基于多层时频图像识别的水轮机故障诊断方法

1.本发明属于水力机械状态监测与故障诊断技术领域，具体涉及基于多层时频图像识别的水轮机故障诊断方法。


背景技术：

2.水轮机作为水力发电的核心机械装备，其安全稳定性研究一直备受重视。近年来随着水电站智能化的升级改造以及水电站调频调幅任务的不断加剧，电力系统对各类水电站机组的故障监测诊断水平提出了更高的要求。
3.当前，随着信息融合技术与人工智能技术的广泛应用，以数据驱动的水电机组故障诊断方法已经成为主流研究方向和主要技术手段，国内外相关学者企业开展了丰富研究。谢勇涛等针对灯泡贯流式机组的常见振动故障，设计并搭建了机组振动监测与故障诊断系统应用于黄河口水电站；杨文平建立了一套能够实现抽水蓄能电站机组的振动、摆度、压力脉动以及发电电动机空气间隙、局部放电等参数的监测与故障诊断系统应用于永泰抽水蓄能电站；陈飞等针对高噪声环境下，提出了一种基于时移多尺度注意熵和随机森林的抗噪性能良好、识别率高的水电机组故障诊断方法；zemouriryad等对于水轮发电机早期的故障诊断，提出一种基于变分自编码器和稀疏字典学习的异常检测模型等。
4.各类水轮机故障诊断与状态识别方法，在电力安全稳定生产中发挥了重要作用，但是当前仍存在以下不足之处亟待改进：其一，对于已有故障的诊断方法较多，但在监测诊断中多针对单个通道或多个通道的时域信号展开，虽然也会考虑倍频特性，但在工程应用中对于信号的时频联合分布特性研究不足，对于信号的解析多停留在原始信号本身或常见时域频域特征值，未能深入挖掘信号时频特性的内在关联规律；其二，已有故障诊断或工况辨识研究中，都需要建立基于数据驱动的智能模型，模型的效果在很大程度上取决于训练样本中的特征类型，然而在实际生应用中，特征的选择很大程度上取决于人工经验知识，对于运维人员的工程经验有着较高要求，同时，对单一时域特征值或者频域特征值应用较多，对于时频联合分布应用较少。
5.经过我国能源行业的高速发展，国内大量水电站的计算机系统、服务器平台、传感测试系统等硬件都得到了升级完善，目前我国主要电站已经具备强大数据处理能力。在此基础上，若能在原始监测信号上开展智能化诊断模型和深层时频信息挖掘，将有助于充分发挥已有监测装置的功能和作用，对于提高水电站智能运维水平具有重要意义。
6.通常情况下时频域联合信息包含了更为丰富的机组状态信息，以时频域联合信息为依据进行故障预测研究在信息完整度和丰富程度方面更具优势。
7.基于上述理由，本发明提出了一种基于多层时频图像分析的水轮机故障预警方法，旨在从水轮机监测信号的时频联合角度分析时间尺度与频率特性的内在关联，以时频图像的形式开展水轮机故障诊断研究，实现时频联合信息的数据挖掘与智能预测。本发明可有效提高水轮机的安全可靠性，具有适用性强和信息完整等优势。


技术实现要素：

8.本发明目的在于提供基于多层时频图像识别的水轮机故障诊断方法，解决了传统时频图像时频信息的数据挖掘与分析方法单一的问题，弥补了传统信号分析方法对于非线性、非稳态信号分析不精准的局限性。
9.本发明所采用的技术方案是：基于多层时频图像识别的水轮机故障诊断方法，采集水轮机机架、顶盖、尾水管等部位的振动信号，上导轴承、下导轴承、水导轴承的摆度信号，并对所述振动信号和摆度进行噪声去除处理和切分；采用维格纳分布变换将信号转换为时频图像，并对图像进行尺寸压缩及调整；采取二维经验模式获取时频图像1-3阶二维本征模式分量，通过拼接操作得到拼接图像；选取待识别工况和故障工况的样本数据构建卷积神经网络模型；利用所建立模型实现对机组未知样本进行故障诊断。
10.本发明的特点还在于，
11.基于多层时频图像识别的水轮机故障诊断方法，具体操作步骤如下：
12.步骤1，收集水轮机机架、顶盖、尾水管等部位的振动信号，上导轴承、下导轴承、水导轴承的摆度信号；
