一种融合多源信息的轻量化水电机组故障诊断方法

摘要

本发明公开了一种融合多源信息的轻量化水电机组故障诊断方法，包括以下步骤：S1：将采集数据预处理为二维灰度图像；S2：搭建CBAM‑LightCNN模型；S3：对CBAM‑LightCNN模型超参数进行优化，得到最优超参数组合的CBAM‑LightCNN模型；S4：将步骤S1中的二维灰度图像随机划分为训练集和测试集并输入步骤S3中得到的最优超参数组合的CBAM‑LightCNN模型中，得出故障诊断结果。本发明能够提高网络诊断精度和准确率，大幅降低了参数数量，具有较高的预测精度与稳定性，为水电机组的故障诊断提供了一种可行的科学依据。

说明书

技术领域

本发明涉及一种融合多源信息的轻量化水电机组故障诊断方法。

背景技术

大型水电站的安全运行不仅直接影响到流域人民的安全，并且大型水电机组价格昂贵，设备重要，防止水电机组事故的发生，具有很大的经济效益。近年来各界学者都开始展开基于深度学习方法的研究，深度学习方法本身可以集特征提取与故障诊断为一身，因此基于深度学习的水电机组故障诊断研究已经逐渐走向热门。

本领域存在的问题有：因水电机组多传感器数据利用效率低而导致的模型诊断精度受限、基于深度学习的故障诊断方法参数众多而导致的模型难以运用到实际工程、以及因超参数设置需根据研究人员经验而导致对模型诊断精度的影响。

发明内容

本发明要解决的技术问题是提供一种融合多源信息的轻量化水电机组故障诊断方法，能够提高网络诊断精度和准确率，大幅降低了参数数量，具有较高的预测精度与稳定性，为水电机组的故障诊断提供了一种可行的科学依据。

为了实现上述目的，本发明所采取的技术方案是：一种融合多源信息的轻量化水电机组故障诊断方法，包括以下步骤：

S1：将采集数据预处理为二维灰度图像；

S2：搭建CBAM-LightCNN模型；

S3：对CBAM-LightCNN模型超参数进行优化，得到最优超参数组合的CBAM-LightCNN模型；

S4：将步骤S1中的二维灰度图像随机划分为训练集和测试集并输入步骤S3中得到的最优超参数组合的CBAM-LightCNN模型中，得出故障诊断结果。

作为本发明的一种优选技术方案，所述步骤S1是基于DF法对多个传感器的采集数据进行预处理，具体包括：

S1-1：从不同运行状态下n个传感器采集到的数据中截取相同时段、相同长度的原始数据，并将原始数据分割成等长度的数据样本；

S1-2：将每个数据样本平均分为K个时间子序列，数据样本长度为N，每个时间子序列包含N/K个数据点；

S1-3：将各时间子序列堆叠起来，形成大小为nK×(N/K)的多传感器原始数据融合样本；

S1-4：将获得的多传感器原始数据融合样本绘制为二维灰度图像，绘制过程是首先将数据进行归一化，再根据归一化后各数据点的数值对其进行灰色色阶的赋值，色阶由公式(1)进行计算

式中：round为灰度色阶幅值函数，P(i,j)为灰度图像第i行j列的灰度值，N为数据样本长度，K为每个数据样本的时间子序列数量，N/K为每个时间子序列包含的数据点数量，L为将原始数据分割后的样本的长度。

作为本发明的一种优选技术方案，所述步骤S2具体包括：

S2-1：设置LightCNN模型的卷积层：采用双层拥有小卷积核的卷积层来替代原有的单层大卷积层，将常规的“卷积层+池化层”的结构替换为“小卷积层+小卷积层+池化层”的结构称为Conv_Block，第一个Conv_Block的两个小卷积层之间加入一个批标准化层以加速网络收敛，批标准化层的数学表达式为：

