Page 122 - 2022年第53卷第6期

ｐｏｎｅｎｔａｎａｌｙｓｉｓ，ＰＣＡ） ［１３］ 、独 立 成 分 分 析 （ｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ， ＩＣＡ） ［１４］ 、 核 主 成 分 分 析
（ ｋｅｒｎｅｌｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ，ＫＰＣＡ） ［１５］ 等。文献［１６］采用 ＫＰＣＡ去除输入数据中的冗余信息，
将压缩后得到的主成分输入至预测网络以提升海底油管腐蚀劣化预测的精度；文献［ １７］结合改进的
ＩＣＡ与马氏距离将多维劣化特征压缩为高灵敏度劣化指标。与传统降维方法相比，深度自编码器 ［１８］
（ｄｅｅｐａｕｔｏ － ｅｎｃｏｄｅｒ，ＤＡＥ）具有极强的非线性表征能力，能够尽可能多保留有效信息。因此，本文提
出了基于自编码压缩的健康模型 ＤＡＥ － ＭＬＰ，首先采用 ＤＡＥ压缩工况参数，保留关键信息，再将压缩
后的信息送入多层感知机 ［１９］ （ｍｕｌｔｉｌａｙｅｒｐｅｒｃｅｐｔｒｏｎ，ＭＬＰ）与振摆信号建立高精度拟合关系。抽水蓄能
机组实际运行情况极其复杂，生成的劣化趋势中往往存在大量非线性与局部波动成分，这些因素严重
影响劣化趋势预测的准确性，支持向量机 ［２０］ （ｓｕｐｐｏｒｔｖｅｃｔｏｒｒｅｇｒｅｓｓｉｏｎ，ＳＶＲ）等传统机器学习模型难以
胜任。由于劣化趋势序列的时序性，能够学习时间序列中长期依 赖 的门 控 循 环单 元 （ ｇａｔｅｄｒｅｃｕｒｒｅｎｔ
ｕｎｉｔ ，ＧＲＵ） ［２１］ 受到广泛关注。文献［１］将劣化趋势序列通过变分模态分解分解为一系列简单模态，再
送入 ＧＲＵ网络中以准确预测未来劣化度；文献［２２］将注意力机制与 ＧＲＵ融合实现高精度剩余寿命预
测。相比于 ＧＲＵ，双向门控循环单元 ［２３］ （ｂｉ － ｄｉｒｅｃｔｉｏｎａｌｇａｔｅｄｒｅｃｕｒｒｅｎｔｕｎｉｔ，ＢｉＧＲＵ）能够从正序反序双
向提取长期依赖，预测精度更高。然而，劣化趋势序列中的局部波动依然难以被 ＢｉＧＲＵ所学习。受一
维卷积神经网络（ ｏｎｅ － ｄｉｍｅｎｓｉｏｎａｌｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ，１ＤＣＮＮ） ［２４］ 能够有效关注局部特征的启
发，结合 ＢｉＧＲＵ对双向长期依赖的学习能力，本文提出了多尺度特征提取网络以预测劣化趋势。首先
用 ＢＩＧＲＵ层与 １ＤＣＮＮ层分别提取劣化序列中的双向全局时序特征与局部空间特征，再将特征聚合经
过全连接网络获得未来劣化趋势。以某抽水蓄能电站为例验证了所提机组劣化趋势评估与预测模型的
优越性。相比于其他模型，所提自编码压缩模型 ＤＡＥ － ＭＬＰ的拟合能力更强，能够生成可靠的劣化趋
势序列；多尺度特征提取网络的预测误差最小，能够关注劣化序列的全局趋势与局部波动。

２ 基于自编码压缩与多尺度特征提取的机组劣化趋势预测模型

２．１ 整体流程 所提模型的运行流程如图 １中所
示，主要包括以下三个步骤：（１）构建并训练 ＤＡＥ －
ＭＬＰ健康模型；（２）对某待评估过程，获取对应工
况参数健康状态下振摆参考值，结合实测振摆值计
算机组劣化度；（３）构建多尺度特征提取网络，预
测机组未来劣化度。
２．２ 基于深度自编码压缩的 ＤＡＥ － ＭＬＰ健康模型
选定机组运行历史良好的阶段为健康状态，通过
ｈ
ｈ
ＤＡＥ － ＭＬＰ建立健康状态下 ｍ个工况参数｛ｗ，ｗ，
１
２
ｈ
ｈ
…，ｗ ｝与 振 摆 值 ｖ之 间 的 映 射 关 系。如 图 ２所
ｍ
示，ＤＡＥ － ＭＬＰ健康模型的建立包括 ＤＡＥ自编码压
缩和 ＭＬＰ建立拟合关系两个阶段，具体流程如下：
（１）ＤＡＥ自编码压缩：ＤＡＥ由编码器与解码器
图 １ 模型的运行流程
两部分组成，编码部分与解码部分对称，编码器将
ｈ
ｈ
ｈ
ｍ个工况参数压缩为 ｎ个通道的信息｛ｃ，ｃ，…，ｃ｝。
ｎ
１
２
ｈ
ｈ
ｈ
ｈ
ｈ
ｈ
｛ ｗ，ｗ，…，ｗ ｝ ＝ ｆ（｛ｃ，ｃ，…，ｃ｝） （１）
ｎ
２
１
ｍ
２
１
ｎ
ｍ
式中 ｆ（）为编码器建立的映射关系，Ｒ →Ｒ。
ｈ′
ｈ′
ｈ′
解码器将压缩后的信息还原为｛ｗ ，ｗ ，…，ｗ ｝：
２ ２ ｍ
ｈ
ｈ
ｈ′
ｈ′
ｈ′
－ １
ｈ
｛ ｗ ，ｗ ，…，ｗ ｝ ＝ ｆ （｛ｃ，ｃ，…，ｃ｝） （２）
２
２
２
ｎ
ｍ
１
－ １ ｎ ｍ
式中 ｆ （）为解码器的映射关系，Ｒ→Ｒ 。
８
— ７ ４ —