石志标， 陈 斐， 曹丽华(.东北电力大学 机械工程学院，吉林 30； .东北电力大学 能源与动力工程学院，吉林 30)

汽轮机转子是机械设备中重要零部件，在实际运行中，转子通过高频振动传感器来进行状态信息的监测。由于转子在高温、高压、疲劳等复杂工况下运行，其故障特征往往会被强背景噪声所淹没，影响诊断结果。因此，在复杂环境下实现精准、快速的故障识别对汽轮机转子故障诊断具有十分重要的意义[1-3]。

排列熵[4]作为一种检测信号复杂程度和随机程度的方法，其对非平稳、非线性信号的变化非常敏感。由于自适应完备的集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN)分解得到的固有模态分量(Intrinsic Mode Function，IMF)包含不同复杂程度的故障特征信息，因此可以计算其排列熵值作为故障特征向量。相关向量机(Relevance Vector Machine，RVM)作为一种智能识别器目前已在手写数字识别[5]、电力负荷预测[6]、故障检测[7-8]、医疗[9-10]、数字图像处理[11]等领域得到了广泛的应用，但在汽轮机转子故障诊断方面应用较少。RVM算法相比支持向量机(Support Vector Machine，SVM)算法具有更好的稀疏性和泛化能力，且不需要对惩罚因子进行设置，不需要设置超参数，并且核函数的选择不受Mercer条件的限制，对小样本具有很好的分类效果[12]。但是由于其核函数学习过程中易陷入局部最优，核参数的选取缺乏理论依据指导，对故障诊断识别结果和识别效率造成影响。基于此，提出一种基于排列熵与IFOA-RVM的汽轮机转子故障诊断方法。采用CEEMDAN与排列熵构建特征样本集；利用结构简单，全局寻优能力高的IFOA算法对RVM核参数进行优化；……