Page 56 - 2025年第56卷第5期
P. 56
图 ２ 区间预测可视化
通过图 ２区间预测可视化以及局部图可见，在 “异常” 位置，预测区间未能覆盖所有样本点，导
致 ＰＩ 下降。本文将利用这个特性进行异常检测。由图 ３可知，在 ＭａＤａｔａ的 ｅ、ｅ、ｅ位置 ＰＩ 最低
ＣＰ １ ２ ３ ＣＰ
数值为 ０，与正常时段的 ＰＩ ＝ １ 形成鲜明对比。对于 ＫｅｏｇｈＤａｔａ的两个异常周期处，ＰＩ 虽然在正常
ＣＰ ＣＰ
时段位于［０．７，１］之间，并未始终维持在较高水平。但在 ｅ处下降至最低点 ０．４８，相较正常时段，仍
能指示异常现象。
图 ３ ＰＩ 曲线图
ＣＰ
由上述两个数据集可见，区间预测可用于基于预测误差的异常检测，但对比图 ３（ａ）（ｂ）可以发
现，该方法更适用于 ＭａＤａｔａ中的 “数值异常” 检测。
３．２ 阈值确定 振动是机械设备的常见现象，但对于水电机组，异常振动不常见，机组大多数时间处
于正常状态，因此数据集通常高度不平衡。在异常检测中，常用受试者工作特征（ＲｅｃｅｉｖｅｒＯｐｅｒａｔｉｎｇ
Ｃｈａｒａｃｔｅｒｉｓｔｉｃ ，ＲＯＣ）曲线 ［２０］ 评估检测效果，避免因正常类别占多数导致准确度虚高。ＲＯＣ曲线展示
分类器性能随阈值变化的过程，每个点代表一个分类器，其性能通过横坐标（假阳性率）和纵坐标（真
阳性率）表示。因此，本文引入 ＲＯＣ曲线在模型离线训练阶段，初步设置异常判定标准，为后续在线
检测阈值调试提供参考。
３．３ 异常检测评估
（１）真阳性率（ＴＰＲ）。在所有实际为阳性的样本中，正确地识别为阳性的比例。其计算公式：
ＴＰ
ＴＰＲ ＝ （８）
ＴＰ ＋ ＦＮ
— ６ ０ —
２
