談 群,郜振亞,秦 拯,苗洪雷

(1.湖南大學(xué) 信息科學(xué)與工程學(xué)院,湖南 長(zhǎng)沙 410082; 2.華自科技股份有限公司,湖南 長(zhǎng)沙 410205)

0 引 言

中國(guó)水電行業(yè)發(fā)展迅速,水電機(jī)組裝機(jī)容量持續(xù)提升,設(shè)備的維修和保養(yǎng)也越來(lái)越重要。在水力發(fā)電的機(jī)組中,穩(wěn)定軸瓦溫度對(duì)水輪機(jī)在工作狀態(tài)下的安全運(yùn)行起著重要的作用[1-3]。軸瓦溫度過(guò)高會(huì)造成燒瓦事故,迫使機(jī)組停機(jī)甚至發(fā)生重大安全事故。監(jiān)控軸瓦溫度、及時(shí)發(fā)現(xiàn)軸瓦溫度異常、避免進(jìn)一步的損失是水電站工作人員的重要工作。

國(guó)內(nèi)外學(xué)者對(duì)水輪機(jī)軸瓦溫度的研究主要集中于研究水輪機(jī)軸瓦溫度升高的機(jī)理,識(shí)別軸瓦溫度升高的原因,進(jìn)而提出相應(yīng)的日常巡檢和維修處理建議;基于理論和數(shù)學(xué)模型,進(jìn)行軸瓦溫度預(yù)測(cè)和故障預(yù)測(cè)與健康管理(Prognostic and Health Management)系統(tǒng)開(kāi)發(fā)。毋生俊等[2]等根據(jù)多年運(yùn)行水電站的經(jīng)驗(yàn),對(duì)水輪機(jī)軸瓦溫度升高的原因進(jìn)行了詳細(xì)分析,對(duì)不同原因提出了相應(yīng)的預(yù)防和維修措施建議。Gunasekara[4]對(duì)軸瓦溫度的動(dòng)態(tài)變化進(jìn)行建模和模擬,發(fā)現(xiàn)軸瓦溫度取決于多個(gè)變量,如環(huán)境空氣溫度、冷卻水和冷卻水流量、初始軸承溫度、運(yùn)行持續(xù)時(shí)間和電力負(fù)荷,很難利用常規(guī)的建模方法對(duì)這種傳熱系統(tǒng)進(jìn)行建模。唐勇等[5]根據(jù)溫度系統(tǒng)非線性、大滯后、多變量、強(qiáng)耦合等特點(diǎn),提出了改進(jìn)的人工神經(jīng)網(wǎng)絡(luò)BP算法對(duì)水輪機(jī)軸瓦溫度進(jìn)行建模和預(yù)測(cè),實(shí)現(xiàn)了對(duì)模擬瓦溫變化趨勢(shì)的準(zhǔn)確預(yù)測(cè)。唐詩(shī)等[6]采用支持向量機(jī)模型對(duì)軸瓦溫度進(jìn)行了預(yù)測(cè),結(jié)果顯示根據(jù)仿真分析結(jié)果得出的預(yù)測(cè)值能夠較好地跟蹤實(shí)際值。

總結(jié)現(xiàn)有文獻(xiàn),水輪機(jī)軸瓦溫度升高機(jī)理的研究相對(duì)充分,但對(duì)軸瓦溫度進(jìn)行預(yù)測(cè)和預(yù)警的研究相對(duì)較少,且存在以下兩點(diǎn)不足:① 在建模時(shí),普遍只選取了影響軸瓦溫度的直接因素,忽略了工況數(shù)據(jù)如有功功率、水頭等因素。水輪機(jī)在運(yùn)行時(shí),組件之間的影響十分密切,不同的水輪機(jī)機(jī)組的運(yùn)行環(huán)境、設(shè)備的健康狀況不盡相同,軸瓦溫度的影響因素也應(yīng)包括各自的實(shí)際條件。② 在預(yù)測(cè)方法上,雖然考慮了變量之間的非線性因素,但是普遍將歷史數(shù)據(jù)進(jìn)行統(tǒng)一輸入,未充分考慮溫度序列隨時(shí)間的變化趨勢(shì)。水輪機(jī)的測(cè)點(diǎn)監(jiān)測(cè)數(shù)據(jù)是由傳感器收集到的按照時(shí)間順序排列的一系列觀測(cè)數(shù)值,各個(gè)參數(shù)的時(shí)間效應(yīng)明顯,如溫度是隨時(shí)間遞增或遞減而并非離散的,水輪機(jī)正常工作時(shí),某一時(shí)刻的溫度與之前的溫度緊密相關(guān)。

