Page 119 - 2023年第54卷第11期

于对称点图像和 ＣＢＡＭ－ ＤＲＮ的深度残差网络的滚动轴承故障诊断方法，具有良好的稳定性和泛化
性。文献［ １５］通过实验获得风扇的强制响 应作为 不 同故 障 场 景的 流速 函数，将数 据 库 里的振动信
号转化为 ＳＤＰ图像以区分多翼离心风机不同的工作条件 和故 障。文 献［１６］针 对传 统 故 障诊断方法
易受不同工况影响的问题，通过对称点图像（ ＳＤＰ）和尺度不变特征变换提出一种基于视觉知识的电
机故障诊断方法。但以上方法的 ＳＤＰ图像均难 以表示 多种 机组 状态，存 在 图 像特 征 表 现单一性的
问题，且不同状态数据间相似性较高时图像之间的差异性极小，容易发生误判，导致故障识别精度
偏低。
受文献［ １７］中从低频和高频两个分量的角度去综合评估时间序列复杂性启发，提出了层次 ＳＤＰ
图像转化方法。此外，本文在 ＳＤＰ图像转化之前引入移动差分和移动平均过程从而形成分层，提出了
增强层次 ＳＤＰ图像转化方法， “雪花” 每层都可以表示一种机组状态，在克服一张图像只能表示机组
一种状态的缺点的同时提高了图像转化的效率。
目前图像识别方式主要有两种：一种是根据图像颜色、形状等特征搭建模型的传统图像识别，取
决于模型的精度和复杂度、获取图像的方式以及特征聚类效果等，存在一定的任意性；另一种是机器
学习及改进的深度学习，特点是可以自主学习图像的特征，在目标识别和分类等方面表现优异，尤其
故障诊断方面，分类和特征学习表现更出色。残差网络（ＲｅｓｉｄｕａｌＮｅｔｗｏｒｋ，ＲｅｓＮｅｔ）通过引入残差模块
加深网络结构，是卷积神经网络最先进的架构之一，有效缓解了卷积神经网络出现的梯度消失、梯度
爆炸和网络退化问题，具有更高的更准确的识别率，在图像特征学习和处理方面有着巨大的优势，已
广泛应用于图像处理领域 ［１８ － ２０］ 。
本文将 ＳＤＰ图像转化应用于水电机组故障诊断方面，从时序复杂性的角度结合 ＳＤＰ提出了增强
层次 ＳＤＰ与深度残差网络融合的水电机组故障诊断方法。首先，利用移动差分和移动平均的过程代替
传统的层次分解，提出增强层次 ＳＤＰ图像转化方法；其次，将分解过的信号 ＳＤＰ图像化得到水电机
组故障诊断的图像数据库并进行数据增强；然后，将图像划分为训练集和验证集训练 Ｒｅｓｎｅｔ５０模型；
最终，将验证集图像输入训练好的 Ｒｅｓｎｅｔ５０中，得到图像特征分类，实现水电机组不同状态的有效识
别和分类，提升辨识精度。通过对比相同振动信号不同方式生成的图像经过 Ｒｅｓｎｅｔ５０分类得到的结
果，验证了所提方法的优越性。

２ ＥＨＳＤＰ － Ｒｅｓｎｅｔ５０故障诊断模型的建立

２．１ ＳＤＰ图像概述 对称点模式是将一维时间序列转换为极坐标下的对称 “雪花” 图，即 ＳＤＰ图
像。ＳＤＰ图像转化最初是为了将时域信号转化成图像，使得波形不同的信号数据转换为差异性明显
的可视化图形，后来逐渐应用于更多的场景 ［２１］ 。基于 ＳＤＰ的图像转化是通过 ＳＤＰ的基本公式把水
电机组一维离散的振动信号转化 为极 坐标 下的二维 图 像，ＳＤＰ图 像 可以 生 成类 似 “雪 花” 的对称
点图像。
在极坐标空间中，为了更好地区分和显示水电机组不同故障信号，通过选取合适的参数，可以有
效表达水电机组的故障特征。其基本原理公式和示意图如下：
ｘ － ｘ
ｒ（ｉ） ＝ ｉ ｍｉｎ （１）
ｘ － ｘ
ｍａｘ ｍｉｎ
ｘ － ｘ ｍｉｎ
ｉ ＋ ｔ
θ （ｉ） ＝ θ ＋ ζ （２）
ｘ － ｘ
ｍａｘ
ｍｉｎ
ｘ － ｘ
ｍｉｎ
ｉ ＋ ｔ
φ （ｉ） ＝ θ － ζ （３）
ｘ － ｘ ｍｉｎ
ｍａｘ
式中：ｒ为极坐标半径；θ （ｉ）和 φ （ｉ）分别为沿镜像对称平面的顺时针和逆时针旋转的角度，θ ＝ ３６０ ｉ?ｓ，
ｓ为镜像对称平面的数量（ｓ ＝ １ ，２，…）；ｘ和 ｘ 分别为 ｉ点和 ｉ ＋ ｔ点的幅值，其中 ｉ是离散序数（ｉ ＝ １ ，
ｉ
ｉ ＋ ｔ
２，…）；ｔ为滞后系数；ｘ 和 ｘ 分别为幅值的最大值和最小值；θ 为图像的参考起始角度；ζ 为角度
ｍａｘ ｍｉｎ
３
— １ ８ １ —