Page 62 - 2025年第56卷第5期

在真实异常的数据集上，点预测与区间预测表现出不同的效果。执行点预测任务时，各模型 ＡＵＣ
值达到 ０．９左右，显示出较好的检测效果。而在执行区间预测任务时，ＬＳＴＭ 和 ＣＮＮ － ＬＳＴＭ 模型的
ＡＵＣ值分别达到 ０．９８和 ０．９９，优于 ＢＰ和 ＣＮＮ模型的 ０．７２和 ０．７６。在图 １３（ａ）点预测的检测结果中选
取 ＡＵＣ值最高的 ＣＮＮ － ＬＳＴＭ 模型，以及相应阈值为 １．０６１μ ｍ，ＴＰＲ＝ ０．８９５ ，ＦＰＲ＝ ０．０４８进行具体
分析。

图 １３ ＲＯＣ曲线

图 １４ 预测误差

由图 １４可见，基于点预测的异常检测方法在 ４个异常时段内，多数时刻预测误差均超过阈值，
检测效果较好。然而在 “ ０９ － ０５１２∶００” “０９ － ０７００∶００” 等处出现多次误报。原因分析：训练样本中，
陡升陡降的振动趋势占比少，预测模型对这些情景的泛化能力不足；模型测试中，在整体振动水平较低
的时段，若局部数据点有显著波动（相较于训练集数据变化范围），模型预测可能误认为其是异常振动。
而在图 １３（ｂ）中 ＣＮＮ － ＬＳＴＭ模型在阈值 ０．４７４下，其 ＴＰＲ ＝ ０．９７９，ＦＰＲ ＝ ０．０５３，与点预测相比，
虽然 ＦＰＲ略有增加，但 ＴＰＲ却显著提升。如图 １５所示，四处振动异常的 ＰＩ 均低于阈值，能有效识
ＣＰ
别出异常状况。与执行点预测任务时相比，尽管在 “ ０９ － ０５１２∶００” “０９ － ０７００∶００” 等处仍出现误报，
但误报次数明显较低。ＬＳＴＭ 模型表现与 ＣＮＮ － ＬＳＴＭ 相近，而 ＢＰ、ＣＮＮ模型效果一般。成因分析：
①用于模型训练的健康数据较少，模型未能学到训练集内正常工况转变的振动模式，这与 ＫｅｏｇｈＤａｔａ
数据集中 “模式异常” 的检测相互印证，说明不论是本文方法还是基于点预测的水电机组振动异常检
测方法，对 “模式异常” 的识别能力都还有待提高；②ＢＰ、ＣＮＮ模型没有循环神经网络类结构，缺
乏对时序信息的学习能力，区间预测效果不佳，这也与实验 １的结果相互印证。未来或可考虑使用更
为先进的深度学习模型。

— ６ ０ —
８