Page 118 - 2022年第53卷第9期

显而易见，轴心轨迹图像是由 Ｘ和 Ｙ两个不同方向的振动信号组成，通过 ＲＣＭＭＳＤＥ、ＭＭＳＤＥ等
多元多尺度熵表征不同噪声环境下轴心轨迹的特征信息，结果如图 ３所示。从图中可以看出，相较于
振动信号的 ＭＭＳＤＥ，ＲＣＭＭＳＤＥ更为平滑，说明噪声对 ＲＣＭＭＳＤＥ影响较弱。同时，通过相关系数来
衡量染噪前后（ ＳＮＲ为 ５０ｄＢ、４０ｄＢ、３０ｄＢ、２０ｄＢ以及 １０ｄＢ）信号的差异程度，得出 ＲＣＭＭＳＤＥ相
关系数为 １００％、１００％、９９．９７％、９９．２６％以及 ９５．０１％，验证了 ＲＣＭＭＳＤＥ具有良好的抗噪性能。

图 ３ 不同噪声下多元多尺度熵分布情况

３．２ ＭａＦａｕｌＤａ机械故障数据 基于 ＭａＦａｕｌＤａ机械故障数据库 ［３０］ ，本文模拟水电机组常见的不对
中、不平衡、内圈故障等轴系故障和零件故障。将振动信号划分为正常、水平不对中、垂直不对中、
不平衡、外圈、外 圈 － 不 平 衡、滚 动 体、滚 动 体 － 不 平 衡、保 持 架 以 及 保 持 架 － 不 平 衡 （下 文 简 称
“Ｎｏｒ”、“ＨＭ”、“ＶＭ”、“ＵＢ”、“ＯＲ”、“ＯＲ － ＵＢ”、“ＢＡ”、“ＢＡ － ＵＢ”、“ＣＡ” 以及 “ＣＡ － ＵＢ”）等
１０类不同状态振动信号。
以轴向、径向和切向（下文简称 Ｘ、Ｙ以及 Ｚ方向）三个不同方向的振动信号作为研究对象。其
中，系统采样频率为 ５０ｋＨｚ，每种状态振动信号各收集 ５０组样本，每个样本包含 ５０００个样本点。图
４展示了不同状态的三轴振动信号，从图中可以看出不同状态振动信号中包含大量噪声，如何在噪声
环境下提取有效故障信息成为水电机组轴系故障诊断的关键。
３．２．１ ＲＣＭＭＳＤＥ提取特征 通过 ＲＣＭＭＳＤＥ等多元多尺度熵提取水电机组轴系不同状态的有效故障
特征。图 ５给出了 ＲＣＭＭＳＤＥ和 ＭＭＳＤＥ两类不同熵的特征提取情况，从图中可以看出 ＲＣＭＭＳＤＥ和
ＭＭＳＤＥ分布基本一致，总体呈现出递减的趋势。但是，单从熵值分布情况根本无法有效区分各种状
态故障信号。
因此，引入 Ｔ － ＳＮＥ对从振动信号提取到的 ＲＣＭＭＳＤＥ等多元多尺度熵进行降维可视化处理。图 ６
给出了不同 状 态 信号 的 ＲＣＭＭＳＤＥ、ＭＭＳＤＥ、精 细复合多 元 多 尺 度 熵 （Ｒｅｆｉｎｅｄｃｏｍｐｏｓｉｔｅｍｕｌｔｉｖａｒｉａｔｅ
ｍｕｌｔｉｓｃａｌｅｅｎｔｒｏｐｙ ，ＲＣＭＭＳＥ）以及多元多尺度熵（Ｍｕｌｔｉｖａｒｉａｔｅｍｕｌｔｉｓｃａｌｅｅｎｔｒｏｐｙ，ＭＭＳＥ）的二维特征可
视化结果，从图 ６中可以看出 ＲＣＭＭＳＥ和 ＭＭＳＥ两种多元多尺度熵提取的故障特征混叠现象严重，其
中外圈、 支 撑 架 等 故 障 完 全 混 杂 在 一 起， 说 明 ＲＣＭＭＳＥ和 ＭＭＳＥ特 征 提 取 能 力 较 弱。 相 较 于
ＲＣＭＭＳＥ和 ＭＭＳＥ的杂乱无章，ＲＣＭＭＳＤＥ和 ＭＭＳＤＥ基本将各类故障区分开，但在 “ＣＡ － ＵＢ” 和
“ ＯＲ － ＵＢ”、“ＣＡ” 和 “ＯＲ” 等故障产生了小规模的混杂。此外，通过 ＭＭＳＤＥ提取的特征中 “ＢＡ －
ＵＢ” 和 “ＢＡ” 故障信号发生了一定的混杂。通过对比不同熵的特征可视化结果，得出 ＲＣＭＭＳＤＥ具
有良好的特征提取能力。
３．２．２ 故障识别 将 ＲＣＭＭＳＤＥ等多元多尺度熵提取的特征输入到 ＳＣＮ中进行不同故障信号的识别，
考虑到 Ｓ 是影响 ＳＣＮ网络诊断性能的重要参数，文中分析了 Ｓ ≤１００情况下 ＲＣＭＭＳＤＥ － ＳＣＮ和
ｍａｘ
ｍａｘ
ＭＭＳＤＥ － ＳＣＮ两个不同模型的诊断效果。同时，为避免随机实验对最终结果的影响，采用五折交叉验
证的方式划分训练集和测试集进行测试，每个模型独立运行 １０次，采用诊断率的均值和标准差两个
指标衡量模型的诊断效果，结果如表 １所示。从表 １中可以看出当 Ｓ ≤２０时，由于训练不充分等问
ｍａｘ
１
— １ ３ １ —