一种基于多传感器融合与图层次聚类的水力发电机组鲁棒故障诊断新方法

《Knowledge-Based Systems》：A Novel Method for Robust Fault Diagnosis in Hydropower Units Using Multi-Sensor Fusion and Graph Hierarchical Clustering

　　童强毅|永杰石|杨猛|文扬雷|江国

摘要：水力发电机组的早期故障特征容易被噪声掩盖，传统的单一传感器方法由于信息维度有限，且多个传感器之间的非线性耦合会导致信息冗余，这使得捕捉时空耦合特征变得困难，给故障诊断带来了巨大挑战。本文提出了一种基于多传感器融合与图层次聚类的新型水力机组故障诊断方法（MSF-GHC）。MSF-GHC包含三项关键创新：（1）一种自适应的多模态预处理框架，用于处理水力机组的多传感器信号，通过特征感知机制和动态阈值调整来抑制噪声并保留故障特征；（2）一种双重表示的特征提取策略，结合时间域动态特征的TS-DCNN与非线性时间模式表示的GADF-RCNN，并通过注意力驱动的动态融合机制将二者整合起来；（3）一种多维相关性融合的传感器关系图与层次图学习架构，通过整合线性相关性和非线性依赖关系来描述水力系统中的复杂传感器关系，进而通过差分池化实现从微观传感器数据到宏观系统状态的转换。实验结果表明，所提出的MSF-GHC在无额外噪声的情况下可实现100%的诊断准确率，在高噪声环境（-10dB）下仍能保持88.86%的准确率，平均PDR仅为3.1%，在特征表示能力和抗噪声性方面均显著优于现有方法。

引言：作为碳中和进程中的重要能源资源，水力发电因其高效、低排放以及具备调峰和调频功能，在全球能源结构转型中占据核心地位[1]。作为水电站的“心脏”，水力发电机组的运行状态直接决定了电力系统的安全稳定、经济效益以及动态调节能力[2]。在实际运行环境中，水力机组不仅要承受数百兆帕的水压和每秒数十米的水流速度，还要面对复杂的机械振动、空化效应以及电磁干扰，形成了以“机械-电气-液压-磁性”多场耦合为特征的恶劣运行环境[3]。长期处于这种极端环境下，往往会导致轴承磨损、定子转子偏心以及导叶开裂等关键部件故障。一旦发生此类故障，就可能引发大规模停电、设备损坏甚至人员伤亡。因此，开发高效可靠的水力机组故障诊断技术具有重要的工程意义和经济价值。

传统的水力机组故障诊断方法主要依赖于信号处理技术和专家经验。这些技术包括经验模态分解（EMD）、小波变换、频谱分析等时频分析方法，以及基于物理原理的状态监测系统。蒋等人提出了一种结合多小波包分析的改进型EEMD方法，通过将信号分解为一系列窄频带来增强特征分量，在旋转机械多故障诊断中取得了显著成效[4]。类似地，王等人开发了一种基于加权CEEMDAN的故障特征提取技术，该技术在提高信噪比和抑制环境噪声方面表现优异[5]。陈等人则将小波阈值去噪与CEEMDAN能量熵相结合，用于处理非线性和非平稳振动信号，进一步提升了故障识别精度[6]。最近，张等人提出了互补集成自适应局部迭代滤波技术，在复杂信号处理和故障特征提取方面取得了重要进展[7]。高等人则开发了一种改进的能量熵方法，用于增强弱故障信号并提高诊断精度[8]。然而，传统信号处理方法往往难以应对实际应用中常见的频率变化问题，尤其是在轴承故障诊断方面。为了解决这一难题，近年来出现了更为复杂的盲反卷积方法。程等人提出了基于候选故障频率的盲反卷积方法CFFsBD，该方法利用候选故障频率而非固定的特征频率，彻底改变了传统的基于循环平稳性的方法，展现出更强的抗滚动磨损和测量系统变化能力，为水力机组这类存在此类变化的复杂旋转机械系统的轴承故障诊断提供了宝贵思路。尽管有了这些发展，传统方法在应对复杂的环境噪声干扰和多组件耦合故障时仍存在显著局限。特别是在具有“机械-电气-液压-磁性”多场耦合的复杂系统如水力机组中，传统方法难以有效识别早期的微弱故障特征，且对非线性、非平稳信号的处理能力有限，严重制约了故障预警的及时性和准确性。

