Page 111 - 水利学报2021年第52卷第5期

间和频率的联合函数对信号分析，可将信号分解为一系列单频的平稳信号，均具有较好地表征非平
稳信号的能力。例如，文献［7］提出了一种改进的小波阈值函数降噪算法，保留了振动信号突变点信
息，并更好的跟踪原信号特征。文献［8］通过最优变分模态分解将非平稳振动序列分解为一系列模态
函数，实现了各信号分量频率的分离。然而，并不是所有提取的特征都能够提供有用的信息，因
此，许多指标被提出用来进行特征评价以选出具有代表性的特征。文献［9］使用单调性、预测性、趋
势性来排除冗余特征，文献［10］采用 Pearson 相关系数来分析特征之间的相关性。这些方法对于特征

之 间 的 线 性 相 关 性 更 敏 感 ， 却 忽 略 了 非 线 性 相 关 性 ， 而 最 大 信 息 系 数（Maximal information coeffi⁃
［11］
cient，MIC） 可以很好地衡量变量间的线性或非线性强度，具有更高的准确度。就预测算法而言，
随着深度学习的发展，其将多层次的非线性低维特征形成更加抽象的高维表示，具有更高的泛化能
力和特征提取能力，提高了振动预测的精度和稳定度，已在水电机组寿命预测、故障诊断等方面取

得了较好的应用。例如，文献［12］提出了一种新的基于深度卷积神经网络（Deep convolution neural
network，DCNN）的振动趋势预测方法。与浅层网络模型相比，DCNN 具有强大的特征提取能力，但
它忽略了水电机组振动信号在时间序列中的联系。递归神经网络（Recurrent neural network，RNN）的
提出很好地解决了时序预测问题，RNN 的神经元可以同时接收自身历史时刻以及其他神经元的信
息，具有记忆性、参数共享的特点，对于序列数据的非线性特征学习具有独特优势 ［13］ 。但是 RNN 具
有长期依赖和梯度爆炸或消失的问题。因此，长短时记忆网络（Long short term memory，LSTM）通过
引 入 门 控 机 制 避 免 了 长 期 依 赖 问 题 ， 但 其 内 部 参 数 较 多 ， 而 门 控 循 环 神 经 网 络（Gated Recurrent
Unit，GRU）则通过减少门控机制使其结构更加优化，减少训练时间。双边门控循环神经网络（Bidi⁃
rectional gated recurrent unit，BiGRU）则从时间序列数据中提取历史和未来方向的特征，充分挖掘数
据信息，进一步提高了预测精度。
综上所述，水电机组振动信号波动范围大，其非平稳性对预测的精度和稳定度的提高有很大的
影响。为构造有效的特征集，提高数据的有效性，并建立精确的预测模型，本文提出了一种基于
WTD 的信号去噪、基于 MIC 的特征选择、基于 BiGRU 网络的混合预测方法，即 WTD-MIC-BiGRU 模
型。首先采用小波阈值去噪（Wavelet threshold de-noising，WTD）对原始振动信号进行降噪和滤波处
理，以有效区分振动信号中的高频部分和由噪声引起的高频干扰，并对信号进行特征提取和低通滤
波；再利用 MIC 对振动信号和工况参数进行深层次关联性分析，挖掘状态参数与振动信号之间的非
线性关系，选出相关性最强的状态参数作为特征输入；最后采用 BiGRU 网络建立预测模型进行趋势
预测。实验结果证明本文提出的模型训练时间短，泛化能力强，取得了较好的预测结果。

2 基本原理

2.1 方法框架 本文预测模型的流程如图 1 所示，总体分为在线阶段和离线阶段两个阶段。其具体

建模步骤如下。
)
（1）离线阶段。步骤 1，获取 X ={x ，x ，…，x } 和振动集 Y = ( y ，y ，…，y ，其中 n 为变量个
1 2 n 1 2 t
数，t 为序列长度；步骤 2，将历史数据进行周期化，划分为多个训练样本，并删除周期较短的样本
周期，其中一个周期即为水电机组一次完整的开停机发电或抽水过程；步骤 3，利用小波阈值去噪方
法对非线性非平稳、具有强背景噪声的振动集进行降噪处理，得到去噪滤波后的振动集；步骤 4，利
用 MIC 计算相关状态变量与振动信号之间的非线性相关性，选择出关联性最强的变量作为参考输入
特征集 X ={ x ，x ，…，x } ；步骤 5，将特征集与振动集标准化并构造输入、输出样本矩阵输入到
1 2 p
BiGRU 网络中进行训练构造预测模型。
（2）在线阶段。步骤 1，获取实时状态变量集、振动集；步骤 2，对实时信号进行 Z-score 标准
化，并构建输入矩阵；步骤 3，将实时信号样本矩阵输入到训练好的 BiGRU 模型进行预测，获取实时
未来多步预测值；步骤 4，计算真实振动值与预测值之间的误差。

— 613 —