任继顺，崔 悦，汪 洋，张民威，赵连辉

（1.北京中元瑞讯科技有限公司，北京市 100085；2.松花江水力发电有限公司吉林白山发电厂，吉林省吉林市 132013）

1 概述

在水轮机组故障中，不平衡类故障是最为常见的故障类型，包括转子质量不平衡、转轮质量不平衡、电磁拉力不平衡、水力不平衡等，上述类型故障是引起机组振动最为主要的原因[1][2]。传统的水电机组故障诊断系统，以在线监测系统采集的数据为基础，通过人为启动分析机组是否存在该类故障，仅仅适合于故障发生后的确认定位，很难在故障发展早期实现异常告知，起不到早期预警的作用。另外，从目前在线监测系统的发展水平看，其提供的趋势预警功能也仅仅局限于对机组振动、摆度等常规特征的发展趋势分析[1]，而当故障特征并不能在机组的振动、摆度明显反映出来时，在线监测系统提供的趋势预警功能也将失效。

因此，有必要探索基于故障基于模型的早期预警技术，这就是本文提出的故障预警技术。其逻辑框图如图1所示。

图1 基于大数据挖掘的故障预警模型Fig.1 Fault early warning model based on big data mining

首先，需要根据在线监测的历史数据，依据故障机理模型进行故障特征指标计算，对历史特征指标集采用大数据分析技术[如多元线性回归分析、支持向量机（SVM）]等进行训练，建立故障预测模型[4]。

然后，将训练后的预测模型应用于实时的故障特征异常检测，即根据监测数据的实时数据，进行故障特征指标的实时计算，根据预测模型的计算结果和实际计算结果进行比对，用以检测故障特征指标是否发生变化。……