基于互信息的汽轮发电机故障预测方法

《Energies》：A Method for Predicting Steam Turbine Generator Faults Based on MI

　　

为了提高发电汽轮机故障预测的准确性，并解决高维非线性监测数据及繁琐的超参数调优所带来的挑战，研究人员提出了一种智能故障预测方法。尽管基于互信息（MI）的特征选择和用于超参数调优的贝叶斯优化（BO）在故障诊断应用中各自取得了成功，但现有方法主要将这两个关键方面视为孤立的独立过程。这种分离限制了特征质量与模型配置之间的协同潜力，导致在协调的、全自动的汽轮机故障预测框架方面存在空白。为填补这一空白，所提出的方法（称为BO-CNN-BiLSTM）提供了一种自动流水线，该流水线依次集成了基于MI的自适应特征选择和用于CNN-BiLSTM网络超参数调优的贝叶斯优化。首先，MI结合K-means聚类自动识别并保留与故障状态强相关的关键特征，有效降低输入维度。随后，采用BO框架自主搜索最优超参数配置，实现从特征选择到模型优化的无缝集成。通过自建的物理信息融合实验平台验证，优化后的模型在测试集上达到了均方根误差（RMSE）为0.324和决定系数（R²）为0.888的性能。其预测性能显著优于缺乏贝叶斯优化的模型，以及采用单一CNN或BiLSTM架构的模型。因此，该研究为发电汽轮机提供了一种高度自动化、准确且实用的智能故障预测方案。

汽轮发电机作为发电系统的核心设备，其可靠性直接影响电网安全稳定运行。随着能源互联网与智能电网建设推进，对发电设备智能运维提出更高要求。传统的定期维护和事后维修模式缺乏前瞻性且成本高昂，亟需向“预测性维护”转变。发电汽轮机的运行状态受多物理场耦合影响，监测信号呈现高维、强非线性、非平稳和显著噪声干扰特征，导致故障微弱特征被淹没。传统的基于模型或经验的方法精度不足，基于统计分析的常规数据挖掘方法难以捕捉信号中的非线性动态特性。为此，以深度学习为代表的数据驱动方法成为智能故障诊断与预测的研究前沿。卷积神经网络（CNN）能够自适应学习故障相关的空间判别模式，长短时记忆网络（LSTM）通过门控机制捕获时间序列的长期动态演化，二者结合的CNN-LSTM混合模型在故障诊断与预测中展现出综合性能。然而，混合模型的性能受限于超参数配置与输入特征质量两个方面。超参数优化中，传统的网格搜索和随机搜索计算成本高、效率低，而贝叶斯优化（BO）以较低计算成本和高搜索效率在复杂模型优化中广泛应用。特征工程方面，工业现场采集的高维监测数据中包含大量与故障无关的特征，直接输入模型会增加计算复杂度并导致过拟合，因此需要通过高效的特征选择筛选出与故障状态最相关的参数子集。互信息（MI）方法基于信息论，能够准确量化变量间的统计依赖性，在捕获非线性关系方面优于传统线性指标。尽管MI特征选择与BO各自在特征工程和模型调优中已确立重要地位，但现有研究在针对发电汽轮机等专用设备的故障预测中，大多将特征选择或模型超参数优化视为孤立步骤，缺乏协调的全自动预测框架。为弥补这一空白，研究人员提出了一种名为BO-CNN-BiLSTM的智能故障预测模型。该模型构建了自动流水线，依次集成基于MI的自适应特征选择与基于BO的超参数调优。通过自建的物理信息融合实验平台验证，优化模型在测试集上取得均方根误差（RMSE）为0.324、决定系数（R²）为0.888的预测性能，显著优于缺乏贝叶斯优化的模型以及采用单一CNN或BiLSTM架构的模型。该研究提供了一种高度自动化、准确且实用的智能故障预测方案，为发电汽轮机从“计划维修”向“预测性维护”转型提供了可行技术路径。论文发表在《Energies》。

研究人员为开展研究主要采用了以下关键技术方法：1）基于互信息（MI）与K-means聚类的自适应特征选择方法，自动确定筛选阈值并保留与故障状态强相关的关键特征子集；2）构建CNN-BiLSTM混合模型，利用一维卷积层和平均池化层提取局部时空特征，并通过双向长短时记忆网络（BiLSTM）捕获双向长期时间依赖性；3）采用贝叶斯优化（BO）框架自动搜索最优超参数组合（包括学习率、Dropout率、卷积核数量与大小、BiLSTM单元数、批大小等），以验证集均方误差（MSE）为目标函数；4）自建物理信息融合实验平台（包含汽轮机故障试验台、润滑油供应系统、蒸汽供应系统及配套仿真软件SimuEngine V6.0，试验台由海军工程大学自主研发，位于中国武汉），整合物理实验与仿真实验数据，获取多源状态参数。样本队列来源于该实验平台，采样频率1 Hz，共2000秒数据点（每参数2000个数据点），通过滑动窗口（时间步长10）生成1990个样本，按约7:1.5:1.5划分为训练集（1393个）、验证集（298个）和测试集（299个）。

