信息熵改进Bagging-CNN-BILSTM的刀具剩余寿命预测

摘要

针对单一传感器预测精度差、可靠性低的问题，提出一种信息熵改进的Bagging-CNN-BILSTM模型。使用Sureshrink阈值选择方法代替固定阈值进行小波降噪，提取多传感器信号的时域、频域及时频域信息，构建刀具多源信息矩阵。通过计算皮尔逊系数与灰色关联度对所提取信号特征进行双重特征降维，获取刀具寿命因子；基于信息熵改进Bagging-CNN-BILSTM模型，优化Bagging中Bootstrap样本重复采样与随机采样。对所提方法在PHM2010数据集上进行验证，实验结果表明：相比未改进Bagging-CNN-BILSTM模型、CNN-BILSTM模型、CNN-LSTM模型、CNN-GRU模型，所提模型的平均绝对误差分别降低44.8%、48.8%、49.6%、58.8%,具有更好的预测精度与可靠性。

关键词

刀具寿命预测 / 多通道信息融合 / 改进小波降噪 / 卷积神经网络 / 样本信息熵 / 改进Bagging模型