Page 123 - 2024年第55卷第6期

含有 １８０个样本，采样频率为 ２０４８Ｈｚ。其中故障类别分为正常、碰撞摩擦、不平衡、不对中四种来模拟
水电机组振动信号，每种样本为 ４５个，４种状态信号各取 １条样本，其波形如图 ２所示。将原始信号进
行 ＵＰＥＭＤ分解如图 ３所示，每种状态分解得到 ６个 ＩＭＦ分量和 １个残差分量。将以上 ６个 ＩＭＦ分量分
别进行多尺度余弦相似熵（ ＭＣＳＥ）、复合多尺度余弦相似熵（ＣＭＣＳＥ）和 ＲＣＭＣＳＥ计算。

图 ２ 转子故障振动信号

图 ３ 振动信号 ＵＰＥＭＤ分解情况

３．２ 特征提取 将计算好的熵值进行实验以对比不同特征提取方法的能力如图 ４所示。该图清晰表明
采用精细复合与多尺度结合的方法可以使 ＣＳＥ更稳定，说明精细复合可以对每个尺度上的特征进行综
合考虑，以获得更准确的相似度量，有助于提高特征提取的准确性和可靠性。同时探究噪声情况下模
型的抗噪性能，加入 ２ｄＢ的信噪比噪声进行对比如图 ５所示，可以看出对比 ＭＣＳＥ和 ＣＭＣＳＥ，ＲＣＭＣＳＥ
的抗噪性能更良好。
为了验证 ＲＣＭＣＳＥ的合理性，利用 Ｔ － ＳＮＥ（Ｔ － ｄｉｓｔｒｉｂｕｔｅｄｓｔｏｃｈａｓｔｉｃｎｅｉｇｈｂｏｒｅｍｂｅｄｄｉｎｇ）将 ４种工况
下振动信号的特征三维可视化。由图 ６中可见，ＲＣＭＣＳＥ可以很好地将各种工况振动信号区分开，其
他 ２种熵在三种工况下都有着不同严重的混叠。其中 ＭＣＳＥ混叠最为明显，说明精细复合思想的引用
对于熵值的稳定性起到关键性作用。在 ＳＮＲ＝ ２ｄＢ时，如图 ７所示，熵值分布相对比较离散化，但
ＲＣＭＣＳＥ混叠程度依旧是最低的。
３．３ ＡＬＷＯＡ － ＢＰ故障识别 水电机组故障诊断的实质是特征提取与状态识别，通过对机组状态进行
实时监测和识别，可以及早发现潜在的故障迹象和异常行为，同时可以评估机组的运行状况和性能表
现。这有助于优化运行策略。本文采用 ＡＬＷＯＡ － ＢＰ进行水电机组振动信号进行故障识别与分类，所

— ７ ４ ９ —