CN110297479A - 一种基于卷积神经网络信息融合的水电机组故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络信息融合的水电机组故障诊断方法。该方法包括：获取机组开机过程低、中、高转速下稳定性数据；分别对低、中、高转速下机组数据进行预处理；分别将低、中、高转速下机组数据划分为相应转速下卷积神经网络的训练集和测试集；分别使用低、中、高转速下机组数据绘制机组轴心轨迹图，并将轴心轨迹图像转换为灰度图，将其余待融合信息对照轴心轨迹灰度图形成矩阵；使用低、中、高转速下机组数据分别建立卷积神经网络；使用低、中、高转速下机组数据分别训练对应卷积神经网络；使用训练完成的三个网络分别进行机组故障诊断，并将诊断结果融合以形成最终结论。本发明能够有效提高水电机组故障诊断的准确性。

Description

一种基于卷积神经网络信息融合的水电机组故障诊断方法

技术领域

本发明涉及水电机组故障诊断技术领域，尤其涉及一种基于卷积神经网络信息融合的水电机组故障诊断方法。

背景技术

水电机组在运行过程中易受到水力、机械、电磁等因素的耦合影响，随着运行时间的累积，水电机组及其辅助设备难免会发生故障甚至失效。

水电机组在开机变转速过程中的非稳态振动信号包含着比稳态(恒转速下)振动信号更丰富的信息，能反映更多的系统特性。但目前对于开机过程的研究仍较少，利用开机过程数据对水电机组进行故障诊断，将具有重要意义。

发明内容

本发明为了解决上述技术问题，提供了一种基于卷积神经网络信息融合的水电机组故障诊断方法，其利用卷积神经网络多输入通道的特性，在数据层对水电机组开机过程多通道信息进行融合，共同分类机组状态，并在决策层对结论进行融合，能有效提高故障诊断的准确度。

为了解决上述问题，本发明采用以下技术方案予以实现：

本发明的一种基于卷积神经网络信息融合的水电机组故障诊断方法，包括以下步骤：

S1：对水电机组进行实时稳定性监测，获取水电机组开机过程的低转速下稳定性数据、中转速下稳定性数据、高转速下稳定性数据；

S2：分别对低转速下稳定性数据、中转速下稳定性数据、高转速下稳定性数据进行预处理；

S3：将预处理后的低转速下稳定性数据划分为低转速下卷积神经网络的训练集和测试集，将预处理后的中转速下稳定性数据划分为中转速下卷积神经网络的训练集和测试集，将预处理后的高转速下稳定性数据划分为高转速下卷积神经网络的训练集和测试集；

S4：使用低转速下稳定性数据绘制低转速轴心轨迹图，使用中转速下稳定性数据绘制中转速轴心轨迹图，使用高转速下稳定性数据绘制高转速轴心轨迹图，将轴心轨迹图像信息转换为轴心轨迹灰度图，作为后续步骤中对应卷积神经网络的一个输入通道，将其余待融合信息对照轴心轨迹灰度图形成矩阵，作为对应卷积神经网络其它输入通道；

S5：分别使用低转速下稳定性数据、中转速下稳定性数据、高转速下稳定性数据建立低转速卷积神经网络、中转速卷积神经网络、高转速卷积神经网络，对水电机组开机过程的低转速下稳定性数据、中转速下稳定性数据、高转速下稳定性数据进行机组故障分类识别；

S6：使用低转速下稳定性数据训练低转速卷积神经网络，使用中转速下稳定性数据训练中转速卷积神经网络，使用高转速下稳定性数据训练高转速卷积神经网络，设置损失函数作为机器学习目标函数；

S7：使用训练完成的低转速卷积神经网络、中转速卷积神经网络、高转速卷积神经网络，分别对机组在某次开机过程中的低转速数据、中转速数据、高转速数据进行分析，得到对应的诊断结果，将三个诊断结果融合以形成最终诊断结论。