13.步骤2，对每个通道采集到的振动信号和摆度信号进行基于集成经验模式分解的噪声去除处理；
14.步骤3，将步骤2处理后的信号按照水轮机运行状态将数据分割成多个信号片段，对每段信号进行维格纳分布变换以得到时频图像；
15.步骤4，对每幅时频图像进行灰度化处理、几何变换和压缩处理，使其具有相同的大小，转换后灰度级数为0-255；
16.步骤5，将步骤4生成的图像通过二维经验模式分解，选取1-3阶二维本征模式分量图；
17.步骤6，将原图和3个分量图按照田字分布进行拼接，得到拼接图像；
18.步骤7，从机组已有运行数据中，选取待识别工况和故障工况的样本数据，将其全部按照步骤2-6的方法转化为拼接图像后，划分为训练集和测试集；
19.步骤8，针对每个通道信号构建多个卷积神经网络模型，采用步骤7所述训练集对模型进行训练；
20.步骤9，模型训练完成后，用于水轮机故障诊断，使用时将监测的信号按照步骤2～步骤6进行处理，得到对应的拼接图像，将其输入步骤8所建立的模型中，模型输出结果即为当前水轮机状态；
21.步骤10，在诊断末端环节同时考虑每个模型各自的输出结果，统计所有故障类型判定结果，以最多的故障类型为判断结果。
22.振动信号和摆度信号具有一致的采样频率，不一致时以最低采样频率为基准，将其它通道信号进行降采样处理以实现统一。
23.步骤2对采集信号进行集成经验模式分解的具体步骤为：
24.①
设定平均阶次为i，在原始信号x(t)中加入标准正态分布白噪声n(t)，生成i个新噪声xi(t)，xi(t)＝x(t)+ni(t)，i＝1，2，3
……
i；
25.②
对每个xi(t)分别进行emd分解，得到
[0026][0027]
其中，j为imf数量，c
i,j
(t)为第i次加入白噪声后的信号分解得到的第j个信号，r
i,j
(t)为第i次加入白噪声后的信号分解得到的余量；
[0028]
③
重复
①‑②
步i次，每次加入不同的白噪声，生成c
i,j
集合，其中i＝1，2，3
……
i，j＝1，2，3
……
j；
[0029]
④
将集合c
i,j
进行平均运算，基于不相关序列统计平均值为零原理，得到集合经验模态分解结果：
[0030][0031]
对于振摆信号来说，故障信息都集中在高频频率，因此将分解得到的imf前1-3阶保留，将保留的imf合并得到降噪后的结果信号。
[0032]
⑤
对降噪后的信号归一化，采用min-max标准化公式，将结果映射到0～1之间，min-max标准化公式为：其中x
*
为输出像素值，min和max分别表示输入信号中最小和最大值，x为输入像素值，m为扰动次数。
[0033]
步骤3对信号进行切分以1分钟对应长度为依据；对图像进行几何变换和压缩处理后，图像大小应当为64
×
64，图像格式为灰度图像，转换后灰度级数0-255。
[0034]
步骤3具体为：
[0035]
将信号数据f(t)依据不同状态特点分段成fe(t)用维格纳分布进行时频分析，其中e＝1，2，3
……
e，e为状态数；fe(t)的维格纳分布定义为：
[0036][0037]
其中，是信号的瞬时自相关函数r(t,τ)，r(t,τ)是一个二元函数，其中t为时间，τ为信号自相关函数的时延；对r(t,τ)在不同时间下做傅里叶变换得到相应幅度谱，将幅度谱记为一维向量，那么它对应一个行向量，随后将其进行转置，则得到一个列向量，这样随着时间的积累，将形成多个列向量并构成一个矩阵，对其进行归一化后就可以得到这个矩阵对应的时频图像。
[0038]
步骤6所述田字分布进行拼接是指拼接后图像包含四个大小相同的子图像，将原始图像、一阶二维本征模式分量、二阶二维本征模式分量、三阶二维本征模式分量拼接成田字格型，总共会有4*3*2*1＝24拼法。
[0039]
所建立卷积神经网络模型个数与选取振动或摆度信号的通道数相同且对应；对于每个模型而言，均以拼接图像为输入信息，以拼接图像对应原始信号的工况类型、故障类型、正常运行为输出结果。
