基于VGG网络的发电机定转子智能诊断算法

李 诚，刘 昊，蒋希峰，吴军法，韩文刚，高建国

(浙江黑卡电气有限公司，浙江 杭州 311100)

我国西南等地区的水电资源丰富，对其进行梯次有序地开发利用，对实现节能减排、碳中和的目标具有重要意义。但是水电机组由于长时间运转，可能出现连接部位磨损、表面裂纹、关键零件脱落、定转子振动等缺陷[1-4]，这些缺陷将影响水电机组运行的安全性，严重时会导致电网的非计划停运，给电网的安全稳定运行带来严重风险。

随着人工神经网络技术的快速发展，图像识别技术在生物医学、移动支付、工业控制等领域得到广泛应用。如果将图像识别技术应用于水电机组的定转子状态监测，实现发电机定转子缺陷智能诊断，将大幅提高水电机组运行的安全性[5-7]。

因此，本文开展了图像识别技术在发电机定转子缺陷诊断中的应用研究，为实现发电机定转子缺陷的智能识别奠定了理论基础。

1 VGG网络

1.1 卷积神经网络

人工神经网络是模拟人类大脑处理信息机制的一种仿生学计算方法，其结构由多层神经网络层构成。层内的各神经单元相互独立，层间的神经单元相互连接，连接边具有一定的权值。当前，人工神经网络经过了多年的快速发展，在负荷预测、故障诊断、状态监测、智能控制领域应用广泛。但由于人工神经网络的连接权值均为参数，所以当其规模较大时，待求取参数规模就会非常巨大，导致需要训练和计算的时间过长，且容易造成拟合的过度和失真[8-11]。

卷积神经网络属于人工神经网络的发展形式之一。其对人工神经网络的改进之处在于：卷积神经网络使用滑动的卷积滤波器代替神经网络层之间的连接边，使得神经单元间只存在局部连接关系。神经单元层的参数也减少为卷积滤波器的权重值，参数规模大幅减小，提高了计算效率，同时也能有效防止过度拟合现象。特别是在图像识别领域，卷积神经网络的性能优势更为明显。卷积神经网络随着网络层数的增加，对于特征的学习和提取则更加精细化，拟合结果的准确度更高。典型的深层卷积神经网络结构有Alex卷积神经网络等[12-14]。Alex卷积神经网络结构如图1所示，其由5个卷积层、3个池化层和3个全连接层构成。

图1 Alex卷积神经网络结构Figure 1. Structure of Alex convolution neural network

(1)卷积层。卷积层的作用是实现图像像素特征的提取识别，卷积操作过程如图2所示。对于原始输入矩阵，卷积滤波器为固定大小的权值矩阵，将卷积滤波器覆盖在输入矩阵，将卷积滤波器矩阵与被覆盖的输入子矩阵做内积计算，并加上一定的偏置值，由此得到输出矩阵的一个元素值。然后以固定步长滑动卷积滤波器，重复上述计算过程，从而得到整个输出矩阵。

卷积操作的计算方法如下

(1)

图2 卷积操作过程原理Figure 2. Convolution operation principle

(2)池化层。池化层的作用是实现图像像素的压缩，以消除冗余的数据信息，减少算法计算量，同时防止算法过度拟合。池化与卷积操作的滑动计算过程相似，只是在输出矩阵元素值的计算方法上有所不同。

池化操作的计算方法如下

(2)

在卷积与池化操作中，输入图像与输出图像的尺寸应满足以下关系

(3)

式中，i为输入图像尺寸；k为滤波器尺寸；s为卷积或池化操作的滑动步长；p为输入图像边界填充尺寸；o为输出图像尺寸；[·]为向下取整函数。

(3)全连接层。全连接层神经单元的连接关系与传统神经网络相同，即输入层与输出层的任意两个元神经单元之间均存在连接关系。

1.2 VGG网络

VGG(Visual Geometry Group)网络是在Alex网络基础上的改进，其主要改进之处在于堆叠使用多个小尺寸的3×3卷积滤波器来代替Alex网络中大尺寸的5×5和7×7卷积滤波器。原理如图3所示，即两个步长为1的3×3卷积滤波器与1个步长为1的5×5卷积滤波器的作用效果相同，其他尺寸的卷积滤波器堆叠代替原理也与之相似[15-16]。

与Alex网络相比，VGG网络结构更加简洁，卷积滤波器均具有相同尺寸。利用小尺寸滤波器的堆叠来代替大尺寸滤波器，这样的改进不但具有更少的参数，而且提高了算法的计算效率，同时加深了网络结构的深度，提高了算法的拟合性能。