作为优选，水电机组开机过程的低转速为水电机组的50％额定转速n_e、中转速为水电机组的75％额定转速n_e、高转速为水电机组的100％额定转速n_e。

作为优选，所述步骤S1中，低转速下稳定性数据包括低转速±5％额定转速n_e的256个轴心轨迹数据(X，Y)及其他m个待融合指标的256个数据点，中转速下稳定性数据包括中转速±5％额定转速n_e的256个轴心轨迹数据(X，Y)及其他m个待融合指标的256个数据点，高转速下稳定性数据包括高转速±5％额定转速n_e的256个轴心轨迹数据(X，Y)及其他m个待融合指标的256个数据点；

X、Y代表轴心轨迹横、纵坐标；

m个待融合指标包括如下的一种或多种：上导X/Y向摆度波形、下导X/Y向摆度波形、水导X/Y向摆度波形、上机架X/Y/Z向振动波形、定子机架X/Y/Z向振动波形、下机架X/Y/Z向振动波形、顶盖X/Y/Z向振动波形。

作为优选，所述步骤S2中对某个转速下稳定性数据进行预处理的方法包括以下步骤：

N1：选取Morlet小波作为小波基函数，对该转速下稳定性数据进行间隔抽样，ω₀指代复简谐函数频率；

N2：进行N级离散小波变换的分解算法：

取连续变化的尺度为a，时间为b，对a、b进行离散采样，令a₀＞0，m∈Z，n∈Z，

上式中，取a₀＝2，得到二进小波；

N3：对各级小波展开系数选择相应的阈值和阈值规则进行阈值化处理；

N4：进行N级离散小波变换重构算法；

N5：得到去噪后的波形，完成预处理。

作为优选，所述步骤S3中将预处理后的某个转速下稳定性数据划分为对应转速下卷积神经网络的训练集和测试集的方法包括以下步骤：

该转速下稳定性数据包含k类故障，这k种故障表示为：U＝{u₁，u₂...u_k}，针对该转速下稳定性数据，随机将k类故障下数据划分为训练集和测试集，以进行后续对应转速下卷积神经网络训练，划分时按照9∶1或7∶3的比例进行，训练集和测试集之间没有交集。划分训练集、测试集时需保证随机性，且已知数据必须包含所有需要分类的故障类型。

作为优选，所述步骤S4中使用某个转速下稳定性数据绘制低转速轴心轨迹图的方法包括以下步骤：

由步骤S2预处理后获得的某轴承位置X向、Y向摆度波形数据组成(X，Y)坐标散点，对这些散点进行简单拟合后得到连续轴心轨迹图；

所述步骤S4中将轴心轨迹图像信息转换为轴心轨迹灰度图的方法包括以下步骤：将轴心轨迹图像信息划分成合适数量(i×j)的像素点，设定涉及图像的灰度等级为两种，即0和1，完成图像向矩阵的转换。

所述步骤S4中将其余待融合信息对照轴心轨迹灰度图形成矩阵的方法包括以下步骤：

轴心轨迹灰度图中每个非零像素点对应一个向量(X，Y，t)，其中X、Y代表轴心轨迹横、纵坐标，t代表发生时刻，此方法根据卷积神经网络RGB三通道的原理，直接输入规格为i×j×(m+1)的输入层矩阵，其中(m+1)为待融合信息总数，即通道总量，其他各输入通道根据轴心轨迹灰度图对应的(X，Y)确定非零像素点位置，根据对应时间确定该点数值(如振动幅值、摆度幅值等)，若有重合点则取时间在前的数据。

作为优选，所述步骤S7包括以下步骤：

使用训练完成的低转速卷积神经网络、中转速卷积神经网络、高转速卷积神经网络，分别对机组在某次开机过程中的低转速数据、中转速数据、高转速数据进行分析，获得低转速数据故障可能性列向量Y₁、中转速数据故障可能性列向量Y₂、中转速数据故障可能性列向量Y₃，具体表达式如下：

式中P_ij(i＝1，2，3；j＝1，2...k)代表样本向量x_i使用第i个卷积神经网络进行分析时为第j个分类的概率，表示某类别在使用第i个卷积神经网络进行分析时分类概率P_j最大，是可能性最高的故障类别；