[0040]
所述卷积神经网络模型具体结构如下：
[0041]
第1层，卷积层：使用32个大小为3x3的卷积核进行卷积，步长为1，padding为1，使用sigmoid激活函数；
[0042]
第2层，卷积层：使用32个大小为3x3的卷积核进行卷积，步长为1，padding为1，使用sigmoid激活函数；
[0043]
第3层，最大池化层：使用2x2的池化窗口，步长为2；
[0044]
第4层，卷积层：使用64个大小为3x3的卷积核进行卷积，步长为1，padding为1，使用sigmoid激活函数；
[0045]
第5层，卷积层：使用64个大小为3x3的卷积核进行卷积，步长为1，padding为1，使用sigmoid激活函数；
[0046]
第6层，最大池化层：使用2x2的池化窗口，步长为2；
[0047]
第7层，全连接层：将前一层的输出展平成一维向量，使用sigmoid激活函数；
[0048]
第8层，dropout层：设置为0.5；
[0049]
第9层，输出层：输出维度为e，使用softmax激活函数；
[0050]
在这个结构中，每个卷积层后面的sigmoid激活层和每两个卷积层后面的最大池化层用来减小特征映射的尺寸；在第二个池化层之后添加的全连接层进行分类，在该层之后添加的dropout层以防止过拟合。
[0051]
所述建立模型所采用的信号，包含机组稳定运行时的工况和故障工况，稳定工况具有如下要求：机组处于相对稳定功率工作条件下，即功率不存在剧烈波动和变化时的数据，对于功率不存在剧烈波动的界定如下：选取信号的功率在1分钟内的波动范围不超过额定功率的5％。
[0052]
步骤4具体如下：
[0053]
对时频图像进行归一化处理，使其范围在0到255之间，归一化公式为：
[0054][0055]
其中，x
*
为输出像素值，min和max分别表示输入图像中最小和最大像素值，x为时频图像的像素值。
[0056]
所述故障类型包括水轮机轴系故障和异常流至振动故障；所述水轮机轴系故障包括转子不对中、转子不平衡、转子弯曲；所述异常流至振动故障，有尾水管低频涡带、卡门涡列。
[0057]
围绕一台机组建立多个模型后，所有建立的模型可以直接迁移到同规格水电机组进行使用，迁移需要符合以下条件：每个卷积神经网络模型的输入信号源位置和采集方向应当与建模机组保持一致，信号处理方法和处理后图像规格保持一致。
[0058]
本发明提出了的基于多层时频图像分析的水轮机故障诊断方法，旨在从水轮机监测信号的时频联合角度分析时间尺度与频率特性的内在关联，以时频图像的形式开展水轮机故障诊断研究，实现时频联合信息的数据挖掘与智能预测。
[0059]
本发明可有效提高水轮机的安全可靠性，具有适用性强和信息完整等优势，具体优势如下：
[0060]
(1)将信号转化为时频图像进行故障模式的建模，能够增加数据的多样性，使卷积神经网络能够学习到更多图像特征；
[0061]
(2)将多个二维本征模式分量通过和原图拼接成一张图后，只需构建一个cnn模型与之对应，就能够利用全部图像分量信息，同时兼顾了原图特点，有效减少了计算量并提高了计算效率；
[0062]
(3)学习过程采取了卷积神经网络模型，避免了人工筛选图像特征的建模思路，实现了特征自动筛选，在一定程度上摆脱了人为经验对模式识别的干扰；
[0063]
(4)二维经验模式分解具有极强的自适应性，可实现数据本身的驱动和自适应的分解功能，其不依赖于预先设定的基函数，能对非平稳非线性信号进行有效的分析，适用于各类机组复杂的时频联合信息进行有效的分解；
[0064]
(5)所提出方案针对单个通道信号开展，具有极强的普遍适应性，所建立模型可以迁移至同类型机组，提高利用效率降低研发成本；
[0065]
