一种物理引导的水泵水轮机变工况无监督故障预警方法

本发明涉及抽水蓄能机组状态监测与故障诊断，具体涉及一种物理引导的水泵水轮机变工况无监督故障预警方法及系统。本发明特别适用于水轮机、水泵水轮机等水力机械在启停、负荷调节等强非平稳过渡工况下的早期故障预警。

背景技术：

1、随着全球能源结构向清洁化转型，水电作为一种稳定、可再生的清洁能源，其重要性日益凸显。为提高电网对风电、光伏等间歇性新能源的消纳能力，抽水蓄能电站及其核心设备水泵水轮机的调峰填谷、频率调节作用变得至关重要。水泵水轮机作为抽水蓄能电站的核心设备，长期在启停、负荷调节等过渡工况下运行，其水力稳定性直接影响机组安全与电站调度灵活性。水力不平衡是机组运行中常见的早期异常状态，若未能及时发现，可能演变为严重的转轮损伤或结构振动故障。然而，过渡工况下监测信号呈现强烈的非平稳特性，正常运行状态与故障早期征兆在时频域高度混叠，给早期预警带来了极大的挑战。

2、目前，故障预警方法的研究方法主要可归纳为三类：基于信号分解、基于重构误差与基于预测误差的方法。基于信号分解的方法（如移动平均、小波变换、emd、vmd）。这类方法采用统计手段将信号分离为趋势项与波动项，通过监测趋势变化或波动能量实现预警。然而，其分解依据是信号的频率或统计特征，在过渡工况下，工况变化引起的正常状态迁移与故障诱发的异常偏离可能具有相似的频带分布，导致分解结果缺乏物理可解释性，难以区分“正常变工况”与“故障退化”。基于重构误差的方法（如自编码器及其变体）。这类方法通过学习健康状态的数据分布，将重构误差作为异常指标。其在工况相对稳定时表现良好，但面对训练阶段未见过的过渡过程时，重构误差容易因分布偏移而显著增大，导致误报率居高不下。基于预测误差的方法（如lstm、transformer）。此类方法利用时序模型对监测变量进行预测，通过预测残差判断异常。但现有方法通常直接对原始非平稳信号建模，未能将工况变化引起的确定性动态与故障引起的随机扰动解耦，预测误差中两种成分相互混淆，难以单独反映故障演化信息。

3、上述方法面临的核心困境在于：水泵水轮机过渡工况下的监测信号是工况动态响应与故障异常扰动的耦合体，缺乏物理引导的信号分解和建模手段难以将二者有效分离。具体而言，在分解层面，传统统计分解方法仅依据频率特征，无法赋予分解结果物理含义，导致趋势与扰动相互混杂。在判别层面，即使实现了有效分解，正常工况切换与故障退化在时序模式上高度相似——前者表现为平衡态迁移伴随扰动瞬态增大后恢复，后者表现为平衡态异常偏移伴随扰动持续累积——传统基于单一偏离度指标的方法难以区分二者。此外，固定健康基准空间在开放工况下难以覆盖训练阶段未出现的新工况，导致正常工况迁移被误判为故障。

4、为克服上述方法的局限，融合物理机理与数据驱动的混合建模方法逐渐受到学者的重视。其中物理信息神经网络作为融合物理规律与深度学习框架的混合建模方法，在复杂系统建模领域展现出独特优势。然而，现有的pinn方法在面对水泵水轮机过渡工况这类跨工况包含工况变化、随机冲击、参数时变等复杂特征的非平稳场景时，仍存在对时序趋势捕捉不足、以及对工况动态与故障扰动识别能力有限等问题。

5、综上所述，亟需一种能够将物理机理与数据驱动深度融合、实现工况动态与故障扰动有效解耦，并具备开放工况自适应能力的无监督预警方法。

技术实现思路

1、本发明针对现有技术存在的不足以及水泵水轮机变工况预警的难点，基于物理引导状态解耦与演化分析的混合建模思想，设计了一种无监督故障预警方法。相比于常用的预警方法，本发明不仅可以通过物理约束实现趋势与扰动的可解释分解，还能通过联合判别机制有效区分正常工况切换与故障退化，并通过动态记忆机制实现健康基准空间的自适应扩展。

