè)備在使用中劣化程度隨時間不斷的增加，最終發(fā)生故障被替換。設(shè)備從使用到報廢之間總共可以劃分為4個階段，正常運行階段、輕微損傷運行階段、中度損傷運行階段、高損傷運行階段。與之相對應(yīng)，在正常運行階段，設(shè)備可認定設(shè)備發(fā)生故障為極小概率事件；輕微損傷和中度損傷階段，設(shè)備發(fā)生故障為小概率事件；到高損傷運行階段，設(shè)備的使用壽命已經(jīng)達到極限，繼續(xù)使用將隨時可能發(fā)生故障，需要馬上進行停機維修。

當然，設(shè)備的風(fēng)險不能僅僅通過當前運行狀態(tài)來進行評估。假設(shè)設(shè)備在使用期間沒有進行嚴重的違規(guī)操作，那么從安裝開始，其在每一個運行狀態(tài)都有著固定的時間范圍。設(shè)備從前一個運行狀態(tài)到下一個運行狀態(tài)的時間也是作為風(fēng)險評估的一個重要參考量，若設(shè)備從前一個狀態(tài)加速劣化到達了下一個狀態(tài)，則說明該設(shè)備一定存在問題，需要馬上對其進行分析檢查。

設(shè)備風(fēng)險評估使用設(shè)備運行狀態(tài)和設(shè)備當前劣化速度進行評估，具體評估方法參照圖4進行。當處在無風(fēng)險時，設(shè)備正常運行，無需進行檢修；在低風(fēng)險時，由具體故障來決定檢修的緊急性；處于中風(fēng)險和高風(fēng)險時必須馬上進行檢修，查明原因，防止故障發(fā)生。

圖4 評估方法

4 實例分析

4.1 轉(zhuǎn)輪葉片斷裂并行網(wǎng)絡(luò)建立

本文基于多數(shù)據(jù)并行神經(jīng)網(wǎng)絡(luò)，擬合劣化曲線進行預(yù)測診斷，結(jié)合水電站在運行過程中難以察覺的故障進行分析驗證，具有較好的適用性。如轉(zhuǎn)輪葉片斷裂這種故障，通常情況下應(yīng)力過于集中是主要原因，可通過對水輪機葉片進行有限元分析來進行診斷。但也存在其他一些情況，如某水電站因轉(zhuǎn)輪葉片卡門渦共振，引起轉(zhuǎn)輪葉片出現(xiàn)裂紋的現(xiàn)象。該故障很難在設(shè)備運行的時候進行準確監(jiān)測，當監(jiān)控發(fā)出預(yù)警時故障往往已經(jīng)發(fā)生。

本節(jié)使用本文方法對轉(zhuǎn)輪葉片斷裂這一具體故障進行分析說明。取水電站6個月內(nèi)每10分鐘內(nèi)收集到的溫度、油位、擺度、振動、脈動數(shù)據(jù)來建立模型。圖5(a)，為發(fā)生轉(zhuǎn)輪葉片損傷事故前1周前的水導(dǎo)X向擺度數(shù)據(jù)，圖5(b)為按照異常值分析、缺失值分析、對比分析后的未歸一化處理數(shù)據(jù)。

圖5 傳感器數(shù)據(jù)圖

建立模型總共使用了43項數(shù)據(jù)，共30 000多組數(shù)據(jù)，表1給出模型構(gòu)建中使用的部分數(shù)據(jù)集。建立的模型結(jié)構(gòu)如圖6所示。

表1 并行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)

續(xù)表1

圖6 并行神經(jīng)網(wǎng)絡(luò)預(yù)測模型

4.2 水輪機預(yù)測結(jié)果和建議

基于本文所提出的預(yù)警模型對新采集到的數(shù)據(jù)進行預(yù)測，得到表2和圖7的預(yù)測結(jié)果，表2為設(shè)備當前的運行狀態(tài)預(yù)測，圖7為設(shè)備劣化速度預(yù)測。預(yù)測的數(shù)值越大表示設(shè)備的劣化程度越嚴重。

表2 水輪機葉片狀態(tài)預(yù)測

圖7 水輪機劣化速度預(yù)測

通過對設(shè)備運行狀態(tài)和劣化速度進行分析，現(xiàn)給出的檢修建議如下：

從運行狀態(tài)可以很明顯地看出設(shè)備從基本無風(fēng)險階段轉(zhuǎn)變到了中故障風(fēng)險階段；且劣化速度急劇增加，結(jié)合設(shè)備故障評估表來看，此時應(yīng)馬上組織緊急檢修來查找故障的具體原因。檢修時可將重點放在轉(zhuǎn)輪葉片斷裂這一故障上，首先對轉(zhuǎn)輪相關(guān)設(shè)備進行查找故障出處。

5 方法驗證

本文選取水輪機正常運行時一周的1 000組數(shù)據(jù)和故障前一周的1 000組數(shù)據(jù)來進行預(yù)測，通過與真實的運行狀態(tài)和劣化速度進行對比分析來進行驗證。

5.1 準確度驗證

取水電站正常運行時的1 000組數(shù)據(jù)進行預(yù)測，預(yù)測結(jié)果如圖8所示，可見預(yù)測結(jié)果始終在真實值之間波動，僅僅有20組數(shù)據(jù)出現(xiàn)在誤差范圍外，準確率高達98%。取故障前一周的1 000組數(shù)據(jù)進行預(yù)測，出現(xiàn)234組數(shù)據(jù)預(yù)測不準確，預(yù)測不準確的數(shù)據(jù)多出現(xiàn)在狀態(tài)轉(zhuǎn)換期間。其總體的預(yù)測準確率為87.5%。

圖8 劣化狀態(tài)預(yù)測結(jié)果

5.2 劣化速度驗證

取準確度驗證中的數(shù)據(jù)，其劣化速度如圖9所示，再根據(jù)實際的檢修結(jié)果進行對比，預(yù)測的結(jié)果可較好地反映設(shè)備的劣化速度。

圖9 劣化速度預(yù)測結(jié)果

6 結(jié)論

本文以設(shè)備運行狀態(tài)為重點研究對象，設(shè)計了一種通過并行神經(jīng)網(wǎng)絡(luò)進行診斷預(yù)測的方法，通過對某水電站振動狀態(tài)的實際預(yù)測，可實現(xiàn)提前預(yù)警，再配合預(yù)測的結(jié)果給出設(shè)備檢修建議，減少故障發(fā)生。該方法主要有以下幾點優(yōu)點：

1)通過有效的數(shù)據(jù)預(yù)處理，從輸入層面上提高了數(shù)據(jù)可靠性，更加有效地使用傳感器。

2)使用并行神經(jīng)網(wǎng)絡(luò)進行預(yù)測，這樣水電站的大多數(shù)數(shù)據(jù)都可以使用到該方法中，從而提高了傳感器的利用率，也提高了預(yù)測的準確率。

3)通過劣化速度的引入，對檢修提出更好的建議，具有更加廣泛的實用性，對縮短檢修時間有著明顯作用。

該方法在使用中有著較好的結(jié)果，但需要大量的歷史數(shù)據(jù)來進行學(xué)習(xí)，而且針對某一具體故障需要一定量的故障歷史數(shù)據(jù)。該方法仍然可以在預(yù)測時進行改進。