一种基于嵌入式的水轮机空化声信号检测方法及装置

本发明涉及水轮机状态检测领域，尤其是涉及一种基于嵌入式的水轮机空化声信号检测方法及装置。

背景技术：

1、水轮机在偏工况、低负荷、高流速或来流条件波动较大的情况下运行时，流道内局部压力容易低于水的汽化压力，从而诱发空化。空化气泡的产生、发展和溃灭会引起噪声增强、振动加剧和效率下降，并造成过流部件剥蚀及结构疲劳，严重时将影响机组安全稳定运行，缩短设备服役寿命，增加检修维护成本。因此，准确监测水轮机空化状态，对于提升水电机组运行安全性和设备可靠性具有重要意义。

2、传统空化检测主要包括停机检查、人工判断、振动监测和压力脉动分析等方法。这些方法技术成熟，可从部件损伤、机组振动及流场变化等方面反映空化状态，但存在实时性不足、依赖人工经验以及易受运行环境影响等问题。声信号能够直接反映空化气泡溃灭产生的瞬态冲击，具有非侵入、响应快、灵敏度高和便于布置等优势，已成为空化在线监测的重要手段。

3、现有基于声信号的水轮机空化检测方法主要包括阈值判别、频域能量分析、传统特征工程和深度学习识别。阈值判别方法通过比较声信号幅值、均方根值或声压级等指标与预设阈值判断空化状态，具有原理简单、计算量小和易于实时实现等优点，但检测结果易受运行工况、背景噪声及传感器安装位置影响，阈值通用性较差。频域能量分析方法通过分析特定频段内的频谱幅值或能量变化识别空化，能够反映空化噪声的频率分布特征，但初生空化声学扰动较弱，相关特征容易被水流噪声和机械噪声掩盖，从而造成误判或漏判。传统特征工程方法通过提取时域、频域或时频域特征，并结合分类器进行识别，能够综合利用多维信号信息，但特征设计依赖人工经验，在复杂工况下的适应性和泛化能力有限。为减少对人工特征的依赖，深度学习方法被逐步应用于空化声信号检测，可自动提取深层特征并提高识别能力。然而，现有研究大多基于pc端或上位机进行离线分析，模型参数量和计算量较大，难以直接部署于资源受限的dsp嵌入式平台。

4、经过检索中国专利公开号cn119152886a的一种水轮机空化识别方法，包括：采集处于运行状态的水轮机的音频信号a(t)和振动信号v(t)；对所述音频信号a(t)和所述振动信号v(t)进行预处理，得到处理后的音频信号a″(t)和振动信号v″(t)；将预处理后的所述音频信号a″(t)和所述振动信号v″(t)进行融合，得到融合信号；对所述融合信号ffusion(t)进行经验模态分解，得到所述融合信号的本征模态函数集合，其中，所述本征模态函数集合中包括若干个本征模态函数；提取每个本征模态函数的时频特征；将所述时频特征输入预先构建的支持向量机进行分类，得到分类结果；基于所述分类结果，确定所述水轮机是否空化；能够基于融合信号的时频特征提高识别水轮机空化的准确性。但是该现有专利分解方法使用emd存在模式混叠、端点效应，不适于微弱空化；同时该现有专利虽轻量，但前端emd加人工特征提取仍依赖pc环境，不满足巡检人员现场便携需求。

5、因此，如何初生空化特征微弱、传统方法稳定性不足以及深度学习模型嵌入式部署困难成为需要解决的问题。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于嵌入式的水轮机空化声信号检测方法及装置。

2、本发明的目的可以通过以下技术方案来实现：

3、根据本发明的一个方面，一种基于嵌入式的水轮机空化声信号检测方法，包括：

4、步骤s1，采集水轮机运行过程中的主检测声通道信号和参考声通道信号，并经模数转换后得到数字信号；

5、步骤s2，将vmd程序植入dsp端并进行轻量化处理，利用所述vmd程序按照预设的imf数量k和惩罚参数α对所述数字信号执行变分模态分解，获得k个本征模态函数；所述vmd为变分模态分解；

6、步骤s3，基于参考声通道信号对所述本征模态函数进行模态可靠度评估，并根据评估结果对主检测声通道的本征模态函数进行加权增强；

7、步骤s4，根据增强后的本征模态函数构造多通道输入样本，并对每个通道进行标准化处理；

8、步骤s5，将标准化后的多通道输入样本输入预训练的mscnn网络，由所述mscnn网络对所述多通道输入样本进行多尺度卷积特征提取、特征融合和分类映射，得到水轮机空化状态识别结果；