(6)由于采取了图像分解建模的形式，因此所建立模型从多个角度考虑了时频信息特性，故其具有较强的鲁棒性，误判的可能性较低。
[0066]
本发明的有益效果是：
[0067]
(1)采用维格纳分布和二维经验模式等信号处理方法，实现了对水轮机振摆信号的时频联合图像获取和解析功能，结合深度学习中的卷积神经网络模型，实现了水轮机故障诊断模型的建立，在时频图像解析和特征提取过程中实现了自适应和自主获取，摆脱了对人为经验知识的依赖；
[0068]
(2)通过多通道测试信号的建模，实现对水轮机组智能化监测水平的提升，降低日常生产、监测、维护、检修等工作中运维人员的劳动强度；
[0069]
(3)所建立模型以单通道测试信号为对象开展，模型的输出都是以同样的机组故障类型为目标，因此在实际应用中可以同时考虑不同通道信号对应模型的结果，提高模型的可靠性和鲁棒性。
[0070]
(4)对于模型而言，可以直接应用于同类机组，具有较强的迁移能力，在节约研发成本上具有一定优势，同时，本发明也可以应用于各类不同的混流式和轴流式机组，具有较强普遍适应性。
附图说明
[0071]
图1是本发明的技术流程图；
[0072]
图2是本发明的二维本征模式分量图像的多种拼接方案；
[0073]
图3是本发明建立卷积神经网络模型结构；
[0074]
图4是本发明故障诊断流程。
具体实施方式
[0075]
下面结合附图和具体实施例对本发明进行详细说明。
[0076]
实施例1
[0077]
本发明提出的基于多层时频图像识别的水轮机故障诊断方法，采集水轮机机架、顶盖、尾水管等部位的振动信号，上导轴承、下导轴承、水导轴承的摆度信号，并对所述振动信号和摆度进行噪声去除处理和切分；采用维格纳分布变换将信号转换为时频图像，并对图像进行尺寸压缩及调整；采取二维经验模式获取时频图像1-3阶二维本征模式分量，通过
拼接操作得到拼接图像；选取待识别工况和故障工况的样本数据构建卷积神经网络模型；利用所建立模型实现对机组未知样本进行故障诊断。
[0078]
实施例2
[0079]
本发明提出的基于多层时频图像识别的水轮机故障诊断方法，具体操作步骤如下：
[0080]
参照图1，步骤1，采用压电式加速度传感器采集水电机组各个测控点的振摆信号，其中包含水轮机顶盖、上机架、下机架、定子机座等位置的振动信号，和上导轴承、下导轴承和水导轴承的摆度信号，测点布控应遵循水电机组低速旋转的运动特性合理地选择振动、摆度信号的关键测点位置。在上导轴承、下导轴承和水导轴承上安装测点应处在互呈90
゜
的两方向上；在水轮机机盖上安装测点应尽量靠近旋转中心的径向和轴向中其中一个方向，或互呈90
゜
的两方向，保证布控的传感器都在同一垂直面上。具体布控为：在机组的顶盖、上机架、下机架等部位按照+x，-y方向布置振动测点，考虑到机架承重，可在+x，-y方向设置2个测点，定子机座在水平和垂直方向各设置1个测点；在机组上导轴承、下导轴承和水导轴承设置摆度测点；
[0081]
参照图1，步骤2，原始收集到的振摆信号多含有噪声，对信号数据用eemd分解方法去噪，在信号中加入具有标准正态分布的白噪声，其频率具有均匀分布的统计特性，以此来改变原始信号的极值点特性，达到去噪效果，步骤如下：
[0082]
①
设定平均阶次为i，在原始信号x(t)中加入标准正态分布白噪声n(t)，生成i个新噪声xi(t)，xi(t)＝x(t)+ni(t)，i＝1，2，3
……
i；
[0083]
②
对每个xi(t)分别进行emd分解，得到
[0084][0085]
其中，j为imf数量，c
i,j
(t)为第i次加入白噪声后的信号分解得到的第j个信号，r
i,j
(t)为第i次加入白噪声后的信号分解得到的余量；
[0086]
③
重复
①‑②
步i次，每次加入不同的白噪声，生成c
i,j
集合，其中i＝1，2，3
……
i，j＝1，2，3