對(duì)此,本文首先對(duì)水輪機(jī)軸瓦溫度的影響因素進(jìn)行分析,識(shí)別出軸瓦溫度的直接因素和工況因素,然后采用特征工程算法篩選出對(duì)軸瓦溫度真正有影響的特征,再利用時(shí)間序列分析的方法進(jìn)行建模,得出更為精確的軸瓦溫度預(yù)測(cè)方法,旨在考慮不同水輪機(jī)各自的實(shí)際情況,搭建出具有普適性的軸瓦溫度預(yù)測(cè)方法,更準(zhǔn)確地預(yù)測(cè)出軸瓦溫度,為溫度告警等相關(guān)系統(tǒng)提供相應(yīng)的技術(shù)支撐。

1 水輪機(jī)軸瓦溫度影響因素分析

水輪機(jī)工作時(shí),軸瓦表面與軸頸之間由于機(jī)械摩擦而產(chǎn)生熱量,潤(rùn)滑油起到減少摩擦作用,又可以把少部分熱量及時(shí)通過(guò)潤(rùn)滑油的循環(huán)帶出,熱的潤(rùn)滑油經(jīng)過(guò)冷卻水變成冷油供給軸瓦再次使用,如此循環(huán)往復(fù)構(gòu)成冷卻系統(tǒng)。因此,一般來(lái)說(shuō),在機(jī)組正常工作的情況下,軸瓦溫度不會(huì)發(fā)生太大的變化。基于以上工作機(jī)理以及可量化的條件,本文梳理出以下幾個(gè)軸瓦溫度升高的原因。

(1) 機(jī)組轉(zhuǎn)速。水輪機(jī)機(jī)組的轉(zhuǎn)子通過(guò)旋轉(zhuǎn)使得軸瓦與軸頸進(jìn)行摩擦,產(chǎn)生熱能。理論上,機(jī)組轉(zhuǎn)速越快,短時(shí)間內(nèi)產(chǎn)生的熱能也越多。在實(shí)際的工作中,工作人員發(fā)現(xiàn)當(dāng)機(jī)組轉(zhuǎn)速較低時(shí),油膜未能充分形成,軸瓦溫度反而更高甚至造成燒瓦。因此,部分水電站明確禁止水輪機(jī)長(zhǎng)時(shí)間在低轉(zhuǎn)速環(huán)境下工作。

(2) 油膜厚度。機(jī)組運(yùn)行時(shí),軸瓦與軸頸之間由于機(jī)械運(yùn)動(dòng)產(chǎn)生摩擦阻力,進(jìn)而使軸瓦溫度升高。潤(rùn)滑油作為降溫和潤(rùn)滑的媒介,與軸瓦、軸頸充分接觸并形成一定厚度的油膜,減少軸瓦與軸頸的摩擦阻力,因此,可以通過(guò)油膜厚度來(lái)反映軸承之間的潤(rùn)滑狀況及其瓦面溫度的變化。

(3) 冷卻水壓力。冷卻水壓力過(guò)低時(shí)會(huì)降低冷卻器的過(guò)流量,影響冷卻器的正常工作,引起軸瓦溫度升高。

(4) 環(huán)境溫度。在水輪機(jī)正常工作時(shí),軸瓦與外界環(huán)境接觸,一方面軸瓦溫度會(huì)隨著環(huán)境溫度呈現(xiàn)季節(jié)性和晝夜溫差變化;另一方面,外界環(huán)境會(huì)與軸瓦、冷卻水等設(shè)備產(chǎn)生熱量交換,對(duì)軸瓦溫度起到一定的調(diào)節(jié)作用。

