基于小波同步压缩变换与结合可解释人工智能(Explainable Artificial Intelligence, XAI)技术的深度学习之抽水蓄能机组异常流态与机械故障诊断

《Journal of Energy Storage》：Abnormal flow and mechanical fault diagnosis of a pumped storage hydropower unit based on wavelet synchrosqueezed transform and deep learning combined with explainable artificial intelligence technology

　　

摘要：在抽水蓄能电站(PSHP)中，随着运行时间增加，抽水蓄能机组(PSHU)会出现异常流态与机械故障，影响PSHU及PSHP的运行安全。研究人员在现场实测了某PSHU大修前后的运行数据，从真实PSHP获取了有价值的故障数据集。为实现PSHU异常流态与机械故障的有效诊断，提出一种基于小波同步压缩变换(Wavelet Synchrosqueezed Transform, WSST)与NSGA-II(非支配排序遗传算法II)优化卷积神经网络(Convolutional Neural Network, CNN)并结合可解释人工智能(Explainable Artificial Intelligence, XAI)技术的智能诊断流程。首先，将实测摆度信号通过高分辨率WSST转换为二维时频图像；其次，采用NSGA-II算法自适应寻优所构建CNN模型的超参数，利用WSST时频图像训练NSGA-II CNN模型以识别PSHU不同异常工况；随后识别结果表明平均识别精度达97.37%，模型参数量为56,158；最后引入SHAP(SHapley Additive exPlanations)技术阐明CNN模型的决策过程及其可解释性。本研究提出的方法兼顾抽水蓄能行业工程应用中高精度与轻量化的双重需求，为PSHU异常流态与机械故障诊断提供了高精度识别框架。

论文解读：基于WSST与NSGA-II CNN结合XAI技术的抽水蓄能机组异常流态与机械故障诊断

一、研究背景与意义

抽水蓄能电站(Pumped Storage Hydropower Plant, PSHP)是电网的"稳定器、调节器及平衡器"，其功能性定位已从单纯"调峰填谷"扩展至"储能、调峰、黑启动、调频及事故备用"。抽水蓄能机组(Pumped Storage Hydropower Unit, PSHU)作为PSHP的核心设备，长期运行后过流部件受侵蚀磨损，机械部件因疲劳产生故障，引发异常流态(abnormal flow)与机械故障(mechanical fault)。PSHU结构复杂、工况多样，早期误判或漏检可能导致连锁设备损坏甚至系统瘫痪。由于原型机日常运行时难以内部接触检测，从外部摆度(swing)等运行信号中提取异常特征成为有效手段。传统信号处理方法（傅里叶频谱、短时傅里叶变换STFT、经验模态分解EMD、集合EMD即EEMD?Hilbert变换、变分模态分解VMD等）结合机器学习取得一定进展，但深度学习方法（如一维CNN）的超参数依赖经验调节，难兼顾模型复杂度与泛化性；且常规深度学习为"黑箱"模型，工业现场缺乏信任度。此外，大型预训练模型参数量过大不符合边缘端部署需求。为此，Zheng Xianghao等人在《Journal of Energy Storage》发表该研究，提出基于小波同步压缩变换(Wavelet Synchrosqueezed Transform, WSST)—NSGA?II优化CNN—SHAP可解释人工智能(Explainable Artificial Intelligence, XAI)的轻量化高精度诊断流程，利用真实PSHP大修前后采集的摆度信号构建数据集，旨在解决非平稳信号特征提取不足、CNN超参数经验依赖及模型不可解释三大问题，满足工程现场对高精度、轻量化与可信诊断的双重要求。

二、主要关键技术方法概述

研究人员自中国某真实抽水蓄能电站获取PSHU大修前后六种异常流态与机械故障及正常工况下的机架摆度(bearing swing/shaft swing)振动信号，构成实测故障数据集。采用WSST将一维非平稳摆度信号转化为高分辨率二维时频图(time?frequency image)；构建卷积神经网络(Convolutional Neural Network, CNN)架构，以NSGA?II(Non?dominated Sorting Genetic Algorithm II，非支配排序遗传算法II)对CNN超参数（卷积核尺寸、学习率、网络层数等）作多目标（精度最大化、参数量最小化）Pareto优化得到NSGA?II CNN模型，用WSST时频图训练与测试；最后引入SHAP(SHapley Additive exPlanations)方法计算输入像素对模型输出的边际贡献，可视化CNN关注的关键时频区域以解释模型决策逻辑。对照实验选取未优化CNN、单目标优化CNN及其他传统方法作比较。

