典型文献
基于时移多尺度注意熵和随机森林的水电机组故障诊断
文献摘要：
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.
文献关键词：
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
中图分类号：
作者姓名：
陈飞;王斌;刘婷;张文静;高园晨;陈帝伊
作者机构：
西北农林科技大学 水利与工程建筑学院,陕西 杨凌 712100
文献出处：
引用格式：
[1]陈飞;王斌;刘婷;张文静;高园晨;陈帝伊-.基于时移多尺度注意熵和随机森林的水电机组故障诊断)[J].水利学报,2022(03):358-368,378
A类：
时移多尺度注意熵,TSMATE
B类：
水电机组,传统诊断,噪声环境,精准识别,抗噪性能,识别率高,故障诊断方法,分形理论,Time,shifted,multiscale,attention,entropy,Principal,component,analysis,降维处理,冗杂,Random,forests,RF,振动信号,噪声强度,dB,噪声干扰,诊断率,新手
AB值：
0.304048
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
