基于时移多尺度波动散布熵和改进核极限学习机的水电机组故障诊断

摘要

水电在能源供给结构改革中承担重要角色，随着风、光、潮汐等新型能源的不断接入，水电机组的负荷运行范围不断加宽，导致水电机组发生事故的概率增加，因此，开展水电机组智能故障诊断研究具有十分重要的现实意义。本文针对水电机组振动信号中蕴含大量噪声信号，干扰故障诊断的问题，提出一种时移多尺度波动散布熵和改进核极限学习机相结合的水电机组故障诊断方法。首先，结合信息熵理论与时移思想，在多尺度波动散布熵的基础上，采用时移理论替代多尺度波动散布熵（MFDE）中传统的粗粒化过程，提出时移多尺度波动散布熵（TSMFDE），通过仿真实验，证明所提方法具有良好的时序长度鲁棒性、抗噪性及特征提取能力，解决了传统多尺度熵粗粒化不足的问题。然后，利用具有可移植性强、寻优能力强和收敛速度快等特征的算术优化算法（AOA）对核极限学习机（KELM）的正则化参数和核函数参数进行寻优，建立AOA–KELM分类器，解决了KELM超参数难以调节的问题。最终，通过转子试验台模拟实验，将TSMFDE提取的特征输入分类器中，完成模式识别工作。仿真结果表明，所提模型取得最高的诊断精度，达到了100.0%，相对于其他流行模型，本文所提模型展现了明显的优势，验证了所提模型的良好诊断精度。

关键词

时移多尺度波动散布熵 / 核极限学习机 / 算术优化算法 / 水电机组 / 故障诊断