Page 63 - 2025年第56卷第5期

图 １５ ＰＩ 曲线
ＣＰ

５ 结论

针对基于点预测的异常检测方法未考虑数据的不稳定性以及模型的局限性的问题，本研究提出了
一种水电机组振动异常检测的动态区间覆盖方法，该方法采用分位数区间预测模型学习健康振动区
间，结合滑动窗口与区间覆盖率，构建动态区间覆盖率。通过 ＲＯＣ曲线选取最优阈值，调节检测力
度，得出以下结论：１）区间预测可用在基于对比思想的异常检测思想中，且置信水平越高，预测区间
越宽，区间覆盖率越大；２）动态区间覆盖方法是有效且适用于水电机组监测数据的，并且步长过大
时，检测效果变得不稳定；窗宽越大，对单个异常点包容性越强，越能减少误报；窗宽越小，则对异
常更加敏感；３）异常模拟函数与真实机组异常数据都表明本文所提方法更适用于 “数值异常”。综上
所述，本文的研究为水电机组振动异常检测方法进行了新探索、提供了新思路。

参 考 文 献：

［ １］ 张婷婷，王斌，王坤，等．基于增强层次对称点图像分析和深度残差网络的水电机组故障诊断［Ｊ］．水利
学报，２０２３，５４（１１）：１３８０ － １３９１．
［ ２］ 王宏伟．基于深度学习的发电机组异常检测和预警研究［Ｄ］．南京：南京邮电大学，２０２２．
［ ３］ 桂中华，张浩，孙慧 芳，等．水 电 机 组 振 动 劣 化 预 警 模 型 研 究 及 应 用 ［Ｊ］．水 利 学 报，２０１８，４９（２）：
２１６ － ２２２．
［ ４］ 陈鹏，吴一凡，蔡爽，等．基于自编码压缩与多尺度特征提取的抽水蓄能机组劣化趋势评估与预测 ［Ｊ］．
水利学报，２０２２，５３（６）：７４７ － ７５６．
［ ５］ 张兼博，李 想，曾 云，等．ＴＳＭＳＥ结 合 ＩＯＯＡ－ ＢｉＬＳＴＭ 的 水 电 机 组 轴 系 故 障 诊 断 方 法 ［Ｊ］．水 利 学 报，
２０２４，５５（７）：８６２ － ８７３．
［ ６］ 李想，钱晶，曾云．基 于 ＵＰＥＭＤ融 合 ＲＣＭＣＳＥ和 ＡＬＷＯＡ－ ＢＰ的 水 电 机 组 故 障 诊 断 ［Ｊ］．水 利 学 报，
２０２４，５５（６）：７４４ － ７５５．
［ ７］ ＬＩＸ，ＬＩＵＪ，ＢＡＩＭ，ｅｔａｌ．ＡｎＬＳＴＭ ｂａｓｅｄｍｅｔｈｏｄｆｏｒｓｔａｇｅｐｅｒｆｏｒｍａｎｃｅｄｅｇｒａｄａｔｉｏｎｅａｒｌｙｗａｒｎｉｎｇｗｉｔｈｃｏｎｓｉｄ
ｅｒａｔｉｏｎｏｆｔｉｍｅ － ｓｅｒｉｅｓｉｎｆｏｒｍａｔｉｏｎ ［Ｊ］．Ｅｎｅｒｇｙ，２０２１，２２６：１２０３９８．
［ ８］ ＴＩＡＮＷ，ＷＡＮＧＳ，ＳＵＮＳ，ｅｔａｌ．Ｉｎｔｅｌｌｉｇｅｎｔｐｒｅｄｉｃｔｉｏｎａｎｄｅａｒｌｙｗａｒｎｉｎｇｏｆａｂｎｏｒｍａｌｃｏｎｄｉｔｉｏｎｓｆｏｒｆｌｕｉｄｃａｔａ
ｌｙｔｉｃｃｒａｃｋｉｎｇｐｒｏｃｅｓｓ［Ｊ］．ＣｈｅｍｉｃａｌＥｎｇｉｎｅｅｒｉｎｇＲｅｓｅａｒｃｈａｎｄＤｅｓｉｇｎ，２０２２，１８１：３０４ － ３２０．
［ ９］ 杨婷婷，高乾，李浩千，等．基于卷积神经网络－ 长短时记忆神经网络的磨煤机故障预警［Ｊ］．热力发电，
— ６ ０ ９ —