2、本发明首先提出了一种物理约束趋势分解模块（pctd），利用可微分物理方程将机理模型嵌入参数辨识过程，通过滑动窗口内的时变等效物理参数辨识，生成满足物理规律的理论平衡态响应作为趋势分量，从而将原始信号解耦为物理平衡态趋势和扰动偏差。然后，设计了多尺度自适应融合机制，以导叶开度变化率定义非平稳强度指标生成物理先验权重，并通过可学习权重网络和一致性损失实现数据驱动与物理先验的有机结合，从而自适应整合不同时间尺度的分解结果。在此基础上，构建趋势感知transformer学习健康工况下平衡态与扰动态的联合演化规律，并预测未来轨迹。最后，定义了平衡态迁移指数（emi）和扰动累积指数（dai），将预测误差分解为两个可独立解释的物理维度，并引入动态工况记忆机制（dom），通过工况原型匹配与增量更新，实现开放工况下的自适应预警。

3、本发明的技术方案如下：

4、首先，本发明根据水泵水轮机变工况的物理特性，定义了监测信号和预警目标。监测信号包括流量q、导叶开度α、水头h、转速ω、蜗壳进口压力p_sp、无叶区压力p_vl、尾水管进口压力p_dt1、尾水管锥管压力p_dt2。预警目标为无监督检测水力不平衡等早期故障，无需故障标签。

5、在复杂变工况条件下，水泵水轮机的监测信号同时受到工况调整与故障演化的共同调制。对于健康机组，虽然运行参数随负荷调节变化，但系统始终满足内部能量守恒关系和流动机理约束，其动态响应应围绕当前工况对应的物理平衡状态演化。当水力不平衡等故障逐渐形成时，系统将逐渐偏离这一理论平衡状态，且偏离程度随故障演化而持续累积。基于此，本发明定义满足物理约束的理论动态响应为趋势分量，实际信号与趋势的偏差为扰动分量。具体步骤如下：

6、首先进行时变物理参数辨识，设时刻的运行工况输入向量为，包含流量、水头、导叶开度、转速及压力等监测变量。在时刻，构建长度为的前向滑动窗口。该窗口覆盖了当前时刻及其前序个采样点，为参数辨识提供局部时序信息。在窗口内，假设系统可由一组时变等效物理参数所表征的简化机理模型描述，通过求解优化问题获取最优参数估计：

7、

8、其中表示由数据拟合误差与物理约束残差共同构成的目标函数：

9、

10、式中，为利用参数通过机理模型计算得到的理论响应，表示系统应满足的物理约束方程，为物理约束项的权重系数。

11、由于参数辨识过程综合利用了窗口内连续多个时刻的运行信息，参数反映的是窗口范围内系统整体运行特征所对应的局部物理平衡状态，而非单一采样点的瞬态特性。这种基于窗口的聚合效应天然赋予了辨识参数序列一定的平滑特性，因此本文不再额外引入指数平滑等后处理操作，以避免削弱工况切换过程中真实的快速状态变化信息。

12、随后，获得最优物理参数后，结合当前时刻工况输入，通过机理模型计算物理平衡态响应

13、

14、将其定义为趋势分量。该趋势分量反映了系统在当前工况下满足物理规律约束时的理论运行状态，是工况变化引起的正常动态响应。进一步，定义监测信号与趋势分量的偏差为扰动分量：

15、

16、由此，原始信号可表示为：

17、

18、将原始数据通过物理约束分解为趋势和波动后，进行多尺度自适应融合与趋势感知预测。单一时间尺度的分解难以同时兼顾快速瞬变响应与长期趋势稳定性，不能很好的分辨工况切换和故障预警。为此，本发明设计了一种物理先验引导的多尺度自适应融合机制。

19、在pctd框架下，设定k个不同长度的滑动窗口，获得k个时间尺度下的趋势-扰动分解结果。随后进行物理先验引导的时变融合权重。在过渡工况下，导叶开度的变化率直接反映了工况调整的剧烈程度。基于这一物理认知，本文以导叶开度变化率定义系统的非平稳强度指标

20、

21、其中为导叶开度。为增强稳健性，对进行短时平滑得到。非平稳强度越大，表明系统正经历快速负荷调整，应更多依赖短窗口的瞬态响应能力；非平稳强度越小，表明系统接近稳态或缓变过程，应更多依赖长窗口的稳定性。

22、基于上述物理认知，为每个尺度预设一个“最佳响应”的非平稳强度中心，并通过高斯核函数生成该尺度的响应强度：

23、

24、其中控制该尺度对非平稳强度偏离的容忍度。对个尺度进行softmax归一化，得到物理先验权重向量：

25、

26、该权重完全由运行工况的物理特征决定，具有明确的可解释性。

27、纯物理先验权重虽然可解释，但其预设的尺度偏好参数（,）未必是最优配置。为赋予模型从数据中自适应调整尺度偏好的能力，设计一个轻量级可学习权重网络。该网络以当前时刻各尺度的趋势和扰动分量为输入，输出数据驱动的尺度权重：