随着机器学习技术的进步，数据驱动的故障诊断方法逐渐成为研究热点。传统的机器学习方法，如支持向量机[10]和随机森林[11]，已被应用于水力机组故障诊断领域，但这些方法需要手动进行特征提取，且难以适应复杂的运行条件。近年来，深度学习凭借其强大的特征提取能力，在故障诊断领域取得了重大突破。Kolar等人提出利用贝叶斯优化来调整卷积神经网络的超参数，有效提高了旋转机械故障诊断的准确性[12]。在水力发电领域，王等人开发了一种基于雷达图和改进版GoogleNet的智能故障诊断方法，解决了传统模型识别精度低和计算速度慢的问题[13]。随着研究的深入，融合模型展现出了更强的性能，廖等人将一维CNN与门控循环单元（GRU）相结合，实现了小型水力机组的高精度故障诊断[14]；道等人则通过整合经贝叶斯算法优化的CNN-LSTM神经网络，进一步提升了水轮机故障诊断的能力[15]。然而，这些方法通常将来自不同位置的监测数据视为独立输入，忽视了内部组件之间的物理联系以及故障传播特性，无法有效建模多组件耦合故障模式。特别是在具有“机械-电气-液压-磁性”多场耦合的水力机组系统中，各组件之间的复杂相互作用使得仅通过分析各个部分的振动信号很难准确确定故障源和传播路径，从而限制了故障诊断的准确性和及时性。

现代水电站监测系统通常会部署复杂的多传感器网络，不同类型的传感器能够获取机组运行状态的各种信息[16]。从机械动力学角度来看，水力机组存在多级耦合关系：微观层面的材料应力分布、中观层面的组件振动特性，以及宏观层面的系统动态响应[2]。这种复杂的物理耦合导致故障信息在不同传感器之间相互关联地传播，表现为传感器信号中的协同变化模式[17]。要理解这些复杂的相互作用，就需要采用先进的建模方法，既能把握控制系统行为的物理原理，又能体现系统参数之间的复杂关系。近期在物理信息引导建模方面的发展为解决这些难题带来了希望。程等人通过他们的仿真实验方法展示了这一潜力，该方法将物理信息与深度神经网络相结合，有效捕捉了机电系统中的复杂映射关系和系统参数相关性[18]。这种物理信息引导的方法在建模复杂系统相互作用方面取得了重大进展，为在水力系统中开发类似方法提供了重要指导。由于复杂的物理耦合，故障信息会在不同传感器之间相互关联地传播，表现为传感器信号中的协同变化模式。因此，构建传感器网络拓扑模型对于实现高效的系统级故障诊断至关重要。近年来，多传感器融合技术在工业诊断领域取得了显著进展：严等人[20]开发了一种多模态模仿学习方法，用于铁路弧光检测，通过融合红外和可见光特征有效处理了复杂的环境干扰。霍等人提出了一种结合加权Dempster-Shafer证据理论与遗传算法的多传感器融合框架[20]；王等人则开发了一种融合稀疏自编码器与卷积神经网络的深度学习架构，有效利用了传感器信号的时空耦合特性[21]；梁等人则提出了一种基于DS证据理论的水轮机导轴承多传感器故障诊断方法[22]。然而，现有的融合方法在处理高维异构数据时面临着计算复杂度高以及难以建模非线性依赖关系的难题，这限制了它们在传感器网络中的广泛应用。