式中，b＝{x

池化层的参数量计算过程如下式所示：

parameters＝C

式中，C

LightCNN模型中采用全局平均池化(Global Average Pooling,GAP)层代替全连接层，在使用全局平均池化GAP层时，在移除FC层后添加多层感知机(MultilayerPerceptron,MLP)层，再在MLP层后添加GAP层，因此在Conv_Block3后添加两个宽度为1的级联跨通道参数池化(Cascaded Cross Channel Parametric Pooling,CCCP)层共同组成一个MLP层，其中GAP层不含参数，因此可以大幅降低LightCNN模型的参数，GAP层的计算过程可以表示为：

式中，

S2-2：将CBAM结构与LightCNN模型集成：通道注意力模块将注意力集中在给定输入图像更有意义的“内容”的通道上，输入通道注意力模块的特征由平均池化层和最大池化层同时压缩中间特征的空间维度，分别收集两个不同的上下文特征，实现更加精细的特征注意力推断；而后这两种不同类型的特征会由一个共享MLP层进行整合，使用逐元素求和进行合并，最终融合的特征被一个sigmoid函数激活作为通道注意力模块的输出，其计算过程如下式所示：

M

式中，F为输入特征，AvgPool和MaxPool分别为平均池化与最大池化，f

特征注意力模块位于通道注意力模块之后，对通道注意力模块生成的通道注意力特征进行进一步加工，将注意力的重点放在更具特征意义的“位置”上，从而补充通道注意力特征的信息部分；特征注意力模块首先对输入的初始特征进行平均池化和最大池化操作，这两个操作输出的结果被串联起来产生一个新的特征描述；最后通过一个卷积层和sigmoid函数运算，将串联的特征描述转化为空间注意力图；特征注意力模块的计算过程如下：

M

式中，F为输入特征，AvgPool和MaxPool分别为平均池化与最大池化，Conv为卷积操作，f

卷积注意力模块最终得到的注意力图是由通道注意力模块和特征注意力模块的结果相结合生成最终的细化特征图，两个子模块的结合可由下式计算：

式中，

作为本发明的一种优选技术方案，所述步骤S3是使用神经网络调优工具箱NNI，对CBAM-LightCNN的优化器算法、Dropout Rate、Batch Size、以及学习率四个参数进行寻优，并得到最优的超参数组合。

采用上述技术方案所产生的有益效果在于：本发明采用多传感器数据融合方法后，避免了因传感器数据选择不佳而导致的诊断准确率不高，以及传统多传感器在特征级融合而导致的网络结构复杂问题，并且融合后的数据包含更多机组运行数据，可提高网络诊断精度；CBAM-LightCNN模型大幅降低了CNN模型的参数数量，并在一定程度上取得了比CNN模型更优的诊断准确率。本发明具有较高的预测精度与稳定性，为水电机组的故障诊断提供了一种可行的科学依据。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是DF方法的示意图；

图2是DF+CBAM-LightCNN模型的诊断流程图；

图3是凯斯西储大学数据集的时域波形图；

图4是凯斯西储大学数据集的多传感器融合数据灰度图像；

图5是凯斯西储大学数据集补充实验的准确率曲线；

图6是水电机组数据集的时域波形图；

图7是水电机组数据集的多传感器融合数据灰度图像；

图8是水电机组数据集的补充实验的准确率曲线；

具体实施方式

参看附图1-8，本发明的融合多源信息的轻量化水电机组故障诊断方法，包括以下步骤：

S1：将采集数据预处理为二维灰度图像；本步骤基于DF法对多个传感器的采集数据进行预处理，具体包括：

S1-1：从不同运行状态下n个传感器采集到的数据中截取相同时段、相同长度的原始数据，并将原始数据分割成等长度的数据样本；

S1-2：将每个数据样本平均分为K个时间子序列，数据样本长度为N，每个时间子序列包含N/K个数据点；

S1-3：将各时间子序列堆叠起来，形成大小为nK×(N/K)的多传感器原始数据融合样本；

S1-4：将获得的多传感器原始数据融合样本绘制为二维灰度图像，绘制过程是首先将数据进行归一化，再根据归一化后各数据点的数值对其进行灰色色阶的赋值，色阶由公式(1)进行计算

式中：round为灰度色阶幅值函数，P(i,j)为灰度图像第i行j列的灰度值，N为数据样本长度，K为每个数据样本的时间子序列数量，N/K为每个时间子序列包含的数据点数量，L为将原始数据分割后的样本的长度。

