《Applied Acoustics》：Anomaly detection method for hydro turbine units based on acoustic signals and improved CNN with Inception module
编辑推荐：
•提出一种结合Inception和ECA的CNN-IM模型，用于水轮机的声学异常检测。•实现无需手动特征处理的端到端检测，且能适应噪声和工况变化。•在真实水电站中验证了该模型的有效性。引言水轮机是水力发电的核心设备，在可再生能源基础设施中起着关键作用[1]。然而，它们往往在条件多
- •
提出一种结合Inception和ECA的CNN-IM模型，用于水轮机的声学异常检测。
- •
实现无需手动特征处理的端到端检测，且能适应噪声和工况变化。
- •
在真实水电站中验证了该模型的有效性。
引言
水轮机是水力发电的核心设备，在可再生能源基础设施中起着关键作用[1]。然而，它们往往在条件多变的恶劣环境中运行，容易发生故障，从而导致严重的经济损失和安全风险[2]、[3]。因此，准确检测水轮机运行状态中的故障对于确保水力发电系统的可靠性和安全性至关重要。目前，水轮机设备的维护主要依靠定期检查与巡查。维护周期是根据历史经验及固定间隔来确定的，设备状态评估则依赖于工程师的现场检查及主观判断[4]。这种传统的运维方式耗费大量人力物力，效率低下，且由于被动滞后，难以对初期故障或突发异常进行实时检测与预警。为提升自动化水平，基于振动信号分析的故障诊断技术被广泛应用。这些方法通过安装在轴承、机架等关键位置的加速度计采集振动信号，再利用频谱分析、包络解调等信号处理技术提取故障特征，具有较高的诊断效率与精确的故障定位能力。不过，振动监测依赖接触式传感器，受设备结构、空间及信号传输路径的限制，部署灵活性较差。此外，这类传感器所检测到的信号主要反映局部状况，对整体系统故障的敏感度较低。
相比之下，水轮机运行过程中产生的声学信号包含更丰富的整体状态信息。当出现液压、机械或电磁方面的异常时，声学信号的特征会发生规律性变化，直接反映出设备内部运行状态的改变。另外，声学信号可通过非接触式传感器无损采集，有效避免了振动传感器在空间布置和定位方面的限制，为水轮机设备的更灵活、全面的状态监测提供了新的技术途径。为克服传统经验型维护及单一模态监测技术的局限性，数据驱动的智能故障诊断方法逐渐成为研究热点[5]、[6]、[7]。这类方法通常分为两种路径：第一种是“特征工程+机器学习”，即手动提取频谱峰度[8]、均方根值、小波包能量等特征向量，再将其输入支持向量机或K近邻等分类器进行故障诊断[9]——但其效果高度依赖先验知识，泛化能力有限；第二种是深度学习，其优势在于能够通过多层非线性变换自动学习具有区分度的高级特征，实现“端到端”诊断，避免了手动特征提取的主观性与不完整性。例如，Sadoughi等人[10]使用浅层卷积神经网络直接处理振动信号以评估轴承健康状况；Liao等人[11]将一维卷积神经网络与门控循环单元相结合，提升水轮机设备的时间特征提取能力；Zare等人[12]运用多通道卷积神经网络实现风力发电机的自动故障识别；Saeed等人[13]将数值模拟与神经网络结合用于弗朗西斯水轮机的故障分析；Zhang等人[14]则提出了一种结合多源信号融合与深度生成模型的方法，用于风力发电机轴承的多类故障诊断，展现了数据融合与生成建模在处理复杂工业场景中的潜力。
这些研究证实了深度学习在机械故障诊断中的有效性，但也指出，在处理信噪比低、特征细微且工况复杂的声学信号时，现有的网络架构在特征提取的深度、广度及适应性方面仍有提升空间。
为从原始的高维、含噪声信号中更有效地挖掘深层、多尺度的故障敏感特征，从而提升模型在复杂工业环境中的鲁棒性及区分能力，研究人员在深度学习框架中引入了先进的网络模块。Inception模块[15]利用并行多尺度卷积核，在同一层中捕捉不同感受野范围内的特征，有助于同步提取信号中的短期影响与长期周期性模式。Li等人[16]将该模块成功应用于轴承振动信号分析，实现了对点蚀故障的精准检测。另一方面，注意力机制可通过为特征通道或时间步计算重要性权重，动态聚焦关键信息并抑制噪声干扰，已被证明能有效提升诊断精度。Xiang等人[17]将卷积神经网络、长短期记忆网络与注意力机制相结合，为提取的特征赋予不同权重，提高了水轮机设备的故障识别精度。不过，将基于声学信号的深度学习方法直接用于水轮机故障诊断仍面临两大核心挑战：1）强烈的背景噪声干扰：在水电站环境中，水流、发电机、变压器及辅助设备产生的噪声频谱宽、能量高，很容易掩盖微弱的故障相关声学特征；2）工况的时变性：机组负荷与转速的变化会导致声学信号特性发生改变，进而降低模型的泛化能力。
