基于能量熵和CL-LSTM的故障诊断模型

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.