针对由数字孪生技术驱动的水力发电单元，研究预测性维护以及声学/振动传感融合方法

《Measurement》：Research on predictive maintenance and acoustic/vibration sensing fusion methods for hydropower units driven by digital twins

　　• TRAF Hydro集成机制驱动的数字孪生更新技术，结合基于残差的特性，能够区分运行过程中的瞬变现象和持续异常，从而提高内部数据集的诊断准确性（AUPRC 0.835 ± 0.035），优于基于航空声学的基线方法（0.665 ± 0.055；平均差异 0.170；p(Holm) = 0.015）。
• 基于残差的多模态融合技术减少了警报数量，并延长了可操作的预警时间，与基线监测相比，误报中位数减少了0.84次/24小时（p(Holm) = 0.018），预警提前时间增加了1.70天（p(Holm) = 0.024）。
• 预测能力的提升体现在点精度和不确定性行为上，剩余使用寿命的平均绝对误差为6.20 ± 1.10天，90%的绝对覆盖误差较低（0.028 ± 0.014），优于仅使用残差或非孪生融合的方法。
• 在运行压力和传感器干扰下的鲁棒性更强，包括在过渡状态下AUPRC下降幅度较小（TRAF -7.2% vs 对比方法 -14.6%）以及误报率降低（28.0% vs 58.0%）。
• 与外部对比算法的基准测试显示，在核心指标上均有显著提升，包括AUPRC高于基于物理信息的数字孪生更新方法（0.835 ± 0.035 vs 0.812 ± 0.038；p(Holm) = 0.028），剩余使用寿命的MAE也低于音频-振动融合模型（6.20 ± 1.10 vs 7.20 ± 1.30；p(Holm) = 0.024）。

