基于时移多尺度注意熵和随机森林的水电机组故障诊断

• 作者: 陈飞 王斌 刘婷 张文静 高园晨 陈帝伊
• 来源期刊: 水利学报
• 学科: 工学
• 关键词: 时移多尺度注意熵 随机森林 主成分分析 水电机组 故障诊断
• 年，卷（期）: 2022,（3）
• 页码范围: 358-368,378
• 页数: 12页
• 分类号: TM312
• 语种: 中文
• DOI: 10.13243/j.cnki.slxb.20210941

摘要

针对传统诊断方法难以在高噪声环境下进行故障精准识别的问题,本文提出了一种抗噪性能良好、识别率高的水电机组故障诊断方法.首先,基于分形理论,提出了一种度量信号复杂度的工具——时移多尺度注意熵(Time-shifted multiscale attention entropy,TSMATE).然后,利用主成分分析(Principal component analysis,PCA)对TSMATE进行降维处理,克服了特征冗杂问题.最终,将降维后的特征输入到随机森林(Random forests,RF)模型进行诊断.通过对振动信号添加不同信噪比的噪声,探究不同噪声强度下所提模型的抗噪性能.仿真实验表明,TSMATE-PCA-RF在0 dB、1 dB、2 dB以及3 dB四种不同信噪比噪声干扰下,分别取得了98.06％、98.89％、99.17％以及99.17％的诊断率,验证了所提模型具有良好的抗噪性能.该研究为水电机组故障诊断提供了新手段.