Page 121 - 2022年第53卷第9期

图 ７ 不同诊断模型的识别结果图

ｔｉｓｃａｌｅｄｉｓｐｅｒｓｉｏｎｅｎｔｒｏｐｙ，ＭＭＤＥ） ［３２］ 、精细复合多元多尺度模糊熵（Ｒｅｆｉｎｅｄｃｏｍｐｏｓｉｔｅｍｕｌｔｉｖａｒｉａｔｅｍｕｌｔｉ
ｓｃａｌｅｆｕｚｚｙｅｎｔｒｏｐｙ，ＲＣＭＭＦＥ） ［３３］ 及多元多尺度模糊熵（Ｍｕｌｔｉｖａｒｉａｔｅｍｕｌｔｉｓｃａｌｅｆｕｚｚｙｅｎｔｒｏｐｙ，ＭＭＦＥ） ［３４］
等多元多尺度熵展开对比实验。通过这些多元多尺度熵提取振动信号特征，然后输入到 ＳＣＮ中完成识
别工作。同样，采用 ５折交叉法划分训练集和测试集，每个模型单独运行 １０次，诊断情况见表 ２。如
表 ２所示，ＲＣＭＭＳＤＥ － ＳＣＮ模型取得了 ９７．５８％的诊断率，相较于其它模型（ＭＭＳＤＥ － ＳＣＮ、ＲＣＭＭＤＥ － ＳＣＮ、
ＭＭＤＥ － ＳＣＮ、ＲＣＭＭＳＥ － ＳＣＮ、ＭＭＳＥ － ＳＣＮ、ＲＣＭＦＥ － ＳＣＮ以 及 ＭＭＦＥ － ＳＣＮ）提 高 了 ２．８％、６．３２％、
１３．３２％、１４．２％、２２．８％、３．５％以及 １０．４８％的诊断率。同时，对比不同模型的标准差得出 ＲＣＭＭＳＤＥ
的诊断效果最为稳定。通过上述分析，得出 ＲＣＭＭＳＤＥ － ＳＣＮ模型是一种稳定、精确的水电机组轴系故
障诊断模型。
表 ２ 不同模型的诊断情况

ＲＣＭＭＳＤＥ － ＳＣＮ ＭＭＳＤＥ － ＳＣＮ ＲＣＭＭＤＥ － ＳＣＮ ＭＭＤＥ － ＳＣＮ ＲＣＭＭＳＥ － ＳＣＮ ＭＭＳＥ － ＳＣＮ ＲＣＭＭＦＥ － ＳＣＮ ＭＭＦＥ － ＳＣＮ
诊断率?％ ９７．５８ ９４．７８ ９１．２６ ８４．２６ ８３．３８ ７４．７８ ９４．０８ ８７．１０
标准差 １．３６ １．７６ ３．１０ ３．６９ ３．５８ ４．２４ ２．５１ ３．６０

如表 ３所示，依次分析了 Ｘ、Ｙ以及 Ｚ方向三个不同传感器振动信号下精细复合多尺度符号动态
熵（ Ｒｅｆｉｎｅｄｃｏｍｐｏｓｉｔｅｍｕｌｔｉｓｃａｌｅｓｙｍｂｏｌｉｃｄｙｎａｍｉｃｅｎｔｒｏｐｙ，ＲＣＭＳＤＥ）和 多 尺 度 符 号 动 态 熵 （Ｍｕｌｔｉｓｃａｌｅ
ｓｙｍｂｏｌｉｃｄｙｎａｍｉｃｅｎｔｒｏｐｙ，ＭＳＤＥ）的诊断情况，得出采用多传感器振动信号的 ＲＣＭＭＳＤＥ － ＳＣＮ相对于
单一传感器振 动信 号 （Ｘ、Ｙ以 及 Ｚ方 向）提升了 １４．９８％、１１．６２％以 及 １．９４％的 诊 断 精 度，而 采 用
ＭＭＳＤＥ － ＳＣＮ相比单一传感器振动信号提升了 ２０．２６％、１１．２６％以及 ０．４４％的诊断率，验证了融合多元
传感器振动信号可以有效提升水电机组轴系故障诊断精度。

— １ １ ４ —
３