基于能量熵和CL-LSTM的故障诊断模型

• 作者: 侯鑫烨 董增寿 刘鑫 段敏霞
• 来源期刊: 机床与液压
• 关键词: 能量熵 滚动轴承 故障诊断 损失函数 长短时记忆网络
• 年，卷（期）: 2021,（16）
• 所属期刊栏目: 故障诊断与可靠性|FAULT DIAGNOSIS & RELIABILITY
• 页码范围: 180-184,203
• 页数: 6页
• 分类号: TH133.33
• 语种: 中文
• DOI: 10.3969/j.issn.1001-3881.2021.16.037

摘要

针对长短时记忆网络(Long Short Term Memory,LSTM)处理大数据集时运行时间长、存在维数灾难的问题,提出基于能量熵和CL-LSTM(Long Short Term Memory Network with Center Loss)的智能故障诊断模型.利用自适应白噪声的完整集合经验模态分解对原始信号进行分解;结合相关系数筛选IMF分量并计算其能量熵作为新样本输入到LSTM中,增强了样本间的差异性,减小了数据维度.将中心损失引入Softmax损失中,使类内距离更小,进一步提高分类精度.利用西储大学轴承数据集进行实验,验证了所提方法在识别滚动轴承故障状态时准确率高、稳定性好.