Page 110 - 2024年第55卷第7期

水 利 学 报

２０２４年 ７月 ＳＨＵＩＬＩ ＸＵＥＢＡＯ 第 ５５卷 第 ７期

文章编号：０５５９ － ９３５０（２０２４）０７ － ０８６２ － １２

ＴＳＭＳＥ结合 ＩＯＯＡ － ＢｉＬＳＴＭ 的水电机组轴系故障诊断方法

１
１
张兼博 ，李 想 ，曾 云 １，２ ，唐跨纪 １
（１．昆明理工大学 冶金与能源学院，云南 昆明 ６５００９３；
２．云南省高校水力机械智能测试工程研究中心，云南 昆明 ６５００９３）

摘要：为提高水电机组轴系振动故障诊断的准确率，本文提出了一种新的诊断方法。首先，基于完全自适应噪声集
合经验模态分解（ ＣＥＥＭＤＡＮ）进行振动信号预处理；其次，基于时移多尺度思想，引入时移多尺度样本熵（ＴＳＭＳＥ）
模型，以克服传统多尺度样本熵鲁棒性差以及粗粒化不足的问题；最终，将 ＴＳＭＳＥ提取的故障特征集输入经过
改进鱼鹰算法（ ＩＯＯＡ）优化的双向长短时记忆网络（ＢｉＬＳＴＭ），进行故障特征分类。通过对原始信号添加 ＳＮＲ ＝ ５ｄＢ
噪声并引入两种特征熵与 ＴＳＭＳＥ对比，分析 ＴＳＭＳＥ的抗噪性能。仿真实验表明，在给定数据集下 ＴＳＭＳＥ特征提
取能力明显优于另外两种方法。同时，所提故障诊断模型应用在原始信号和含噪信号两种情况下，分别取得了
１００％以及 ９７．２２％的准确率，验证了所提模型的良好性能，为水电机组故障诊断提供新的科学方法。
关键词：水电机组；特征提取；时移多尺度样本熵；ＩＯＯＡ － ＢｉＬＳＴＭ；故障诊断
中图分类号：ＴＭ３１２
文献标识码：Ａ ｄｏｉ：１０．１３２４３?ｊ．ｃｎｋｉ．ｓｌｘｂ．２０２３０７９０

１ 研究背景

在能源转型进程中，水电作为清洁可再生能源，对电力系统的稳定运行十分重要。就现代电力系
统而言，为应对多元复杂的能源供应格局，水电能源需要具备更高的运输效率和灵活性。由此，水电
站的控制系统需要进行创新性优化，提升其应对运行范围变化的适应能力，避免机组因运行边界扩展
导致的异常状况。同时，要设法延缓机组部件因频繁变化工况而遭受更快更严重的磨损。因此，对水
电机组运行状态的实时监测与故障诊断就显得格外关键 ［１ － ２］ 。然而，水电机组不仅结构复杂，其运行
工况还受到水力、机械和电磁等多种因素影响，导致故障类型种类繁多，同时机组内部的潜在振源互
相作用，易引发耦合振动 ［３］ 。如此一来，机组采集的振动信号往往呈现出非线性、非平稳和低信噪比
等特点。能否准确地从复杂信号中识别出与特定故障关联的时域、频域特征，直接关系到故障诊断策
略的有效实施 ［４］ 。
目前故障诊断可以大致概括成信号降噪处理、特征提取和特征识别三个步骤，其中故障特征信息
提取直接影响到了后续故障识别的结果 ［５］ 。文献中常利用经验模态分解（ｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ，
［６］
［７］
ＥＭＤ） 、集合经验模态分解（ｅｎｓｅｍｂｌｅｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＥＭＤ） 、完全集合经验模态分
［８］
解（ｃｏｍｐｌｅｔｅｅｎｓｅｍｂｌｅｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＣＥＥＭＤ） 等方法处理振动信号，但它们都存在模态
混叠、端点效应等问题。完全自适应噪声集合经验模态分解（ＣｏｍｐｌｅｔｅＥＥＭＤｗｉｔｈＡｄａｐｔｉｖｅＮｏｉｓｅ，ＣＥＥＭ
ＤＡＮ ）算法在 ＥＥＭＤ算法的基础上进一步改进，通过分步加入白噪声缓解算法中存在的上述问题。因此，
本文利用 ＣＥＥＭＤＡＮ将原始振动信号分解，并结合相关系数法，舍去相关系数小于 ０．１的分量，减少无

收稿日期：２０２３ － １２ － １７；网络首发日期：２０２４ － ０６ － ２５
网络首发地址：ｈｔｔｐｓ：??ｋｎｓ．ｃｎｋｉ．ｎｅｔ?ｋｃｍｓ?ｄｅｔａｉｌ?１１．１８８２．ＴＶ．２０２４０６２４．１０１６．００１．ｈｔｍｌ
基金项目：国家自然科学基金项目（５２０７９０５９）
作者简介：张兼博（ ２０００ － ），硕士生，主要从事水电机组振动故障诊断研究。Ｅ － ｍａｉｌ：２０２２２２０２２９０＠ｓｔｕ．ｋｕｓｔ．ｅｄｕ．ｃｎ
通信作者：曾云（１９６５ － ），教授，主要从事水电机组运行稳定性与控制策略研究。Ｅ － ｍａｉｌ：ｚｅｎｇｙｕｎ００１＠１６３．ｃｏｍ
— ８ ６ —
２