Page 125 - 2023年第54卷第11期

靠近中心的位置比较细小而集中且对称两瓣坐标之间有较为明显的缝隙。通过观察，可以大致区分不
同的机组状态，但这种方式并不可靠，需要进一步借助工具来进行识别和分类。
３．５ 故障诊断与验证
３．５．１ 数据增强 在 Ｒｅｓｎｅｔ５０模型中，将样本集按照 ７∶３划分训练集和测试集，由于 Ｒｅｓｎｅｔ５０模型
参数较多且本研究样本量较小，因此，需 要对 训练集和 测试 集进 行 数 据增 强。对 ＳＤＰ图 像分别进
行水平和垂直翻转，样本集数量扩大为原来的 ３倍，增强数据后总量由 ４００变为 １２００，后续研究以
这 １２００张图像为样本进行识别。基于增强层次 ＳＤＰ － Ｒｅｓｎｅｔ５０的水电机组故障诊断采用振动信号的
ＳＤＰ图像作为信号特征，基于经典 Ｒｅｓｎｅｔ５０构建水电机 组 故 障诊 断 模 型，利 用 ＳＤＰ图 像样本训练
该模型训 练 参 数 设 置 如 下：初 始 学 习 率 为 ０．０００１， 迭 代 轮 数 为 １０， 最 大 迭 代 次 数 为 ５２０， Ｍｉｎｉ
ＢａｔｃｈＳｉｚｅ 为 １２８。
３．５．２ 图像识别 为了明确本文所提方法对故障特征进行分类的优越性，引入 ＴＳＮＥ方法对图像提取
的特征进行可视化分析，通过 ＴＳＮＥ把高维特征压缩到二维空间上，并用特征 １、特征 ２表示，所提
方法具体可视化结果如图 ９（ｅ）所示，实验所得混淆矩阵如图 １０（ｅ）所示。可以看出，ＨＨＴ可视化结
果的状态特征混叠情况最严重；ＳＴＦＴ可视化结果的 ４种状态 Ｎｏｒ与 Ｉｍｂ发生部分堆叠，Ｒｕｂ与 Ｍｉｓ状
态发生大量堆叠；ＷＴ的 Ｍｉｓ状态虽然被分开了，但其它几种状态仍有少量堆叠；ＳＤＰ除 Ｎｏｒ状态之
外，其他三种状态分离效果不明显；而 ＥＨＳＤＰ有效提取了不同机组状态的信号特征，使相同状态对
应的散点紧密聚集在一起且 ４种状态互相之间分离效果良好，不同状态的特征无混叠，即 ＥＨＳＤＰ图
像经过识别实现了水电机组的故障状态的诊断。

图 ９ 不同方法特征提取可视化结果

３．５．３ 实验验证 为验证本文所提方法的优越性，引用小波变换（ＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍ，ＷＴ）、短时傅
里叶变换（ Ｓｈｏｒｔ － ｔｉｍｅＦｏｕｒｉｅｒＴｒａｎｓｆｏｒｍ，ＳＴＦＴ）以及希尔伯特·黄（Ｈｉｌｂｅｒｔ － ＨｕａｎｇＴｒａｎｓｆｏｒｍ，ＨＨＴ）变
换、ＳＤＰ图像转化这几种具有代表性的图像转化方法与本文所提方法进行对比，表 ３记录了不同方
法对水电机组不同状态的识别情况，图像可视 化结果如 图 ９所 示，实 验 最终 输 出 混淆 矩阵 如图 １０
所示。

３
— １ ８ ７ —