基于多通道信息融合的水电机组小样本工况辨识方法技术

本发明专利技术公开了基于多通道信息融合的水电机组小样本工况辨识方法，获取水电机组在不同运行工况下的多通道振动信号，对各组信号进行预处理将其转换为频谱图像；通过图像处理技术对原始频谱图像进行预处理，实现其灰度转化和尺寸变换；对每组信号进行独立建模，构建多组孪生网络模型；通过多通道信息融合综合评估多组孪生网络模型输出结果，最终确定机组工况。本发明专利技术能实现机组工况辨识和异常预警功能，适用于水电机组异常工况样本数量较少的情况，构建智能化决策层工况辨识模型以实现水电机组运行工况的识别功能。运行工况的识别功能。运行工况的识别功能。

【技术实现步骤摘要】
基于多通道信息融合的水电机组小样本工况辨识方法


[0001]本专利技术属于水电机组状态监测与故障诊断
，具体涉及基于多通道信息融合的水电机组小样本工况辨识方法。

技术介绍

[0002]近年来随着数据量的积累和人工智能技术的发展及推广应用，水电机组历史监测数据潜在价值得到越来越多的重视，各种基于数据驱动的机组状态辨识技术被陆续投入生产实践中，使得运维工作人员能够快速准确了解机组工况，有效提升了水电站的监测运维效率。
[0003]依靠成熟的仪器和监测系统可以快速获取大量机组监测信息，但是在实际生产中，若要实现高效智能的机组工况自动识别、异常工况判断等功能仍具有很大难度，主要体现在：其一，由于实际生产中监测信息的数量较多，导致信息与机组状态之间的关系难以科学评定，对机组监测信息的分析工作缺乏科学量化的统一标准；其二，由于监测信息的快速积累，导致数据量快速积累，分析工作强度和难度都超出了人工经验范畴；其三，由于水电机组具备极高的安全性要求，实际生产中必须尽可能避免任何故障和异常状态的发生，因此实际生产中积累的机组异常样本，因此对其工况开展智能辨识研究通常面临样本不均衡、样本不足等问题。
[0004]为了提高水电机组智能运维水平，解决上述困难和瓶颈，本专利技术依托决策层信息融合理论和小样本深度学习理论，公开了一种基于决策层信息融合的水电机组小样本工况辨识方法。同时，考虑到振动信号是当前大型机电设备状态监测与故障诊断研究中最为可靠、敏感、常用的信息类型，因此本专利技术以水电机组多通道振动信号为信息依据进行实施，最终达到机组工况智能识别的目标。