28、

29、

30、其中mlp为两层全连接网络，隐藏层采用relu激活函数。可学习权重网络的参数随整体预测模型端到端训练。

31、最终融合权重由物理先验权重与可学习权重通过可学习平衡系数结合：

32、

33、其中为可训练参数，初始化为0.5，训练过程中自动调整物理先验与数据驱动的相对重要性。利用融合权重对多尺度分解结果进行加权求和：

34、

35、为保证可学习权重不偏离物理先验过远，在训练损失中引入权重一致性约束：

36、

37、该约束使可学习权重在物理先验附近进行精细调整，而非完全自由探索，兼顾了物理可解释性与数据适应性。

38、将上述操作得到的多尺度自适应融合输出的趋势分量和扰动分量输入趋势感知transformer进行预测，首先，将融合后的趋势分量与扰动分量在特征维度拼接，形成联合状态表示：

39、

40、利用长度为的滑动窗口构建历史状态序列，并通过线性映射投影至维隐空间：

41、

42、其中为可学习映射矩阵。为了保留状态演化过程中的时序信息，引入位置编码：

43、

44、采用多层transformer编码器对嵌入特征进行深层建模。在每一层中，多头自注意力机制建立不同时刻状态之间的全局关联：

45、

46、通过自注意力机制，模型能够捕获平衡态迁移过程与扰动演化过程之间的长期依赖关系，从而学习正常工况变化规律与扰动传播规律。随后经前馈网络、残差连接与层归一化，逐层提取系统状态的深层时序特征。

47、基于编码器输出的全局时序表示，通过线性预测头分别输出未来k个时刻的趋势分量预测值和扰动分量预测值。

48、预测损失：对趋势和扰动分别计算预测值与真实分解值（由pctd多尺度融合后获得）之间的均方误差：

49、

50、其中为趋势与扰动预测损失的平衡系数。

51、总损失：联合预测损失与权重一致性损失进行端到端训练：

52、

53、其中为一致性损失权重，训练初期设置较大值以强化物理先验引导，后期逐步衰减使模型更多从数据中学习精细模式。

54、通过上述设计，多尺度自适应融合机制根据系统非平稳强度时变地整合不同时间尺度的状态信息，趋势感知transformer在此基础上学习健康工况下平衡态与扰动态的联合演化规律，实现对系统未来状态轨迹的预测，为后续的状态演化判别与故障预警提供预测基础。

55、趋势感知transformer输出的未来平衡态轨迹与未来扰动态轨迹蕴含了系统状态演化的关键信息。然而，仅凭预测误差的大小难以区分误差来源：正常工况切换引起的平衡态变化与故障退化导致的扰动累积均可能使预测误差增大。为此，本节分别从“系统是否正在变化”和“变化过程中是否伴随异常”两个维度构建状态演化指数，并结合动态工况记忆机制，实现开放工况条件下的自适应故障预警。

56、正常工况切换的本质是系统从一个物理平衡态向另一个物理平衡态转化。在此过程中，趋势分量将发生持续的方向性变化。据此，定义平衡态转化指数用于量化未来平衡态相对于当前状态的变化程度：

57、

58、其中，表示预测的未来平衡态，表示当前时刻平衡态，表示未来第步的平衡状态点与当前平衡状态点之间的欧氏几何距离。该指标反映未来运行状态偏离当前平衡点的平均程度。当较小时，表明未来平衡态基本保持稳定；当较大时，表明系统正在向新的工况平衡区域迁移。

59、故障发展的本质是扰动能量持续累积，系统逐渐丧失恢复至平衡状态的能力。据此，定义扰动累积指数用于表征未来扰动的演化趋势

60、

61、其中第一项为预测窗内扰动能量的均值，第二项为历史窗内扰动能量的基线均值。表明未来扰动能量高于近期基线，扰动呈累积趋势；表明扰动维持在基线水平或呈衰减趋势。

62、基于健康工况历史数据确定的迁移阈值以及的累积阈值，构建如下表判别规则：

63、

条件

状态判别

含义

且

稳定运行

平衡态稳定，扰动无累积

且先后

正常工况切换

平衡态迁移，扰动可控且逐渐衰减

且

故障发展趋势

工况稳定但扰动持续累积

64、该判别规则的核心价值在于：将“预测误差增大”这一模糊异常信号分解为“平衡态迁移”和“扰动累积”两个可独立解释的维度，从而有效区分正常工况切换与真实故障退化。