将三个卷积神经网络的诊断结果权重设置为相等，即1/3，对诊断结果进行加权平均，形成综合最终诊断结论，计算方法如下：

最终输出的结论为：式中，故障u_l对应的分类概率P_l＝max(P₁，P₂...P_k)，u_l为整合三个卷积神经网络诊断结果后，出现概率最大的故障类别。

本发明的有益效果是：

(1)使用水电机组开机过程低、中、高转速下的稳定性数据，并综合考虑了多个传感器信息，实现了信息融合，能有效提高故障诊断准确率。

(2)在数据级将图像信息融合，尽可能保持了原始数据的完整性，能保证分类的准确率。

(3)基于普通的卷积神经网络思想，直接输入规格为i×j×(m+1)的输入层，输入(m+1)个待融合信息。有效利用卷积神经网络原理实现针对水电机组故障诊断的信息融合。

(4)利用梯度下降法取权重，避免主观取权重可能造成的误差，能有效提高故障诊断系统的性能。

附图说明

图1是实施例的流程图；

图2是图像信息融合示意图；

图3是卷积神经网络结构图；

图4是卷积神经网络训练示意图；

图5是上导X向摆度原始波形；

图6是滤波后上导X向摆度波形；

图7是轴心轨迹图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：本实施例的一种基于卷积神经网络信息融合的水电机组故障诊断方法，如图1所示，包括以下步骤：

S1：利用状态监测系统对水电机组进行实时稳定性监测，获取水电机组开机过程的低转速下稳定性数据、中转速下稳定性数据、高转速下稳定性数据；

水电机组开机过程的低转速为水电机组的50％额定转速n_e、中转速为水电机组的75％额定转速n_e、高转速为水电机组的100％额定转速n_e；

低转速下稳定性数据包括低转速±5％额定转速n_e的256个轴心轨迹数据(X，Y)及其他m个待融合指标的256个数据点，中转速下稳定性数据包括中转速±5％额定转速n_e的256个轴心轨迹数据(X，Y)及其他m个待融合指标的256个数据点，高转速下稳定性数据包括高转速±5％额定转速n_e的256个轴心轨迹数据(X，Y)及其他m个待融合指标的256个数据点；

X、Y代表轴心轨迹横、纵坐标；

m个待融合指标包括如下的一种或多种：上导X/Y向摆度波形、下导X/Y向摆度波形、水导X/Y向摆度波形、上机架X/Y/Z向振动波形、定子机架X/Y/Z向振动波形、下机架X/Y/Z向振动波形、顶盖X/Y/Z向振动波形。

S2：分别对低转速下稳定性数据、中转速下稳定性数据、高转速下稳定性数据进行预处理(小波降噪)得到去噪后的波形；

对某个转速下稳定性数据进行预处理的方法包括以下步骤：

N1：选取Morlet小波作为小波基函数，对该转速下稳定性数据进行间隔抽样，ω₀指代复简谐函数频率；

N2：进行N级离散小波变换的分解算法：

取连续变化的尺度为a，时间为b，对a、b进行离散采样，令a₀＞0，m∈Z，n∈Z，

上式中，取a₀＝2，得到二进小波；

N3：对各级小波展开系数选择相应的阈值和阈值规则进行阈值化处理，忽略细节信息，保留粗略信息；

N4：进行N级离散小波变换重构算法；

N5：得到去噪后的波形，完成预处理。

S3：将预处理后的低转速下稳定性数据划分为低转速下卷积神经网络的训练集和测试集，将预处理后的中转速下稳定性数据划分为中转速下卷积神经网络的训练集和测试集，将预处理后的高转速下稳定性数据划分为高转速下卷积神经网络的训练集和测试集。

将预处理后的某个转速下稳定性数据划分为对应转速下卷积神经网络的训练集和测试集的方法包括以下步骤：

该转速下稳定性数据包含k类故障，这k种故障表示为：U＝{u₁，u₂...u_k}，针对该转速下稳定性数据，随机将k类故障下数据划分为训练集和测试集，以进行后续对应转速下卷积神经网络训练，划分时按照9∶1或7∶3的比例进行，训练集和测试集之间没有交集，划分训练集、测试集时需保证随机性，且已知数据必须包含所有需要分类的故障类型。

