Page 110 - 2022年第53卷第3期

水 利 学 报

2022 年 3 月 SHUILI XUEBAO 第 53 卷 第 3 期

文章编号：0559-9350（2022）03-0358-12

基于时移多尺度注意熵和随机森林的水电机组故障诊断

陈 飞，王 斌，刘 婷，张文静，高园晨，陈帝伊
（西北农林科技大学 水利与工程建筑学院，陕西 杨凌 712100）

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。
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
中图分类号：TM312 文献标识码：A doi：10.13243/j.cnki.slxb.20210941

1 研究背景

水电机组作为水电站的核心部件，维护机组安全稳定对电站高效运行有着很大的现实价值。振
动信号作为水电机组运行状态的外在表现形式，常被用作评价水电机组健康状态的重要指标。振动
［1］
是引发机组故障的主要原因，据统计，由于振动导致的故障占到机组总故障的 80% 。因此，利用振
动信号进行水电机组故障识别是常用的诊断方法。
机组常常在高噪声环境下工作，故障信号容易受到噪声干扰，为机组故障识别增加了难度。因
此，如何在噪声环境下提取有效故障信息，成为了机组故障诊断的关键。文献中常利用奇异值分解
［3］
［2］
（Singular value decomposition，SVD） 、变分模态分解（Variational mode decomposition，VMD） 以及自
［4］
适应局部迭代滤波（Adaptive local iterative filtering，ALIF） 等方法对信号进行降噪，从而实现故障特征
有效提取。但是，以上方法降噪过程中不可避免会导致一部分有效故障信息丢失。因此，直接提取
信号故障信息需要一种抗噪性能良好的特征提取工具。熵作为度量时序信号复杂性的重要工具，在
水电机组特征提取领域有着广泛的运用 ［5-8］ 。文献［6］将样本熵和时频域指标相结合形成多维特征，有
［9］
效区分出机组不同故障类别。然而，样本熵在处理长时间序列时，需要消耗较长时间 。相比于样本
熵，排列熵计算更为简单和快速 ［10］ 。何洋洋等 ［11］ 提出一种基于随机共振和多维度排列熵的水电机组
故障诊断模型，有效提取机组故障信息。但是，排列熵忽略了信号振幅之间的差异，从而导致有效信息
的丢失 ［12］ 。为了克服以上熵的不足，Yang 等 ［13］ 提出了一种新的度量信号复杂性工具——注意熵。不同
于传统熵关注时间序列中所有数据的频率分布，注意熵只注重于序列峰值点间隔的频率分布情况。因
此，注意熵具有超参数少、运行时间短、对时间序列长度鲁棒性强等优点。针对注意熵无法在多个尺

收稿日期：2021-10-19；网络首发时间：2022-03-23
网络首发地址：http：/kns.cnki.net/kcms/detail/11.1882.TV.20220321.1404.001.html
/
基金项目：国家自然科学基金项目（51509210）；陕西省重点研发计划项目（2021NY-181）
作者简介：陈飞（1997-），硕士，主要从事水电机组故障诊断研究。E-mail：chenfei@nwafu.edu.cn
通讯作者：王斌（1986-），副教授，主要从事智慧水利与优化调控研究。E-mail：binwang@nwsuaf.edu.cn
— 358 —