基于VGG網絡的發電機定轉子智能診斷算法

李 誠，劉 昊，蔣希峰，吳軍法，韓文剛，高建國

(浙江黑卡電氣有限公司，浙江 杭州 311100)

我國西南等地區的水電資源豐富，對其進行梯次有序地開發利用，對實現節能減排、碳中和的目標具有重要意義。但是水電機組由于長時間運轉，可能出現連接部位磨損、表面裂紋、關鍵零件脫落、定轉子振動等缺陷[1-4]，這些缺陷將影響水電機組運行的安全性，嚴重時會導致電網的非計劃停運，給電網的安全穩定運行帶來嚴重風險。

隨著人工神經網絡技術的快速發展，圖像識別技術在生物醫學、移動支付、工業控制等領域得到廣泛應用。如果將圖像識別技術應用于水電機組的定轉子狀態監測，實現發電機定轉子缺陷智能診斷，將大幅提高水電機組運行的安全性[5-7]。

因此，本文開展了圖像識別技術在發電機定轉子缺陷診斷中的應用研究，為實現發電機定轉子缺陷的智能識別奠定了理論基礎。

1 VGG網絡

1.1 卷積神經網絡

人工神經網絡是模擬人類大腦處理信息機制的一種仿生學計算方法，其結構由多層神經網絡層構成。層內的各神經單元相互獨立，層間的神經單元相互連接，連接邊具有一定的權值。當前，人工神經網絡經過了多年的快速發展，在負荷預測、故障診斷、狀態監測、智能控制領域應用廣泛。但由于人工神經網絡的連接權值均為參數，所以當其規模較大時，待求取參數規模就會非常巨大，導致需要訓練和計算的時間過長，且容易造成擬合的過度和失真[8-11]。

卷積神經網絡屬于人工神經網絡的發展形式之一。其對人工神經網絡的改進之處在于：卷積神經網絡使用滑動的卷積濾波器代替神經網絡層之間的連接邊，使得神經單元間只存在局部連接關系。神經單元層的參數也減少為卷積濾波器的權重值，參數規模大幅減小，提高了計算效率，同時也能有效防止過度擬合現象。特別是在圖像識別領域，卷積神經網絡的性能優勢更為明顯。卷積神經網絡隨著網絡層數的增加，對于特征的學習和提取則更加精細化，擬合結果的準確度更高。典型的深層卷積神經網絡結構有Alex卷積神經網絡等[12-14]。Alex卷積神經網絡結構如圖1所示，其由5個卷積層、3個池化層和3個全連接層構成。

圖1 Alex卷積神經網絡結構Figure 1. Structure of Alex convolution neural network

(1)卷積層。卷積層的作用是實現圖像像素特征的提取識別，卷積操作過程如圖2所示。對于原始輸入矩陣，卷積濾波器為固定大小的權值矩陣，將卷積濾波器覆蓋在輸入矩陣，將卷積濾波器矩陣與被覆蓋的輸入子矩陣做內積計算，并加上一定的偏置值，由此得到輸出矩陣的一個元素值。然后以固定步長滑動卷積濾波器，重復上述計算過程，從而得到整個輸出矩陣。

卷積操作的計算方法如下

(1)

圖2 卷積操作過程原理Figure 2. Convolution operation principle

(2)池化層。池化層的作用是實現圖像像素的壓縮，以消除冗余的數據信息，減少算法計算量，同時防止算法過度擬合。池化與卷積操作的滑動計算過程相似，只是在輸出矩陣元素值的計算方法上有所不同。

池化操作的計算方法如下

(2)

在卷積與池化操作中，輸入圖像與輸出圖像的尺寸應滿足以下關系

(3)

式中，i為輸入圖像尺寸；k為濾波器尺寸；s為卷積或池化操作的滑動步長；p為輸入圖像邊界填充尺寸；o為輸出圖像尺寸；[·]為向下取整函數。

(3)全連接層。全連接層神經單元的連接關系與傳統神經網絡相同，即輸入層與輸出層的任意兩個元神經單元之間均存在連接關系。

1.2 VGG網絡

VGG(Visual Geometry Group)網絡是在Alex網絡基礎上的改進，其主要改進之處在于堆疊使用多個小尺寸的3×3卷積濾波器來代替Alex網絡中大尺寸的5×5和7×7卷積濾波器。原理如圖3所示，即兩個步長為1的3×3卷積濾波器與1個步長為1的5×5卷積濾波器的作用效果相同，其他尺寸的卷積濾波器堆疊代替原理也與之相似[15-16]。

與Alex網絡相比，VGG網絡結構更加簡潔，卷積濾波器均具有相同尺寸。利用小尺寸濾波器的堆疊來代替大尺寸濾波器，這樣的改進不但具有更少的參數，而且提高了算法的計算效率，同時加深了網絡結構的深度，提高了算法的擬合性能。

