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。

针对目标域标记数据少导致迁移模型泛化能力差的问题,提出基于伪标签的半监督迁移学习模型WSTLPL。卷积神经网络用于学习原始振动数据的可迁移特征,用源域数据预训练网络;利用该网络预测目标域数据类别,将分类概率最大的类标签作为数据的伪标签。根据域自适应和伪标签学习的正则化项,对神经网络的参数施加约束,以减少学习到的可迁移特征的分布差异。结果表明:与现有诊断模型相比,该迁移模型的准确率更高。