栈式自编码器在强噪声环境下的轴承故障诊断

由于滚动轴承的工作环境复杂,所采集的信号中通常含有大量噪声,噪声的存在会影响故障诊断的结果。为了提高噪声数据的诊断精度,采用改进的小波阈值函数结合栈式自编码器(stacked auto-encoder,SAE)对强噪声环境下的轴承数据进行故障诊断。首先通过改进阈值函数对噪声数据进行去噪,其次用小波包变换提取去噪数据的小波包能量,最后通过SAE得到故障的分类结果。通过在凯斯西储大学的轴承数据集上的实验表明,该模型能够在强噪声背景下得到较为准确的分类结果。     

基于能量熵和CL-LSTM的故障诊断模型

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。