Page 111 - 2024年第55卷第7期

用信息的影响。
受水电机组自身工作环境影响，在信号处理过程中将不可避免会有背景噪声干扰。因此，需要一
种抗噪性能良好的特征提取工具。熵作为非线性动力学参数能够衡量信号的不确定性与复杂度，广泛
应用于故障特征提取方面 ［９ － １１］ 。与传统熵测度方法不同，文献［１２］所采用的多尺度样本熵（Ｍｕｌｔｉｓｃａｌｅ
ＳａｍｐｌｅＥｎｔｒｏｐｙ ，ＭＳＥ）在熵测度时不需要估计信号概率密度函数，具有更高的计算效率，但 ＭＳＥ存在
窗口长度选择困难、鲁棒性差等问题。为克服这些问题，文献［ １３］在 ＭＳＥ基础上引入时移操作，将
数据集分解成不同尺度和时间延迟的子序列，然后计算每个子序列下的样本熵（ ＳａｍｐｌｅＥｎｔｒｏｐｙ，ＳＥ），
更好地反映出时序数据的局部特征与时间演化规律。以此方法提取出不同频域层次上的特征熵，并用
于故障特征分类。
故障特征分类的本质是将故障信息输入到分类器，识别其故障类型。近年来，以机器学习为代表
的人工智能技术正逐渐被应用于故障诊断领域。例如：鲸鱼优化算法 ［１４］ 、卷积神经网络 ［１５］ 、支持向
量机 ［１６］ 、遗传算法 ［１７］ 等。但是上述智能算法存在对参数敏感性高，收敛速度慢、容易陷入局部最优
等问题。而鱼鹰算法（ ｏｓｐｒｅｙｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ，ＯＯＡ） ［１８］ 作为一种群体智能优化算法，参数控制较
少，且收敛速度快。文献［１９］将 ＯＯＡ应用于电力系统的经济负荷调度问题上，并通过优化后的策略
实现了每台机组在各种负载需求下产生最佳功率，验证了其在解决实际问题方面的可行性和有效性。
同时，双向长短时记忆网络（ Ｂｉ － ｄｉｒｅｃｔｉｏｎａｌＬｏｎｇ － ＳｈｏｒｔＴｅｒｍ Ｍｅｍｏｒｙ，ＢｉＬＳＴＭ）拥有强大时序序列学习
能力，使得该 网 络 在 处 理非线 性关 系、分 类 等问题上表 现出 色 ［２０］ 。本 文 基 于两 种算 法的 优点，将
ＯＯＡ和 ＢｉＬＳＴＭ结合，同时在 ＯＯＡ算法中引入 Ｃｉｒｃｌｅ混沌映射与高斯随机游走策略以增强算法的全局
搜索能力，避免陷入局部最优解。
针对传 统 故 障 特 征 分 类 模 型 难 以 提 取 强 噪 声 下 的 故 障 信 号 特 征 这 一 难 题， 本 文 提 出 一 种
ＣＥＥＭＤＡＮ － ＴＳＭＳＥ结合 ＩＯＯＡ － ＢｉＬＳＴＭ的故障诊断模型。将 ＣＥＥＭＤＡＮ与 ＴＳＭＳＥ相结合，提取信号特
征，并以提取的特征向量作为 ＩＯＯＡ － ＢｉＬＳＴＭ 的输入，实现特征分类，最后与多组故障诊断模型进行
对比。结果表明，本文所提方法在水电机组故障诊断领域具有良好的效果。

２ 理论基础

２．１ ＣＥＥＭＤＡＮ算法 ＣＥＥＭＤＡＮ通过分步加入白噪声的方式缓解了 ＥＥＭＤ算法中存在的模态混叠
现象，并且克服了 ＥＥＭＤ算法的不完整性以及依靠增大试验次数来降低重构误差的问题，使分解更具
完备性。ＣＥＥＭＤＡＮ算法具体实现步骤如下 ［２１］ ：
ｊ
（ １）向待分解信号 ｙ（ｔ）中添加正负成对的高斯白噪声 ω（ｔ），新信号 Ｙ（ｔ）为：
ｊ
ｑ
Ｙ（ｔ） ＝（ － １）ω（ｔ） ＋ ｙ（ｔ） （１）
式中：ｑ取 １或者 ２；ｊ为添加噪声的次数，ｊ ＝ １，２，…，ｍ。
ｊ
（ ２）对 Ｙ（ｔ）进行经验模态分解，得到第一阶本征模态分量 Ｃ（ｔ），所有模态分量取均值得到第一
１
个分量为：
１ ｍ
ｊ
ＩＭＦ ＝ ∑ Ｃ（ｔ） （２）
１
１
ｍ ｊ ＝１
信号 ｙ（ｔ）与 ＩＭＦ 的差为 Ｒ（ｔ）：
１
１
Ｒ（ｔ） ＝ｙ（ｔ） － ＩＭＦ （３）
１ １
ｊ
（３）在 Ｒ（ｔ）中同样添加上述噪声得到新信号，重复步骤（１）（２），得到第一阶本征模态分量 Ｃ（ｔ），则
１
２
第二个分量为：
１ ｍ
ｊ
ＩＭＦ ＝ ∑ Ｃ（ｔ） （４）
２ ２
ｍ ｊ ＝１
信号 Ｒ（ｔ）与 ＩＭＦ 的差为 Ｒ（ｔ）：
２
２
１
Ｒ（ｔ） ＝Ｒ（ｔ） － ＩＭＦ （５）
２ １ ２
— ８ ６ ３ —