基于知识蒸馏-卷积神经网络的水轮机空化状态识别方法

doi:10.12096/j.2096-4528.pgt.23114

发电技术 ›› 2025, Vol. 46 ›› Issue (1): 161-170.DOI: 10.12096/j.2096-4528.pgt.23114

• 发电及环境保护 • 上一篇

基于知识蒸馏-卷积神经网络的水轮机空化状态识别方法

刘忠, 周泽华, 邹淑云, 刘圳, 乔帅程

长沙理工大学能源与动力工程学院，湖南省长沙市 410114

收稿日期:2023-12-13 修回日期:2024-03-02 出版日期:2025-02-28 发布日期:2025-02-27
作者简介:刘忠(1978)，男，博士，教授，研究方向为水力机械状态监测与故障诊断，drliuzhong@csust.edu.cn；
周泽华(1999)，男，硕士研究生，研究方向为水力机械状态监测与故障诊断，93748226@qq.com；
邹淑云(1979)，女，硕士，实验师，研究方向为流体机械内部流动与优化设计，cslgdxzsy@csust.edu.cn；
刘圳(1998)，男，硕士研究生，研究方向为水力机械状态监测与故障诊断，1203235718@qq.com；
乔帅程(1998)，男，硕士研究生，研究方向为水力机械状态监测与故障诊断，1771862910@qq.com。
基金资助:
国家自然科学基金项目(52079011);湖南省自然科学基金项目(2023JJ30032);湖南省研究生科研创新项目(CX20220927)

Cavitation State Identification Method of Hydraulic Turbine Based on Knowledge Distillation and Convolutional Neural Network

Zhong LIU, Zehua ZHOU, Shuyun ZOU, Zhen LIU, Shuaicheng QIAO

School of Energy and Power Engineering, Changsha University of Science and Technology, Changsha 410114, Hunan Province, China

Received:2023-12-13 Revised:2024-03-02 Published:2025-02-28 Online:2025-02-27
Supported by:
National Natural Science Foundation of China(52079011);Natural Science Foundation of Hunan Province(2023JJ30032);Hunan Graduate Research Innovation Project(CX20220927)

摘要/Abstract

摘要：

目的当水轮机发生空化故障时，机组效率下降、部件侵蚀加速，严重时甚至引发安全事故。因此，准确且快速识别水轮机空化状态，对水电站高效、安全运行至关重要。针对目前复杂卷积神经网络(convolutional neural network，CNN)模型存在的识别速度慢与简单CNN模型存在的识别准确率低等问题，提出一种基于知识蒸馏(knowledge distillation，KD)-CNN的水轮机空化状态识别方法。方法首先，引入知识蒸馏理论中教师模型与学生模型相互作用机理，定义3层CNN网络作为教师模型，定义单层CNN网络作为学生模型；然后，利用试验获取的空化声发射信号数据对教师模型进行训练；最后，将代表空化状态类型的数据标签替换成教师模型的输出，通过学生模型对替换标签后的新数据集进行学习，使交叉熵达到最小值。训练完成后的模型即为KD-CNN模型，利用该模型对各工况数据进行空化状态识别试验。结果 KD-CNN模型在2 s内即可完成水轮机空化状态识别，且各工况的识别准确率均高于97%。结论 KD-CNN模型结构简单，同时具有学生模型的识别速度与教师模型的识别准确率，为水轮机空化实时监测提供了新思路。

关键词: 水轮机空化, 卷积神经网络(CNN), 知识蒸馏(KD), 声发射信号, 深度学习, 状态识别

Abstract:

Objectives When cavitation faults occur in hydraulic turbines, the efficiency of the unit decreases, component erosion accelerates, and in severe cases, safety accidents may even be triggered. Therefore, accurately and rapidly identifying the cavitation state of hydraulic turbines is crucial for the efficient and safe operation of hydropower stations. Aiming at the problems of slow recognition speed in complex convolutional neural network (CNN) models and low recognition accuracy in simple CNN models, a turbine cavitation state recognition method based on knowledge distillation and convolutional neural network (KD-CNN) is proposed. Methods Firstly, the interaction mechanism of teacher model and student model in knowledge distillation theory are introduced, and the teacher model is defined as three-layer CNN network, while the student model is defined as single-layer CNN network. Then, the cavitation acoustic emission signal data obtained from the experiment are used to train the teacher model. Finally, the data labels representing the types of cavitation state are replaced with the output of the teacher model, and new dataset are learned by the student model to minimize the cross entropy. The trained model is the KD-CNN model, which is used for cavitation state recognition experiments on various conditions. Results The KD-CNN model can complete the identification of the cavitation state of the turbine within 2 s, and the recognition accuracy of each working condition is higher than 97%. Conclusions The KD-CNN model has a simple structure, the recognition speed of the student model, and the recognition accuracy of the teacher model. It can provide a theoretical basis for real-time monitoring of cavitation in hydraulic turbines.

Key words: hydraulic turbine cavitation, convolutional neural network (CNN), knowledge distillation (KD), acoustic emission signal, deep learning, state recognition

中图分类号:

TK 73

刘忠, 周泽华, 邹淑云, 刘圳, 乔帅程. 基于知识蒸馏-卷积神经网络的水轮机空化状态识别方法[J]. 发电技术, 2025, 46(1): 161-170.

Zhong LIU, Zehua ZHOU, Shuyun ZOU, Zhen LIU, Shuaicheng QIAO. Cavitation State Identification Method of Hydraulic Turbine Based on Knowledge Distillation and Convolutional Neural Network[J]. Power Generation Technology, 2025, 46(1): 161-170.

图/表 17

图1 CNN结构图

Fig. 1 CNN structure diagram

图2 知识蒸馏结构示意图

Fig. 2 Structure diagram of KD

图3 KD-CNN模型结构示意图

Fig. 3 KD-CNN model structure diagram

图4 空化状态识别流程

Fig. 4 Flow chart of cavitation state identification

图5 试验工况点示意图

Fig. 5 Schematic diagram of test condition points

表1 水轮机空化状态的划分

Tab. 1 Division of cavitation state of hydraulic turbine

空化状态	空化系数	空化程度
未空化	σ>σ_ini	未发生空化
空化初生	σ最接近σ_ini	未发生明显的空化
空化发展	σ₁<σ<σ_ini	已发生明显的空化
临界空化	σ=σ₁	空化剧烈，效率下降超过1%

图6 水轮机空化声发射信号时域波形图

Fig. 6 Time domain waveform of cavitation signal of hydraulic turbine

图7 水轮机空化声发射信号频谱图

Fig. 7 Spectrum of cavitation signal of hydraulic turbine

表2 教师模型参数

Tab. 2 Model parameters of teacher

网络层	核大小	步长	滤波器数量	特征大小
输入层				2 000 $×$ 1
卷积层1	10	1	64	1 991 $×$ 64
池化层1	2	2		995 $×$ 64
卷积层2	10	1	64	986 $×$ 64
池化层2	2	2		493 $×$ 64
卷积层3	10	1	64	484 $×$ 64
池化层3	2	2		242 $×$ 64
Softmax层				4

表2 教师模型参数

Tab. 2 Model parameters of teacher

网络层	核大小	步长	滤波器数量	特征大小
输入层				2 000 $×$ 1
卷积层1	10	1	64	1 991 $×$ 64
池化层1	2	2		995 $×$ 64
卷积层2	10	1	64	986 $×$ 64
池化层2	2	2		493 $×$ 64
卷积层3	10	1	64	484 $×$ 64
池化层3	2	2		242 $×$ 64
Softmax层				4

表3 学生模型参数

Tab. 3 Model parameters of student

网络层	核大小	步长	滤波器数量	特征大小
输入层				2 000 $×$ 1
卷积层	10	1	2	1 991 $×$ 2
池化层	2	2		995 $×$ 2
Softmax层				4

表3 学生模型参数

Tab. 3 Model parameters of student

网络层	核大小	步长	滤波器数量	特征大小
输入层				2 000 $×$ 1
卷积层	10	1	2	1 991 $×$ 2
池化层	2	2		995 $×$ 2
Softmax层				4