将每次开机过程数据根据转速不同分为低转速、中转速、高转速三个组，作为训练集和测试集应用于对应转速下的神经网络。

训练集将用来拟合模型(训练模式识别系统)，通过设置分类器的参数，训练分类模型，后续结合验证时，选出同一参数的不同取值，拟合出多个分类器。

测试集将用来评估模式识别系统的性能和分类能力。待后续模型参数确定后，使用测试集进行模型预测并评估模型的性能。

S4：使用低转速下稳定性数据绘制低转速轴心轨迹图，使用中转速下稳定性数据绘制中转速轴心轨迹图，使用高转速下稳定性数据绘制高转速轴心轨迹图，将轴心轨迹图像信息转换为轴心轨迹灰度图，作为后续步骤中对应卷积神经网络的一个输入通道，将其余待融合信息(如各振动、摆度参数)对照轴心轨迹灰度图形成矩阵，作为对应卷积神经网络其它输入通道，本过程如图2所示。

使用某个转速下稳定性数据绘制低转速轴心轨迹图的方法包括以下步骤：

由步骤S2预处理后获得的某轴承位置X向、Y向摆度波形数据组成(X，Y)坐标散点，对这些散点进行简单拟合后得到连续轴心轨迹图；

将轴心轨迹图像信息转换为轴心轨迹灰度图的方法包括以下步骤：将轴心轨迹图像信息划分成合适数量(i×j)的像素点，设定涉及图像的灰度等级为两种，即0和1，完成图像向矩阵的转换。

将其余待融合信息对照轴心轨迹灰度图形成矩阵的方法包括以下步骤：

轴心轨迹灰度图中每个非零像素点对应一个向量(X，Y，t)，其中X、Y代表轴心轨迹横、纵坐标，t代表发生时刻，此方法根据卷积神经网络RGB三通道的原理，直接输入规格为i×j×(m+1)的输入层矩阵，其中(m+1)为待融合信息总数，即通道总量，其他各输入通道根据轴心轨迹灰度图对应的(X，Y)确定非零像素点位置，根据对应时间确定该点数值(如振动幅值、摆度幅值等)，若有重合点则取时间在前的数据。

S5：分别使用低转速下稳定性数据、中转速下稳定性数据、高转速下稳定性数据建立低转速卷积神经网络、中转速卷积神经网络、高转速卷积神经网络，对水电机组开机过程的低转速下稳定性数据、中转速下稳定性数据、高转速下稳定性数据进行机组故障分类识别。

卷积神经网络的输入层确定后，其卷积层提取图像特征，池化层降低网络计算量，全连层对卷积层和池化层传递的特征进行计算，并输出最终分类结果，如图3所示，步骤如下：

M1：建立卷积层：卷积运算为一个函数在另一个函数上的加权叠加，将输入图像的像素点x(n)与核函数h(n)进行离散卷积运算，输出特征映射，离散卷积运算表达式为：

由于输入图像为二维数组I(i，j)，在离散卷积运算的基础上设置二维卷积运算：

上式中，m、n为卷积核的尺寸，输出的卷积结果还需考虑各个特征的权重设置，引入激活函数，运用sigmoid函数，弥补线性模型表达能力不足的特征，增强模型分类能力，考虑权重后的卷积结果公式与sigmoid函数分别为：

上式中f(x)为激活函数，ω_ij为权值矩阵，b_j为采取的偏置，M_j为输入特征图的一个选择，*为卷积操作，通过建立卷积层实现了特征提取；

M2：建立池化层：池化层与卷积层交替出现，采取最大池化算法，将一个固定尺寸窗口以设定步长在输入图像上移动，输出为池化窗口中的最大值，池化层的公式定义为：

上式中，为l层(当前为池化层)输出的第j个特征图，down(x)为池化函数，对于每一个输出图都会给定b。

M3：建立全连层：将特征图像降维成一维特征向量，每一个节点都与上一层所有节点相连接，综合分析输出的所有特征，全连层起一个多分类器的作用，多分类的输出函数采用softmax函数，该函数表达式如下：

