基于VMD-CNN-LSTM的光纤陀螺故障诊断方法

摘要

针对光纤陀螺故障特征提取困难、诊断精度不高的问题，提出一种融合变分模态分解(Variational Mode Decomposition, VMD)、卷积神经网络(Convolutional Neural Network, CNN)与长短期记忆(Long Short-Term Memory, LSTM)网络的混合诊断算法。首先构建光纤陀螺漂移模型，根据漂移误差不确定性原理生成包含5类故障的模拟信号；其次利用VMD信号进行自适应频域分解，提取各本征模态函数(Intrinsic Mode Function, IMF)分量的样本熵构成多维特征向量；最后将提取出来的特征向量输入到CNN-LSTM网络模型，通过CNN层捕获局部时频特征，LSTM门控机制挖掘时间序列的依赖关系，采取Softmax函数进行分类故障识别。实验结果表明，该方法在相同数据集下的平均诊断准确率为94.57%,较EEMD-CNN和EMD-CNN方法分别提升14%与17.72%,可有效用于光纤陀螺故障诊断。

关键词

光纤陀螺 / 故障诊断 / 变分模态分解 / 卷积神经网络 / 长短期记忆网络