本發(fā)明涉及水電機(jī)組聲紋監(jiān)測(cè)和人工智能領(lǐng)域，尤其涉及一種基于自監(jiān)督圖像算法的水電機(jī)組聲紋異常分析方法及系統(tǒng)。

背景技術(shù)：

1、隨著特高壓工程的不斷建設(shè)，水電機(jī)組從傳統(tǒng)發(fā)電功能越來越多的轉(zhuǎn)向調(diào)峰調(diào)頻作用，其調(diào)節(jié)頻次和深度均比以往大大提高，在運(yùn)行過程中會(huì)更加受到?jīng)_蝕、磨損、疲勞等多種因素的作用，各個(gè)部件的性能會(huì)隨著服役時(shí)間的增加而逐漸退化，從而導(dǎo)致惡性事故的發(fā)生。因此迫切需要實(shí)時(shí)準(zhǔn)確的掌握機(jī)組運(yùn)行狀態(tài)，從而為機(jī)組運(yùn)行做出準(zhǔn)確科學(xué)的決策依據(jù)。

2、現(xiàn)在大部分水電站還是實(shí)行“計(jì)劃維護(hù)”和“事后維護(hù)”聯(lián)合維護(hù)模式。這種維護(hù)模式可以保證該機(jī)組在短時(shí)間內(nèi)正常運(yùn)行，但是在人力和物力方面消耗過多。根據(jù)這一問題，許多水電站試圖從計(jì)劃維護(hù)模式轉(zhuǎn)變?yōu)闋顟B(tài)維護(hù)模式。通過機(jī)組操作狀態(tài)來制定維護(hù)計(jì)劃，不僅可以降低運(yùn)營(yíng)成本和維護(hù)成本，而且可以延長(zhǎng)機(jī)組的運(yùn)行時(shí)間。水電機(jī)組在長(zhǎng)時(shí)間運(yùn)行之后，設(shè)備的性能會(huì)逐漸降低。當(dāng)運(yùn)行時(shí)間越來越長(zhǎng)，設(shè)備性能劣化越嚴(yán)重會(huì)對(duì)機(jī)組的穩(wěn)定性產(chǎn)生重大影響。準(zhǔn)時(shí)地掌握設(shè)備性能劣化的程度，可以對(duì)設(shè)備制定更合理和有效的維護(hù)計(jì)劃。然而傳統(tǒng)采用振動(dòng)、水壓等等方式進(jìn)行故障監(jiān)測(cè)時(shí)，往往需要部署傳感器、采集器、進(jìn)行接線，只能局限在特定部位，導(dǎo)致很多故障特征無法捕捉，而聲音因?yàn)槠洳渴鸬姆墙佑|性，可以任意部位安裝測(cè)點(diǎn)。同時(shí)很多故障也伴隨著聲音的征兆。時(shí)設(shè)備聲紋識(shí)別即通過設(shè)備的聲學(xué)算法，對(duì)機(jī)組故障特征進(jìn)行測(cè)定，是當(dāng)前熱點(diǎn)研究方向之一?；谔卣饕?guī)則的傳統(tǒng)方法在面對(duì)非線性輸入時(shí)識(shí)別率不高，泛化能力很差。采集到的水電機(jī)組信號(hào)往往包含大量的噪聲，表現(xiàn)出很大的非線性。不同設(shè)備引起的噪聲代表著不同的運(yùn)行狀態(tài)。并且傳統(tǒng)的識(shí)別方法也沒有考慮到水電站的實(shí)際應(yīng)用情況，包括設(shè)備類型、設(shè)備位置、周圍環(huán)境等因素，所以無法滿足水電機(jī)組聲紋故障識(shí)別實(shí)際工程需要。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明解決的技術(shù)問題是：如何實(shí)現(xiàn)無需停機(jī)和人工布置測(cè)點(diǎn)的在線監(jiān)測(cè)，通過聲紋特征圖像識(shí)別故障。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

4、第一方面，本發(fā)明實(shí)施例提供了一種基于自監(jiān)督圖像算法的水電機(jī)組聲紋異常分析方法，包括：

5、在水電機(jī)組的定子、水車室的+x、+y、-x、-y方向和尾水門錐管部位進(jìn)行聲學(xué)傳感器安裝，并在導(dǎo)葉開度超過70％并且負(fù)荷低于核定負(fù)荷的80％的工況中進(jìn)行識(shí)別和采樣；