技术实现思路

[0005]本专利技术目的在于提供基于多通道信息融合的水电机组小样本工况辨识方法，解决了实际工况中的异常样本数量有限问题。
[0006]本专利技术所采用的技术方案是：基于多通道信息融合的水电机组小样本工况辨识方法，获取水电机组多个监测点的振动信息，形成多通道振动信号；将采集到的多通道信号在相同的时间尺度下进行截断、加窗处理以及快速傅里叶变换，取幅度值平方构成能量谱并进行归一化，将每个通道的多个能量谱进行组合，拼接成一幅时频图像并压缩，将所有压缩后图像进行交叉组合形成的样本对作为训练数据集；构建用于识别机组工况孪生网络模型，对模型进行训练后开展工况辨识应用和监测预警应用，实现智能工况辨识功能。
[0007]本专利技术的特点还在于，
[0008]基于多通道信息融合的水电机组小样本工况辨识方法，具体操作步骤如下：
[0009]步骤S1：利用传感器获取机组上多个监测点的振动信息，至少应当包括11路通道振动信号；
[0010]步骤S2：将采集到的多通道信号在相同的时间尺度下进行截断，对截断后信号分别进行加窗处理，加窗后对一个数据样本中的每个通道信号进行快速傅里叶变换成单边谱，取单边谱幅度值平方构成能量谱，对能量谱进行归一化；
[0011]步骤S3：将每个通道的连续60个能量谱进行组合，拼接成一幅时频图像；
[0012]步骤S4：对所述时频图像进行预处理，统一将时频图像压缩到60像素
×
60像素，形成压缩图像；
[0013]步骤S5：针对每路通道振动信号构建多个的孪生网络模型；
[0014]步骤S6：训练时对所有压缩图像进行交叉组合以形成样本对，利用所有样本对构成训练集，初始化模型参数后利用所述训练集对多个孪生网络模型进行训练，完成训练的孪生网络模型具备的功能为：能够识别两个子网络输入图片的差异化信息，根据输出层结果判断两个输入是否属于同类别工况；
[0015]步骤S7：将多个孪生网络模型所有识别结果写为独热编码形式，记下所有孪生网络模型的输出独热编码并组成一个矩阵，综合评估所有结果确定识别工况；
[0016]步骤S8：按照S1
‑
S7完成建模和训练工作后，对模型开展工况辨识和监测预警实际应用。
[0017]步骤2形成能量谱的方法如下：
[0018]对于某一段信号而言，信号先被转化成单边谱，再计算单边谱里每个数值的平方，这样单边谱成为幅值平方序列，幅值的平方和、序列维度和数据结构与单边谱一致，即得到了单边谱的能量谱，随后将连续60秒的多个能量谱组合成为1个矩阵形式，进而转化成时频图像信息。
[0019]加窗处理的窗函数选用汉宁窗以减小频率泄漏。
[0020]时频图像获取中需要对幅值平方序列进行归一化处理，转化为0
‑
255数值范围，计算方法如式(1)所示：
[0021][0022]其中，x
i
代表某个通道振动信号在60秒内单边谱能量数值，x
max
为某个通道振动信号在60秒内能量谱的最大值，X计算结果经过取整计算得到。
[0023]步骤S2
‑
S4中图像尺寸变化过程为：每1秒单边谱包含1
×
0.5f个数据点，60秒单边谱包含60
×
0.5f个数据点，经过转置和组合变换后的时频图像横轴包含0.5f
×
60像素点，f为采样频率，图像中每个像素点的亮度值即为对应单边谱归一化后数值，因此每个监测样本对应的时频图像是一副大小为0.5f
×
60像素的256级灰度图；随后将0.5f
×
60像素的图像压缩到60
×
60像素大小，压缩时采用下采样并沿着0.5f像素方向等间隔距离从0.5f个像素中抽取60个像素点。
[0024]记需要识别的工况数量为A，则模型训练至少需要的压缩图像数量为A
×
通道数
×
10张60像素
×
60像素的时频图像。
[0025]孪生网络模型包含2个子网络单元和1个主网络单元，两个子网络单元各自输入一个压缩图片，各自输出一个128维度特征向量，主网络单元最终输出两个压缩图片的相似度，输出接近1代表两个子网络的输入图像属于同类，输出接近0代表两个子网络的输入图
像属于异类；2个子网络单元的特点为：结构相同且参数权值共享；所述主网络单元还包含1个全连接层和1个输出层；所述主网络单元中先计算两个子网络的特征向量的相似度向量，相似度向量大小也为128
×
1，它由两个128
×
1维特征向量中每个相应数值的差的绝对值组成；将128
×
1维相似度向量输入主网络的全连接层，后接一个输出层且仅有一个输出神经元，输出层输出一个0
‑
1之间的数值，输出接近1代表两个子网络的输入图像属于同类，输出接近0代表两个子网络的输入图像属于异类。