65、上述联合判别规则依赖阈值的设定。然而，在开放工况条件下，训练阶段建立的健康基准空间无法覆盖所有可能的运行工况。当机组进入训练阶段未出现的新工况时，即使处于健康状态，其emi和dai也可能超出预设阈值，导致正常工况迁移被误判为故障。为此，本节引入动态工况记忆机制（dynamic operating-condition memory, dom），通过工况原型的在线匹配与增量更新，实现健康基准空间的自适应扩展。

66、趋势感知transformer的编码器在训练过程中学习到了健康工况下状态演化的高层表征。对于训练集中的健康样本，提取其编码器输出作为状态演化特征向量：

67、该方法利用趋势感知transformer输出的状态演化特征构建健康工况原型库，并通过在线匹配与增量更新实现开放工况条件下的自适应故障预警。

68、

69、其中表示transformer编码器的特征映射函数。根据运行工况参数及对应的状态演化特征对健康样本进行聚类，得到m个典型健康工况原型：

70、

71、其中每个工况原型表示对应工况区域内健康运行状态的中心特征。所有工况原型共同构成动态工况记忆库，用于描述训练阶段已观测到的健康工况分布。

72、在测试阶段，对于当前状态特征，计算其与记忆库中各工况原型之间的距离

73、

74、设定匹配阈值。当时，判定当前状态属于已知工况分布范围，采用对应工况的阈值进行emi/dai判别。当时，当前状态超出已有工况覆盖，进入未知工况判断流程。

75、当时，表明当前状态属于已知工况分布范围内，系统按照对应健康工况基准进行状态评估；当时，表明当前状态超出已有工况覆盖范围，被判定为未知工况候选状态。然而，未知工况并不一定意味着故障。由于正常工况切换与故障发展均可能导致当前状态偏离已有工况原型，因此仅依据工况匹配距离难以完成准确判别。为此，进一步结合趋势感知transformer预测得到的未来平衡态轨迹与未来扰动态轨迹进行联合分析。

76、未知工况的出现可能源于两种情况：进入新的健康运行区域，或故障导致的异常偏移。仅依靠匹配距离无法区分二者，需结合emi/dai联合判别的物理含义进行二次判定：新健康工况判定：当、且先后时，系统虽进入未知区域，但平衡态正向新的稳定区域迁移且扰动未累积，表明该未知状态属于正常工况切换的结果，判定为新健康工况。

77、故障判定：当、且时，系统运行工况发生明显变化且扰动持续累积，呈现典型故障退化特征，判定为故障状态并触发预警。

78、对于被持续判定为新健康工况的样本，提取其特征向量，经滑动窗口确认其状态演化具有稳定收敛趋势后，将该样本特征作为新原型加入记忆库：

79、

80、同时为该新工况区域初始化对应的emi/dai阈值参数。随着运行时间的累积，记忆库逐步覆盖更广泛的健康工况范围，模型对开放工况环境的适应能力持续提升。

81、通过上述步骤，本发明实现了从原始信号到物理状态解耦、多尺度融合、演化预测、联合判别和记忆更新的完整预警流程。

82、本发明的有益效果主要体现在：

83、本发明与现有技术相比，具有以下显著优点和有益效果：

84、本发明通过引入物理模型约束进行趋势分解，使提取的趋势分量天然满足系统的物理方程，具备明确的物理含义（工况变化引起的平衡态迁移），而扰动分量则反映故障或噪声导致的偏离，从而克服了传统统计方法分解结果不可解释的缺陷。在此基础上，本发明进一步构建了平衡态迁移指数（emi）和扰动累积指数（dai），将预测误差分解为两个可独立解释的物理维度，能够有效区分正常的工况切换（平衡态迁移但扰动可控）与真实的故障退化（平衡态偏移且扰动持续累积），从根本上解决了变工况条件下误报率高的问题。同时，本发明通过动态工况记忆机制（dom），能够在线识别新出现的健康工况并增量更新至记忆库，实现健康基准空间的自适应扩展，显著提升了模型在开放、未知工况下的泛化能力和预警准确性。此外，本发明中的平衡态迁移指数（emi）能够捕捉故障早期的平衡点偏移，往往比基于振动能量的传统方法更早发出预警信号，为实现早期故障预警提供了可能。