表4 数据总体分布

Tab. 4 Overall distribution of data

类别	未空化	空化初生	空化发展	临界空化
工况1	3 981	3 981	5 981	3 981
工况2	3 981	3 981	3 981	3 981
工况3	3 981	3 981	3 981	1 981
工况4	3 981	3 981	3 981	3 981

表5 空化状态与对应编码

Tab. 5 Cavitation status and the corresponding coding

状态	未空化	空化初生	空化发展	临界空化
编码	[1, 0, 0, 0]	[0, 1, 0, 0]	[0, 0, 1, 0]	[0, 0, 0, 1]

表6 各工况数据分布

Tab. 6 Data distribution of each working condition

类别	工况1	工况2	工况3	工况4
训练集	14 340	12 740	11 140	12 740
测试集	3 584	3 184	2 784	3 184
总计	17 924	15 924	13 924	15 924

图8 工况2教师模型训练过程曲线

Fig. 8 Teacher model training process curves in condition 2

图9 工况2模型准确率对比曲线

Fig. 9 Model accuracy comparison curves in condition 2

图10 模型准确率对比图

Fig. 10 Comparison diagram of accuracy of models

表7 各工况各模型耗时对比 (s)

Tab. 7 Comparison of time consumption of each model under different working conditions

类别	工况1	工况3	工况4
教师模型	87.36	61.12	80.69
学生模型	1.82	1.62	1.75
KD-CNN模型	1.76	1.56	1.69