(5) 工況因素。水流流過(guò)水輪機(jī)時(shí),通過(guò)主軸帶動(dòng)發(fā)電機(jī)旋轉(zhuǎn)將機(jī)械能轉(zhuǎn)換成電能。在效率不變的情況下,發(fā)電機(jī)產(chǎn)生的功率越大,需要的機(jī)械能越多,軸瓦做功也越多。水頭、流量等也會(huì)對(duì)軸瓦溫度產(chǎn)生相應(yīng)的影響。

除以上因素外,潤(rùn)滑油的質(zhì)量、主軸擺度、機(jī)組振動(dòng)、冷卻水系統(tǒng)故障等因素也會(huì)對(duì)軸瓦溫度產(chǎn)生影響,查找原因時(shí)必須全面考慮,但這些因素難以進(jìn)行量化,無(wú)法在數(shù)學(xué)模型中準(zhǔn)確表述,因此在建模時(shí)暫不考慮。

2 特征工程

2.1 特征工程重要性

由眾多監(jiān)測(cè)點(diǎn)對(duì)水輪機(jī)工作數(shù)據(jù)進(jìn)行收集,各個(gè)信號(hào)之間會(huì)相互疊加,彼此影響,甚至?xí)嬖谌哂嘈畔?。單個(gè)監(jiān)測(cè)點(diǎn)無(wú)法真實(shí)反映出設(shè)備的運(yùn)行狀態(tài)和故障信息,需要結(jié)合多個(gè)監(jiān)測(cè)點(diǎn)的信號(hào)數(shù)據(jù)綜合考慮。如何從眾多的監(jiān)測(cè)數(shù)據(jù)中找到有效的特征,對(duì)于模型的搭建、預(yù)測(cè)的準(zhǔn)確性和科學(xué)性十分重要。

特征工程是機(jī)器學(xué)習(xí)中最重要的一部分,是指把原始數(shù)據(jù)轉(zhuǎn)變?yōu)槟Ｐ陀?xùn)練數(shù)據(jù)的過(guò)程,目的是獲取更好的訓(xùn)練數(shù)據(jù)特征,使機(jī)器學(xué)習(xí)模型能夠逼近數(shù)據(jù)的上限[7]。特征工程一般可以分為特征構(gòu)建、特征選擇和特征提取。特征構(gòu)建需要一定的構(gòu)建經(jīng)驗(yàn),通過(guò)不斷訓(xùn)練累積經(jīng)驗(yàn),學(xué)習(xí)如何構(gòu)建。特征提取和特征選擇較為相似,區(qū)別在于特征提取更加強(qiáng)調(diào)通過(guò)一定的特征轉(zhuǎn)換的方式獲取模型數(shù)據(jù)輸入集。特征選擇是從特征集合中挑選一組具有明顯物理或統(tǒng)計(jì)意義的特征子集,如水輪機(jī)軸瓦溫度預(yù)測(cè)的過(guò)程中也使用特征選擇,模型一般挑選環(huán)境溫度、油膜厚度等特征作為模型訓(xùn)練的數(shù)據(jù)集。

本文將重點(diǎn)放在特征選擇上,目的是通過(guò)特征選擇從眾多的監(jiān)測(cè)點(diǎn)數(shù)據(jù)中挑選出對(duì)水輪機(jī)軸瓦溫度有影響的因素?，F(xiàn)有文獻(xiàn)在預(yù)測(cè)水輪機(jī)軸瓦溫度的建模中,普遍只選擇了環(huán)境溫度、油膜厚度、機(jī)組轉(zhuǎn)速等特征,未考慮其他因素。采用統(tǒng)一的特征進(jìn)行建模不能適應(yīng)所有水電站的情況。不同水電站的基礎(chǔ)建設(shè)不同,尤其是小水電站,部分特征無(wú)法收集,如油膜厚度為流體,數(shù)據(jù)難以測(cè)量,小型水電站此類(lèi)數(shù)據(jù)普遍缺失。此外,不同的水輪機(jī)、同一水輪機(jī)的不同工作環(huán)境會(huì)導(dǎo)致水輪機(jī)各個(gè)信號(hào)之間的影響不同,在實(shí)際工作中,工況的相關(guān)特征對(duì)軸瓦溫度的影響程度應(yīng)當(dāng)視水輪機(jī)的實(shí)際情況來(lái)判斷。因此,對(duì)軸瓦溫度進(jìn)行建模時(shí),應(yīng)當(dāng)充分考慮水輪機(jī)的實(shí)際情況,從眾多的特征中選擇合適的特征子集。