引言
预测性维护（PdM）将设备状态和运行数据转化为维护决策，应用于预测与健康管理（PHM）系统中[32]。在水电厂中，即使负载、水头、导叶位置、旋转速度和水力激励发生变化，状态监测（CM）也必须保持可靠，因为这些因素会改变振动和声学响应，但不会导致物理损坏[24]。测量质量受到传感器信噪比、覆盖范围不完整、确认的故障标签稀少以及类别不平衡的影响[35]。多模态传感可以提高故障的可发现性，尽管测量结果仍容易受到运行条件变化的影响[17]。剩余使用寿命（RUL）的估计需要区分退化过程和运行变异性，因为线性假设可能会误解非线性磨损轨迹[47]。部署时必须保持数据采集的时间同步性、信号保真度以及与监控控制和数据采集（SCADA）和可编程逻辑控制器接口的兼容性[29]。
图1. 水电监测的数字孪生（DT）将物理的涡轮发电机单元与更新的计算表示连接起来，该计算表示能够估计潜在状态、生成预期响应，并从测量值与预测值之间的差异中生成残差（Machalski等人，2025年）。实时同步大型水电单元可以在动态负载下更早地识别异常行为，当虚拟状态与物理系统保持一致时[31]。DT的维护价值取决于模型输出如何转化为可测量的诊断和预测指标[39]。增强人工智能（AI）的DT架构还需要处理异构数据、模型更新、互操作性和残差校准[28]。物联网（IoT）支持的反馈架构可以实现旋转资产的持续更新，而水电实现的这三部分仍然在感知、建模和决策层上存在分离[19]。
振动、航空声学和声发射测量能够捕捉轴承故障、不平衡、松动、摩擦、空化和结构损坏等问题的互补表现[36]。它们的诊断价值取决于传感器的灵敏度、安装方式、采集带宽、采样频率、同步性、特征提取以及针对运行条件的校准。声学-振动传输学习可以在噪声和未知负载下提高鲁棒性[45]，而DT与时间预测的结合可以提高旋转机械的预警性能[44]。基于模拟的DT学习可以加速异常推断，尽管现场部署需要明确的感知条件、同步标准和验证约束[1]。以结构健康监测（SHM）为导向的孪生技术强调了持续同步的重要性，并激励在运行状态变化和传感器故障情况下进行评估[15]。时间卷积方法可以在受控数据集中模拟退化过程，但当运行条件发生变化时，其可转移性会下降[34]。测量驱动的振动分析同样表明，噪声、有限的标签观测值和运行变异性可能会干扰诊断结果[12]。
现场部署的水电状态监测受到感知集成、运行状态适应、残差校准、多模态融合以及从测量到决策链的不确定性校准的制约。数字孪生支持的监测在水电应用中提高了故障检测和运行韧性[37]，但现有系统很少使用同步的模型-测量残差来确定每种感知方式的时变可靠性。TRAF Hydro通过使用负载、水头、导叶位置、速度和功率来更新预期响应模型；计算预期振动、声学和声发射特征之间的标准化残差；并利用残差一致性来控制各模态的权重，从而填补了这一空白。其测量贡献在于将传感器链规格、运行状态校准、同步残差生成、自适应融合、警报校准和剩余使用寿命间隔评估整合到一个水电监测架构中。性能评估通过诊断准确性、误报率、预警提前时间、剩余使用寿命误差、区间覆盖率、运行状态变化鲁棒性和传感器故障容忍度来进行。
水电故障诊断取决于传感模型是否能够从稀疏、非平稳的运行记录中提取退化模式，而不会将运行状态变化与设备损坏混淆。Jad等人[14]将自动编码器应用于商业水轮发电机的振动和运行测量数据，并得出一个随非线性退化变化的健康指数，展示了在确认故障标签有限的情况下无监督学习的价值。该分析仅限于一个安装点的振动数据分析，未能解决跨单元的传输问题、声学互补性和警报校准问题。Afridi等人（2025年）使用LSTM从测试台和电厂SCADA记录中预测涡轮导轴承的振动，并报告了较低的预测误差，而Afridi等人[2]表明原始振动序列可以通过时间学习支持轴承预测。这两项研究都确立了序列振动建模的预测价值，尽管仅依靠预测误差无法确定预警的实用性，因为没有联合评估运行状态覆盖范围、警报阈值、预警提前时间和剩余使用寿命的不确定性。Bechara等人[5]结合了振动和磁通量信息来改善水轮发电机状态之间的区分，但严重程度区分与校准的警报或退化时间估计无关。Karna等人[18]综合了弗朗西斯式水轮机的振动、压力、应变和声发射指标，并发现了不足的现场规模声发射数据集、不一致的基准和跨安装的比较性。这些研究检测到了有意义的状况结构，但实际部署仍需要运行状态控制、可比的事件定义和维护导向的验证。
声学-振动融合通过结合结构响应与辐射和脉冲特征来提高故障的可发现性，但其有效性取决于如何对互补信息进行对齐和加权。Wan等人[40]在变速情况下同步融合了声音和振动测量数据用于滚动轴承的诊断，取得了比单一模态模型更强的分类效果，表明当一种信号随运行速度变化时，跨模态信息可以稳定诊断结果。该框架使用了受控的轴承实验和学习到的信号表示，但没有明确的运行状态参考，限制了其在同时受到水力、机械和电磁激励的水轮发电机单元中的应用。Dhungana等人[10]将基于熵的统计描述符与小波能量特征相结合，并使用LSTM对PRONOSTIA和XJTU-SY上的轴承退化进行了建模。结合的特征通过捕捉局部能量重分布和时间进展改善了剩余使用寿命预测，尽管加速的轴承测试无法再现水电规模的负载、垂直轴动态或特定电厂的水力瞬变。Zhu等人[49]通过基于注意力的多模态学习整合了振动和声谱图，用于飞机发动机风扇的诊断，并报告了相对于直接特征融合的改进。其注意力机制展示了自适应特征选择，但分配的权重反映了区分性训练性能，而不是与同步的物理期望一致。因此，融合增强了表示质量，但在运行状态变化、传感器漂移和通道丢失情况下的模态可靠性尚未得到充分建立。
现场部署需要感知、残差生成、融合和警报逻辑来形成一个可追溯的诊断链。Ersan和Irmak[11]为一家水电厂实现了DT，将PLC连接的压力测量数据与模型估计值进行比较，以检测传感器和连接故障，表明模型-测量差异可以支持监测并防止不必要的停机。该框架关注的是仪器故障，未涉及多传感器退化过程、模态特定的可靠性、剩余使用寿命或预测间隔校准。文献将需要整合的三个功能分开：水电研究建模振动轨迹或分类状态；多模态研究学习声学-振动表示；DT研究生成模型-测量差异。面向现场的架构必须同步异构测量数据，在运行状态和水力状态下规范预期响应，以及当通道与预期行为不符时调整模态影响。评估必须将分类性能与误报率、预警提前时间、预测误差、区间覆盖率、运行状态变化鲁棒性和传感器故障容忍度联系起来。TRAF Hydro通过使用负载、水头、导叶位置、速度和功率来更新预期响应模型；计算预期与观测到的振动、声学和声发射特征之间的标准化残差；并利用残差一致性来控制模态权重，从而扩展了现有的感知方法。
水力故障诊断取决于传感模型是否能够从稀疏、非平稳的运行记录中提取退化模式，而不会将运行状态变化与设备损坏混淆。Jad等人[14]将自动编码器应用于商业水轮发电机的振动和运行测量数据，并得出一个随非线性退化变化的健康指数，展示了在确认故障标签有限情况下无监督学习的价值。该分析仅限于一个安装点的振动数据，未解决跨单元传输、声学互补性和警报校准问题。Afridi等人（2025年）使用LSTM根据测试台和电厂SCADA记录预测涡轮导轴承的振动，并报告了较低的预测误差，而Afridi等人[2]表明原始振动序列可以通过时间学习支持轴承预测。这两项研究都确立了序列振动建模的预测价值，尽管仅依靠预测误差无法确定预警的实用性，因为未共同评估运行状态覆盖范围、警报阈值、预警提前时间和剩余使用寿命的不确定性。Bechara等人[5]结合了振动和磁通量信息来改善水轮发电机状态之间的区分，但严重程度区分与校准的警报或退化时间估计无关。Karna等人[18]综合了弗朗西斯式水轮机的振动、压力、应变和声发射指标，并指出了稀缺的现场规模声发射数据集、不一致的基准和跨安装的比较性。这些研究检测到了有意义的状况结构，但实际部署仍需要运行状态控制、可比较的事件定义和维护导向的验证。
