Page 115 - 2024年第55卷第7期

的环境下引入并微调各类故障状况，在精确控制故障严重程度的同时，还能无干扰地监测并记录振动
等关键数据。相比在实际大型机组上进行故障试验，转子试验台的成本低且风险小。因此，本文采用
文献 ［２６］ 的转子故障试验台数据。数据集含有健康状态、磨损状态、不平衡、不对中 ４种状态，每种状
态样本 ４５个，总计 １８０个样本，采样频率为 ２０４８Ｈｚ。
同时，考虑到实际水电机组运行时会受到如机械摩擦、电磁干扰、环境噪声等影响，加入 ＳＮＲ ＝ ５
ｄＢ信噪比噪声进行对比分析，评估本文故障诊断模型在实际嘈杂环境下的性能表现与抑制干扰能力。
３．１ ＣＥＥＭＤＡＮ分解 将两种信号进行 ＣＥＥＭＤＡＮ分解如图 ４—５所示，每种状态分解得到 ５个 ＩＭＦ
分量和 １个残差。

图 ４ ４种状态振动信号 ＣＥＥＭＤＡＮ分解情况（原始振动信号）

图 ５ ４种状态振动信号 ＣＥＥＭＤＡＮ分解情况（ＳＮＲ ＝ ５ｄＢ ）

３．２ ＴＳＭＳＥ性能分析 为评估 ＴＳＭＳＥ算法性能，本文从算法鲁棒性与抗噪性两个方面开展研究。在
鲁棒性方面，通过分析不同时序长度、不同尺度因子下 ＴＳＭＳＥ与两种常见多尺度熵特征提取能力，探
究其不同参数下的特征差异。同时，提取相同情况下含噪信号特征，进行对比，验证其抗噪性。多尺
度排列熵（ＭｕｌｔｉｓｃａｌｅＰｅｒｍｕｔａｔｉｏｎＥｎｔｒｏｐｙ）、ＭＳＥ分别根据文献［２７ － ２８］选择合适参数。
以随机信号为例，分析其信号长度 为 Ｎ＝ ２５６、Ｎ＝ ５１２、Ｎ＝ １０２４、Ｎ＝ ２０４８时，３种 特征熵的
均值与标准差分布情况，并对曲线进行缩放平移处理，避免曲线叠加难以分析，具体结果如图 ６所
示。由图可知随着尺度因子增加，两种多尺度熵均值曲线出 现波 动，而 ＴＳＭＳＥ均 值 曲 线光滑且慢
慢趋于平缓，并且，ＭＳＥ标准差值 明显大于 ＴＳＭＳＥ。表明 采用 时 移 与多 尺 度 结合 的方 法可 以使特
征熵更稳定，有助于提高特征提取的准确性与可靠性。此外，当尺度因子小于 ４时，ＴＳＭＳＥ算法的
稳定性略有减弱，这意味着该算法不适用于小尺度分析，与上述尺度因子过小时熵值数据混乱有一
定关系。
图 ７为添加 ５ｄＢ信噪比噪声下 ３种方法的标准差与均值曲线。可以看出，相比于原始信号，３种
特征提取结果都出现了不同程度的波动。但相比前两种多尺度熵，随尺度因子增加，ＴＳＭＳＥ均值曲线
逐渐光滑，并且标准差曲线趋于平稳，说明其抗噪性优于另外两种多尺度熵。
３．３ 特征可视化 为进一步分析 ３种特征提取方法的效果，利用随机近邻嵌入（Ｔ － ｄｉｓｔｒｉｂｕｔｅｄｓｔｏｃｈａｓｔｉｃ
ｎｅｉｇｈｂｏｒｅｍｂｅｄｄｉｎｇ ）将 ４种状态特征提取结果映射到三维空间进行分析 ［２９］ 。由图 ８可得，ＴＳＭＳＥ可以
将各种状态振动信号区分开，其他两种方法都有着不同程度的混叠，以 ＭＰＥ混叠最为明显。
在添加 ＳＮＲ ＝ ５ｄＢ时，如图 ９所示，两种多尺度熵受噪声影响较大，难以区分 ４种状态，模态混
叠严重，ＴＳＭＳＥ仅仅出现 ２种状态的略微混叠。再次说明该方法在信号含噪的情况下依旧具有较强的
特征提取能力。

— ８ ６ ７ —