该表达式代表样本向量x属于第j个分类的概率，K为输入数量。

S6：使用低转速下稳定性数据训练低转速卷积神经网络，使用中转速下稳定性数据训练中转速卷积神经网络，使用高转速下稳定性数据训练高转速卷积神经网络，设置损失函数作为机器学习目标函数。

为了尽量避免出现梯度消失或者梯度弥散问题、权值更新速度缓慢、输出与真实值的相差越大更新越慢现象，也为了克服方差损失函数的缺点，选择交叉熵函数：

上式中，Y⁽ⁱ⁾指代卷积神经网络实际输出，在本发明中即为P(y＝j|x)，指代卷积神经网络希望输出，本发明中为激活函数输出值；

取初始值W^[1]、b^[1]进行迭代，用梯度下降法进行迭代：

W^[2]＝W^[1]-αdW^[1]，

b^[2]＝b^[1]-αdb^[1]，

上式中，α指代学习速率即步长，dW、db分别为权重与偏差的一阶偏导，迭代直至收敛，则卷积神经网络训练完成。将测试集代入输入层预估网络分类失败率，若符合条件则训练结束，本过程如图4所示。

S7：使用训练完成的低转速卷积神经网络、中转速卷积神经网络、高转速卷积神经网络，分别对机组在某次开机过程中的低转速数据、中转速数据、高转速数据进行分析，得到对应的诊断结果，将三个诊断结果融合以形成最终诊断结论。

低转速卷积神经网络的softmax函数的输出为1个故障可能性列向量：P_j(j＝1，2...k)代表样本向量x属于第j个分类的概率，表示该类别的分类概率P_j最大，是可能性最高的故障类别。而使用由步骤S6训练完成的三个卷积神经网络，分别对低、中、高转速下的机组数据进行分析，将获得低转速数据故障可能性列向量Y₁、中转速数据故障可能性列向量Y₂、中转速数据故障可能性列向量Y₃，具体表达式如下：

式中P_ij(i＝1，2，3；j＝1，2...k)代表样本向量x_i使用第i个卷积神经网络进行分析时为第j个分类的概率，表示某类别在使用第i个卷积神经网络进行分析时分类概率P_j最大，是可能性最高的故障类别；

将三个卷积神经网络的诊断结果权重设置为相等，即1/3，对诊断结果进行加权平均，形成综合最终诊断结论，计算方法如下：

最终输出的结论为：式中，故障u_l对应的分类概率P_l＝max(P₁，P₂...P_k)，u_l为整合三个卷积神经网络诊断结果后，出现概率最大的故障类别。

现以某转子试验台故障诊断为例进行说明，该转子试验台配备有一台直流电机，配有DH5600转轴控制器，通过改变转子转速、刚度、质量不平衡、轴的摩擦或冲击条件以及联轴器的型式来模拟旋转机械振动情况，具体步骤如下：

S1：利用信号采集系统对转子试验台进行实时稳定性监测，通过对转子试验台主轴及转盘进行不同设置模拟水电机组运行过程中的四种典型工况：1)正常工况；2)不平衡工况；3)不对中工况；4)碰磨工况，将转子试验台在四种工况下进行多次开机，获取试验台在四种工况下的开机过程稳定性数据各30组。

定义低、中、高转速分别对应机组50％、75％、100％额定转速，本例中，试验台额定转速为1200r/min，则以上转速分别为：600r/min、900r/min、1200r/min。选取各转速附近(±5％n_e，±60r/min)的256个上导轴承处轴心轨迹数据(X，Y)及同一时间的其他2个待融合指标(试验台上导X向摆度时域波形、试验台轴向振动波形)的256个数据点进行后续步骤。上导轴承处轴心轨迹需使用上导X、Y向摆度数据。获取的上导X向摆度波形如图5所示。