为系统解决这些问题，本文提出了一种基于改进型带Inception模块的卷积神经网络（CNN-IM）的异常检测方法。该模型以一维卷积神经网络为基础[18]，其主要创新点包括集成多尺度Inception模块（以增强在不同时间尺度上并行提取故障特征的能力）以及高效的通道注意力网络（ECA-Net）（用于自适应强化关键特征通道并抑制噪声）。具体而言，为应对故障特征的多元尺度特性（例如，金属刮擦故障产生的瞬态冲击需要小尺度卷积核来捕捉局部高频脉冲细节，而转子不对准故障引发的共振模式则需要大尺度卷积核来提取全局低频周期性特征），本文引入了多尺度Inception模块，通过使用1×1、3×3、5×5的并行卷积核实现多分辨率特征提取，避免因单一感受野导致的复合故障信息遗漏。此外，为减轻强烈的宽带背景噪声影响，本文还整合了ECA-Net注意力机制，实现对通道的动态校准，自适应抑制以噪声为主的通道，同时增强含有故障特征的通道，从而提升特征层的信噪比。CNN-IM可直接处理原始声学信号，无需依赖专家知识或手动特征工程。实验验证表明，该方法在复杂噪声及多变工况下仍具备出色的故障检测精度与稳定性能。本文的贡献可总结如下：
- 1)
针对高噪声及工况时变的环境，设计了一种强大的诊断架构。通过级联具有多分支并行结构的Inception模块，提升了模型从复杂背景中提取并融合各类故障相关特征模式的能力。
- 2)
提出了自适应通道注意力机制。所整合的ECA-Net模块能够实现按通道对特征进行动态校准，增强对故障判别至关重要的特征响应，同时抑制易受工况波动影响的无关信息，从而提升诊断的稳定性。
- 3)
基于实际工业数据进行了系统性验证。在真实工业场景中收集并模拟了多种异常数据，随后在不同负荷、转速及噪声水平下进行系统性评估，证明了该模型的优越性及其良好的泛化能力。
本文的其余结构如下：第二节介绍基于CNN-IM的水轮机故障检测方法；第三节阐述声学信号采集设备及实验结果；第四节给出简要总结。
章节摘要
网络模型框架
为应对水轮机声学信号中存在的强烈背景噪声及工况时变问题，本文设计了如图1所示的CNN-IM模型，旨在提升特征提取的鲁棒性及故障辨识能力。该网络以原始的一维声学信号作为输入，首先经过数据集划分、滑动窗口处理及数据归一化等预处理步骤，随后信号进入初始处理阶段
实验平台与数据集
实地实验在一台功率为260兆瓦的弗朗西斯式水轮发电机组上进行，该机组的转轮直径为8.6米，额定水头为44.5米（最大水头：60.1米，最小水头：36.2米）。为在恶劣的工业环境中实现非侵入式的设备状态监测，我们在五个关键子系统附近各部署了两个分布式麦克风传感器，这五个子系统分别是主变压器、发电机、液压辅助系统、水轮机转轮室以及尾水管。在实际的工业应用中
结论
准确检测水轮机设备中的故障，有助于及时发现潜在的运行风险，降低设备故障及灾难性事故的发生概率，进而提升水力发电系统的运行可靠性与稳定性。本研究提出了一种全新的CNN-IM模型，该模型结合了Inception多尺度模块与高效通道注意力网络（ECA-Net），用于基于声学信号检测水轮机故障。通过摒弃手动特征提取的方式
CRediT作者贡献说明
Xiong Xu：撰写——初稿撰写、可视化、方法设计、正式分析、数据整理。Zixin Li：资源协调、方法设计、资金获取、正式分析、数据整理。Yong Xiong：撰写——审阅与编辑、可视化、项目监督、资金获取、正式分析。He Wen：撰写——审阅与编辑、结果验证、软件开发、问题研究、正式分析。Haijun Lin：撰写——审阅与编辑、方法设计、数据整理、概念构建。
利益冲突声明
作者声明不存在任何可能影响本文研究成果的已知财务利益关系或个人关联关系。
致谢
本研究得到了湖南省重点研发计划（项目编号：2025JK2016）的支持，同时还部分获得了中国湖南省自然科学基金（项目编号：2024JJ8248）、岳麓山工业创新恒山实验室（项目编号：HST2311）以及湖南师范大学交叉学科研究所（项目编号：2023JC204）的资助。
Xiong Xu|Zixin Li|Yong Xiong|He Wen|Haijun Lin
