基于時移多尺度注意熵和隨機森林的水電機組故障診斷

陳 飛，王 斌，劉 婷，張文靜，高園晨，陳帝伊

（西北農林科技大學 水利與工程建筑學院，陜西 楊凌 712100）

1 研究背景

水電機組作為水電站的核心部件，維護機組安全穩定對電站高效運行有著很大的現實價值。振動信號作為水電機組運行狀態的外在表現形式，常被用作評價水電機組健康狀態的重要指標。振動是引發機組故障的主要原因，據統計，由于振動導致的故障占到機組總故障的80%［1］。因此，利用振動信號進行水電機組故障識別是常用的診斷方法。

機組常常在高噪聲環境下工作，故障信號容易受到噪聲干擾，為機組故障識別增加了難度。因此，如何在噪聲環境下提取有效故障信息，成為了機組故障診斷的關鍵。文獻中常利用奇異值分解（Singular value decomposition，SVD）［2］、變分模態分解（Variational mode decomposition，VMD）［3］以及自適應局部迭代濾波（Adaptive local iterative filtering，ALIF）［4］等方法對信號進行降噪，從而實現故障特征有效提取。但是，以上方法降噪過程中不可避免會導致一部分有效故障信息丟失。因此，直接提取信號故障信息需要一種抗噪性能良好的特征提取工具。熵作為度量時序信號復雜性的重要工具，在水電機組特征提取領域有著廣泛的運用［5-8］。文獻［6］將樣本熵和時頻域指標相結合形成多維特征，有效區分出機組不同故障類別。然而，樣本熵在處理長時間序列時，需要消耗較長時間［9］。相比于樣本熵，排列熵計算更為簡單和快速［10］。何洋洋等［11］提出一種基于隨機共振和多維度排列熵的水電機組故障診斷模型，有效提取機組故障信息。……