S2：分别对低、中、高转速下机组数据进行预处理(小波降噪)对选取的稳定性数据进行小波降噪，得到去噪后的波形数据，具体步骤如下：

选取Morlet小波作为小波基函数，对信号进行间隔抽样，

上式中，ω₀指代复简谐函数频率；

进行N级离散小波变换的分解算法。取连续变化的尺度为a，时间为b，对a、b进行离散采样，令a₀＞0，m∈Z，n∈Z。

上式中，取a₀＝2，得到二进小波；

对各级小波展开系数选择相应的阈值和阈值规则进行阈值化处理。忽略细节信息，保留粗略信息；

进行N级离散小波变换重构算法；

得到去噪后的波形，如图6所示。

S3：分别将低、中、高转速下机组数据划分为卷积神经网络的训练集和测试集，明确需要数据类型，保证训练过程使用的数据与故障类型已经一一对应。

分别对低、中、高转速下机组数据进行以下步骤：随机将四种工况(正常、不平衡、不对中、碰磨)下的数据划分为训练集和测试集进行卷积神经网络训练，本例中，按照7∶3的比例划分训练集和测试集，两者没有交集，即取每种工况下的21组数据作为训练集，9组作为测试集。以上步骤将获得低、中、高转速下机组数据的训练集和测试集，以备后续步骤应用于不同的卷积神经网络。

S4：分别使用低、中、高转速下机组数据绘制机组轴心轨迹图，将轴心轨迹图像信息转化为灰度图(计算机可以直接识别的数值信息)，作为后续步骤中对应卷积神经网络的一个输入通道，将其余待融合信息(如各振动、摆度参数)对照轴心轨迹灰度图形成矩阵，作为对应卷积神经网络其它输入通道，本过程如图2所示。

a)绘制轴心轨迹图。由步骤S2滤波获得上导X向、Y向摆度波形数据，组成(X，Y)坐标散点，将这些散点进行简单拟合得到连续的轴心轨迹图。将四种工况下的轴心轨迹图的横、纵坐标范围调至统一的(-150，150)，图像格式为JPG，图片尺寸为150×150，如图7所示；

b)数值信息的转换。将图像信息划分成合适数量(i×j)的像素点，本实施例为150×150。设定轴心轨迹图像灰度等级为两种，即0和1，完成图像向矩阵的转换。

c)其余信息的融合。轴心轨迹中每个非零像素点对应一个向量(X，Y，t)，其中X、Y代表轴心轨迹横、纵坐标，t代表发生时刻。此方法根据卷积神经网络RGB三通道的原理，直接输入规格为i×j×(m+1)的输入层(矩阵)，其中(m+1)为待融合信息总数，即通道总量。其他各输入通道(本实施例为上导X向摆度波形、轴向振动波形)根据轴心轨迹灰度图对应的(X，Y)确定非零像素点位置，根据对应时间确定该点数值，如振动幅值、摆度幅值，若有重合点则取时间在前的数据。本例中，(m+1)为3，待融合信息包括试验台上导轴承处轴心轨迹、上导X向摆度波形、轴向振动波形。

S5：使用低、中、高转速下机组数据分别建立卷积神经网络，对水电机组开机过程低、中、高转速下的数据进行机组故障分类识别。卷积神经网络的输入层确定后，其卷积层提取图像特征，池化层降低网络计算量，全连层对卷积层和池化层传递的特征进行计算，并输出最终分类结果，流程如图3所示。

S6：使用低、中、高转速下机组数据分别训练对应卷积神经网络，设置损失函数作为机器学习目标函数。为了尽量避免出现梯度消失或者梯度弥散问题、权值更新速度缓慢、输出与真实值的相差越大更新越慢现象，也为了克服方差损失函数的缺点，本例选择交叉熵函数：

