水力發(fā)電站智能巡檢機械設備缺陷自動識別方法

田 云，趙 婭，葉 波，蔣勤偉

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

電力的需求日益增長，水力發(fā)電站作為一種清潔能源供應方式也受到了社會的廣泛關注[1-2]。水力發(fā)電站智能巡檢機械設備是指應用智能技術(shù)和傳感器等裝置，對水力發(fā)電站中的機械設備進行自動化巡檢和監(jiān)控的設備。通過引入智能巡檢機械設備，可以實現(xiàn)對水力發(fā)電站的機械設備進行全面、精準的監(jiān)測和管理，提高設備的可靠性。但由于水力發(fā)電站機械設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)境因素可能對設備造成損害，影響水電站的安全性，為此，需要研究一種水力發(fā)電站智能巡檢機械設備缺陷的自動識別方法。

文獻[3]對旋轉(zhuǎn)機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)驗模態(tài)分解結(jié)構(gòu)的方法對設備振動信號中的內(nèi)部調(diào)制特性展開描述，為了解決機械設備信號中出現(xiàn)的一些噪聲和對其缺陷識別造成干擾的問題，用改進HHSA 方法對設備信號中的噪聲展開約束，針對機械設備缺陷使用IHHSA 方法完成識別。該方法對設備缺陷識別所需的時間較長，存在設備缺陷識別效率低的問題；文獻[4]設計了一個寬的卷積層初步融合信息，并擴展模型的接收域?；跉埐顗K建造3 個獨立的并行分支網(wǎng)絡，且在并行分支網(wǎng)絡中設計了多尺度卷積核，分別對輸入網(wǎng)絡的信號展開特征提取，根據(jù)動態(tài)加權(quán)層構(gòu)建全局信息建模特征通道當中的非線性關系，并重新標定每個尺度上的特征通道，融合3 個尺度特征，通過分類器實現(xiàn)缺陷識別。該方法對于設備缺陷信號的噪聲處理效果較差，存在去噪效果弱的問題；文獻[5]針對變分模態(tài)分解算法中存在的相關參數(shù)，通過麻雀算法對其優(yōu)化提出SSA-VMD 算法，采用SSA-VMD 算法對設備信號展開分解，得到若干個模態(tài)分量，引入皮爾遜相關系數(shù)分析原始設備信號與模態(tài)分量之間的關系，根據(jù)分析結(jié)果選擇保留或剔除分量，通過重構(gòu)分量實現(xiàn)信號去噪，提取信號的時頻特征與熵特征，將其輸入輕量級梯度提升機中，通過迭代訓練完成缺陷識別。但該方法對于分析設備缺陷的特征類型較差，缺陷識別精度還需進一步提升。

為了解決上述方法中存在的問題，提出水力發(fā)電站智能巡檢機械設備缺陷自動識別方法。

1 設備信號處理與特征提取

1.1 信號去噪處理

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

非下采樣小波變換具有2 個特點：平移不變性和冗余性。設水力發(fā)電站智能巡檢機械設備的一維信號函數(shù)為d（x），將d（x）投射到子集Wj的每一步j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，對上式進行變換。在變換期間兩點取一點，每變換一次，函數(shù)d（x）的長度會縮小原來的一半。不斷重復上述過程，當函數(shù)的d（x）長度為1 時終止變換。

通過式（4）對設備信號展開上采樣操作，完成信號的去噪處理，獲得去噪后的設備信號εj+1，l：

根據(jù)上述過程，可以對智能巡檢機械設備產(chǎn)生的信號實現(xiàn)信號去噪。通過去除噪聲，有助于消除噪聲引起的干擾，使原始信號更加清晰，突出信號特征，方便信號特征的提取。

1.2 信號特征提取

在水力發(fā)電站中，通過信號特征提取，可以快速從復雜的信號中提取出與機械設備缺陷相關的特征，提高缺陷識別精度。通常情況下，水力發(fā)電站的機械設備處于一種正常運行狀態(tài)，且存在異常樣本少與非線性的特點。水力發(fā)電站智能巡檢機械設備缺陷自動識別方法利用經(jīng)驗模式分解方法（empirical mode decomposition，EMD）[7-8]提取機械設備信號的特征并對其展開自適應分析。

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）與一個殘余函數(shù)。采用EMD 方法分解水力發(fā)電站智能巡檢機械設備信號的過程如下：

