Page 119 - 2024年第55卷第7期

表 １ 不同模型诊断准确率结果
序号 模型 无噪声 ＳＮＲ ＝ ５ｄＢ
１ ＥＥＭＤ － ＭＰＥ － ＯＯＡ － ＢｉＬＳＴＭ ７５．００％ ６６．６７％
２ ＣＥＥＭＤＡＮ － ＭＰＥ － ＯＯＡ － ＢｉＬＳＴＭ ７７．７８％ ７２．２２％
３ ＣＥＥＭＤＡＮ － ＭＳＥ － ＯＯＡ － ＢｉＬＳＴＭ ８６．１１％ ８０．５６％
４ ＣＥＥＭＤＡＮ － ＭＳＥ － ＩＯＯＡ － ＢｉＬＳＴＭ ８８．８９％ ８３．３３％
５ ＣＥＥＭＤＡＮ － ＴＳＭＳＥ － ＯＯＡ － ＢｉＬＳＴＭ ９４．４４％ ８８．８９％
６ ＣＥＥＭＤＡＮ － ＴＳＭＳＥ － ＩＯＯＡ － ＢｉＬＳＴＭ １００％ ９７．２２％

由图 １２—１３和表 １的 ６个故障诊断模型诊断结果表示，在无噪声情况下，利用 ＥＥＭＤ － ＭＰＥ模型
对水电机组 ４种状态故障诊断准确率仅为 ７５％，换成 ＣＥＥＭＤＡＮ分解后，准确率上升了 ２．７８％，说明相
比于 ＥＥＭＤ模型，ＣＥＥＭＤＡＮ消除虚假分量的效果更好。并且，融合 ＭＳＥ后准确率达到 ８６％，对 ＭＳＥ引
入时移思想后达到 ９４．４４％。同时，通过 ＩＯＯＡ对 ＢｉＬＳＴＭ进行优化后，整体诊断准确率均得到提升，其
中本文所提 ＣＥＥＭＤＡＮ － ＴＳＭＳＥ － ＩＯＯＡ － ＢｉＬＳＴＭ模型的准确率在 ４种状态下均达到 １００％。处于噪声情况
下时，整体准确率稍有降低，这与前文特征可视化中特征混叠加重有很大关系，说明在有噪声条件下，
算法特征提取能力和诊断结果会受到干扰。实验结果表明 ＴＳＭＳＥ相对于 ＭＳＥ具有更广泛的应用前景和
更高的性能表现，尤其适用于多尺度、复杂化的数据分析。而 ＯＯＡ作为一种优化算法在引入混沌映射与
高斯随机游走后增强了算法的全局搜索能力，与神经网络相结合能提高振动信号故障诊断的准确率。

４ 结论

本文提出了一种基于 ＣＥＥＭＤＡＮ － ＴＳＭＳＥ结合 ＩＯＯＡ － ＢｉＬＳＴＭ的水电机组故障诊断方法。利用转子
试验台所模拟的水电机组故障工况数据进行验证分析，采用 ＣＥＥＭＤＡＮ将模拟所得信号分解得到 ５个
ＩＭＦ分量进行 ＴＳＭＳＥ特征提取，并将提取的特征集输入到 ＩＯＯＡ － ＢｉＬＳＴＭ 模型中进行故障诊断验证。
通过以上方法，得到如下结论：
１）通过分析 ３种特征提取方法在染噪后信号与原始信号两种情况下的特征提取结果，发现 ＴＳＭＳＥ
算法具有很强的特征提取能力和良好的抗噪性，并且相较于其他特征熵更加稳定，有助于提高故障诊
断的准确率。
２）ＯＯＡ算法引入混沌映射与高斯随机游走策略后，提升了全局搜索能力与收敛精度。在 ６组对比
模型中，经 ＩＯＯＡ算法优化后的模型准确率均高于 ＯＯＡ算法。
３）文章对比 ＣＥＥＭＤＡＮ － ＴＳＭＳＥ － ＩＯＯＡ － ＢｉＬＳＴＭ等 ６组模型对于机组状态的识别情况，所提模型诊
断精度最高，达到了 １００％并且采用 ＴＳＭＳＥ特征提取方法的诊断精度均高于未采用此方法的模型，这
说明采用新的时序分析方法可以更加充分利用特征信息，有助于提升诊断准确率。
但该模型是为振动故障的分类和识别而设计的，并不适用于水电机组非振动型故障。并且在试验
中使用原始模拟信号与添加 ＳＮＲ ＝ ５ｄＢ噪声的模拟信号两种数据进行研究，未对实际水电机组故障下
的振动数据进行验证，这将是后续研究的重点。

参 考 文 献：

［ １］ 陈飞，王斌，刘婷，等．基于时移多尺度注意熵和随机森林的水电机组故障诊 断 ［Ｊ］．水 利 学 报，２０２２，
５３（３）：３５８ － ３６８，３７８．
［ ２］ 张婷婷，王斌，王坤，等．基于增强层次对称点图像分析和深度残差网络的水电机组故障诊断［Ｊ］．水利
学报，２０２３，５４（１１）：１３８０ － １３９１．
［ ３］ 陈飞，王斌，周东东，等．融合改进符号动态熵和随机配置网络的水电机组轴系故障诊断方法［Ｊ］．水利
学报，２０２２，５３（９）：１１２７ － １１３９．

— ８ ７ １ —