上式中，Y⁽ⁱ⁾指代卷积神经网络实际输出，在本发明中即为P(y＝j|x)，指代卷积神经网络希望输出，本发明中为激活函数输出值；

取初始值W^[1]、b^[1]进行迭代，用梯度下降法进行迭代，

W^[2]＝W^[1]-αdW^[1]，

b^[2]＝b^[1]-αdb^[1]，

上式中，α指代学习速率即步长，dW、db分别为权重与偏差的一阶偏导，迭代直至收敛，则卷积神经网络训练完成；

将测试集代入输入层预估网络分类失败率，若符合条件则训练结束。

S7：使用训练完成的三个卷积神经网络，分别对转子试验台某次开机过程低、中、高转速下数据进行分析，融合机组的上导轴承轴心轨迹图像信息、上导X向摆度波形、轴向振动波形信息，实现转子试验台的故障诊断。

本例中，使用由步骤S6训练完成的三个卷积神经网络，分别对低、中、高转速下的试验台数据进行分析，获得三个故障可能性列向量，具体表达式如下。

式中_Pi_j(i＝1，2，3；j＝1，2...4)代表样本向量x_i使用第i个卷积神经网络进行分析时为第j个分类的概率，表示某类别在使用第i个卷积神经网络进行分析时分类概率P_j最大，是可能性最高的故障类别。

将三个卷积神经网络的诊断结果权重设置为相等，即1/3，对诊断结果进行加权平均，形成综合诊断结论，计算方法如下：

最终输出的结论为：式中，故障u_l对应的分类概率P_l＝max(P₁，P₂，P₃，P₄)，u_l为整合三个卷积神经网络诊断结果后，出现概率最大的故障类别。

Claims (7)

1.一种基于卷积神经网络信息融合的水电机组故障诊断方法，其特征在于，包括以下步骤：

S1：对水电机组进行实时稳定性监测，获取水电机组开机过程的低转速下稳定性数据、中转速下稳定性数据、高转速下稳定性数据；

S2：分别对低转速下稳定性数据、中转速下稳定性数据、高转速下稳定性数据进行预处理；

S3：将预处理后的低转速下稳定性数据划分为低转速下卷积神经网络的训练集和测试集，将预处理后的中转速下稳定性数据划分为中转速下卷积神经网络的训练集和测试集，将预处理后的高转速下稳定性数据划分为高转速下卷积神经网络的训练集和测试集；

S4：使用低转速下稳定性数据绘制低转速轴心轨迹图，使用中转速下稳定性数据绘制中转速轴心轨迹图，使用高转速下稳定性数据绘制高转速轴心轨迹图，将轴心轨迹图像信息转换为轴心轨迹灰度图，作为后续步骤中对应卷积神经网络的一个输入通道，将其余待融合信息对照轴心轨迹灰度图形成矩阵，作为对应卷积神经网络其它输入通道；

S5：分别使用低转速下稳定性数据、中转速下稳定性数据、高转速下稳定性数据建立低转速卷积神经网络、中转速卷积神经网络、高转速卷积神经网络，对水电机组开机过程的低转速下稳定性数据、中转速下稳定性数据、高转速下稳定性数据进行机组故障分类识别；

S6：使用低转速下稳定性数据训练低转速卷积神经网络，使用中转速下稳定性数据训练中转速卷积神经网络，使用高转速下稳定性数据训练高转速卷积神经网络，设置损失函数作为机器学习目标函数；

S7：使用训练完成的低转速卷积神经网络、中转速卷积神经网络、高转速卷积神经网络，分别对机组在某次开机过程中的低转速数据、中转速数据、高转速数据进行分析，得到对应的诊断结果，将三个诊断结果融合以形成最终诊断结论。

2.根据权利要求1所述的一种基于卷积神经网络信息融合的水电机组故障诊断方法，其特征在于，水电机组开机过程的低转速为水电机组的50％额定转速n_e、中转速为水电机组的75％额定转速n_e、高转速为水电机组的100％额定转速n_e。

3.根据权利要求1所述的一种基于卷积神经网络信息融合的水电机组故障诊断方法，其特征在于，所述步骤S1中，低转速下稳定性数据包括低转速±5％额定转速n_e的256个轴心轨迹数据(X，Y)及其他m个待融合指标的256个数据点，中转速下稳定性数据包括中转速±5％额定转速n_e的256个轴心轨迹数据(X，Y)及其他m个待融合指标的256个数据点，高转速下稳定性数据包括高转速±5％额定转速n_e的256个轴心轨迹数据(X，Y)及其他m个待融合指标的256个数据点；

