Page 98 - 水利学报2021年第52卷第4期

水 利 学 报

2021 年 4 月 SHUILI XUEBAO 第 52 卷 第 4 期

文章编号：0559-9350（2021）04-0474-12

基于无监督特征学习的水电机组健康状态实时评价方法

胡 晓 ，肖志怀 ，刘 东 ，吴道平 ，查海涛 ，廖志芳 6
3
5
1
4
1，2
（1. 武汉大学 动力与机械学院，湖北 武汉 430072；
2. 武汉大学 水力机械过渡过程教育部重点实验室，湖北 武汉 430072；
3. 武汉大学 水资源与水电工程科学国家重点实验室，湖北 武汉 430072；
4. 国网江西省电力有限公司电力科学研究院，江西 南昌 330096；
5. 国网江西省电力有限公司柘林水电厂，江西 南昌 330096；
6. 天津市输水系统水锤阀门控制技术企业重点实验室，天津 300051）

摘要：水电机组健康状态实时评价是状态监测和劣化预警中的重要内容，传统方法采用单一限值比较，不能体现
机组个性特色，且适用机组运行工况有限。同时，现阶段已知的水电机组故障类型有限，缺乏故障样本，限制了
有监督特征学习方法的实际应用。本文提出了以无监督特征学习技术构建水电机组健康状态劣化指标的新方法，
充分利用水电机组状态监测系统中海量数据，挖掘机组正常状态关键特征，建立基于特征空间重构奇异值分解的
时域劣化指标和基于自编码器重构误差的频域劣化指标，实时量化评价机组健康状态。以国内某水电站机组轴向
振动波形为例，验证了劣化指标的有效性。结果表明，所提出的劣化指标能够反映机组健康状态劣化程度，且比
常用时域统计指标更清晰地表现劣化趋势，有效评价机组健康状态，实用性更强。
关键词：水电机组；振动信号；无监督特征学习；奇异值分解；自编码器；劣化指标
中图分类号：TK05 文献标识码：A doi：10.13243/j.cnki.slxb.20200427

1 研究背景

水电机组健康状态影响着整个水电站的正常运行，随着机组不断向大型化、复杂化方向发展，
［1］
机组健康状态实时评价的重要性日益突出 。为预防水电机组故障，水电行业开发了状态监测系统，
在线收集机组运行数据，能实现越限报警及分析诊断等功能。越限报警通常采用状态监测值与相关
［2］
行业标准规定的单一限值比较，存在不能体现机组个性特色、适用机组运行工况有限的缺点 。为弥
补传统方法的不足，充分挖掘机组状态监测数据中的有效信息，近年来，通过信号分析方法提取水
电机组状态特征成为水电机组健康评价与故障诊断领域研究热点。例如，采用快速傅里叶变换（Fast
Fourier Transform，FFT）、小波变换、经验模态分解等方法将信号由时域转换到频域或时频域，再计
算峭度，熵值等参数作为特征输入神经网络，支持向量机等分类器进行故障诊断 ［3-4］ 。这些方法通常
需要借助人工给出标签或者反馈等指导信息来选取最能反映故障的特征。但在水电机组实际运行
中，故障概率较小，且故障机理复杂，故障类型不可能全部被预先掌握，用于鉴别一种故障的特征
参数可能对其他故障不敏感。因此，故障样本不足，特征选择耗时耗力降低了有监督特征学习方法
的实用性。
鉴于水电机组状态监测系统积累了大量机组正常运行数据，从研究机组正常状态特征入手，通
［5］
过建立健全的正常样本特征库来实现水电机组健康状态实时评价具有很强的工程实用性 。无监督特
收稿日期：2020-06-15；网络首发时间：2021-03-26
网络首发地址：https://kns.cnki.net/kcms/detail/11.1882.TV.20210325.0933.001.html
基金项目：国家自然科学基金项目（51979204）
作者简介：胡晓（1993-），博士生，主要从事水电机组健康评价与故障诊断研究。E-mail：electrichuxiao@163.com
通讯作者：肖志怀（1968-），博士，教授，博士生导师，主要从事水电机组故障诊断与建模优化控制研究。E-mail：xiaozhihuai@126.com
— 474 —