[0026]子网络单元包含2个卷积层、2个池化层、1个Flatten层、1个全连接层；所述卷积层和池化层算子大小均为3
×
3，卷积步长1，池化步长3，输入层神经元个数为60
×
60个，第1个卷积层输出尺寸为5858
×
32，第1个池化层输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多通道信息融合的水电机组小样本工况辨识方法，其特征在于，获取水电机组多个监测点的振动信息，形成多通道振动信号；将采集到的多通道信号在相同的时间尺度下进行截断、加窗处理以及快速傅里叶变换，取幅度值平方构成能量谱并进行归一化，将每个通道的多个能量谱进行组合，拼接成一幅时频图像并压缩，将所有压缩后图像进行交叉组合形成的样本对作为训练数据集；构建用于识别机组工况孪生网络模型，对模型进行训练后开展工况辨识应用和监测预警应用，实现工况辨识功能。2.根据权利要求1所述的基于多通道信息融合的水电机组小样本工况辨识方法，其特征在于，具体操作步骤如下：步骤S1：利用传感器获取机组上多个监测点的振动信息，至少应当包括11路通道振动信号；步骤S2：将采集到的多通道信号在相同的时间尺度下进行截断，对截断后信号分别进行加窗处理，加窗后对一个数据样本中的每个通道信号进行快速傅里叶变换成单边谱，取单边谱幅度值平方构成能量谱，对能量谱进行归一化；步骤S3：将每个通道的连续60个能量谱进行组合，拼接成一幅时频图像；步骤S4：对所述时频图像进行预处理，统一将时频图像压缩到60像素
×
60像素，形成压缩图像；步骤S5：针对每路通道振动信号构建多个的孪生网络模型；步骤S6：训练时对所有压缩图像进行交叉组合以形成样本对，利用所有样本对构成训练集，初始化模型参数后利用所述训练集对多个孪生网络模型进行训练，完成训练的孪生网络模型具备的功能为：能够识别两个子网络输入图片的差异化信息，根据输出层结果判断两个输入是否属于同类别工况；步骤S7：将多个孪生网络模型所有识别结果写为独热编码形式，记下所有孪生网络模型的输出独热编码并组成一个矩阵，综合评估所有结果确定识别工况；步骤S8：按照S1
‑
S7完成建模和训练工作后，对模型开展工况辨识和监测预警实际应用。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，步骤2形成能量谱的方法如下：对于某一段信号而言，信号先被转化成单边谱，再计算单边谱里每个数值的平方，这样单边谱成为幅值平方序列，幅值的平方和序列维度和数据结构与单边谱一致，即构成了单边谱的能量谱，随后将连续60秒的多个能量谱组合成为一个矩阵形式，进而转化成时频图像信息。4.根据权利要求3所述的基于多通道信息融合的水电机组小样本工况辨识方法，其特征在于，所述加窗处理的窗函数选用汉宁窗以减小频率泄漏。5.根据权利要求4所述的基于多通道信息融合的水电机组小样本工况辨识方法，其特征在于，时频图像获取中需要对幅值平方序列进行归一化处理，转化为0
‑
255数值范围，计算方法如式(1)所示：
其中，x
i
代表某个通道振动信号在60秒内单边谱能量数值，x
max
为某个通道振动信号在60秒内能量谱的最大值，X计算结果经过取整计算得到。6.根据权利要求2所述的基于多通道信息融合的水电机组小样本工况辨识方法，其特征在于，步骤S2
‑
S4中图像尺寸变化过程为：每1秒单边谱包含1
×
0.5f个数据点，60秒单边谱包含60
×
0.5f个数据点，经过转置和组合变换后的时频图像横轴包含0.5f
×
60像素点，f为采样频率，图像中每个像素点的亮度值即为对应单边谱归一化后数值，因此每个监测样本对应的时频图像是一副大小为0.5f
×
60像素的256级灰度图；随后将0.5f
×
60像素的图像压缩到60
×
60像素大小，压缩时采用下采样并沿着0.5f像素方向等间隔距离从0.5f个像素中抽取60个像素点。7.根据权利要求2所述的基于多通道信息融合的水电机组小样本工况辨识方法，其特征在于，记需要识别的工况类型的数量为A，则模型训练至少需要的压缩图像数量为A
×
通道数
×
10张60像素
×
60像素的时频图像。8.根据权利要求2所述的基于多通道信息融合的水电机组小样本工况辨识方法，其特征在于，所述孪生网络模型包含2个子网络单元和1个主网络单元，两个子网络单元各自输入一个压缩图片，各自输出一个128维度特征向...

【专利技术属性】
技术研发人员：王勇飞，李晓飞，郭鹏程，王彤，李昂，张健，徐卓飞，周晓东，杨小华，胡夏龙，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：