Page 91 - 水利学报2021年第52卷第4期

表 2 中，1、2、3 分别指机组正常、故障预警和故障 3 种状态，从表 2 可以看出，标准差和峰峰
值对应的 DI 值总体大于其他时域特征参数所对应的 DI 值，故选择标准差与峰峰值作为反映信号时域
特征的特征量。在信号处理中，标准差与峰峰值也多用来作为信号分析的关键指标 ［19-20］ ，这也体现了
DI 值所选取特征的代表性。3 种状态下轴向振动波形的各时域特征参数值如图 4 所示，图中，信号序
列 1 ~ 40 为正常状态采集的 40 组轴向振动信号编号，41 ~ 80 为故障预警状态采集的 40 组轴向振动信
号编号，81 ~ 120 为故障状态采集的 40 组轴向振动信号编号。从图 4 可以看出，相较于其他时域特征
参数，3 种不同状态之间的信号波形标准差与峰峰值差异明显，进一步印证了利用 DI 值作为敏感性
指标选取时域特征的可靠性。
4.2 机组状态劣化评估

4.2.1 劣化评估健康样本构建 由于该机组为轴流转桨式机组，选择导叶开度、桨叶开度和工作水
头作为机组工况数据。在发生故障前后时间段内，3 号机组的主要运行工况集中在导叶开度 63%，桨
叶开度 20%，水头 50 ~ 55 m，故选取该工况附近的数据点进行建模分析。

（a）均值、标准差和峭度 （b）偏度、峰峰值和均方差
图 4 不同运行状态下机组振动信号时域特征值

选取机组未发生故障时的正常数据（包含导叶开度
X 、桨叶开度 X 、水头 H、轴向振动信号标准差 σ
2t
1t
与峰峰值 f ）共计 190 组，利用 LS-SVM 建立如式（20）
所示的机组状态健康模型：
ìσ = f (X ，X ，H )
1t
2t
í LS - SVM1 ) （21）
î f = f LS - SVM2 (X ，X ，H
2t
1t
随机选取 150 组数据作为训练集，20 组数据作为
验 证 集 ， 20 组 数 据 作 为 测 试 集 ， 对 健 康 模 型 进 行 训
练 ， 所 选 数 据 覆 盖 导 叶 开 度 61% ~ 65% ， 桨 叶 开 度
16% ~ 20%，水头 51 ~ 55 m 这一工况范围。考虑到在
水电生产领域，监测系统采样得到的信号为实时值，
对数据进行归一化不利于对水电机组进行实时状态评
估，且 LS-SVM 对于不同数据量级的数据依然具有良好
的数学拟合特性，所以未对实验数据进行归一化处理。
参数优化方面，使用遗传算法 ［21］ 对 LS-SVM 的核参

数 σ 与惩罚因子 γ 进行寻优，遗传算法优化 LS-SVM
的算法流程如图所示。
图 5 中，LS-SVM 模型参数寻优范围为［1，500］，
［1，500］，选取平均相对误差（MAPE）作为遗传算法的
适应度函数。LS-SVM 预测效果评价方面，使用相对误 图 5 遗传算法优化 LS-SVM 算法流程

— 467 —