声学-振动融合通过结合结构响应与辐射和脉冲特征来提高故障的可发现性，但其有效性取决于如何对互补信息进行对齐和加权。Wan等人[40]在变速情况下同步融合了声音和振动测量数据用于滚动轴承诊断，并取得了比单一模态模型更强的分类效果，表明当一个信号随运行速度变化时，跨模态信息可以稳定诊断结果。该框架使用了受控的轴承实验和学习到的信号表示，但没有明确的运行状态参考，限制了其在同时受到水力、机械和电磁激励的水轮发电机单元中的应用。Dhungana等人[10]将基于熵的统计描述符与小波能量特征相结合，并使用LSTM对PRONOSTIA和XJTU-SY上的轴承退化进行了建模。结合的特征通过捕捉局部能量重分布和时间进展改善了剩余使用寿命预测，尽管加速的轴承测试无法再现水电规模的负载、垂直轴动态或特定电厂的水力瞬变。Zhu等人[49]通过基于注意力的多模态学习整合了振动和声谱图，用于飞机发动机风扇的诊断，并报告了相对于直接特征融合的改进。其注意力机制展示了自适应特征选择，但分配的权重反映了区分性训练性能，而非与同步的物理期望一致。因此，融合增强了表示质量，但在运行状态变化、传感器漂移和通道丢失情况下的模态可靠性尚未得到充分建立。
现场部署需要感知、残差生成、融合和警报逻辑来形成一个可追踪的诊断链。Ersan和Irmak[11]为一家水电厂实现了DT，将PLC连接的压力测量数据与模型估计值进行比较，以检测传感器和连接故障，表明模型-测量差异可以支持监测并防止不必要的停机。该框架侧重于仪器故障，未涉及多传感器退化过程、模态特定的可靠性、剩余使用寿命或预测间隔校准。因此，文献将需要整合的三个功能分开：水电研究建模振动轨迹或分类状态；多模态研究学习声学-振动表示；DT研究生成模型-测量差异。面向现场的架构必须同步异构测量数据，在运行状态和水力状态下规范预期响应，标准化运行状态内的残差，并在通道与预期行为不符时调整模态影响。评估必须将分类性能与误报率、预警提前时间、预测误差、区间覆盖率、运行状态变化鲁棒性和传感器故障容忍度联系起来。残差引导的融合通过提供运行状态特定的可靠性信号来扩展现有的感知方法，这种信号是传统连接和注意力权重无法直接提供的。
DT驱动的PHM依赖于测量运行状态与模型更新、残差解释和维护导向输出之间的持续对应关系。J. Wang等人（2025年）回顾了基于DT的旋转机械PHM，并围绕物理-虚拟交互、残差生成、故障诊断和剩余使用寿命预测组织了工作流程。该回顾确立了残差作为模型行为与测量行为之间的分析桥梁，尽管不确定性处理和水电特定证据在很大程度上仍然是概念性的。Heluany和Gkioulos[13]将DT应用映射到电力生产和分配领域，并确定了混合物理-数据建模、互操作性和信息物理集成作为核心要求。他们的综合清晰了架构组件，但没有量化状态估计频率、参数适应或模型不匹配对警报和剩余使用寿命性能的影响。Y. Wang等人（2025年）使用贝叶斯多输出高斯过程融合了涡轮发电机的振动和温度测量数据，并为两个单元生成了带有不确定性界限的条件估计。这种概率表述支持了早期异常识别，但它作为一个条件估计模型运作，没有完整的虚拟传感器循环来连接运行输入、在线参数更新和自适应多模态融合。Chen等人[8]、[9]提出了一个针对水电的DT开发框架，涵盖了物理资产、数据集成、建模、服务和实施约束。其贡献在于为灵活和可持续的电厂运营提供了架构指导；关于残差有效性、警报校准、传感器损坏和预测不确定性的经验标准超出了其范围。
跨领域的DT应用定义了可以直接移植到水电监测的评估要求。Castellani等人[7]依次结合了工业SCADA和风力涡轮机齿轮箱的振动数据，证明了当保持时间顺序和采样尺度时，多分辨率的运行和状态测量可以改善早期检测。该工作流程强调了基于时间的分离和泄漏控制的重要性，尽管其级联分析没有使用同步的物理模型来生成预期的传感器响应。Zhou等人[48]开发了一种基于DT的在线评估方法，用于风力涡轮机齿轮箱，其中SCADA变量用于负载估计、模型校准和疲劳评估。该研究表明，运行状态描述符可以更新与退化相关的模型，但其关注点仅限于负载和疲劳，限制了对声学融合、误报和校准剩余使用寿命间隔的证据。Li等人[25]构建了一个基于DT的运行和维护平台，用于大型水电钢结构，并通过集成监测、建模和管理服务报告了更快的异常响应。该平台展示了实时数字化在水电基础设施中的运营价值，尽管监测的资产、加载机制和感知链与涡轮发电机故障过程不同。总体而言，这些应用表明，成功的DT监测需要同步的采样、时间有效的评估、与运行变量相关的模型更新，以及可以在维护工作流中解释的输出。
能源系统评估进一步表明，模型保真度、数据异质性和决策整合决定了DT是否可以作为运行测量系统发挥作用。Cao等人[6]回顾了水电数字化的核心技术，并将DT与物联网感知、智能监测、数据平台和调度相结合，指出工厂级别的价值来源于协调的基础设施，而不仅仅是一个孤立的预测模型。该回顾较为广泛，未具体说明残差构建、模态加权或基于不确定性的故障预测。Kim等人[20]综合了清洁能源系统的DT应用，并确定了互操作性、网络安全、模型更新和人在回路中的决策过程作为持续部署的限制。这种系统级别的视角强调了将预测与运营治理联系起来的必要性，尽管跨行业的分类法为快速变化的水力条件下的涡轮发电机感知提供了有限的证据。因此，未解决的水电需求是一个在线更新的框架，它将负载、水头、导叶位置、速度和功率转换为预期的多传感器响应；评估同步的模型-测量差异；使用这些差异来控制融合的可靠性；并报告带有校准不确定性的警报和剩余使用寿命。TRAF Hydro通过将运行状态感知的更新、残差引导的模态加权、诊断准确性、预警提前时间评估、区间校准和鲁棒性测试结合在一个面向现场的PHM流程中，填补了这一空白。
文献指出了水电状态监测中的三个局限性。多模态融合方法没有考虑运行状态，降低了在负载变化下的泛化能力。数字孪生模型生成了模拟结果，但未为诊断或预测用途生成结构化的残差。现有方法还缺乏在校准的不确定性和稳定警报阈值下的处理。TRAF Hydro框架通过整合一个考虑运行状态的数字孪生与残差引导的多模态融合，解决了这些局限性。操作变量，包括负荷、水头和导向叶片位置，驱动数字孪生模型进行更新，以产生预期的系统响应。残差被定义为观测信号与预期信号之间的偏差，它将瞬态效应与持续异常区分开来。残差引导一个门控融合机制，该机制根据偏差一致性调整各种模式的贡献。与持续残差模式相符的信号会被重点考虑，而那些受运行状态变化或噪声影响的信号则会被降低权重。该框架还结合了带有校准预测区间的剩余使用寿命（RUL）预测，使得检测、不确定性和维护阈值之间的对齐成为可能。这种集成将运行状态建模、残差生成和自适应融合结合到一个推理结构中，提高了诊断准确性，减少了误报，并在可变运行条件下稳定了预测性能。

