Page 124 - 2022年第53卷第9期

型，同样验证了融合多元传感器振动信号可以有效提高模型的诊断性能。
表 ４ 不同传感器振动信号的诊断情况

ＲＣＭＭＳＤＥ ＲＣＭＳＤＥ － ＳＣＮ ＲＣＭＳＤＥ － ＳＣＮ ＭＭＳＤＥ ＭＳＤＥ － ＳＣＮ ＭＳＤＥ － ＳＣＮ
－ ＳＣＮ （Ｘ方向） （Ｙ方向） － ＳＣＮ （Ｘ方向） （Ｙ方向）
准确率?％ ９９．１７ ９６．２４ ９６．７５ ９４．９８ ８６．２９ ８４．２２
标准差 ０．７２ １．６７ １．４０ １．９８ ２．６８ ３．０６

４ 结论

针对现有水电机组轴系故障诊断研究难以兼顾多元传感器信号故障信息的情况，提出了一种基于
ＲＣＭＭＳＤＥ和 ＳＣＮ相结合的水电机组轴系故障诊断方法。通过仿真实验分析得出以下结论：
（ １）针对水电机组故障诊断中噪声干扰因素的影响，本文采用 ＲＣＭＭＳＤＥ进行特征提取，通过
分析染噪前 后 轴 心 轨 迹 的 熵 值 曲 线 相 关 系 数， 得 出 采 用 ＲＣＭＭＳＤＥ的 相 关 系 数 为 １００％、１００％、
９９．９７％、９９．２６％以及 ９５．０１％，说明 ＲＣＭＭＤＳＥ具有良好的抗噪性能。
（ ２）采用 Ｔ － ＳＮＥ可视化不同多元多尺度熵的特征分布情况，得出采用 ＲＣＭＭＳＤＥ模型可以实现不
同故障特征的有效提取。将提取到的特征输入 ＳＣＮ模型中进行故障识别，结果表明本文所提方法在两
个故障数据集上取得了 ９７．５８％和 ９９．１７％的最高诊断率，验证了 ＲＣＭＭＳＤＥ － ＳＣＮ模型在水电机组多元
传感器故障识别领域具有一定的优势。
（３）通过对比所提模型在单一传感器和多元传感器振动信号的识别情况，得出在 ＭａＦａｕｌＤａ机械故
障数据集上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的诊断模型提升了
１４．９８％、１１．６２％以及 １．９４％的诊断率，而在 ＨＺＸＴ － ００８型转子故障数据集上采用多元传感器振动信号
的 ＲＣＭＭＳＤＥ － ＳＣＮ相对于单一传感器振动信号的诊断模型提升了 ２．９４％和 ２．４２％的诊断率，进一步说
明了融合多元传感器故障信号的必要性。
所提方法为融合水电机组多元传感器振动信号进行故障诊断提供了一种新方法，但受实验条件限
制，本文仅从振动信号出发，并没有收集到水电机组温度、尾水管压力脉动等可能导致机组不稳定因
素的数据，无法从多源角度进行水电机组故障诊断。因此，在后续研究中希望进一步探究融合多源故
障因素下多元多尺度熵在水电机组故障诊断中的应用。

参 考 文 献：

［ １］ 陆力，彭忠年，王鑫，等．水力机械研究领域的发展［Ｊ］．中国水利水电科学研究院学报，２０１８，１６（５）：
４４２ － ４５０．
［ ２］ 潘罗平，安学利，周叶．基于大数据 的 多 维 度 水 电 机 组 健 康 评 估 与 诊 断 ［Ｊ］．水 利 学 报，２０１８，４９（９）：
１１７８ － １１８６．
［ ３］ 刘涵．水电机组多源信息故障诊断及状态趋势预测方法研究［Ｄ］．武汉：华中科技大学，２０１９．
［ ４］ 唐拥军，刘东，肖志怀，等．基于卷积神经网络与奇异值分解的水电机组故障诊断方法研究［Ｊ］．中国农
村水利水电，２０２１（２）：１７５ － １８１．
［ ５］ 卢娜，张广涛，刘付鑫，等．基于 ＬＴＳＡ与谱聚类的水电机组振动故障诊断方法［Ｊ］．武汉大学学报（工学
版），２０２１，５４（１１）：１０６４ － １０６９．
［ ６］ 周叶，唐澍，潘罗 平，等．基 于 支 持 向 量 机 的 水 电 机 组 轴 系 运 行 故 障 诊 断 及 预 测 研 究 ［Ｊ］．水 利 学 报，
２０１３，４４（１）：１１１ － １１５．
［ ７］ 程晓宜，陈启卷，王卫玉，等．基于多维特征和多分类器的水电机组故障诊断［Ｊ］．水力发电学报，２０１９，
３８（４）：１７９ － １８６．
［ ８］ 党建，何洋洋，贾嵘，等．水轮发 电 机 组 非 平 稳 振 动 信 号 的 检 测 与 故 障 诊 断 ［Ｊ］．水 利 学 报，２０１６，４７
（２）：１７３ － １７９．

１
— １ ３ ７ —