针对传统的时频域故障诊断方法无法对故障实现自适应识别和分类,且准确率较低的问题,提出一种基于改进信息熵(improved information entropy,IIE)的长短时记忆网络(long-short time memory network,LSTM)方法。首先对原始信号分别进行...针对传统的时频域故障诊断方法无法对故障实现自适应识别和分类,且准确率较低的问题,提出一种基于改进信息熵(improved information entropy,IIE)的长短时记忆网络(long-short time memory network,LSTM)方法。首先对原始信号分别进行集合经验模态分解(ensemble empirical mode decomposition,EEMD)和变分模态分解(variational mode decomposition,VMD);将包含故障信息的所有本征模式分量(intrinsic mode functions,IMF)进行信息熵的求取;通过信息熵反映IMF的信息量和峭度指标对描述冲击成分的优势改进信息熵,构成特征向量;最后结合LSTM处理非线性数据的优势,利用组合特征训练LSTM网络建立诊断模型。实验结果表明:该方法能准确、高效地识别多种故障,准确率要比单一的EEMD-LSTM、VMD-LSTM、人工神经网络等传统方法更高。展开更多