2.2 基于XGBoost的特征選擇原理介紹

XGBoost是對(duì)梯度提升決策樹(shù)(GBDT)的改進(jìn),能夠多線程實(shí)現(xiàn)回歸樹(shù)的并行構(gòu)建,將計(jì)算速度和效率發(fā)揮到極致[8]。GBDT只利用了一階導(dǎo)數(shù)的信息,XGboost對(duì)損失函數(shù)做了二階泰勒展開(kāi),計(jì)算精度更高,而且XGboost在目標(biāo)函數(shù)中加入了正則項(xiàng),有效地防止了過(guò)擬合,相較于GBDT算法更具優(yōu)勢(shì)。一些學(xué)者在特征選擇的實(shí)證分析中,發(fā)現(xiàn)XGBoost在眾多模型中表現(xiàn)出最優(yōu)性能[7,9]。XGBoost算法具體可表示為

(1)

(2)

(3)

(4)

XGBoost算法進(jìn)行特征選擇的原理如下:在單個(gè)決策樹(shù)中,利用每個(gè)屬性分割點(diǎn)改進(jìn)性能度量的量來(lái)計(jì)算屬性重要性,由節(jié)點(diǎn)進(jìn)行加權(quán)和記錄次數(shù)。一個(gè)屬性對(duì)分割點(diǎn)改進(jìn)性能度量越大,權(quán)值越大,屬性越重要。最后將屬性在所有提升樹(shù)中的結(jié)果進(jìn)行加權(quán)求和并平均,得到重要性得分Fscore。Fscore可以理解為特征在決策樹(shù)里出現(xiàn)的次數(shù),一般來(lái)說(shuō),如果一個(gè)特征在所有樹(shù)中作為劃分屬性的次數(shù)越多,那么該特征就越重要。Fscore計(jì)算如下所示,式中M是所求特征分類(lèi)到節(jié)點(diǎn)的集合。

Fscore=|M|

(5)

3 基于LSTM的軸瓦溫度時(shí)間序列預(yù)測(cè)

水輪機(jī)的軸瓦溫度、環(huán)境溫度等具有明顯的隨時(shí)間變化的趨勢(shì),并且監(jiān)測(cè)數(shù)據(jù)通常按照時(shí)間順序排列。在進(jìn)行軸瓦溫度的預(yù)測(cè)研究中,有必要對(duì)其進(jìn)行時(shí)間序列分析,挖掘出特征的未來(lái)發(fā)展趨勢(shì),得到更加準(zhǔn)確的預(yù)測(cè)結(jié)果。