……
j；
[0087]
④
将集合c
i,j
进行平均运算，基于不相关序列统计平均值为零原理，得到集合经验模态分解结果：
[0088][0089]
对于振摆信号来说，故障信息都集中在高频频率，因此将分解得到的imf前1-3阶保留，将保留的imf合并得到降噪后的结果信号。
[0090]
⑤
对降噪后的信号归一化，采用min-max标准化公式，将结果映射到0～1之间，min-max标准化公式为：其中x
*
为输出像素值，min和max分别表示输入信号中最小和最大值。
[0091]
参照图1，步骤3，将信号数据f(t)依据不同状态特点分段成fe(t)用维格纳分布进
行时频分析,其中e＝1，2，3
……
e，e为状态数。维格纳分布(又名韦格纳分布，wigner distribution function，wdf)，是一种二维函数，其中时间和频率分别表示在垂直和水平轴上。它将时间和频率两个维度结合起来，用于分析非平稳信号的时频特性，通过将信号与自身的时移版本进行自相关来计算，然后在时频平面上将结果绘制成图像。wdf的优点体现在可以提供信号在时频域上的高分辨率表示，因此可以很好地描述信号的瞬时频率和瞬时幅度。fe(t)的wdf分布定义为：
[0092][0093]
其中是信号的瞬时自相关函数r(t,τ)，r(t,τ)是一个二元函数，其中t为时间，τ为信号自相关函数的时延；对r(t,τ)在不同时间下做傅里叶变换得到相应幅度谱，将幅度谱记为一维向量，那么它对应一个行向量，随后将其进行转置，则得到一个列向量，这样随着时间的积累，将形成个列向量并构成一个矩阵，对其进行归一化后就可以得到这个矩阵对应的时频图像。
[0094]
参照图1，步骤4，时频图像进行归一化处理，使其范围在0到255之间，归一化公式为：
[0095][0096]
其中，x
*
为输出像素值，min和max分别表示输入图像中最小和最大像素值。为使图像批量处理时有统一的格式尺寸，对图像进行压缩处理，将图像的宽度和高度分别调整为64像素，确保保持宽高比例以避免图像变形。
[0097]
参照图1，步骤5，将图像通过bemd分解，选取前三阶二维本征模式分量，残余分量舍弃。具体步骤为：
[0098]
(1)计算图像极值点；
[0099]
(2)根据计算得到的极值点进行曲面拟合，分别生成极大值包络面和极小值包络面，由极大值包络面和极小值包络面生成均值包络曲面；
[0100]
(3)均值包络面与原始图像相减生成新的图像i
′
；
[0101]
(4)设定一个阈值q，方差sd≥q时，重复执行(1)～(3)，直到满足方差sd《q；方差sd《q时，用原始r通道图像减去图像i，得到第一阶余量图像i
′
r1
，将i
′
r1
重新执行(1)～(4)，不断将得到的余量当作原始图像生成新的余量，直到分解出3个bimf分量和残余分量，方差sd的公式为：
[0102][0103]
其中，i
′
n-1
(i,j)表示上一次迭代(n-1)中的数据矩阵在位置(i,j)处的值；i
′n(i,j)表示当前迭代(n)中的数据矩阵在位置(i,j)处的值。n：表示迭代的次数，每一次迭代都对原始信号或图像进行一次分解操作，生成细节项和趋势项，初始时，n为0，表示第一次迭代；q代表数据矩阵的行数或高度，n表示数据矩阵的列数或宽度；
[0104]
本操作使每张图像分解出3个bimf分量图像；
[0105]
参照图1和图2，步骤6，将原始图像与3个bimf分量图像按照田字型拼接，有如附图2几种拼接方法，将4幅图像按需求选择拼接方法拼接，拼接后的图像大小为128*128，将各状态拼接好的图像各自分为70％的训练集和30％的测试集；
[0106]
参照图1和图2，步骤7，从水轮机历史数据库中，选取待识别工况和故障工况的样本数据，按照步骤2～步骤6进行处理，生成历史数据拼接图像集，以其作为数据基础，训练下一个步骤所构建的cnn模型；
