Page 108 - 水利学报2021年第52卷第4期

∶
∶
∶
∶
∶
∶

图 9 测试集中样本频谱图

5 结论

本文提出了基于无监督特征学习构建水电机组劣化指标的新方法，针对水电机组状态监测系统
中积累的海量正常数据，分别采用基于特征空间重构的奇异值分解算法和自编码器重构误差算法提
取状态监测信号的时域特征和频域特征，并建立典型工况下机组正常时域特征库和正常频域特征
库，根据正常特征的波动情况确定阈值，计算时域，频域劣化指标及综合劣化指标。应用实例表
明，所提出的劣化指标均能有效反映机组健康状态。此外，在表现机组健康状态的劣化趋势和劣化
程度方面，综合劣化指标比常用时域统计指标效果更好，实用性更强。同时，本文给出了用综合劣
化指标实时评价机组健康状态的方法，通过划分典型工况，使劣化指标适用工况范围更广，评价结
果更准确。

参 考 文 献：

［ 1 ］ LU N，XIAO Z H，MALIK O P . Feature extraction using adaptive multiwavelets and synthetic detection index for
rotor fault diagnosis of rotating machinery［J］ . Mechanical Systems and Signal Processing，2015，52/53：
393-415 .
［ 2 ］ 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 .
［ 3 ］ LIU D，XIAO Z H，HU X，et al . Feature extraction of rotor fault based on EEMD and curve code［J］. Measure⁃
ment，2019，135：712-724 .
［ 4 ］ 蒋文君，胡晓，张培，等 . 基于 EEMD 近似熵的水电机组振动信号特征提取［J］. 水力发电学报，2020，39
（6）：18-27 .
［ 5 ］ 潘罗平 . 基于健康评估和劣化趋势预测的水电机组故障诊断系统研究［D］. 北京：中国水利水电科学研究
院，2013 .
［ 6 ］ 刘东，王昕，黄建荧，等 . 基于小波变换与 SVD 的水电机组振动信号特征提取研究［J］. 中国农村水利水
电，2018（12）：169-172 .
［ 7 ］ 刘东，王昕，黄建荧，等 . 基于 SVD 的水电机组振动信号去噪方法研究［J］. 水电与新能源，2018，32（7）：
38-43 .
［ 8 ］ 郭谋发，徐丽兰，缪希仁，等 . 采用时频矩阵奇异值分解的配电开关振动信号特征量提取方法［J］. 中国电
机工程学报，2014，34（28）：4990-4997 .
［ 9 ］ LIU H，ZHOU J，XU Y，et al . Unsupervised fault diagnosis of rolling bearings using a deep neural network based
on generative adversarial networks［J］. Neurocomputing，2018，315（13）：412-424 .
［ 10］ 刘涵 . 水电机组多源信息故障诊断及状态趋势预测方法研究［D］. 武汉：华中科技大学，2019 .

— 484 —