本研究旨在：(i) 构建一个能够在线更新并生成残差及健康指数的运行状态感知型数字孪生模型；(ii) 开发用于诊断和剩余使用寿命预测的特征级、决策级和残差级别的声学-振动融合方法；(iii) 通过跨运行状态和传感器缺失测试，使用预先规定的准确性、误报率、提前时间和校准指标来验证改进效果。研究的主要问题包括：RQ1：哪些数字孪生更新方法能够区分运行状态瞬变和初期故障产生的残差？RQ2：哪种融合水平能在保持低误报率的同时，在不同运行状态下具有最佳的泛化能力，并且预测剩余使用寿命的区间能够得到很好的校准？H1：数字孪生引导的融合方法相比非孪生基线能够减少误报并延长检测提前时间，这一点通过自助法置信区间得到了支持。H2：数字孪生引导的融合方法在运行状态变化和传感器缺失情况下，能够改善剩余使用寿命的平均绝对误差和区间覆盖率。

研究设计采用了基于涡轮发电机单元的操作时间序列的观察性设计，以实施并评估针对预定义控制基线的TRAF（Transient Regime Analysis Framework）。在不改变工厂运行的情况下分析了历史状态监测数据流，从而能够在负荷、水头和导向叶片调度自然变化的情况下进行评估。纵向结构将每个单元视为一个独立的发展过程，并在其内部水电数据集中跟踪退化证据。