[0107]
参照图1和图3，步骤8，构建一个cnn模型，对拼接后的图像(尺寸为128*128)进行特征提取，cnn模型结构如下：
[0108]
第1层，卷积层：使用32个大小为3x3的卷积核进行卷积，步长为1，padding为1，使用sigmoid激活函数；
[0109]
第2层，卷积层：使用32个大小为3x3的卷积核进行卷积，步长为1，padding为1，使用sigmoid激活函数；
[0110]
第3层，最大池化层：使用2x2的池化窗口，步长为2。
[0111]
第4层，卷积层：使用64个大小为3x3的卷积核进行卷积，步长为1，padding为1，使用sigmoid激活函数；
[0112]
第5层，卷积层：使用64个大小为3x3的卷积核进行卷积，步长为1，padding为1，使用sigmoid激活函数；
[0113]
第6层，最大池化层：使用2x2的池化窗口，步长为2。
[0114]
第7层，全连接层：将前一层的输出展平成一维向量，使用sigmoid激活函数；
[0115]
第8层，dropout层：设置为0.5；
[0116]
第9层，输出层(分类器)：输出维度为e，使用softmax函数将全连接层的输出转换为概率分布。每个神经元对应一个类别，输出表示输入图像属于每个类别的概率；
[0117]
在这个结构中，每个卷积层后面的sigmoid激活层和每两个卷积层后面的最大池化层用来减小特征映射的尺寸。在第二个池化层之后添加一个全连接层进行分类，并在该层之后添加一个dropout层以防止过拟合。最后，输出层使用softmax激活函数来产生分类状态的概率分布pe(x)，神经网络层结构如附图3所示。
[0118]
实施例3
[0119]
参照图1和图4，步骤9，cnn模型训练完成后，可用来对步骤1监测到的振摆信号进行故障诊断，将步骤1中监测到的振摆信号按照步骤2～步骤6处理，生成监测信号拼接图像输入到步骤8训练好cnn模型中，即可输出当前水轮机的运行状态；
[0120]
参照图1和图4，步骤10，构建故障诊断模型判定规则。故障诊断的对象类型包括水轮机轴系故障和异常流至振动：水轮机轴系故障有转子不对中、转子不平衡、转子弯曲等；异常流至振动有尾水管低频涡带、卡门涡列等，根据实际关注故障的类型，可以增加相应的样本进行模型训练和诊断任务。对于单台机组而言，轮机的机架、顶盖、尾水管、上导轴承、下导轴承、水导轴承等位置的每个监测通道需各自独立按照步骤1～步骤9构建一个故障诊断模型，当各个诊断模型输出的诊断结果均为无故障时，判定水轮机组无故障，正常运行；当输出结果为故障的诊断模型≥1时，判定水轮机组故障，统计所有故障类型判定结果，以最多的类型为结果。
[0121]
参照图1和图4，本发明专利应用时，应遵循以下原则：本发明专利应用时，应当排除水轮机过渡工况，即不包含启动、停机、变转速、变负荷工况，这些工况信号波动巨大；本发明使用数据，应当来源于机组处于相对恒定功率工作条件下，即功率不存在剧烈波动和变化时的数据，才适用于本发明；对于功率不存在剧烈波动的界定如下：选取信号的功率在1分钟内的波动范围不超过额定功率的5％。

技术特征：
1.基于多层时频图像识别的水轮机故障诊断方法，其特征在于，采集水轮机机架、顶盖、尾水管部位的振动信号，上导轴承、下导轴承、水导轴承的摆度信号，并对所述振动信号和摆度进行噪声去除处理和切分；采用维格纳分布变换将信号转换为时频图像，并对图像进行尺寸压缩及调整；采取二维经验模式获取时频图像1-3阶二维本征模式分量，通过拼接操作得到拼接图像；选取待识别工况和故障工况的样本数据构建卷积神经网络模型；利用所建立模型实现对机组未知样本进行故障诊断。2.