研究结果部分：

4.1 实验设计：通过集成物理实验与仿真实验的实验设计获取训练数据。机械参数（转速、液压马达行程）直接来自故障试验台，极端工况下的蒸汽参数（如速关阀前温度、压力）由经实验数据验证的仿真模型提供。通过闭环验证标定流程确保物理数据与仿真数据同步。

4.2 特征参数选择：计算各运行参数与转速之间的互信息（MI）值，并用K-means聚类自动确定筛选阈值（0.108411），从13个参数中选出10个关键参数（喷嘴阀后压力Pn1、Pn2、Pn3，润滑油温度To，排汽温度Te，调压后蒸汽压力PT，除氧器压力Pd，速关阀前蒸汽温度和压力Tsv、Psv，液压执行器行程Lm）。该子集保留了原特征集总MI的87.78%。

4.3 数据预处理：对入选参数进行Z-score标准化，使用滑动窗口（时间步长10）构造监督学习数据集，输入X为1990×10×10的三维数组，输出Y为1990个转速值。

4.4 评估指标：采用均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R²）及计算时间作为评估框架。

4.5 案例研究：以汽轮机转速波动故障为例，比较BO-CNN-BiLSTM与单一CNN、单一BiLSTM及未优化CNN-BiLSTM模型。结果表明：1）预测精度：BO-CNN-BiLSTM在MSE和RMSE上分别比次优模型提升18.6%和9.8%，R²达到0.888；2）架构比较：单一BiLSTM优于未优化CNN-BiLSTM，表明简单组合架构未必提升性能，不合理的超参数可能导致内部冲突；3）决定系数：BO-CNN-BiLSTM的R²较单一BiLSTM和未优化CNN-BiLSTM分别提升2.9%和13.4%；4）训练过程：BO-CNN-BiLSTM收敛最快且未过拟合，最小验证损失为0.1164；5）预测曲线：该模型预测曲线与实测值吻合度最高，在高波动样本区间也能精确跟踪波动。

4.6 消融研究：设计六种配置验证特征选择与超参数优化的单独及协同贡献。结果表明：仅MI特征选择使R²从0.833提升至0.873，RMSE从0.396降至0.346；仅贝叶斯优化（使用全部特征）使R²达到0.874，RMSE为0.344；完整方法（MI+BO）取得最佳性能（R²=0.898，RMSE=0.309）。与随机搜索（R²=0.892）和遗传算法（R²=0.867）相比，BO在相同MI特征下表现最优。残差分析显示完整方法的残差标准差最小（0.306），四分位距最小（0.424）。收敛性分析表明BO在50次试验中快速收敛，最终最佳损失0.1169，优于随机搜索的0.1226。

总结讨论部分：消融研究明确证实了MI特征选择与贝叶斯优化的单独及协同贡献。特征选择有效剔除无关信息并增强泛化能力，超参数优化同样能独立显著提升性能。二者结合带来明确优势，且贝叶斯优化在搜索效率与模型性能之间取得最佳平衡。未来工作将采集振动信号，评估该模型在时频数据上的表现，并探索多模态融合。结论部分翻译如下：

为了解决汽轮机故障预测中高维非线性监测数据与手动超参数调优的实际挑战，本文提出了一种名为BO-CNN-BiLSTM的智能故障预测模型。该模型通过自动流水线依次集成基于互信息（MI）的特征选择与贝叶斯优化（BO）。该方法利用MI量化结合K-means聚类进行自适应阈值确定，从多源监测数据中自动选择判别性特征子集，同时解决了复杂模型的两个关键挑战：特征降维与超参数优化。因此，模型的预测精度与泛化能力显著增强，为汽轮机故障预测中高维数据处理与超参数敏感性问题提供了有效解决方案。案例结果表明，BO-CNN-BiLSTM模型在汽轮机转速预测中整体性能卓越，预测值与实测值高度吻合。在测试集上，模型取得了RMSE为0.324和R²为0.888的成绩，显著优于包括单一CNN、单一BiLSTM及未优化CNN-BiLSTM在内的所有基准模型。这些结果凸显了其在实际工程应用中的强大潜力。总之，本文为发电汽轮机提供了一种高精度且鲁棒的数据驱动故障预测模型。该模型通过自动化整个流水线（从智能特征选择到优化模型配置）最小化对领域专家知识的依赖，有助于实现主动故障预警，从而为从传统“计划维修”向现代“预测性维护”范式转变提供了可行的技术路径。未来研究将聚焦于模型的轻量化部署以应用于边缘计算，并扩展至多模式耦合故障的诊断与预测。