圖3 卷積濾波器堆疊代替原理Figure 3. Principle of convolution filter stack substitution

2 發電機定轉子智能診斷算法

本文將VGG網絡應用于發電機定轉子的智能診斷與缺陷識別，構建了智能診斷系統的拓撲結構，如圖4所示。

將安裝在水電機組內部的可見光探頭獲取的圖像先通過千兆級網絡上傳至遠程服務器，然后再接入到智能診斷算法和應用服務器中。同時配置本地服務器，使其具備視頻、圖像記錄儲存功能，便于本地查閱歷史視頻、圖像歷史記錄。在局域網上，使用者通過網絡查看設備內部的實時監控視頻以及經過服務器拼接的大視角視頻。在公共網絡上，用戶可以通過客戶端或者手機應用實時查看相關的監測信息和智能診斷結果。

圖4 發電機定轉子智能診斷系統拓撲結構Figure 4. Topology of generator stator and rotor intelligent diagnosis system

基于VGG網絡的發電機定轉子智能診斷算法結構如圖5所示，包括離線訓練和實時監測兩部分。

離線監測則通過對本地服務器中儲存的歷史圖像進行灰度處理和骨架提取等預處理，形成訓練圖像樣本，然后作為VGG網絡模型的輸入，通過訓練獲得滿足精確度要求的VGG網絡模型。同時實現對VGG網絡模型的修正，不斷提高智能診斷算法的準確性。

在線監測通過將可見光探頭獲取的實時發電機定轉子圖像進行預處理后，作為已訓練至精度滿足要求的VGG網絡模型輸入，然后得到輸出結果，即發電機定轉子的健康狀態，實現發電機定轉子的實時在線智能診斷。

圖5 基于VGG網絡的發電機定轉子智能診斷算法Figure 5. Intelligent diagnosis algorithm of generator stator and rotor based on VGG network

VGG網絡模型的訓練過程如圖6所示，主要包括以下步驟：

步驟1從本地服務器的歷史圖像集合中隨機抽取N個圖像樣本構成訓練組；

步驟2對訓練組的圖像進行預處理；

步驟3初始化卷積濾波器權值、學習率和最小精度要求等算法控制參數；

步驟4將訓練組的圖像樣本作為VGG網絡模型的輸入，計算輸出值；

步驟5計算輸出值與目標值的誤差；

步驟6根據誤差對卷積濾波器的權重進行調整；

步驟7判斷是否滿足精度要求，若是則進行步驟8，否則返回步驟6；

步驟8輸出滿足精度要求的VGG網絡模型。

圖6 VGG網絡模型訓練過程Figure 6. VGG network model training process

3 算例分析

為了驗證本文所提基于VGG網絡的發電機定轉子智能診斷法算法的正確性和有效性，選取本地服務器中儲存的300張發電機定轉子圖像，其中訓練組250張，其余50張作為測試組。實驗所采用的計算機硬件環境配置如表1所示。

表1 算法仿真硬件環境

3.1 算法訓練過程

本文采用目標值和輸出值之間的均方差來衡量發電機定轉子智能診斷算法的誤差，其計算方法如下

(4)

式中，x′i為第i個樣本的輸出值；xi為第i個樣本的目標值。

分別基于Alex網絡和VGG網絡的兩種發電機定轉子智能診斷算法訓練過程的均方差如圖7所示。由圖可知，VGG網絡算法在迭代1 000次左右時，均方差約為0.003，而且后續趨于穩定，算法訓練達到收斂狀態。而此時Alex網絡算法的均方差約為0.38，且處于波動狀態，在迭代次數達到4 000次時，算法仍未收斂。由此可見，相比于Alex算法，VGG網絡算法具有更快的收斂速度。其主要原因是VGG算法的參數較少，計算速度更快。

圖7 算法訓練收斂過程Figure 7. Convergence process of algorithm training

3.2 算法性能分析

將本文所提方法與基于Alex網絡的發電機定轉子智能診斷算法進行對比，智能診斷結果的準確率如表2所示。由表2可知，本文所提的發電機定轉子智能診斷算法的準確率均大于90%，準確率最高可達96.1%。而基于Alex網絡的智能診斷算法的準確率均小于85%，最高的準確率僅為84.2%。這是因為基于VGG網絡的智能診斷算法的網絡結構更深，所以算法的準確性更高。

表2 智能診斷結果的準確率

4 結束語

本文進行了基于VGG網絡的發電機定轉子智能診斷算法研究，通過實驗仿真結果表明：相比于基于Alex網絡的發電機定轉子智能診斷算法，本文所提算法的參數規模更小，在訓練過程中收斂速度更快，誤差更小，同時算法結構層次更深，所得到的發電機定轉子智能診斷結果準確率更高。但是本文所提算法僅實現了對發電機定轉子機械故障的智能診斷，對于接地、短路等電氣故障仍無法實現智能診斷，這將在后續的研究中進一步展開。