Page 119 - 2022年第53卷第3期

图 10展示了不同噪声下 TSMATE特征提取情况，发现随着噪声的增加，不同状态信号特征混叠现象
不断加重。分析不同噪声下特征的三维可视化图，可以清晰地看出不对中信号和不平衡信号被有效区
分，而正常信号和碰摩信号特征则发生了混杂，说明噪声在一定程度上降低了 TSMATE 的特征提取效
果。总体上看，TSMATE对噪声具有良好的适应性，在高噪声下 TSMATE也可以提取较好的特征数据。
另外，为探究所提方法的运行效率，比较了 TSMATE、MATE、TSMSE 以及 MSE 特征提取时间。
从表 1 中可以看出，TSMATE 和 MATE 相对于未改进的多尺度熵只需要耗费更短的时间。MATE 提取
机组振动信号特征仅需要 10 s，本文所提的 TSMATE 也只需要 45 s 左右，远远低于 TSMSE 和 MSE。通
过上述内容分析，说明了论文所提算法是一种高效稳定的特征提取工具。
3.4 RF 故障识别 针对特征向量冗杂问题，采用 PCA 对 4 种不同的熵进行降维处理。将降维后的低

维特征输入到 RF 模型中，实现对机组不同故障信号的有效识别。其中，RF 决策树数目设置为 100，
每个决策数的特征属性个数定为 5。
为验证模型的泛化性能，可以通过十折交叉法划分训练集和测试集进行测试。如表 2 所示，通过
对比不同模型的诊断效果，发现 PCA-TSMATE-RF 模型在所有数据集中都取得了 98%以上的诊断精
度，在所有模型中排名第一。从表 2 可以看出在 SNR=0 dB 时，MSE 和 TSMSE 等传统多尺度熵最高诊
断率为 92.78%，而所提方法的诊断率为 98.06%，比传统多尺度熵高 5.28%。同时，为分析不同诊断

模型在强噪声（SNR=0 dB）下具体诊断情况，本文选取了 MATE-RF、TSMATE-RF、PCA-MATE-RF
以及 PCA-TSMATE-RF 4 种诊断模型进行对比，具体情况见图 11，从图中看出，PCA-TESMATE-RF
模型在识别正常信号和碰摩信号时发生了一定偏差，这与上节的特征可视化结果相吻合，也说明了
噪声会在一定程度上干扰诊断。通过以上分析，验证了本文所提方法的高效性和精准性。

4 结论

针对高噪声对水电机组故障诊断的干扰，提出了一种基于 TSMATE 和 RF 相结合的水电机组故障
诊断方法。通过分析仿真实验，得到以下结论：
（1）针对 MATE 粗粒化不足，将时移思想引入 MATE 中，提出 TSMATE。对比不同长度的 Blue
noise、Violet noise、Pink noise 以及 Red noise 下 TSMATE 和 MATE 分布情况，发现 TSMATE 基本不受
时间长度的影响，验证了 TSMATE 对短时序信号具有良好的鲁棒性。
（2）对比不同多尺度熵的特征分布情况，发现 TSMATE 提取的特征最为稳定。同时，通过 T-SNE
三维可视化分析不同多尺度熵特征提取情况，发现不同噪声干扰下，TSMATE 只有少量的碰摩信号和
正常信号发生了混叠。仿真结果表明，TSMATE 具有良好的抗噪性能。
（3）为验证模型的泛化性能，采用十折交叉法划分训练集和测试集进行测试。TSMATE-PCA-RF
等 8 个模型在不同信噪比振动信号的诊断精度对比表明，所提模型在不同强度噪声下都可以取得最好
的诊断效果。例如，在强噪声（SNR=0 dB）的干扰下，所提方法比传统多尺度熵高 5.28%，同时，采
用 TSMATE 模型均取得了 96%的诊断率。
实验结果表明，本文所提的水电机组诊断方法可以精准识别高噪声环境下不同故障信号，为水
电机组故障诊断提供了新手段。

参 考 文 献：

［ 1 ］ 唐拥军，刘东，肖志怀，等 . 基于卷积神经网络与奇异值分解的水电机组故障诊断方法研究［J］. 中国农村
水利水电，2021，16（2）：175-181 .
［ 2 ］ 李 辉 ，范 智 超 ，李 华 ，等 . 基 于 SVD 和 DBN 的 水 电 机 组 故 障 诊 断［J］. 水 力 发 电 学 报 ，2020，39（12）：

104-112 .
［ 3 ］ 于晓东，潘罗平，安学利 . 基于 VMD 和排列熵的水轮机压力脉动信号去噪算法［J］. 水力发电学报，2017，
36（8）：78-85 .

— 367 —