Page 58 - 2025年第56卷第5期

年 １１月 １４日上午上机架 ｘ向振动峰峰值，样本采样间隔为 ２ｓ，共 ７５００个样本点均为健康样本。
实验 １：为了确保分位数区间预测模型能够学习到水电机组的健康状态，有效预测水电机组振动
区间。本文将该段数据 １０∶００前的部分按照 ９∶１划分为训练集与验证集，其余部分作为测试集，进
行区间预测。选取几种常见神经网络模型进行训练，并采用本文 ２．２节中的指标进行评价。
实验 ２：为验证本文所提方法对振动异常事件的响应能力，在健康序列中某些时刻加入 ３倍标准
差（ ３ σ ）数值来模拟振动异常事件 ［２１］ 。
如图 ５（ａ）（ｂ）所示，分别在 １１月 １４日 １０∶００、１０∶１５、１０∶３０、１０∶４５、１１∶００、１１∶１５、１１∶３０、
１１∶４５共 ８处作为异常突变点，开始加入 ３０ｓ异常作为一个振动异常事件。同样用实验 １的神经网络
模型进行实验。由于检测效果除了会受到置信水平与阈值的影响，可能还会受滑动窗宽与步长的影
响，故实验设置不同滑动窗口窗宽、滑动窗口步长进行分析。

图 ５ 案例一数据（１１月 １４日）

４．１．２ 区间预测 为验证分位数模型的区间预测能力，实验 １选取 ＢＰ、ＣＮＮ、ＬＳＴＭ、ＣＮＮ － ＬＳＴＭ几
种常见神经网络基本模型进行评测。图 ６展示了其中一段验证集样本在不同置信水平下应用分位数模
型的预测区间可视化。可见，实验 １设置的四种分位数区间预测模型的结果均有一定的预测精准度。
从表 １可得到，Ｐ＝ ９５％时，ＢＰ、ＣＮＮ、ＬＳＴＭ、ＣＮＮ － ＬＳＴＭ 模 型 的 ＰＩ 值 分别 为 ９４．１２％、９２．７１％、
ＣＰ
９４．５９％、９８．５９％，ＣＮＮ － ＬＳＴＭ模型的 ＰＩ 值最大，实际值落入预测区间的占比最多。Ｐ ＝ ９０％、８５％时，
ＣＰ
与 ９５％水平相比，ＣＮＮ － ＬＳＴＭ模型的 ＰＩ 值分别降低了 ５．６４％和 １０．７７％。不同置信水平下，ＣＮＮ － ＬＳＴＭ
ＣＰ
模型 ＰＩ 值均为最小，即预测区间越窄。
ＮＡＷ
综合 ＰＩ 和 ＰＩ 两个指标，实验 １所设置的 ４个模型大致表现出相同规律，即置信水平越高，预
ＣＰ
ＮＡＷ
测区间越宽，区间覆盖率越大。但区间预测是该法进行振动异常检测的前置环节，预测的效果并不能
直接地反映检测效果。
４．１．３ 异常检测 为验证所提动态区间覆盖方法对水电机组振动数据异常检测有效性，仍以 Ｐ ＝ ９０％、
Ｗ＝ １５ 、Ｓ ＝ ５ 为例进行实验。在基于点预测的振动异常检测中，参考实验 １验证集最大预测误差绝对
值，将阈值取值范围设置为 ０～１５μ ｍ，均匀取值，检测结果形成 ＲＯＣ曲线。而使用动态区间覆盖方
法的检测，由于 ＰＩ 本身性质，阈值在 ０～１之间均匀取值，动态计算测试集区间覆盖率，形成各模型
ＣＰ
的 ＲＯＣ曲线。
如图 ７（ａ）所示，基于点预测的各检测模型的 ＡＵＣ值均在 ０．８５左右，检测效果较好。选取表现最
好的分类器为例，即 ＣＮＮ － ＬＳＴＭ预测误差（预测值与实际值差值的绝对值）为 ２．１２μ ｍ，作为异常判断
标准（该点误差大于 ２．１２μ ｍ标记为正常，反之为异常）。ＣＮＮ － ＬＳＴＭ模型在该阈值下的预测误差曲线
如图 ８所示，相应的 ＴＰＲ和 ＦＰＲ分别为 ０．７７９和 ０．１８５。而如图 ７（ｂ）所示，使用动态区间覆盖方法的
各模型 ＡＵＣ值均大于 ０．９５，表现优秀。ＣＮＮ － ＬＳＴＭ表现最佳，而其中最接近点（１，１）的阈值为 ０．６７７，

— ６ ０ —
４