根据权利要求1所述的基于多层时频图像识别的水轮机故障诊断方法，其特征在于，具体操作步骤如下：步骤1，收集水轮机机架、顶盖、尾水管部位的振动信号，上导轴承、下导轴承、水导轴承的摆度信号；步骤2，对每个通道采集到的振动信号和摆度信号进行基于集成经验模式分解的噪声去除处理；步骤3，将步骤2处理后的信号按照水轮机运行状态将数据分割成多个信号片段，对每段信号进行维格纳分布变换以得到时频图像；步骤4，对每幅时频图像进行灰度化处理、几何变换和压缩处理，使其具有相同的大小，转换后灰度级数为0-255；步骤5，将步骤4生成的图像通过二维经验模式分解，选取1-3阶二维本征模式分量图；步骤6，将原图和3个分量图按照田字分布进行拼接，得到拼接图像；步骤7，从机组已有运行数据中，选取待识别工况和故障工况的样本数据，将其全部按照步骤2-6的方法转化为拼接图像后，划分为训练集和测试集；步骤8，针对每个通道信号构建多个卷积神经网络模型，采用步骤7所述训练集对模型进行训练；步骤9，模型训练完成后，用于水轮机故障诊断，使用时将监测的信号按照步骤2～步骤6进行处理，得到对应的拼接图像，将其输入步骤8所建立的模型中，模型输出结果即为当前水轮机状态；步骤10，在诊断末端环节同时考虑每个模型各自的输出结果，统计所有故障类型判定结果，以最多的故障类型为判断结果。3.根据权利要求2所述的基于决策层信息融合的水电机组小样本工辨识方法，其特征在于，所述振动信号和摆度信号具有一致的采样频率，不一致时以最低采样频率为基准，将其它通道信号进行降采样处理以实现统一。4.根据权利要求3所述的基于多层时频图像识别的水轮机故障诊断方法，其特征在于，步骤2对采集信号进行集成经验模式分解的具体步骤为：
①
设定平均阶次为i，在原始信号x(t)中加入标准正态分布白噪声n(t)，生成i个新噪声x
i
(t)，x
i
(t)＝(t)+
i
(t)，i＝1，2，3
……
i；
②
对每个x
i
(t)分别进行emd分解，得到
其中，j为imf数量，c
i,j
(t)为第i次加入白噪声后的信号分解得到的第j个信号，r
i,j
(t)为第i次加入白噪声后的信号分解得到的余量；
③
重复
①‑②
步i次，每次加入不同的白噪声，生成c
i,j
集合，其中i＝1，2，3
……
i，j＝1，2，3
……
j；
④
将集合c
i,j
进行平均运算，基于不相关序列统计平均值为零原理，得到集合经验模态分解结果：对于振摆信号来说，故障信息都集中在高频频率，因此将分解得到的imf前1-3阶保留，将保留的imf合并得到降噪后的结果信号；
⑤
对降噪后的信号归一化，采用min-max标准化公式，将结果映射到0～1之间，min-max标准化公式为：其中x
*
为输出像素值，min和max分别表示输入信号中最小和最大值，x为输入信号像素值，m为扰动次数。5.根据权利要求4所述的基于多层时频图像识别的水轮机故障诊断方法，其特征在于，步骤3对信号进行切分以1分钟对应长度为依据；对图像进行几何变换和压缩处理后，图像大小应当为64
×
64，图像格式为灰度图像，转换后灰度级数0-255。6.根据权利要求2所述的基于多层时频图像识别的水轮机故障诊断方法，其特征在于，步骤3具体为：将信号数据f(t)依据不同状态特点分段成f
e
(t)用维格纳分布进行时频分析，其中e＝1，2，3
……
e，e为状态数；f
e
(t)的维格纳分布定义为：其中，是信号的瞬时自相关函数r(t,τ)，r(t,τ)是一个二元函数，其中t为时间，τ为信号自相关函数的时延；对r(t,τ)在不同时间下做傅里叶变换得到相应幅度谱，将幅度谱记为一维向量，那么它对应一个行向量，随后将其进行转置，则得到一个列向量，这样随着时间的积累，将形成多个列向量并构成一个矩阵，对其进行归一化后就可以得到这个矩阵对应的时频图像。7.根据权利要求2所述的基于多层时频图像识别的水轮机故障诊断方法，其特征在于，步骤6所述田字分布进行拼接是指拼接后图像包含四个大小相同的子图像，将原始图像、一阶二维本征模式分量、二阶二维本征模式分量、三阶二维本征模式分量拼接成田字格型，总共会有4*3*2*1＝24拼法。8.根据权利要求2所述的基于多层时频图像识别的水轮机故障诊断方法，其特征在于，所建立卷积神经网络模型个数与选取振动或摆度信号的通道数相同且对应；对于每个模型而言，均以拼接图像为输入信息，以拼接图像对应原始信号的工况类型、故障类型、正常运行为输出结果。