6、在采樣結(jié)果中獲取聲紋樣本，通過語譜圖算法轉(zhuǎn)為語譜圖，作為訓(xùn)練樣本；收集各部位的歷史聲音數(shù)據(jù)作為歷史故障樣本；

7、建立用于聲紋異常分析的視覺大模型，將所述語譜圖分割成一個(gè)沒有重疊的切片序列并展平，傳入視覺大模型，利用視覺大模型的預(yù)訓(xùn)練知識(shí)進(jìn)行優(yōu)化；

8、對(duì)視覺大模型進(jìn)行訓(xùn)練和推理部署，在訓(xùn)練階段，通過掩碼策略對(duì)視覺大模型進(jìn)行微調(diào)自監(jiān)督學(xué)習(xí)，進(jìn)行水電聲紋識(shí)別訓(xùn)練；在推理部署階段，將訓(xùn)練樣本和歷史故障樣本分別傳入訓(xùn)練好的視覺大模型并提取特征后，將各自特征進(jìn)行度量距離計(jì)算，度量距離計(jì)算采用原型網(wǎng)絡(luò)實(shí)現(xiàn)；

9、基于度量距離，進(jìn)行水電機(jī)組的聲紋異常分析。

10、作為基于自監(jiān)督圖像算法的水電機(jī)組聲紋異常分析方法的一種優(yōu)選方案，其中：

11、所述通過語譜圖算法轉(zhuǎn)為語譜圖包括：

12、采集的水車室的+x、+y、-x、-y方向和尾水門錐管部位波形，每個(gè)波形時(shí)長(zhǎng)為10秒，通過128維的對(duì)數(shù)mel濾波器組進(jìn)行特征提取，得到這五個(gè)部位的128×1024的聲紋語譜圖。

13、作為基于自監(jiān)督圖像算法的水電機(jī)組聲紋異常分析方法的一種優(yōu)選方案，其中：

14、所述通過掩碼策略對(duì)視覺大模型進(jìn)行微調(diào)自監(jiān)督學(xué)習(xí)，進(jìn)行水電聲紋識(shí)別訓(xùn)練包括：

15、對(duì)切片進(jìn)行處理：對(duì)分割好的切片序列進(jìn)行隨機(jī)掩碼，對(duì)掩碼的切片添加標(biāo)識(shí)位后，帶入線性投影映射，映射后輸出為100，對(duì)每一個(gè)切片進(jìn)行位置編碼并相加。

16、作為基于自監(jiān)督圖像算法的水電機(jī)組聲紋異常分析方法的一種優(yōu)選方案，其中：

17、所述通過掩碼策略對(duì)視覺大模型進(jìn)行微調(diào)自監(jiān)督學(xué)習(xí)，進(jìn)行水電聲紋識(shí)別訓(xùn)練還包括：

18、將進(jìn)行處理后的切片結(jié)果帶入視覺大模型進(jìn)行訓(xùn)練，在經(jīng)過視覺大模型的輸入和輸出之間，采用重建均方誤差為精度損失，表示為：

19、

20、其中，lg表示精度損失，xi為第i個(gè)切片，ri對(duì)應(yīng)以切片xi為輸入經(jīng)過視覺大模型重建出來的結(jié)果，n為整體的切片數(shù)量。

21、作為基于自監(jiān)督圖像算法的水電機(jī)組聲紋異常分析方法的一種優(yōu)選方案，其中：

22、所述將訓(xùn)練樣本和歷史故障樣本分別傳入訓(xùn)練好的視覺大模型并提取特征后，將各自特征進(jìn)行度量距離計(jì)算包括：

23、基于歷史故障樣本，獲取敲擊、剮蹭、碰摩、氣蝕和正常五類的樣本，形成數(shù)據(jù)集(x1,y1),(x2,y2),…,(xn,yn),其中x為樣本的向量表示，y表示分類標(biāo)簽；

24、收集歷史的每類故障樣本x，作為支持集s；將x帶入視覺大模型進(jìn)行表征，獲得特征為class?prototype(c),作為原型標(biāo)識(shí)，表示為：

