Page 122 - 2022年第53卷第9期

表 ３ 不同传感器振动信号的诊断情况
ＲＣＭＭＳＤＥ ＲＣＭＳＤＥ － ＳＣＮ ＲＣＭＳＤＥ － ＳＣＮ ＲＣＭＳＤＥ － ＳＣＮ ＭＭＳＤＥ ＭＳＤＥ － ＳＣＮ ＭＳＤＥ － ＳＣＮ ＭＳＤＥ － ＳＣＮ
－ ＳＣＮ （Ｘ方向） （Ｙ方向） （Ｚ方向） － ＳＣＮ （Ｘ方向） （Ｙ方向） （Ｚ方向）
准确率?％ ９７．５８ ８２．６０ ８５．９６ ９５．６４ ９４．７８ ７４．５２ ８３．５２ ９４．３４
标准差 １．３６ ４．１８ ３．６１ ２．１６ １．７６ ４．１１ ４．１０ １．８３

３．３ ＨＺＸＴ － ００８型转子试验台故障数据 为进一步验证融合多元传感器振动信号的优势，本文通过
ＨＺＸＴ － ００８型转子故障试验台模拟水电机组中常见的轴系故障振动信号。如图 ８所示，通过控制故障件
的故障程度，将水电机组轴系故障划分成正常、轻微不对中、轻微不平衡、轻微碰摩、严重不对中、严
重不平衡以及严重碰摩（下文简称为 “ Ｎｏｒ”、“ＩＭｉｓ”、“ＩＩＢ”、“ＩＲｕｂ”、“ＳＭｉｓ”、“ＳＩＢ” 以及 “ＳＲｕｂ”）
７种不同状态的信号。从图 ８中可以看出，论文利用电涡流传感器采集 ２个径向相垂直（下文简称 Ｘ和 Ｙ
方向）的振动信号，采样频率为 ２０４８Ｈｚ，共收集各种状态样本共 ６３０个，每个样本持续时间 ２ｓ。

图 ８ ＨＺＸＴ － ００８型转子试验台

３．３．１ 故障提取特征 受篇幅影响，本文仅分析了 ＲＣＭＭＳＤＥ和 ＭＭＳＤＥ在转子故障试验台的应用。
同时，通过比较多元振动信号和单一振动信号的故障特征分布情况，探究多元振动信号融合的必要
性。图 ９给出了不同通道振动信号的特征可视化结果，图 ９（ａ）—（ｃ）中可以看出多通道融合的 ＲＣ
ＭＭＳＤＥ模型有效区分了 ７种不同状态的振动信号，而采用 Ｘ方向振动信号提取的特征中 “Ｎｏｒ” 和
“ ＩＭｉｓ” 故障发生了严重混杂现象，采用 Ｙ方向振动信号提取的特征中 “ＩＩＢ” 和 “ＳＭｉｓ” 故障存在混
杂。此外，图 ９（ｄ）—（ｆ）给出了 ＭＭＳＤＥ和 ＭＳＤＥ模型特征可视化情况，发现采用单一通道振动信号
的 ＭＳＤＥ发生了严重混杂，进一步说明了融合多元振动信号的必要性。
３．３．２ 模式识别 将 ３．３．１节中提取的特征输入 ＳＣＮ进行模式识别，并采用 ５折交叉法划分训练集和
测试集，每个模型独立运行 １０次，采用图表的形式评价不同模型的性能。如图 １０所示，ＲＣＭＭＳＤＥ －
ＳＣＮ模型仅有一个 “ＳＩＩＢ” 故障被误诊为 “ＩＩＢ” 故障，基于 Ｘ方向振动信号的 ＲＣＭＳＤＥ － ＳＣＮ模型中
有 ４个 “ＩＭｉｓ” 被误诊为 “Ｎｏｒ” 信号，基于 Ｙ方向振动信号的 ＲＣＭＳＤＥ － ＳＣＮ模型 “ＩＩＢ”、“ＳＭｉｓ”
以及 “ ＳＲｕｂ” 等故障发生了一定混杂。综合 ６种模型的混淆矩阵图，表明基于多元振动信号的 ＲＣ
ＭＭＳＤＥ － ＳＣＮ模型具有良好的诊断效果。

１
— １ ３ ５ —