9.根据权利要求2所述的基于多层时频图像识别的水轮机故障诊断方法，其特征在于，所述卷积神经网络模型，其特征在于：第1层，卷积层：使用32个大小为3x3的卷积核进行卷积，步长为1，padding为1，使用sigmoid激活函数；第2层，卷积层：使用32个大小为3x3的卷积核进行卷积，步长为1，padding为1，使用sigmoid激活函数；第3层，最大池化层：使用2x2的池化窗口，步长为2；第4层，卷积层：使用64个大小为3x3的卷积核进行卷积，步长为1，padding为1，使用sigmoid激活函数；第5层，卷积层：使用64个大小为3x3的卷积核进行卷积，步长为1，padding为1，使用sigmoid激活函数；第6层，最大池化层：使用2x2的池化窗口，步长为2；第7层，全连接层：将前一层的输出展平成一维向量，使用sigmoid激活函数；第8层，dropout层：设置为0.5；第9层，输出层：输出维度为e，使用softmax激活函数；在这个结构中，每个卷积层后面的sigmoid激活层和每两个卷积层后面的最大池化层用来减小特征映射的尺寸；在第二个池化层之后添加的全连接层进行分类，在该层之后添加的dropout层以防止过拟合。10.根据权利要求8所述的基于多层时频图像识别的水轮机故障诊断方法，其特征在于：所述建立模型所采用的信号，包含机组稳定运行时的工况和故障工况，稳定工况具有如下要求：机组处于相对稳定功率工作条件下，即功率不存在剧烈波动和变化时的数据，对于功率不存在剧烈波动的界定如下：选取信号的功率在1分钟内的波动范围不超过额定功率的5％。11.根据权利要求1所述的基于多层时频图像识别的水轮机故障诊断方法，其特征在于：步骤4具体如下：对时频图像进行归一化处理，使其范围在0到255之间，归一化公式为：其中，x
*
为输出像素值，min和max分别表示输入图像中最小和最大像素值，x为时频图像的像素值。12.根据权利要求2所述的基于多层时频图像识别的水轮机故障诊断方法，其特征在于：所述故障类型包括水轮机轴系故障和异常流至振动故障；所述水轮机轴系故障包括转子不对中、转子不平衡、转子弯曲；所述异常流至振动故障，有尾水管低频涡带、卡门涡列。13.根据权利要求2所述的基于多层时频图像识别的水轮机故障诊断方法，其特征在于：围绕一台机组建立多个模型后，所有建立的模型可以直接迁移到同规格水电机组进行使用，迁移需要符合以下条件：每个卷积神经网络模型的输入信号源位置和采集方向应当与建模机组保持一致，信号处理方法和处理后图像规格保持一致。

技术总结
本发明公开了基于多层时频图像识别的水轮机故障诊断方法，采集水轮机振动信号和摆度信号并对其进行噪声去除处理和切分；采用维格纳分布变换将信号转换为时频图像，并对图像进行尺寸压缩及调整；采取二维经验模式获取时频图像1-3阶二维本征模式分量，通过拼接操作得到拼接图像；选取待识别工况和故障工况的样本数据构建卷积神经网络模型；利用所建立模型实现对机组未知样本进行故障诊断应用。本发明有效降低了水电站运维人员的监测工作强度，本发明同样适用于各类不同的混流式和轴流式机组。明同样适用于各类不同的混流式和轴流式机组。明同样适用于各类不同的混流式和轴流式机组。


技术研发人员：王勇飞 蔡银辉 王彤 李晓飞 王浩宇 孙龙刚 徐卓飞 佘斌 李胜
受保护的技术使用者：西安理工大学
技术研发日：2023.06.12
技术公布日：2023/9/23