25、

26、作為基于自監(jiān)督圖像算法的水電機(jī)組聲紋異常分析方法的一種優(yōu)選方案，其中：

27、所述將訓(xùn)練樣本和歷史故障樣本分別傳入訓(xùn)練好的視覺大模型并提取特征后，將各自特征進(jìn)行度量距離計(jì)算還包括：

28、采集當(dāng)前樣本y，作為查詢集q，表示為：

29、

30、將y帶入視覺大模型進(jìn)行表征獲得特征為f(φ)。

31、作為基于自監(jiān)督圖像算法的水電機(jī)組聲紋異常分析方法的一種優(yōu)選方案，其中：

32、所述將訓(xùn)練樣本和歷史故障樣本分別傳入訓(xùn)練好的視覺大模型并提取特征后，將各自特征進(jìn)行度量距離計(jì)算還包括：

33、基于特征f(φ)，計(jì)算y與支持集各個(gè)類型clasprototype(c)的距離，從而獲得樣本隸屬于各個(gè)故障的概率pφ，表示為：

34、

35、其中，k表示y屬于故障樣本x的概率。

36、第二方面，本發(fā)明實(shí)施例提供了一種基于自監(jiān)督圖像算法的水電機(jī)組聲紋異常分析系統(tǒng)，其特征在于，包括：

37、采樣模塊，用于在水電機(jī)組的定子、水車室的+x、+y、-x、-y方向和尾水門錐管部位進(jìn)行聲學(xué)傳感器安裝，并在導(dǎo)葉開度超過70％并且負(fù)荷低于核定負(fù)荷的80％的工況中進(jìn)行識(shí)別和采樣；

38、樣本生成模塊，用于在采樣結(jié)果中獲取聲紋樣本，通過語譜圖算法轉(zhuǎn)為語譜圖，作為訓(xùn)練樣本；收集各部位的歷史聲音數(shù)據(jù)作為歷史故障樣本；

39、模型建立模塊，用于建立用于聲紋異常分析的視覺大模型，將所述語譜圖分割成一個(gè)沒有重疊的切片序列并展平，傳入視覺大模型，利用視覺大模型的預(yù)訓(xùn)練知識(shí)進(jìn)行優(yōu)化；

40、訓(xùn)練部署模塊，用于對(duì)視覺大模型進(jìn)行訓(xùn)練和推理部署，在訓(xùn)練階段，通過掩碼策略對(duì)視覺大模型進(jìn)行微調(diào)自監(jiān)督學(xué)習(xí)，進(jìn)行水電聲紋識(shí)別訓(xùn)練；在推理部署階段，將訓(xùn)練樣本和歷史故障樣本分別傳入訓(xùn)練好的視覺大模型并提取特征后，將各自特征進(jìn)行度量距離計(jì)算，度量距離計(jì)算采用原型網(wǎng)絡(luò)實(shí)現(xiàn)；

41、分析模塊，用于基于度量距離，進(jìn)行水電機(jī)組的聲紋異常分析。

42、第三方面，本發(fā)明實(shí)施例提供了一種計(jì)算設(shè)備，包括：

43、存儲(chǔ)器和處理器；

44、所述存儲(chǔ)器用于存儲(chǔ)計(jì)算機(jī)可執(zhí)行指令，所述處理器用于執(zhí)行所述計(jì)算機(jī)可執(zhí)行指令，當(dāng)所述一個(gè)或多個(gè)程序被所述一個(gè)或多個(gè)處理器執(zhí)行，使得所述一個(gè)或多個(gè)處理器實(shí)現(xiàn)如本發(fā)明任一實(shí)施例所述的基于自監(jiān)督圖像算法的水電機(jī)組聲紋異常分析方法。

45、第四方面，本發(fā)明實(shí)施例提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其存儲(chǔ)有計(jì)算機(jī)可執(zhí)行指令，該計(jì)算機(jī)可執(zhí)行指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)所述的基于自監(jiān)督圖像算法的水電機(jī)組聲紋異常分析方法。

46、本發(fā)明的有益效果：本發(fā)明基于在線監(jiān)測(cè)數(shù)據(jù)，無須進(jìn)行停機(jī)和人工布置測(cè)點(diǎn)，從而大大增加了電廠的經(jīng)濟(jì)效益，同時(shí)可以綜合利用機(jī)組多源數(shù)據(jù)進(jìn)行建模，自動(dòng)挖掘其隱含特征，無需專家進(jìn)行人工判定，且適應(yīng)于各個(gè)不同形式、不同運(yùn)行時(shí)間的機(jī)組，具有自適應(yīng)性和客觀性。