参考文献 25

1	LUO X W， JI B， TSUJIMOTO Y ．A review of cavitation in hydraulic machinery[J]．Journal of Hydrodynamics，2016，28(3)：335-358． doi:10.1016/s1001-6058(16)60638-8
2	ESCALER X， EGUSQUIZA E， FARHAT M，et al ．Detection of cavitation in hydraulic turbines[J]．Mechanical Systems and Signal Processing，2006，20(4)：983-1007． doi:10.1016/j.ymssp.2004.08.006
3	RUS T， DULAR M， ŠIROK B，et al ．An investigation of the relationship between acoustic emission，vibration，noise，and cavitation structures on a kaplan turbine[J]．Journal of Fluids Engineering，2007，129(9)：1112-1122． doi:10.1115/1.2754313
4	刘忠，王文豪，邹淑云，等．水轮机空化声发射信号的联合降噪与特征提取[J]．水力发电学报，2022，41(12)：145-152．
	LIU Z， WANG W H， ZOU S Y，et al ．Joint noise reduction and feature extraction of acoustic emission signals for hydraulic turbines under cavitation[J]．Journal of Hydroelectric Engineering，2022，41(12)：145-152．
5	刘君，邓毅，杨延西，等．基于深度学习的空预器转子红外补光图像积灰状态识别[J]．发电技术，2022，43(3)：510-517． doi:10.12096/j.2096-4528.pgt.20122
	LIU J， DEND Y， YANG Y X，et al ．Ash accumulation state identification for infrared compensation images of air preheater rotor based on deep learning method[J]．Power Generation Technology，2022，43(3)：510-517． doi:10.12096/j.2096-4528.pgt.20122
6	武霁阳，李强，陈潜，等．知识图谱框架下基于深度学习的HVDC系统故障辨识[J]．电力系统保护与控制，2023，51(20)：160-169．
	WU J Y， LI Q， CHEN Q，et al ．Fault identification of an HVDC system based on deep learning in the framework of a knowledge graph[J]．Power System Protection and Control，2023，51(20)：160-169．
7	皮志勇，朱益，廖玄，等．基于深度学习的智能变电站通信链路故障定位方法[J]．中国电力，2023，56(7)：136-145．
	PI Z Y， ZHU Y， LIAO X，et al ．Fault location method for communication link in smart substation based on deep learning[J]．Electric Power，2023，56(7)：136-145．
8	封钰，宋佑斌，金晟，等．基于随机森林算法和粗糙集理论的改进型深度学习短期负荷预测模型[J]．发电技术，2023，44(6)：889-895． doi:10.12096/j.2096-4528.pgt.23013
	FENG Y， SONG Y B， JIN S，et al ．Improved deep learning model for forecasting short-term load based on random forest algorithm and rough set theory[J]．Power Generation Technology，2023，44(6)：889-895． doi:10.12096/j.2096-4528.pgt.23013
9	褚雪汝，陈中，吴聪颖，等．基于深度学习的电气二次图纸语义识别方法[J]．浙江电力，2023，42(8)：1-11．
	CHU X R， CHEN Z， WU C Y，et al ．Small target area extraction and semantic recognition method of electrical secondary drawings based on deep learning[J]．Zhejiang Electric Power，2023，42(8)：1-11．
10	钱进宝，刘晓光，蔡玺，等．基于自适应学习率卷积神经网络的新型配电网源网荷储无功协调优化技术[J]．可再生能源，2024，42(2)：267-275．
	QIAN J B， LIU X G， CAI X，et al ．Reactive power coordination optimization technology for source-network-load-storage in new distribution network based on adaptive learning rate convolutional neural network[J]．Renewable Energy Resources，2024，42(2)：267-275．
11	连华，刘明浩．基于多时间尺度卷积神经网络的煤改电用户负荷识别方法研究[J]．电网与清洁能源，2023，39(7)：35-43． doi:10.3969/j.issn.1674-3814.2023.07.005
	LIAN H， LIU M H ．A model of load identification for coal-to-power customers based on multi-time scale convolutional neural networks[J]．Power System and Clean Energy，2023，39(7)：35-43． doi:10.3969/j.issn.1674-3814.2023.07.005
12	娄奇鹤，李荣盛，谭捷，等．基于卷积神经网络的暂稳极限功率计算[J]．中国电力，2024，57(4)：211-219．
	LOU Q H， LI R S， TAN J，et al ．Calculation of transient stability limit based on convolutional neural network[J]．Electric Power，2024，57(4)：211-219．
13	李欣，付豫韬，李新宇，等．基于GAF-CNN的电力系统暂态稳定评估[J]．智慧电力，2023，51(11)：45-52．
	LI X， FU Y T， LI X Y，et al ．Power system transient stability assessment based on GAF-CNN[J]．Smart Power，2023，51(11)：45-52．
14	WEN L， LI X Y， GAO L，et al ．A new convolutional neural network-based data-driven fault diagnosis method[J]．IEEE Transactions on Industrial Electronics，2018，65(7)：5990-5998． doi:10.1109/tie.2017.2774777
15	XU C J， GUAN J J， BAO M，et al ．Pattern recognition based on time-frequency analysis and convolutional neural networks for vibrational events in φ-OTDR[J]．Optical Engineering，2018，57(1)：016103． doi:10.1117/1.oe.57.1.016103
16	贾春阳，曹庆皎，王利英，等．基于卷积神经网络优化的水轮机振动信号识别[J]．噪声与振动控制，2023，43(1)：93-99． doi:10.3969/j.issn.1006-1355.2023.01.016
	JIA C Y， CAO Q J， WANG L Y，et al ．Hydraulic turbine vibration signal recognition based on convolutional neural network optimization[J]．Noise and Vibration Control，2023，43(1)：93-99． doi:10.3969/j.issn.1006-1355.2023.01.016
17	董光德，李道明，陈咏涛，等．基于粒子群优化与卷积神经网络的电能质量扰动分类方法[J]．发电技术，2023，44(1)：136-142． doi:10.12096/j.2096-4528.pgt.22004
	DONG G D， LI D M， CHEN Y T，et al ．Power quality disturbance classification method based on particle swarm optimization and convolutional neural network[J]．Power Generation Technology，2023，44(1)：136-142． doi:10.12096/j.2096-4528.pgt.22004
18	HINTON G， VINYALS O， DEAN J ．Distilling the knowledge in a neural network[EB/OL]．(2015-03-09)[2023-06-05]．．
19	MOHIELDEEN ALABBASY F， ABOHAMAMA A S， ALRAHMAWY M F ．Compressing medical deep neural network models for edge devices using knowledge distillation[J]．Journal of King Saud University：Computer and Information Sciences，2023，35(7)：101616． doi:10.1016/j.jksuci.2023.101616
20	王成林．基于知识蒸馏和深度可分离卷积的轴承故障轻量化诊断[J]．噪声与振动控制，2023，43(3)：139-144． doi:10.3969/j.issn.1006-1355.2023.03.022
	WANG C L ．Lightweight diagnosis for bearing faults based on knowledge distillation and deep separable convolution[J]．Noise and Vibration Control，2023，43(3)：139-144． doi:10.3969/j.issn.1006-1355.2023.03.022
21	ZHANG W F， BISWAS G， ZHAO Q，et al ．Knowledge distilling based model compression and feature learning in fault diagnosis[J]．Applied Soft Computing，2020，88：105958． doi:10.1016/j.asoc.2019.105958
22	JI M Y， PENG G L， LI S J，et al ．A neural network compression method based on knowledge-distillation and parameter quantization for the bearing fault diagnosis[J]．Applied Soft Computing，2022，127：109331． doi:10.1016/j.asoc.2022.109331
23	张哲，秦博宇，高鑫，等．基于CNN-LSTM网络的电网电压稳定紧急控制策略[J]．电力系统自动化，2023，47(11)：60-68． doi:10.7500/AEPS20220712005
	ZHANG Z， QIN B Y， GAO X，et al ．Emergency control strategy of power grid voltage stability based on convolutional neural network and long short-term memory network[J]．Automation of Electric Power Systems，2023，47(11)：60-68． doi:10.7500/AEPS20220712005
24	LIU Y， ZHANG W， WANG J ．Adaptive multi-teacher multi-level knowledge distillation[J]．Neurocomputing，2020，415：106-113． doi:10.1016/j.neucom.2020.07.048
25	刘忠，邹淑云，陈莹，等．混流式水轮机模型空化状态与声发射信号特征关系试验[J]．动力工程学报，2016，36(12)：1017-1022．
	LIU Z， ZOU S Y， CHEN Y，et al ．Experiments on the relationship between cavitation status and acoustic emission signal features for a francis turbine model[J]．Journal of Chinese Society of Power Engineering，2016，36(12)：1017-1022．