三、研究结果

WSST principle（小波同步压缩变换原理）

WSST是在连续小波变换(Continuous Wavelet Transform, CWT)基础上对频率域进行重分配(redistribute/reassign)的高分辨率时频分析方法，能将扩散的小波系数沿频率轴压缩至瞬时频率附近，有效分离多分量非平稳信号中重叠频率成分并抑制时频模糊，较STFT与标准小波时频图具有更高清晰度和能量聚集性，适合处理PSHU摆度这类强非平稳多分量信号。

Overview of field measurement（现场实测概况）

介绍被测PSHU基本参数与测量仪器（电涡流位移传感器采集上/下导轴承及水导轴承摆度信号，采样频率符合国标），详述六类异常流态与机械故障模式（含异常流态如涡带(vortex rope / vortex band)、无叶区异常流态(abnormal flow in vaneless space)、叶道 stall等，及机械故障如不对中(misalignment)、碰磨(rub?impact)、松动(looseness)等）及大修前后对照的正常状态，形成多类别标注数据集。

Details of proposed diagnostic procedure（所提诊断流程详述）

阐述原始摆度信号经分段预处理→WSST生成时频谱图→数据集划分→NSGA?II种群初始化、交叉变异及非支配排序筛选Pareto前沿→选取兼顾精度与参数量的CNN超参数组合→模型训练与验证。对比实验显示NSGA?II CNN平均识别准确率97.37%，模型参数量仅56,158，优于未优化CNN及粒子群/贝叶斯单目标优化所得模型，证明多目标优化可在保证精度的同时实现轻量化。

Model interpretability analysis combined with SHAP（结合SHAP的模型可解释性分析）

应用SHAP对各工况典型时频图的CNN预测结果作特征归因分析，计算各时频图像素对特定类别输出的Shapley值，热图显示CNN判别时主要依据WSST时频图中特定频段?时刻的能量集中区域（对应物理上某类异常流态或机械故障的特征频率及其时变规律），表明模型确系依据符合流体机械故障机理的物理特征做判断而非过拟合噪声，增强了工业现场对深度学习诊断结果的信任度。

四、讨论与结论翻译

研究人员指出，现有水力机械状态识别多依赖人工提取信号指标或经验调参深度学习模型，存在对非平稳特征刻画不足、超参数选取主观、模型"黑箱"不可解释及参数量大不适于边缘部署等局限。本文方法利用WSST增强非平稳摆度信号的时频表征能力，NSGA?II多目标优化使CNN在精度与参数量间达Pareto最优（精度97.37%，参数量56,158，推理延迟亚毫秒级），满足现场高频监测实时性要求；引入SHAP解释使CNN决策过程可视化且符合物理意义。该流程基于真实PSHP实测数据验证，兼具高诊断精度、轻量化及可解释性，适于PSHP工程现场边缘节点部署。

Conclusions（结论部分译文）：

有效的抽水蓄能机组(PSHU)异常流态与机械故障诊断可提升抽水蓄能电站(PSHP)稳定运行与安全水平。本研究提出一种基于小波同步压缩变换(Wavelet Synchrosqueezed Transform, WSST)与NSGA?II卷积神经网络(Convolutional Neural Network, CNN)并结合可解释人工智能(explainable artificial intelligence, XAI)技术的智能诊断流程。首先将一维摆度信号通过WSST转换为二维时频图像；其次采用NSGA?II算法自适应优化所构建CNN模型的超参数，利用WSST图像训练NSGA?II CNN模型识别PSHU不同异常工况；识别结果表明平均识别精度为97.37%，模型参数量为56,158；最后引入SHAP技术分析CNN模型的决策过程以提升其可解释性。所提流程兼顾抽水蓄能行业工程应用中高精度与轻量化的双重需求，为PSHU异常流态与机械故障诊断提供了高精度识别框架。