机床与液压

作者：鹿广志，李敬兆，张金伟

单位：安徽理工大学人工智能学院；安徽理工大学计算机科学与工程学院；安徽理工大学计算机科学与工程学院

关键词：工业设备;ICEEMDAN;音频信号;Bi-LSTM;健康预测;模糊熵

基金：国家自然科学基金（51874010）;淮南市科技计划项目（2021A243）

工业设备健康状态关系着工业生产能否正常进行，为此提出一种基于改进自适应噪声完备经验模态分解（ICEEMDAN）和双向长短期记忆网络（Bi-LSTM）的工业设备健康状态预测方法。ICEEMDAN用于将原始音频信号进行分解得到若干个固有模态函数（IMF）分量，通过计算相关系数选取最佳分量组进行信号重构，然后计算重构IMF分量的模糊熵值构造特征向量集合，最后再输入到Bi-LSTM网络进行模型训练和预测。实验结果表明：相较于其他模型，基于ICEEMDAN模糊熵和Bi-LSTM的工业设备健康状态预测方法，能够有效提取音频信号特征，并准确进行健康状态预测。

来源：2024年第7期

《机床与液压》期刊编辑部

查看机床与液压杂志2024年第7期