9、步骤s6，根据所述水轮机空化状态识别结果进行结果显示、报警提示和数据回传。

10、作为优选的技术方案，所述imf数量k的选择包括：

11、在轮次内分别执行vmd，计算残差能量：

12、

13、其中，表示k∈{3,4,5,6,7,8,9,10}；表示极小值；x(n)表示输入数字声信号的第n个采样点；表示第k个本征模态函数；n表示信号长度；

14、对三项指标归一化后构造综合指标，

15、

16、其中，为imf平均相关性；为imf平均包络熵；

17、令

18、根据的相邻改善量拐点确定。

19、作为优选的技术方案，所述惩罚参数的选择具体包括：

20、在轮次内分别执行vmd，计算imf的平均包络熵、平均相关性和平均峭度，并构造适应度：

21、

22、表示α∈{500,1000,1500,2000,2500,3000,3500,4000,4500,5000,5500,6000}；选取最小的作为vmd分解参数；表示平均包络熵；表示imf平均相关性；表示有效 imf平均峭度；表示α先验值；表示先验惩罚权重；表示极小值。

23、作为优选的技术方案，所述vmd程序移植dsp端及轻量化处理具体包括：

24、将vmd分解过程中的矩阵运算转换为基于c语言的一维数组循环运算，并将输入时域信号、输入信号频域表示、各本征模态分量的频域表示、中心频率、拉格朗日乘子、累计更新量以及本征模态分量输出结果分别存储于预先分配的固定长度数组中；

25、采用单精度浮点数据格式，并预先设定输入信号长度、模态分量数量、最大迭代次数以及各数组的存储空间，使vmd分解过程中不执行动态内存申请和释放；

26、在中心频率更新过程中，仅基于对应本征模态分量在所述频率更新区间内的频谱能量计算中心频率，并省略vmd原始迭代过程中的拉格朗日乘子约束项更新；

27、将模态分量数量k、惩罚因子α、最大迭代次数以及收敛判定阈值设置为预先确定的固定参数，并将所述固定参数写入dsp端程序。

28、作为优选的技术方案，所述对所述本征模态函数进行模态可靠度评估，具体包括：

29、将主检测声通道的第个本征模态函数记为，并从所述参考声通道本征模态函数集合中选取与其中心频率最接近的参考模态，记为；

30、根据所述主检测声通道本征模态函数与所述参考模态之间的时域相关性、频域相干性和能量重叠程度，分别确定时域相关系数、频域相干系数和能量重叠系数；

31、根据所述时域相关系数、频域相干系数和能量重叠系数，确定第个本征模态函数的模态可靠度系数：

32、

33、其中，为第个本征模态函数的模态可靠度系数，、和为权重系数，且。

34、作为优选的技术方案，根据所述模态可靠度系数对所述本征模态函数进行增强处理，具体包括：

35、根据所述模态可靠度系数确定第个本征模态函数的增强系数：

36、

37、其中，为第个本征模态函数的增强系数，为模态保留系数；

38、根据所述增强系数对主检测声通道的第个本征模态函数进行加权处理，得到增强后的 imf 模态；

39、其中，所述参考声通道信号仅用于主检测声通道本征模态函数的可靠度评估和模态增强，不直接参与空化状态类别判决。

40、作为优选的技术方案，所述mscnn的输入数据处理包括：获取经模态可靠度评估和加权增强后的个本征模态函数；对每个imf通道进行标准化处理：

41、

42、其中，为增强后第k个imf第n点，表示增强前第k个imf窗口的均值，表示增强前第k个imf窗口的标准差。

43、作为优选的技术方案，所述mscnn网络包括输入层、第一尺度卷积分支、第二尺度卷积分支、第三尺度卷积分支、特征融合层、全连接层以及分类输出层；

44、所述输入层用于接收标准化后的多通道输入样本，并按照所述本征模态分量的排列顺序构建多通道时序输入样本；

45、所述第一尺度卷积分支用于对所述多通道时序输入样本依次执行第一尺度一维卷积处理、非线性激活处理和池化处理，提取空化气泡溃灭产生的局部瞬态冲击特征，得到第一尺度特征向量；

46、所述第二尺度卷积分支用于对所述多通道时序输入样本依次执行第二尺度一维卷积处理、非线性激活处理和池化处理，提取多个连续冲击事件之间的局部关联特征以及局部能量变化特征，得到第二尺度特征向量；

47、所述第三尺度卷积分支用于对所述多通道时序输入样本依次执行第三尺度一维卷积处理、非线性激活处理和池化处理，提取预设时间范围内的信号包络变化特征及空化冲击整体演化特征，得到第三尺度特征向量；

48、其中，所述第一尺度一维卷积处理、第二尺度一维卷积处理和第三尺度一维卷积处理所采用的卷积核尺寸依次增大，以使各卷积分支分别获得不同时间感受野内的空化声信号特征；

49、所述特征融合层用于对所述第一尺度特征向量、第二尺度特征向量和第三尺度特征向量进行维度统一处理，并将维度统一后的各尺度特征向量沿特征通道方向进行拼接，得到多尺度融合特征向量；