在八个单元中，声学-振动融合基线产生了最高的基线诊断性能，其AUPRC（平均精确度- pictured recapity）为0.788±0.041，AUROC（平均美元值- receiver operating characteristic）为0.889±0.026，宏观F1分数（macro F1 score）为0.721±0.055。仅振动基线的AUPRC为0.742±0.048，AUROC为0.861±0.031，宏观F1分数为0.683±0.060。相应的AUPRC值分别为：空气声学0.665±0.055，AE（Acoustic Emission）0.701±0.052，仅有DT（Digital Twin）残差的基线为0.726±0.050（表1）。

讨论部分指出，当前研究在内部水电监测数据集上评估了TRAF，发现其在诊断、预警、预测和抗应力鲁棒性方面相较于单一模式基线、无孪生引导的简单声学-振动融合以及仅有残差的控制方法具有持续的改进。在诊断方面，TRAF更清晰地区分了故障和正常运行，并且在故障代码之间的区分能力有所提升，尤其是与仅使用声学传感相比时改进最为显著。

CRediT作者贡献声明：
魏旺（Wei Wang）：负责撰写、审稿与编辑、原始草稿的撰写、数据分析以及概念化工作。

未引用的参考文献：
[3], [4], [26], [27], [41], [42]

利益冲突声明：
作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢：
作者衷心感谢水电运营和维护人员提供的技术支持，他们帮助获取了监测配置数据，并在实际解读状态监测结果方面提供了协助。