基于时移多尺度注意熵和随机森林的水电机组故障诊断
针对传统诊断方法难以在高噪声环境下进行故障精准识别的问题,本文提出了一种抗噪性能良好、识别率高的水电机组故障诊断方法.首先,基于分形理论,提出了一种度量信号复杂度的工具——时移多尺度注意熵(Time-shifted multiscale attention entropy,TSMATE).然后,利用主成分分析(Principal component analysis,PCA)对TSMATE进行降维处理,克服了特征冗杂问题.最终,将降维后的特征输入到随机森林(Random forests,RF)模型进行诊断.通过对振动信号添加不同信噪比的噪声,探究不同噪声强度下所提模型的抗噪性能.仿真实验表明,TSMATE-PCA-RF在0 dB、1 dB、2 dB以及3 dB四种不同信噪比噪声干扰下,分别取得了98.06%、98.89%、99.17%以及99.17%的诊断率,验证了所提模型具有良好的抗噪性能.该研究为水电机组故障诊断提供了新手段.
时移多尺度注意熵、随机森林、主成分分析、水电机组、故障诊断
53
TM312(电机)
国家自然科学基金;陕西省重点研发计划项目
2022-04-24(万方平台首次上网日期,不代表论文的发表时间)
共12页
358-368,378