50、所述全连接层用于对所述多尺度融合特征向量进行特征映射，得到表征水轮机空化状态的分类特征向量；

51、所述分类输出层用于根据所述分类特征向量，输出所述水轮机处于不同空化状态的预测概率，并将预测概率最大的空化状态确定为空化识别结果；

52、所述mscnn在pc端基于带有空化状态标签的训练样本完成训练，将训练得到的各卷积层权重参数、偏置参数以及全连接层参数导出并固化至dsp端，所述dsp端基于所述vmd程序执行mscnn前向推理，并输出水轮机空化状态识别结果。

53、根据本发明的另一个方面，一种基于嵌入式的水轮机空化声信号检测装置，包括传感器模块、adc模块、dsp芯片模块、通信模块和显示模块；

54、所述传感器模块，用于采集水轮机运行过程中的声信号，并将所采集的声信号输出至所述adc模块；

55、所述adc模块，用于对所述水轮机运行声信号进行放大、滤波及模数转换处理，并将转换得到的数字信号输出至所述dsp芯片模块；

56、所述dsp芯片模块，用于对所述数字信号依次执行vmd分解、基于参考声通道的本征模态函数可靠度评估、本征模态函数加权增强、多通道样本构造及mscnn前向推理，以获得水轮机空化状态识别结果；

57、所述通信模块，用于将检测结果、空化状态概率、报警状态及对应的时间信息回传至上位机；

58、所述显示模块，用于显示空化状态类别及对应的空化状态识别结果。

59、作为优选的技术方案，该装置还包括存储模块、报警模块和电源模块；

60、所述存储模块，用于存储采样数据、vmd处理中间数据及模型参数；

61、所述报警模块，用于在空化状态满足预设报警条件时输出报警提示；

62、所述电源模块，用于为所述传感器模块、adc模块、dsp芯片模块、存储模块、通信模块、显示模块及报警模块供电。

63、与现有技术相比，本发明具有以下有益效果：

64、1.显著提升了初生空化微弱特征的提取能力和识别稳定性

65、针对初生空化信号易被水流噪声掩盖的难题，本发明创新性地引入了参考声通道辅助的模态可靠度评估机制通过对比主检测通道与参考通道本征模态函数的时域相关性、频域相干性和能量重叠度，精准量化每个imf分量的可信度。基于可靠度系数对主通道imf进行自适应加权增强，在强化真实空化特征的同时，有效抑制了非相关的背景噪声干扰。这种双通道协同处理策略，极大增强了算法在复杂水环境下的鲁棒性，解决了传统单通道方法误判率高的问题。

66、2. 首次实现了vmd-mscnn深度学习算法在资源受限的dsp手持设备上的实时运行

67、针对深度学习模型难以在嵌入式端部署的瓶颈，本发明采取了多项关键优化：算法解耦与固化：采用pc端训练、dsp端推理的架构。pc端完成复杂的vmd参数寻优和mscnn网络训练，仅将最终的模型参数和精简后的vmd算法固化至dsp。

68、vmd轻量化移植：将matlab依赖矩阵运算的vmd改写为基于c语言一维数组的循环运算，采用单精度浮点（float），预设固定数组空间，取消运行时动态内存申请和参数迭代搜索。同时简化迭代过程，仅保留当前和上一次迭代数据用于收敛判定，大幅降低了存储占用和计算开销。

69、mscnn结构优化：设计多尺度并行卷积结构，配合全局平均池化（gap）替代全连接层，在保证多尺度特征提取能力的同时，显著减少了参数量和计算量。

70、这些措施使得复杂的ai算法能在低功耗dsp芯片上流畅运行，推理延迟满足现场实时检测要求，突破了现有深度学习空化检测仅限pc端离线分析的局限。

71、3. 检测参数自适应，通用性强，降低了人工运维门槛

72、本发明提供了科学的vmd参数自适应选择方法。通过构建综合指标和改善量

73、确定最优imf数量k，通过最小化适应度函数确定最优惩罚参数。

74、这种数据驱动的参数标定方法，避免了传统阈值法依赖人工经验的弊端，使得检测装置在不同型号、不同工况的水轮机上均能保持较优的检测性能，无需现场专家频繁调试，提升了产品的易用性和普适性。

75、4.实现了水轮机空化状态的现场便携检测，摆脱了对pc端和固定式系统的依赖

76、现有检测手段实时性差、部署成本高、移动不便。本发明将传感器、adc、dsp芯片、存储、显示、报警及电源模块高度集成于一个手持式检测仪中。

77、检测人员可直接携带设备到达水轮机现场，独立完成声信号采集、处理、识别、结果显示及数据回传全流程。这不仅大幅降低了系统部署成本，更满足了水电站巡检和临时抽检的机动性需求，填补了便携式高精度空化检测设备的空白。

78、5.抗干扰能力强，有效避免了误报警

79、除了前述的信号处理增益外，本发明在决策层设置了连续帧判定逻辑和初生空化概率阈值。不同于单次采样即报警的简单逻辑，本发明通过统计连续多帧的识别结果，综合判断空化状态。这一机制有效滤除了因瞬时噪声或信号抖动引起的偶发误判，确保了报警提示的严肃性和准确性，符合工业现场对诊断系统高可靠性的要求。