S2：搭建CBAM-LightCNN模型；

S2-1：设置LightCNN模型的卷积层：采用双层拥有小卷积核的卷积层来替代原有的单层大卷积层，将常规的“卷积层+池化层”的结构替换为“小卷积层+小卷积层+池化层”的结构称为Conv_Block，第一个Conv_Block的两个小卷积层之间加入一个批标准化层以加速网络收敛，批标准化层的数学表达式为：

式中，b＝{x

池化层的参数量计算过程如下式所示：

parameters＝C

式中，C

LightCNN模型中采用全局平均池化(Global Average Pooling,GAP)层代替全连接层，在使用全局平均池化GAP层时，在移除FC层后添加多层感知机(MultilayerPerceptron,MLP)层，再在MLP层后添加GAP层，因此在Conv_Block3后添加两个宽度为1的级联跨通道参数池化(Cascaded Cross Channel Parametric Pooling,CCCP)层共同组成一个MLP层，其中GAP层不含参数，因此可以大幅降低LightCNN模型的参数，GAP层的计算过程可以表示为：

式中，

S2-2：将CBAM结构与LightCNN模型集成：通道注意力模块将注意力集中在给定输入图像更有意义的“内容”的通道上，输入通道注意力模块的特征由平均池化层和最大池化层同时压缩中间特征的空间维度，分别收集两个不同的上下文特征，实现更加精细的特征注意力推断；而后这两种不同类型的特征会由一个共享MLP层进行整合，使用逐元素求和进行合并，最终融合的特征被一个sigmoid函数激活作为通道注意力模块的输出，其计算过程如下式所示：

M

式中，F为输入特征，AvgPool和MaxPool分别为平均池化与最大池化，f

特征注意力模块位于通道注意力模块之后，对通道注意力模块生成的通道注意力特征进行进一步加工，将注意力的重点放在更具特征意义的“位置”上，从而补充通道注意力特征的信息部分；特征注意力模块首先对输入的初始特征进行平均池化和最大池化操作，这两个操作输出的结果被串联起来产生一个新的特征描述；最后通过一个卷积层和sigmoid函数运算，将串联的特征描述转化为空间注意力图；特征注意力模块的计算过程如下：

M

式中，F为输入特征，AvgPool和MaxPool分别为平均池化与最大池化，Conv为卷积操作，f

卷积注意力模块最终得到的注意力图是由通道注意力模块和特征注意力模块的结果相结合生成最终的细化特征图，两个子模块的结合可由下式计算：

式中，

S3：对CBAM-LightCNN模型超参数进行优化，得到最优超参数组合的CBAM-LightCNN模型；本步骤是使用神经网络调优工具箱NNI，对CBAM-LightCNN的优化器算法、Dropout Rate、Batch Size、以及学习率四个参数进行寻优，并得到最优的超参数组合

S4：将步骤S1中的二维灰度图像随机划分为训练集和测试集并输入步骤S3中得到的最优超参数组合的CBAM-LightCNN模型中，得出故障诊断结果。

表1

从表1可以看出CNN模型、LightCNN模型以及CBAM-LightCNN模型参数数量对比结果，LightCNN模型以及CBAM-LightCNN模型明显小于CNN的参数总量。表1数据是通过tensorflow用代码导出得到。

参看附图3-5，以凯斯西储大学(Case Western Reserve University,CWRU)数据集为例：凯斯西储轴承数据中心轴承数据平台由一个1.5kW(2马力)的电动机、一个扭矩传感器、一个功率测试计以及相关电子控制器组成。轴承损伤采用电火花加工方法制造，且根据加工损伤时的位置不同分为内圈故障(inner ring fault,IR)、外圈故障(outer ringfault,OR)以及滚动体故障(rolling body fault,BO)，损伤直径分别为0.007英寸、0.014英寸以及0.021英寸(下文由07、14、21表示)，在整个实验过程中，上述各种故障类型和损伤尺寸的轴承分别在0hp、1hp、2hp、3hp这四种负载状态下进行实验并由振动加速度传感器采集相应的数据信息。

