陈 飞，王 斌，刘 婷，张文静，高园晨，陈帝伊

（西北农林科技大学 水利与工程建筑学院，陕西 杨凌 712100）

1 研究背景

水电机组作为水电站的核心部件，维护机组安全稳定对电站高效运行有着很大的现实价值。振动信号作为水电机组运行状态的外在表现形式，常被用作评价水电机组健康状态的重要指标。振动是引发机组故障的主要原因，据统计，由于振动导致的故障占到机组总故障的80%［1］。因此，利用振动信号进行水电机组故障识别是常用的诊断方法。

机组常常在高噪声环境下工作，故障信号容易受到噪声干扰，为机组故障识别增加了难度。因此，如何在噪声环境下提取有效故障信息，成为了机组故障诊断的关键。文献中常利用奇异值分解（Singular value decomposition，SVD）［2］、变分模态分解（Variational mode decomposition，VMD）［3］以及自适应局部迭代滤波（Adaptive local iterative filtering，ALIF）［4］等方法对信号进行降噪，从而实现故障特征有效提取。但是，以上方法降噪过程中不可避免会导致一部分有效故障信息丢失。因此，直接提取信号故障信息需要一种抗噪性能良好的特征提取工具。熵作为度量时序信号复杂性的重要工具，在水电机组特征提取领域有着广泛的运用［5-8］。文献［6］将样本熵和时频域指标相结合形成多维特征，有效区分出机组不同故障类别。然而，样本熵在处理长时间序列时，需要消耗较长时间［9］。相比于样本熵，排列熵计算更为简单和快速［10］。何洋洋等［11］提出一种基于随机共振和多维度排列熵的水电机组故障诊断模型，有效提取机组故障信息。……