图神经网络凭借其出色的关系建模能力，为复杂系统诊断提供了强大的工具。图神经网络将传感器网络表示为图结构数据，通过节点间消息传递机制实现信息聚合[23]。从理论上讲，图神经网络包括频域方法和空间域方法[24]：频域方法通过图拉普拉斯算子的特征分解来实现卷积操作，其中包括Kipf和Welling提出的图卷积网络（GCN）[25]，以及李等人开发的自适应图卷积网络（AGCN）[26]。空间域方法则直接在图节点和边上定义卷积操作，其代表例子包括Veli?kovi?等人提出的图注意力网络（GAT）[27]、Hamilton等人提出的GraphSAGE框架[28]，以及徐等人开发的图同构网络（GIN）[29]。图学习技术的应用范围已从传统的网络分析扩展到知识表示和智能推理等复杂任务。刘等人利用图学习开发了AdaptQA模型，用于基于知识的问题解答，该模型通过自适应多跳检索和图处理模块有效捕捉了复杂的关系[30]。图方法在处理结构化知识方面的优势为复杂系统监控提供了新的思路。贾等人进一步将这一概念延伸到智慧城市网络安全防御领域，提出了一种基于MDATA模型的框架，该框架能有效处理复杂的多步骤攻击检测和动态知识表示问题[31]。无论是在知识推理的关系挖掘方面，还是在网络安全防御的事件关联方面，这些应用都展现了图神经网络在建模复杂系统动态相互作用方面的独特优势，为解决工业系统中的多组件耦合故障诊断问题提供了新方法。

在工业故障诊断领域，图神经网络展现出独特的优势。在多传感器融合应用中，段等人提出了DyGAT-FTNet，这是一种动态图注意力网络，能够利用时频特征自动构建关联图，在多传感器故障诊断中取得了优异的性能[32]。针对水力系统中的特定应用，Theiler和Fink开发了用于抽水蓄能水电站的图神经网络方法，实现了电气数据和液压数据的有效融合，为图神经网络在水力系统中的应用奠定了基础[33]。作为工业应用的一个重要分支，旋转机械故障诊断也受益于图神经网络技术的发展。王等人提出了具有丰富连接结构的时空图神经网络（RC-STGNN），该网络能够有效建模传感器之间的空间相关性以及时间依赖性[34]。陈氏夫妇和王等人分别利用图神经网络和图自编码器方法，显著提高了轴承故障检测的准确性[35][36]。随着应用范围的不断拓展，图神经网络在更复杂的工业场景中展现出强大的适应性。张等人开发了基于图特征融合的方法，能够有效处理多变量异构数据[37]。赵等人设计了多尺度动态图神经网络，提高了工业时间序列异常检测的准确性[38]。刘等人将格兰杰因果图与图注意力网络相结合，实现了故障检测与根本原因分析的有效整合[39]。倪等人则开发了物理信息引导的残差网络（PIResNet），将该物理约束融入图神经网络架构中，提升了机械系统故障诊断的可靠性[40]。这些研究都表明，图学习方法在建模复杂系统中多维度组件相互作用方面具有独特优势，通过明确的传感器拓扑建模和时空信息整合，为系统级故障诊断提供了智能化且可解释的方法。

