为提高水电机组振动故障的识别精度，文章提出了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，针对传统多尺度熵粗粒化不足的问题，提出了时移多尺度波动散布熵（time-shift multiscale fluctuation-based dispersion entropy,TSMFDE），通过仿真实验，证明了所提方法具有良好的时序长度鲁棒性、抗噪性以及特征提取能力。然后，利用寻优能力强、收敛速度快的算术优化算法（arithmetic optimization algorithm, AOA）对核极限学习机（kernel based extreme learning machine,KELM）进行参数寻优，建立AOA-KELM分类器，克服了KELM超参数难以调节问题。最终，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，所提模型具有良好的分类效果，是一种有效的水电机组故障诊断方法。
文档