時(shí)間序列分析的模型較多,傳統(tǒng)的模型如自回歸模型、滑動(dòng)平均模型、自回歸滑動(dòng)平均模型等,都屬于線性回歸模型。實(shí)際的時(shí)間序列數(shù)據(jù)較為復(fù)雜,非線性成分較多,以上模型在復(fù)雜的時(shí)間序列分析中具有很大的局限性。隨著深度學(xué)習(xí)技術(shù)的發(fā)展,一些深度學(xué)習(xí)模型逐漸被應(yīng)用到時(shí)序數(shù)據(jù)的研究中,其中循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)模型應(yīng)用最為廣泛。RNN將時(shí)序的概念引入到網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)中,使其在時(shí)序數(shù)據(jù)分析中表現(xiàn)出更強(qiáng)的適應(yīng)性。但RNN模型存在以下兩個(gè)問(wèn)題:① 由于梯度消失和梯度爆炸的問(wèn)題,RNN不能處理延遲過(guò)長(zhǎng)的時(shí)間序列;② 訓(xùn)練RNN模型需要預(yù)先確定延遲窗口長(zhǎng)度,然而實(shí)際應(yīng)用中很難自動(dòng)地獲取這一參數(shù)的最優(yōu)值[10]。長(zhǎng)短期記憶(Long Short-Term Memory,LSTM)模型彌補(bǔ)了RNN的梯度消失和梯度爆炸、長(zhǎng)期記憶能力不足等問(wèn)題,使得循環(huán)神經(jīng)網(wǎng)絡(luò)能夠真正有效地利用長(zhǎng)距離的時(shí)序信息[11]。在不同領(lǐng)域內(nèi),LSTM在時(shí)間序列的處理上比傳統(tǒng)的時(shí)間序列分析方法表現(xiàn)出了更優(yōu)秀的精度[12-13]。LSTM的內(nèi)部模塊如圖1所示,σ和tanh分別代表sigmoid和雙曲正切激活函數(shù),其前向計(jì)算方法可以表示如下。

圖1 LSTM模型的內(nèi)部模塊Fig.1 Internal module of the LSTM model

it=σ(Wxixt+Whiht-1+Wcict-1+bi)

(6)

ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf)

(7)

ct=ftct-1+ittanh(Wxcxt+Whcht-1+bc)

(8)

ot=σ(Wxoxt+Whoht-1+Wcoct+bo)

(9)

ht=ottanh(ct)

(10)

式中:i,f,c,o分別為輸入門(mén)、遺忘門(mén)、細(xì)胞狀態(tài)、輸出門(mén)。W代表對(duì)應(yīng)的權(quán)重系數(shù);b為偏置項(xiàng)。通過(guò)前向計(jì)算每個(gè)單元的輸出值和最后的輸出值,將最后的輸出值與標(biāo)簽計(jì)算出誤差,根據(jù)反向梯度計(jì)算完成每一層每一個(gè)單元的參數(shù)更新,從而完成訓(xùn)練。

4 實(shí)驗(yàn)驗(yàn)證

本文提出了一種基于XGBoost特征工程和LSTM時(shí)間序列分析(XGBoost-LSTM)來(lái)預(yù)測(cè)水輪機(jī)軸瓦溫度的方法,主要流程如圖2所示,本節(jié)結(jié)合實(shí)際數(shù)據(jù)對(duì)此方法展開(kāi)實(shí)驗(yàn)驗(yàn)證。

圖2 模型預(yù)測(cè)流程Fig.2 Model prediction flow chart

4.1 數(shù)據(jù)預(yù)處理和參數(shù)確定

本文實(shí)驗(yàn)數(shù)據(jù)來(lái)源于海南某水電站2022年11月至2023年1月的歷史數(shù)據(jù),運(yùn)行數(shù)據(jù)真實(shí)可靠,來(lái)源具有合法性。該電站裝有3臺(tái)2.5 MW混流式機(jī)組。雖然影響軸瓦溫度的特征眾多,但不同的水電站信息化、智能化建設(shè)水平不同,特別是小水電站不能收集到所有的特征。根據(jù)該電站的實(shí)際情況,收集到的變量包括軸瓦溫度、環(huán)境溫度、有功功率、機(jī)組轉(zhuǎn)速、勵(lì)磁電壓與冷卻水壓力。

本文對(duì)該水電站的運(yùn)行數(shù)據(jù)按照5 min為一次間隔進(jìn)行收集,并對(duì)停機(jī)數(shù)據(jù)、異常數(shù)據(jù)、缺失值采用直接刪除的方法。數(shù)據(jù)清洗后,共有2 834條原始數(shù)據(jù)。為了加快模型的收斂速度,本文采用Min-Max 標(biāo)準(zhǔn)化方法對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化,見(jiàn)公式(11)。

(11)