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

（2）在各個時間點計算xmax（t）與xmin（t）的平均值，得到瞬時平均序列v（t）：

（3）計算去均值序列g(shù)（t）為g（t）=x（t）-v（t）；

（4）若g（t）滿足與過零點數(shù)目相等或上包絡序列值和下包絡序列值在任意一點的平均值為0這兩個條件。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，重復上述步驟，直到條件得到滿足；

（5）根據(jù)以上步驟會得到第1 個內(nèi)在模式函數(shù)U1（t），然后計算殘余序列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，獲取最終的信號提取結(jié)果為

式中：Ui（t）為通過分解得出的第i 個IMF；en（t）為殘余函數(shù)。以此完成信號特征的提取。通過對信號進行特征提取，可以幫助運維人員準確區(qū)分設備正常運行和異常情況，提高識別的準確性。

2 設備缺陷識別

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

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

若公式（7）的信號特征出現(xiàn)相互獨立的情況時，可以對其計算展開簡化；若公式（7）的信號特征出現(xiàn)不互相獨立的情況時，要對其展開分析。在某一缺陷模式Ck中，如果任何一個信號特征的聯(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。

對于同在Ck分類中的全部Nk個信號特征，根據(jù)公式（8）計算出屬于Ck的Nk個特征的聯(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分類中的信號特征組成的矢量；Σk代表的是Ck分類中影響信號特征組成的協(xié)方差矩陣；在X中式（8）的各特征沒有出現(xiàn)相互獨立的情況，適合水力發(fā)電站智能機械設備缺陷識別。在公式（8）中取對數(shù)，可以得到缺陷識別的計算公式為

通過求解公式（9）結(jié)合極大似然原理，針對設備某一狀態(tài)Ck進行識別。若待檢樣本中，各個信號特征的聯(lián)合分布概率密度值達到最大時，說明這個樣本屬于Ck狀態(tài)的概率最大，從而可以確定智能巡檢機械設備的狀態(tài)（失效、缺陷或者工作正常），完成缺陷自動識別。

3 實驗與分析

為了驗證水力發(fā)電站智能巡檢機械設備缺陷自動識別方法的整體有效性，需要對其展開測試。實驗在Simulink 仿真環(huán)境下展開，數(shù)據(jù)采集頻率為2 kHz，信號類型為振動信號，實驗數(shù)據(jù)量共50 MB，具體的實驗測試結(jié)果如下。

3.1 去噪效果測試

在智能巡檢機械設備信息采集過程中，容易引入大量的噪聲信號，對缺陷識別結(jié)果產(chǎn)生影響，為此需要對智能巡檢機械設備信號展開去噪處理。

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

式中：zt為去噪信號在波點t 處的信號值；yt為實際信號在波點t 處的信號值；H 為離散信號的總波數(shù)。

均方誤差越小，去噪能力就越好。測試結(jié)果如表1 所示。

表1 均方誤差測試結(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，驗證了所提方法的有效性。

3.2 缺陷識別效果測試

展開智能巡檢機械設備缺陷識別測試，實驗結(jié)果如圖1 所示。

圖1 缺陷識別效果測試Fig.1 Defect identification effect test

分析圖1 可知，所提方法缺陷識別信號的幅值與實際信號波動較為一致，僅在0.5 s 和1.5 s 處存在一些偏差，識別效果較好，驗證了所提方法對于智能巡檢機械設備缺陷識別的有效性。

3.3 缺陷識別精度測試

展開智能巡檢機械設備缺陷識別測試，通過ROC曲線來測試缺陷識別效果，ROC 曲線下方的面積越大，表明缺陷識別精度越高，測試結(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，驗證了所提方法對于智能巡檢機械設備缺陷識別精準度。

3.4 缺陷識別時間測試

為了進一步分析所提方法的綜合性能，計算該方法在缺陷識別過程中所用的時間，實驗結(jié)果如圖3 所示。

圖3 缺陷識別時間測試Fig.3 Defect identification time test

分析圖3 可知，所提方法的缺陷識別時間低于3 s，對設備缺陷的識別效率較高，因為所提方法對設備缺陷的信號展開了去噪處理，消除了噪聲對故障診斷過程產(chǎn)生的干擾，提高缺陷識別的效率。

4 結(jié)語

為了保障水力發(fā)電站機械設備的正常運行，提出水力發(fā)電站智能巡檢機械設備缺陷自動識別方法。對智能巡檢機械設備信號展開去噪處理，分解機械設備信號提取其信號特征，根據(jù)多維高斯貝葉斯原理實現(xiàn)缺陷檢測。在未來階段，可在此基礎上加深研究，細化機械設備缺陷的類型，提升機械設備缺陷識別的效率。