嘉兴建设公司网站,ps软件下载平板版,wordpress文章付费阅读,代理网店收费本期采用2023年瞪羚优化算法优化VMD#xff0c;并结合Transformer-SVM实现轴承诊断#xff0c;算是一个小创新方法了。需要水论文的童鞋尽快#xff01; 瞪羚优化算法之前推荐过#xff0c;该成果于2023年发表在计算机领域三区SCI期刊“Neural Computing and Applications”… 本期采用2023年瞪羚优化算法优化VMD并结合Transformer-SVM实现轴承诊断算是一个小创新方法了。需要水论文的童鞋尽快 瞪羚优化算法之前推荐过该成果于2023年发表在计算机领域三区SCI期刊“Neural Computing and Applications”上。GOA方法具有出色的鲁棒性和效率目前被引258次。 本期轴承诊断思路如下 ①对官方下载的西储大学数据进行处理划分10种故障类型 ②对第一步处理得到的数据进行特征提取主要是采用GOA算法优化VMD的两个参数(模态分量和惩罚因子)并将优化后的最佳值回带提取10种状态的特征向量 ③采用Transformer模型对提取的特征进行学习并采用SVM分类器替代传统的softmax分类器进一步提升模型分类能力。 内容详解 一、数据处理 对官方下载的西储大学数据进行处理步骤如下 一共加载10种数据然后取每个数据的DE_time%DE是驱动端数据 FE是风扇端数据 BA是加速度数据 选择其中一个就行 设置滑动窗口w每个数据的故障样本点个数s每个故障类型的样本量m 将所有的数据滑窗完毕之后综合到一个data变量中 有关西储大学数据的处理之前有文章也讲过大家可以看这篇文章西储大学轴承诊断数据处理matlab免费代码获取 最后得到的数据是一个1000*2048的矩阵其中1000是样本量2048是特征。1000又等于100*1010是指10种故障状态100是指每种状态有100个样本。在代码中是data_total_1797.mat 二、特征提取 对第一步数据处理得到的数据进行特征提取 选取五种适应度函数进行优化这里大家可以自行决定选哪一个以此确定VMD的最佳k和α参数。五种适应度函数分别是最小包络熵最小样本熵最小信息熵最小排列熵排列熵/互信息熵代码中可以一键切换。至于应该选择哪种作为自己的适应度函数大家可以看这篇文章。VMD为什么需要进行参数优化最小包络熵/样本熵/排列熵/信息熵适应度函数到底该选哪个 关于特征提取的具体原理也在这篇文章进行过详细介绍大家可以跳转阅读。简单来说就是利用包络熵最小的准则把每个样本的最佳IMF分量提取出来然后对其9个指标进行计算分别是均值方差峰值峭度有效值峰值因子脉冲因子波形因子裕度因子。然后用这9个指标构建每个样本的特征向量。 本篇文章采用了2023年一个高被引算法--瞪羚优化器(GOA)对VMD参数进行了优化找到了每个故障类型的最佳IMF分量并利用包络熵最小的准则提取出了最佳的IMF分量。每个状态的优化曲线图我也画出来了 运行程序后会在命令行窗口打印寻优过程如下 正在对第1个故障类型的数据进行VMD优化……请耐心等待
第1个故障类型数据的最佳VMD参数是2041 9最佳IMF分量是IMF6
正在对第2个故障类型的数据进行VMD优化……请耐心等待
第2个故障类型数据的最佳VMD参数是626 3最佳IMF分量是IMF2
正在对第3个故障类型的数据进行VMD优化……请耐心等待
第3个故障类型数据的最佳VMD参数是114 9最佳IMF分量是IMF3
正在对第4个故障类型的数据进行VMD优化……请耐心等待
第4个故障类型数据的最佳VMD参数是192 3最佳IMF分量是IMF3
正在对第5个故障类型的数据进行VMD优化……请耐心等待
第5个故障类型数据的最佳VMD参数是427 5最佳IMF分量是IMF3
正在对第6个故障类型的数据进行VMD优化……请耐心等待
第6个故障类型数据的最佳VMD参数是242 10最佳IMF分量是IMF10
正在对第7个故障类型的数据进行VMD优化……请耐心等待
第7个故障类型数据的最佳VMD参数是256 10最佳IMF分量是IMF6
正在对第8个故障类型的数据进行VMD优化……请耐心等待
第8个故障类型数据的最佳VMD参数是510 8最佳IMF分量是IMF8
正在对第9个故障类型的数据进行VMD优化……请耐心等待
第9个故障类型数据的最佳VMD参数是218 3最佳IMF分量是IMF3
正在对第10个故障类型的数据进行VMD优化……请耐心等待
第10个故障类型数据的最佳VMD参数是820 4最佳IMF分量是IMF4 三采用Transformer-SVM模型实现故障分类 Transformer 作为一种创新的神经网络结构深受欢迎。采用 Transformer 编码器对数据特征间的复杂关系以及时间序列中的长短期依赖关系进行挖掘并在模型最后的分类阶段将传统的softmax分类器替换为SVM分类器进一步提升模型的分类准确率 本文所选SVM是从官网下载的libsvm-3.3版本已编译好大家可以直接运行。 将第二步提取的特征划分训练集与测试集后(3:1)送入Transformer-SVM模型进行训练结果如下 结果展示 同时还绘制了Transformer模型识别前后的样本分布图采用tsne降维后绘制二维平面图如下 代码目录 最后一个压缩包是有关VMD画图的程序。考虑到大家可能会用到VMD的相关作图包络谱频谱图等作者在这里也一并附在代码中了。这部分大家需要自行更改数据也就是作者比较火的文章之一这里边提到的所有代码VMD分解matlab代码包络线包络谱中心频率峭度值能量熵样本熵模糊熵排列熵多尺度排列熵西储大学数据集为例 代码获取 点击下方卡片获取。 已将此代码添加至故障诊断全家桶中
