Page 118 - 水利学报2021年第52卷第5期

果均有一定改善；由于 Pearson 方法挖掘的是变量间的线性关系，而 MIC 对于变量之间的非线性关系更
敏感，更能准确反映出变量间的联系，基于 MIC 选择出的变量作为参考输入，预测效果更好。
（3）深度预测模型。当采用相同信号处理 WTD 与特征选择 MIC 时，LSTM 网络独特的循环结构使
之对时间序列数据的学习与预测能力更强，也表现出较低的预测误差，而 GRU 网络由于其更加优化
的结构使得模型的泛化能力更强，预测误差在 RMSE 和 MAE 指标中相比 LSTM 减小。而 BiGRU 网络
同时学习未来和历史信息，使得预测更加准确。
为 进 一 步 直 观 展 示 不 同 模 型 的 预 测 结 果 ， 图 7 展 示 了 WTD-BiGRU、 WTD-Pearson-BiGRU、
WTD-MIC-GRU、WTD-MIC-BiGRU 等 4 种典型模型在发电工况和抽水工况下某一个随机周期的测试
结果，与原始振动数据以及经过 WTD 去噪后的数据对比结果。从图中可以看出，在发电态工况下，
由于开机时受其他部件的影响，机组的振动幅值较大，因此在开机附近呈现出一定的误差，但在使
用小波系数阈值去噪后，整体预测效果具有一定的稳定性；在抽水态工况下，振动数据较为平稳，
所提方法预测更加准确。综上所述，本文所提出的 WTD-MIC-BiGRU 模型的预测效果表现出更好的
精准性和稳定性，能为机组设备异常预警提供有效支持。

（a）发电态下不同模型预测结果 （b）抽水态下不同模型预测结果

图 7 不同模型预测结果对比

4 结论

为准确预测水电机组未来振动趋势，本文针对高频振动信号噪声大的问题，对信号进行小波阈
值去噪，以滤除噪声；其次，考虑到水电站设备运行中多方面因素的影响，提出基于最大信息系数
的特征选择方法，通过挖掘变量间非线性关系以挑选出与振动信号最相关的工况参数；最后，提出
基于双边门控循环神经网络的趋势预测方法，有效提升模型的预测精度和泛化性能。通过工程实例
数据对所提方法体系中各部分的验证和现有流行方法的对比，实验结果表明，本文所提出的数据处
理方法 WTD-MIC，结构参数少，具有较高的自适应性，充分挖掘状态监测数据中的特征，避免了人
工经验的依赖和不足；另外基于深度学习的双边门控循环神经网络也具有一定的优越性，在预测精
度和泛化性能上均能够满足工业要求。
本文结论具体如下：（1）基于小波系数阈值去噪的方法保留了水电机组振动信号的原始特性，在
去除噪声的同时，很好的保留了局部尖峰振动信号，避免局部峰值振动信号的失真，有效为故障预
警提供实时方案；（2）基于最大信息系数的特征选择方法，充分考虑了相关变量与振动信号间的非线
性关联性，避免了人工经验的不足以及单变量预测带来的不稳定；（3）基于双边门控循环神经网络的
时序预测方法，充分利用历史和未来时刻的信息，有效提取真实振动信号变化特征，建立了强泛化
的映射关系，提高了预测精度；（4）通过工程数据实验表明，本文所提出的 WTD-MIC-BiGRU 模型
中，小波系数阈值去噪、最大信息系数以及双边门控循环神经网络相比已有研究中常用的去噪方法、
特征选择方法以及深层模型具有更好的效果，可在实际工程应用中为机组状态检修提供一定参考。
— 620 —