[1]	贾梦涵, 刘刚, 徐世杰, 吴双应. 异构图像融合算法及其在电力设施检测中的应用研究[J]. 发电技术, 2024, 45(3): 558-565.
[2]	封钰, 宋佑斌, 金晟, 冯家欢, 史雪晨, 俞永杰, 黄弦超. 基于随机森林算法和粗糙集理论的改进型深度学习短期负荷预测模型[J]. 发电技术, 2023, 44(6): 889-895.
[3]	董光德, 李道明, 陈咏涛, 马兴, 付昂, 穆钢, 肖白. 基于粒子群优化与卷积神经网络的电能质量扰动分类方法[J]. 发电技术, 2023, 44(1): 136-142.
[4]	陈尚年, 李录平, 张世海, 欧阳敏南, 樊昂, 文贤馗. 汽轮发电机组振动故障诊断技术研究进展[J]. 发电技术, 2021, 42(4): 489-499.
[5]	张国栋,蒲海涛,刘凯. 基于深度学习的小电流接地系统故障选线方法[J]. 发电技术, 2019, 40(6): 548-554.
[6]	李相俊,许格健. 基于长短期记忆神经网络的风力发电功率预测方法[J]. 发电技术, 2019, 40(5): 426-433.
[7]	朱永利,石鑫,王刘旺. 人工智能在电力系统中应用的近期研究热点介绍[J]. 发电技术, 2018, 39(3): 204-212.

基于知识蒸馏-卷积神经网络的水轮机空化状态识别方法

Cavitation State Identification Method of Hydraulic Turbine Based on Knowledge Distillation and Convolutional Neural Network

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

图/表 17

参考文献 25

相关文章 7

编辑推荐

Metrics