基于改进EEMD-MDE-BLSTM旋转机械故障诊断方法研究

摘要：

针对振动信号非平稳、非线性且噪声掩盖信号致使故障信息难以有效提取的特点,提出利用赫斯特指数变化确定小波包降噪分解层的去噪方法改进集合经验模态分解(Ensemble EMD,EEMD)中的高频分量,提高信息质量,然后引入衡量时序数据复杂度与不规则性的指标—散布熵(Dispersion Entropy,DE),提出改进IEEMD多尺度散布熵(Multi-scale DE,MDE)的故障诊断方法,并建立量子粒子群算法优化的双向长短期记忆神经网络(Bidirectional Long Short-term Memory,BLSTM)识别模型.将该方法与改进EEMD-奇异值分解、改进EEMD-模糊熵、EEMD-MDE 3种方法对比,仿真实验结果表明,该方法对实验模拟的常见振动故障的识别准确率较高,并且耗时少,可为振动故障的诊断提供一定依据.

关键词：改进集合经验模态分解、赫斯特指数、散布熵、量子粒子群、双向长短期记忆

所属期刊栏目：36

分类号：TH17

在线出版日期：2021-01-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：48-55