图3 卷积滤波器堆叠代替原理Figure 3. Principle of convolution filter stack substitution

2 发电机定转子智能诊断算法

本文将VGG网络应用于发电机定转子的智能诊断与缺陷识别，构建了智能诊断系统的拓扑结构，如图4所示。

将安装在水电机组内部的可见光探头获取的图像先通过千兆级网络上传至远程服务器，然后再接入到智能诊断算法和应用服务器中。同时配置本地服务器，使其具备视频、图像记录储存功能，便于本地查阅历史视频、图像历史记录。在局域网上，使用者通过网络查看设备内部的实时监控视频以及经过服务器拼接的大视角视频。在公共网络上，用户可以通过客户端或者手机应用实时查看相关的监测信息和智能诊断结果。

图4 发电机定转子智能诊断系统拓扑结构Figure 4. Topology of generator stator and rotor intelligent diagnosis system

基于VGG网络的发电机定转子智能诊断算法结构如图5所示，包括离线训练和实时监测两部分。

离线监测则通过对本地服务器中储存的历史图像进行灰度处理和骨架提取等预处理，形成训练图像样本，然后作为VGG网络模型的输入，通过训练获得满足精确度要求的VGG网络模型。同时实现对VGG网络模型的修正，不断提高智能诊断算法的准确性。

在线监测通过将可见光探头获取的实时发电机定转子图像进行预处理后，作为已训练至精度满足要求的VGG网络模型输入，然后得到输出结果，即发电机定转子的健康状态，实现发电机定转子的实时在线智能诊断。

图5 基于VGG网络的发电机定转子智能诊断算法Figure 5. Intelligent diagnosis algorithm of generator stator and rotor based on VGG network

VGG网络模型的训练过程如图6所示，主要包括以下步骤：

步骤1从本地服务器的历史图像集合中随机抽取N个图像样本构成训练组；

步骤2对训练组的图像进行预处理；

步骤3初始化卷积滤波器权值、学习率和最小精度要求等算法控制参数；

步骤4将训练组的图像样本作为VGG网络模型的输入，计算输出值；

步骤5计算输出值与目标值的误差；

步骤6根据误差对卷积滤波器的权重进行调整；

步骤7判断是否满足精度要求，若是则进行步骤8，否则返回步骤6；

步骤8输出满足精度要求的VGG网络模型。

图6 VGG网络模型训练过程Figure 6. VGG network model training process

3 算例分析

为了验证本文所提基于VGG网络的发电机定转子智能诊断法算法的正确性和有效性，选取本地服务器中储存的300张发电机定转子图像，其中训练组250张，其余50张作为测试组。实验所采用的计算机硬件环境配置如表1所示。

表1 算法仿真硬件环境

3.1 算法训练过程

本文采用目标值和输出值之间的均方差来衡量发电机定转子智能诊断算法的误差，其计算方法如下

(4)

式中，x′i为第i个样本的输出值；xi为第i个样本的目标值。

分别基于Alex网络和VGG网络的两种发电机定转子智能诊断算法训练过程的均方差如图7所示。由图可知，VGG网络算法在迭代1 000次左右时，均方差约为0.003，而且后续趋于稳定，算法训练达到收敛状态。而此时Alex网络算法的均方差约为0.38，且处于波动状态，在迭代次数达到4 000次时，算法仍未收敛。由此可见，相比于Alex算法，VGG网络算法具有更快的收敛速度。其主要原因是VGG算法的参数较少，计算速度更快。

图7 算法训练收敛过程Figure 7. Convergence process of algorithm training

3.2 算法性能分析

将本文所提方法与基于Alex网络的发电机定转子智能诊断算法进行对比，智能诊断结果的准确率如表2所示。由表2可知，本文所提的发电机定转子智能诊断算法的准确率均大于90%，准确率最高可达96.1%。而基于Alex网络的智能诊断算法的准确率均小于85%，最高的准确率仅为84.2%。这是因为基于VGG网络的智能诊断算法的网络结构更深，所以算法的准确性更高。

表2 智能诊断结果的准确率

4 结束语

本文进行了基于VGG网络的发电机定转子智能诊断算法研究，通过实验仿真结果表明：相比于基于Alex网络的发电机定转子智能诊断算法，本文所提算法的参数规模更小，在训练过程中收敛速度更快，误差更小，同时算法结构层次更深，所得到的发电机定转子智能诊断结果准确率更高。但是本文所提算法仅实现了对发电机定转子机械故障的智能诊断，对于接地、短路等电气故障仍无法实现智能诊断，这将在后续的研究中进一步展开。