Page 57 - 2025年第56卷第5期

式中：ＴＰ为真阳性（ＴｒｕｅＰｏｓｉｔｉｖｅｓ，即正确识别的阳性样本）；ＦＮ为假阴性（ＦａｌｓｅＮｅｇａｔｉｖｅｓ，即错误
识别为阴性的阳性样本）。
（２）假阳性率（ＦＰＲ）。在所有实际为阴性的样本中，错误地被识别为阳性的比例。其计算公式：
ＦＰ
ＦＰＲ ＝ （９）
ＦＰ ＋ ＴＮ
式中：ＦＰ为假阳性（ＦａｌｓｅＰｏｓｉｔｉｖｅｓ，即错误识别为阳性的阴性样本）；ＴＮ为真阴性 （ＴｒｕｅＮｅｇａｔｉｖｅｓ，
即正确识别的阴性样本）。
（３）受试者工作特征曲线（ＲＯＣＣｕｒｖｅ）与 ＡＵＣ值。ＲＯＣ曲线是一个展示 ＴＰＲ和 ＦＰＲ关系的图形化
工具。曲线越贴近左上角，表示模型的性能越好。曲线下的面积称为 ＡＵＣ值：
１
∫
ＡＵＣ＝ ＴＰＲｄＦＰＲ （１０）
０
ＡＵＣ值越接近 １，表示模型的分类性能越好。ＡＵＣ ＝ １ ，是完美分类器；ＡＵＣ ＝ （０．８５，０．９５］，效果
较好；ＡＵＣ ＝ （０．７，０．８５］，效果一般；ＡＵＣ ＝ （０．５，０．７］，效果较差；ＡＵＣ ＝ ０．５，随机猜测相同，没有
预测价值；ＡＵＣ＜０．５，比随机猜测还差，但总是反向预测可以优于随机猜测。
３．４ 水电机组振动异常动态区间覆盖检测方法 本文提出的采用动态区间覆盖的水电机组振动异常检
测方法流程如图 ４所示，具体步骤如下。

图 ４ 动态区间覆盖方法

步骤一：离线阶段，首先使用历史健康数据来训练区间预测模型。
步骤二：计算测试集数据动态区间覆盖率，使用 ＲＯＣ曲线选取不同的参数组合，即置信水平、
阈值、滑动窗口的宽度、滑动窗口的滑动步长。
步骤三：在线阶段，接收实时数据流，并对每个数据点进行单步区间预测，从而生成实时的预测区间。
步骤四：计算动态区间覆盖率，判断当前窗口是否异常。若为异常，则记录异常信息；否则，继
续下一个窗口的预测和评估。
步骤五：根据实际情况通过调整参数来调整检测力度。

４ 案例分析

４．１ 案例一：健康水电机组异常模拟
４．１．１ 数据来源与实验设计 数据来自国内某电厂 ２号机组，为 ２４８ＭＷ 混流式机组。数据为其 ２０２２

— ６ ０ ３ —