X、Y代表轴心轨迹横、纵坐标；

m个待融合指标包括如下的一种或多种：上导X/Y向摆度波形、下导X/Y向摆度波形、水导X/Y向摆度波形、上机架X/Y/Z向振动波形、定子机架X/Y/Z向振动波形、下机架X/Y/Z向振动波形、顶盖X/Y/Z向振动波形。

4.根据权利要求1或2或3所述的一种基于卷积神经网络信息融合的水电机组故障诊断方法，其特征在于，所述步骤S2中对某个转速下稳定性数据进行预处理的方法包括以下步骤：

N1：选取Morlet小波作为小波基函数，对该转速下稳定性数据进行间隔抽样；

N2：进行N级离散小波变换的分解算法：

取连续变化的尺度为a，时间为b，对a、b进行离散采样，令 a₀＞0，m∈Z，n∈Z，

上式中，取a₀＝2，得到二进小波；

N3：对各级小波展开系数选择相应的阈值和阈值规则进行阈值化处理；

N4：进行N级离散小波变换重构算法；

N5：得到去噪后的波形，完成预处理。

5.根据权利要求1或2或3所述的一种基于卷积神经网络信息融合的水电机组故障诊断方法，其特征在于，所述步骤S3中将预处理后的某个转速下稳定性数据划分为对应转速下卷积神经网络的训练集和测试集的方法包括以下步骤：

该转速下稳定性数据包含k类故障，这k种故障表示为：U＝{u₁，u₂...u_k}，针对该转速下稳定性数据，随机将k类故障下数据划分为训练集和测试集，以进行后续对应转速下卷积神经网络训练，训练集和测试集之间没有交集。

6.根据权利要求3所述的一种基于卷积神经网络信息融合的水电机组故障诊断方法，其特征在于，

所述步骤S4中使用某个转速下稳定性数据绘制低转速轴心轨迹图的方法包括以下步骤：

由步骤S2预处理后获得的某轴承位置X向、Y向摆度波形数据组成(X，Y)坐标散点，对这些散点进行简单拟合后得到连续轴心轨迹图；

所述步骤S4中将其余待融合信息对照轴心轨迹灰度图形成矩阵的方法包括以下步骤：

轴心轨迹灰度图中每个非零像素点对应一个向量(X，Y，t)，其中X、Y代表轴心轨迹横、纵坐标，t代表发生时刻，此方法根据卷积神经网络RGB三通道的原理，直接输入规格为i×j×(m+1)的输入层矩阵，其中(m+1)为待融合信息总数，即通道总量，其他各输入通道根据轴心轨迹灰度图对应的(X，Y)确定非零像素点位置，根据对应时间确定该点数值，若有重合点则取时间在前的数据。

7.根据权利要求1或2或3所述的一种基于卷积神经网络信息融合的水电机组故障诊断方法，其特征在于，所述步骤S7包括以下步骤：

使用训练完成的低转速卷积神经网络、中转速卷积神经网络、高转速卷积神经网络，分别对机组在某次开机过程中的低转速数据、中转速数据、高转速数据进行分析，获得低转速数据故障可能性列向量Y₁、中转速数据故障可能性列向量Y₂、中转速数据故障可能性列向量Y₃，具体表达式如下：

式中P_ij(i＝1，2，3；j＝1，2...k)代表样本向量x_i使用第i个卷积神经网络进行分析时为第j个分类的概率，表示某类别在使用第i个卷积神经网络进行分析时分类概率P_j最大，是可能性最高的故障类别；

将三个卷积神经网络的诊断结果权重设置为相等，即1/3，对诊断结果进行加权平均，形成综合最终诊断结论，计算方法如下：

最终输出的结论为：式中，故障u_l对应的分类概率P_l＝max(P₁，P₂...P_k)，u_l为整合三个卷积神经网络诊断结果后，出现概率最大的故障类别。