式中:x*為標(biāo)準(zhǔn)化后的溫度數(shù)值;x為當(dāng)前溫度;xmax與xmin分別為模型測(cè)練溫度值中的最大值與最小值。

劃分?jǐn)?shù)據(jù)集時(shí),將預(yù)處理后的數(shù)據(jù)按照8∶2的比例劃分訓(xùn)練集與測(cè)試集。根據(jù)現(xiàn)場(chǎng)的實(shí)際情況和模型的調(diào)優(yōu)結(jié)果,本文將LSTM模型的跳躍步長(zhǎng)設(shè)置為12,并進(jìn)行單步預(yù)測(cè),即用前12條記錄預(yù)測(cè)下一時(shí)刻的軸瓦溫度,依次遞進(jìn);學(xué)習(xí)率設(shè)置為0.001,并加入早停法(Early Stopping)來(lái)防止模型的過(guò)擬合。

4.2 評(píng)估指標(biāo)

為評(píng)價(jià)模型對(duì)軸瓦溫度的預(yù)測(cè)結(jié)果,本文選取了以下3個(gè)評(píng)估指標(biāo):

(1) 均方誤差為

(12)

(2) 平均絕對(duì)誤差為

(13)

(3) 最大絕對(duì)誤差為

MAXE=max{|y′i-yi|,i∈[1,n]}

(14)

式中:n為選取的樣本數(shù)量,y′i為預(yù)測(cè)值,yi為實(shí)際值。

4.3 結(jié)果與分析

特征過(guò)多時(shí)會(huì)增加算法復(fù)雜度,增加模型訓(xùn)練和預(yù)測(cè)時(shí)間,因此在模型訓(xùn)練之前,有必要進(jìn)行特征選擇。本文選取XGBoost進(jìn)行特征選擇,使用Python 3.7環(huán)境下的XGBoost工具包進(jìn)行特征評(píng)分。XGBoost有兩種評(píng)分方式:① 在模型訓(xùn)練完成之后,調(diào)用feature_importances_參數(shù)查看每一個(gè)特征對(duì)模型的重要程度,即哪些特征變量在模型中發(fā)揮的作用更大。數(shù)值越大,重要性也越高;② 調(diào)用get_score()方法獲得特征重要性得分,一般使用total_gain參數(shù),表示在所有樹(shù)中該特征在每次分裂節(jié)點(diǎn)時(shí)帶來(lái)的總增益。

圖3～4是使用XGBoost計(jì)算得到各個(gè)特征的重要性和重要性得分,可以看出,變量中對(duì)軸瓦溫度影響程度最大的分別是冷卻水壓力、環(huán)境溫度和有功功率,表明該水輪機(jī)的冷卻系統(tǒng)和實(shí)際工況對(duì)軸瓦溫度起著重要作用。機(jī)組轉(zhuǎn)速的影響程度最小。這是因?yàn)?水電站的機(jī)組為額定頻率,水輪機(jī)工作時(shí),機(jī)組通過(guò)調(diào)速器等設(shè)備使得機(jī)組轉(zhuǎn)速維持在恒定值,以保障機(jī)組的安全性能。對(duì)于數(shù)學(xué)模型來(lái)說(shuō),機(jī)組轉(zhuǎn)速接近為一個(gè)常量,對(duì)模型的影響較小。因此,雖然理論上機(jī)組轉(zhuǎn)速對(duì)軸瓦溫度有著重要影響,但結(jié)合水電站正常工作的工況,機(jī)組轉(zhuǎn)速并不能作為預(yù)測(cè)軸瓦溫度的特征,這也驗(yàn)證了選取特征時(shí)考慮水輪機(jī)實(shí)際情況的重要性。結(jié)合以上分析,進(jìn)行特征選擇后篩選出的變量為冷卻水壓力、環(huán)境溫度和有功功率,這些特征的重要性累計(jì)和為0.87。