然而，通过对相关文献的全面梳理，我们发现了一个令人惊讶的研究现状：尽管图神经网络在其他工业故障诊断领域取得了显著进展，但其在水力机组故障诊断中的应用仍然极为有限。这一现状与水力发电在全球电力供应中所扮演的重要角色形成了鲜明对比，反映出在水力机组图神经网络故障诊断领域还存在巨大的研究缺口和广阔的发展前景。现有的图神经网络方法在应用于水力发电机组时仍面临若干关键挑战：水力发电机组的早期故障特征往往较为微弱且复杂——例如，Kong等人指出，早期故障通常表现为细微的信号变化，这些变化具有很强的隐蔽性且存在固有的随机性，故障特征十分微弱，很容易被噪声信号掩盖[41]；同时，传统方法缺乏针对不同采样率下的多源传感器信号的有效的自适应预处理机制，难以捕捉到关键的预警信息[42]。此外，各组件之间存在着复杂的机械-电气-液压耦合关系，Wang等人通过研究证明了压力传感器的故障会引发涡轮机和发电机子系统中的级联效应[43]，而目前的传感器关系图构建方法仅依赖单一的相关性度量，无法全面描述这些多维度的依赖关系[33]。现有的图神经网络结构难以模拟水力发电机组固有的多尺度层次化依赖关系，从而限制了其对复杂耦合故障的系统级识别能力；而深度网络中的过度平滑和信息丢失问题则进一步增加了准确捕捉多层故障传播模式的难度[44]。为解决这些问题，本研究提出了一种基于多传感器融合与图层次聚类的新型水力发电机组故障诊断方法，能够实现从局部传感器特征到系统级故障模式的有效映射。本研究的主要贡献如下：（1）提出了一种适用于水力发电机组多传感器振动信号的自适应多模态预处理框架，该框架通过基于特征识别的机制和动态阈值调整，有效抑制噪声干扰的同时保留故障特征。（2）开发了一种双重表示的特征提取策略，结合时间域处理的TS-DCNN与通过图像编码实现非线性时间模式表示的GADF-RCNN，并利用注意力驱动的动态融合机制实现多域特征的适应性整合。（3）提出了一种通过多维度相关性融合构建的传感器关系图，该图通过整合线性相关性、频域耦合和非线性依赖关系，全面描述了复杂的传感器关系；同时通过差分池化机制实现从微观传感器数据到宏观系统状态的结构化表示转换，为复杂耦合故障的系统级诊断提供了创新解决方案。实验验证表明，在无额外噪声环境下，该方法的准确率为100%；在高噪声环境（-10dB）下，准确率为88.86%，平均性能下降仅为3.1%，在特征表示能力和抗噪声性方面显著优于七种先进的基准模型。本文的结构如下：第2节阐述理论基础；第3节详细介绍所提出的框架，包括信号预处理、多域特征提取、基于自适应谱聚类的图构建以及层次图学习；第4节通过鲁棒性分析、对比实验和消融研究对该方法进行验证；第5节总结研究成果并探讨未来的研究方向。

格拉米安角差场（GADF）
在复杂动态系统的故障诊断与状态监测领域，有效的时间特征提取对于准确识别系统的退化过程和故障模式至关重要。GADF是由Wang和Oates于2015年提出的[45]，它是一种创新的时间序列成像编码技术，可将时间域信号转换为可视化表示。与传统将信号分解为频率成分的频域方法不同，

整体框架
本研究提出了一种针对水力发电机组的新型故障诊断方法，该方法创新性地整合了多传感器融合与图层次聚类技术，构建了一个强大的诊断框架。MSF-GHC方法包含四个核心模块，形成了一套系统化的数据处理流程：首先，原始的多传感器信号{x1(t),x2(t),…,xk(t)}经过自适应预处理模块处理，生成增强的时间域信号{x′1(t),x′2(t),…,x′k(t)}以及GADF图像，

实验研究
本章通过实验研究验证了所提方法的有效性和鲁棒性。研究首先介绍了水力发电机组监测数据集，详细说明了实验设置和监测参数。随后阐述了实验设计，包括模型参数和评估指标。最后，通过鲁棒性分析、对比实验和消融研究系统地评估了该方法的性能，证明了其有效性。

结论
本文提出了一种基于多传感器融合与图层次聚类的新型水力发电机组故障诊断方法。所提出的MSF-GHC方法构建了一条“多维度表示-图结构学习-系统级推理”的创新诊断路径，实现了从微观到宏观、从静态到动态、从低维度到高维度的诊断技术升级。多域信号特征协同提取

作者贡献说明
易通强：概念设计、方法论、软件实现、形式分析、研究实施、初稿撰写。石永杰：监督指导、方法论设计。孟阳：数据整理、性能验证。雷文扬：软件实现、资源提供。郭江：文章润色与编辑、性能验证、软件实现、形式分析。

数据可用性
所使用的数据属于保密信息。

未引用参考文献
[19] CRediT作者贡献说明
易通强：初稿撰写、软件实现、方法论、研究实施、形式分析、概念设计。石永杰：监督指导、方法论设计。孟阳：性能验证、数据整理。雷文扬：软件实现、资源提供。郭江：文章润色与编辑、性能验证、软件实现。