选取0马力(horsepower,hp)电机荷载下07、14、21三种故障直径的IR、OR以及BO共9种故障状态的数据，其波形图如图3所示。从每种故障类型的振动信号中随机抽取100个样本，每个样本包含1200个样本点，并将其随机分为训练集与测试集，其中训练集与测试集的比例为7:3。采用本章提出的数据融合方法，实验选取驱动端加速度数据(DriveEndAccelerometer Data,DE)、风扇端加速度数据(Fan EndAccelerometerData,FE)以及基座加速度数据(BaseAccelerometer Data,BA)进行数据融合。由于每个样本包含1200个样本点，因此分别将对应的传感器信号转化为20×60的样本再融合成为一个大小为60×60包含3600个样本点的融合样本，再将其转化为不同色阶的灰度图像如图4所示。

表2

表2显示DF+CBAM-LightCNN模型与其他模型在凯斯西储大学数据集实验的故障准确率对比结果，其中由于CWRU数据集包含三个传感器数据，在此选择了诊断精度最高的DE端数据作为输入时的诊断结果。可以看出基于传统机器学习方法的支持向量机(SupportVector Machine,SVM)模型以及DF+人工神经网络(Artificial Nerual Network,ANN)模型在CWRU数据集的试验中均没有起到较好的分类效果，其诊断精度仅为26.67％与62.22％。传统的时频分析方法连续小波变换(Continue Wavelet Transform,CWT)处理融合数据并与CNN相结合的方法，可以得到的91.11％的准确率；与DF+CNN得到的98.52％的故障诊断准确率相比，使用DF方法处理数据能更有效地保留原始信号中的故障信息。DF+LightCNN方法可以取得99.63％的故障诊断准确率，而DF+CBAM-LightCNN模型则可以取得100％的故障诊断准确率，可见LightCNN模型优势以及CBAM-LightCNN模型性能的进一步提升。

为进一步探寻DF+CBAM-LightCNN方法的优越性，从100个样本中随机抽取50个样本做少样本条件以及增加1hp荷载下的9种故障数据的多故障类型条件的两个补充实验。补充实验中，将NNI调优的参数应用到LightCNN模型当中以验证超参数调优的重要性，补充实验的简写说明如表3所示，其诊断准确率曲线如图5所示。从图5中可以非常明显地看出DF+CBAM-LightCNN模型无论在减少样本条件下或是增加故障类型的条件下均取得了最优的表现—拥有实验模型中更高的准确率，以及更快的收敛速度以及稳定性。

表3

参看附图6-8，以某水电站机组数据为例：某水电站的该运行过程包含三种运行状态：正常状态(Normal)、劣化状态(Warning)以及故障状态(Fault)。该机组在运行过程中发生了转轮室里衬脱落故障，主要表现为轴向振动信号幅值增大，6倍频、12倍频幅值增大。该水电站机组转速为107.1r/min，其数据采集模式是采用整周期采集方式，每4096个数据就是一个连续的数据波形，每256行为一个键相，每个波形共16个键相；采样频率为458Hz。

实验选取的轴向振动传感器A、B、C三种传感器的数据进行融合，传感器时域波形图如图6所示。样本截取时，每个样本包含4096个样本点，因此分别将对应传感器信号转化为32×128的样本，将其融合为一个96×128包含12288个样本点的融合样本，再将此样本转化为灰度图像并归一化后输入CNN中进行水电机组的故障诊断，灰度图像如图7所示。

表4

每个模型诊断结果的准确率如表4所示，本节水电机组单传感器信号数据选择了轴向振动A传感器。SVM的诊断准确率为96％，DF+ANN模型取得了75.56％的诊断准确率，其余三种模型均取得了100％的故障诊断准确率。

与CWRU数据集相似，从100个样本中随机抽取50个样本做少样本条件下的补充实验，并将优化后的参数应用到DF+LightCNN模型中，绘制它们的准确率曲线，如图8所示。可以看出DF+CBAM-LightCNN模型拥有更快的收敛速度及稳定性。

上述描述仅作为本发明可实施的技术方案提出，不作为对其技术方案本身的单一限制条件。