圖3 特征重要性Fig.3 Feature importance results

為檢測(cè)對(duì)軸瓦溫度進(jìn)行時(shí)間序列分析的重要性,本文選擇支持向量回歸(Support Vector Regression,SVR)[14]模型與LSTM進(jìn)行對(duì)比驗(yàn)證,并將未進(jìn)行特征選擇的原始特征和進(jìn)行特征選擇后的特征依次在模型中進(jìn)行訓(xùn)練,比較模型在測(cè)試集上的效果,結(jié)果如表1所示。從表1可以看出,在選用XGBoost模型進(jìn)行特征提取之后,SVR模型的均方根誤差RMSE減小了6.6%,平均絕對(duì)誤差MAE減小了21.7%,最大絕對(duì)誤差MAXE沒(méi)有減小;LSTM模型的均方根誤差RMSE減小了13.8%,平均絕對(duì)誤差MAE減小了16.4%,最大絕對(duì)誤差MAXE減少了32.8%,說(shuō)明利用XGBoost進(jìn)行特征提取的方法適合SVR和LSTM模型,進(jìn)行特征選擇后,減少了冗余變量,模型的精度得到了一定程度的提升。同時(shí),LSTM模型的RMSE,MAE,MAXE明顯比SVR模型小,LSTM預(yù)測(cè)值與真實(shí)值的誤差在1 ℃以內(nèi),表明LSTM在軸瓦溫度的預(yù)測(cè)上具有更好的性能。

圖5～8分別為SVR模型和LSTM在測(cè)試集上的預(yù)測(cè)值與真實(shí)值的曲線圖像,溫度值按時(shí)間順序排列。可以看出,實(shí)際的軸瓦溫度隨時(shí)間表現(xiàn)出一定的周期性趨勢(shì),這與工作環(huán)境和工作狀態(tài)有關(guān)。圖5顯示,在未進(jìn)行特征選擇時(shí),SVR模型不能跟蹤到軸瓦溫度的時(shí)間趨勢(shì)。進(jìn)行特征選擇后,如圖6所示,預(yù)測(cè)值曲線相對(duì)平滑,但擬合效果較差,表明特征選擇具有優(yōu)勢(shì),但SVR模型不能精確地處理時(shí)間序列數(shù)據(jù)。圖7展示了未進(jìn)行特征選擇的LSTM模型回歸結(jié)果,表明LSTM模型基本上跟蹤到了軸瓦溫度的時(shí)間變化趨勢(shì),且與真實(shí)值的誤差較小。進(jìn)行特征選擇后,如圖8所示,模型的精度進(jìn)一步提升,預(yù)測(cè)值的變化趨勢(shì)與實(shí)際值的趨勢(shì)基本一致,誤差在1 ℃以內(nèi),展示出XGBoost-LSTM模型的優(yōu)異性能。

圖5 未進(jìn)行特征選擇的SVR模型的擬合結(jié)果Fig.5 Fitting results of SVR model without feature selection

圖6 特征選擇后SVR模型的擬合結(jié)果Fig.6 Fitting results of SVR model after feature selection

圖7 未進(jìn)行特征選擇的LSTM模型的擬合結(jié)果Fig.7 Fitting results of LSTM model without feature selection

圖8 特征選擇后LSTM模型的擬合結(jié)果Fig.8 Fitting results of LSTM model after feature selection

5 結(jié) 論

本文提出了基于XGBoost-LSTM模型來(lái)預(yù)測(cè)水輪機(jī)軸瓦溫度的方法,從理論上分析了進(jìn)行特征選擇和時(shí)間序列分析的重要性,并結(jié)合實(shí)際數(shù)據(jù)進(jìn)行驗(yàn)證,結(jié)果發(fā)現(xiàn)在預(yù)測(cè)軸瓦溫度時(shí),使用XGBoost模型選擇合適的特征后進(jìn)行預(yù)測(cè)可以減少冗余變量,提高模型的精度。LSTM模型的均方誤差、平均絕對(duì)誤差和最大絕對(duì)誤差都優(yōu)于SVR模型,LSTM模型能更好地跟蹤數(shù)據(jù)的非線性動(dòng)態(tài)變化,模型的精度有較大幅度的提升,預(yù)測(cè)值與實(shí)際值的誤差在1 ℃以內(nèi),進(jìn)一步驗(yàn)了LSTM模型更適合時(shí)間序列的軸瓦溫度預(yù)測(cè),研究成果可以為水輪機(jī)故障預(yù)測(cè)與健康管理系統(tǒng)的開(kāi)發(fā)提供參考。