城乡与建设厅网站,公司网络安全管理制度和应急工作预案,微信营销的技巧,北京住房建设网官网今天出一期基于SABO-VMD-CNN-SVM的分类诊断。 依旧是采用经典的西储大学轴承数据。基本流程如下#xff1a; 首先是以最小包络熵为适应度函数#xff0c;采用SABO优化VMD的两个参数。其次对每种状态的数据进行特征向量的求取#xff0c;并为每组数据打上标签。然后将数据送入… 今天出一期基于SABO-VMD-CNN-SVM的分类诊断。 依旧是采用经典的西储大学轴承数据。基本流程如下 首先是以最小包络熵为适应度函数采用SABO优化VMD的两个参数。其次对每种状态的数据进行特征向量的求取并为每组数据打上标签。然后将数据送入CNN进行特征提取 并进行PCA降维后特征可视化并与未进行CNN特征提取的数据可视化结果进行比较。最后将CNN提取的特征送入SVM进行分类。 其他数据的故障分类都可以适用该方法数据替换十分简单代码注释非常详细 友情提示对于刚接触故障诊断的新手来说这篇文章信息量可能有点大大家可以收藏反复阅读。即便有些内容本篇文章没讲出来但其中的一些跳转链接也完全把故障诊断这个故事讲清楚了。 文件夹目录如下都是作者精心整理过的。程序运行十分简单按照步骤一步步来即可 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具体可以参考这个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 如截图所示本期内容一共做了三件事情 一对官方下载的西储大学数据进行处理 步骤如下 ①一共加载4种状态的数据分别是正常状态内圈故障外圈故障滚动体故障。②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。③将所有的数据滑窗完毕之后综合到一个data变量中也就是截图中的data_total_1797.mat 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 二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 至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。 另外本篇文章采用了2023年一个较新且效率较高的智能算法---减法优化器(SABO)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。 三采用卷积神经网络(CNN)对数据特征进行提取 这里做了对比实验。将经过CNN特征提取的向量和未经过CNN特征提取的向量可视化结果进行对比。具体做法为采用了PCA降维后进行可视化。结果如下 第一张图是未经CNN特征提取直接采用PCA降维后的特征可视化结果可以看到正常状态和滚动体故障有严重重叠而采用CNN提取后第二张图可以看到四种状态不存在重合各个类别区分明显证明了CNN特征提取的有效性。 五、采用支持向量机实现故障分类 将CNN提取好的特征数据送入SVM进行训练与测试。本文所选SVM是从官网下载的libsvm-3.3版本作者已编译好大家可以直接运行。如果想自行编译的童鞋可以从网站下载https://www.csie.ntu.edu.tw/~cjlin/libsvm/index.html编译步骤可以参考https://blog.csdn.net/qq_42457960/article/details/109275227 本文采用了网格搜索机制并采用5折交叉验证对SVM的惩罚因子c和gamma参数进行寻优。 结果展示 混淆矩阵图有的文章会采用这种图 这里不得不说一句官方给出的libSVM包准确率就是嘎嘎高 以上所有图片在代码包里都能复现。 有些同学可能会用到一些频谱图包络谱图等这里以105.mat故障信号为例进行展示 运行文件夹“VMD分解matlab代码包络线包络熵……”下的MAIN.m文件后会出现如下运行结果 在命令窗口会出现如下计算结果 IMF1的峭度值为2.6102
IMF2的峭度值为3.3346
IMF3的峭度值为2.9038
IMF4的峭度值为3.5663
IMF5的峭度值为2.7648
IMF6的峭度值为3.2977
IMF分量的能量4.9829 10.5892 14.4765 19.8061 8.4764 24.3339EMD能量熵%.4f0.1693 0.2632 0.3051 0.3423 0.2335 0.3600IMF1的近似熵为0.023426
IMF2的近似熵为0.15115
IMF3的近似熵为0.08722
IMF4的近似熵为0.04402
IMF5的近似熵为0.052554
IMF6的近似熵为0.14538
IMF1的包络熵为7.2053
IMF2的包络熵为7.14
IMF3的包络熵为7.1537
IMF4的包络熵为7.0853
IMF5的包络熵为7.2063
IMF6的包络熵为7.1476
局部最小包络熵为7.0853
IMF1的模糊熵为0.12759
IMF2的模糊熵为0.090684
IMF3的模糊熵为0.041706
IMF4的模糊熵为-0.0032906
IMF5的模糊熵为-0.011035
IMF6的模糊熵为0.030635
IMF1的排列熵为0.61446
IMF2的排列熵为0.76756
IMF3的排列熵为0.93485
IMF4的排列熵为0.95524
IMF5的排列熵为0.98658
IMF6的排列熵为0.99433
多尺度排列熵为
0.36792 0.50757 0.56639 0.64017 0.68493 0.66705 0.69098 0.66583 0.61102 0.62604 0.62396 0.61879 0.67588 0.66087 0.67663 0.65568 0.66656 0.65949 0.63769 0.63972 0.63041 0.60632 0.60124 0.58355 0.57844 0.5803 0.57774 0.55767 0.51696 0.55986
0.48773 0.66594 0.69663 0.62542 0.59005 0.72211 0.73193 0.69654 0.6619 0.6861 0.71204 0.67167 0.63684 0.64251 0.64805 0.65568 0.63513 0.65138 0.64346 0.62353 0.62084 0.58707 0.57752 0.59973 0.58993 0.55851 0.57774 0.58401 0.57735 0.5739
0.57786 0.57523 0.67386 0.65101 0.56296 0.71078 0.58023 0.71316 0.67834 0.65725 0.68971 0.64193 0.68882 0.67817 0.65194 0.64461 0.6221 0.64496 0.62037 0.62467 0.60686 0.59167 0.60124 0.59603 0.58993 0.5803 0.58617 0.58401 0.55902 0.56922
0.58138 0.47632 0.65939 0.66591 0.64333 0.65131 0.68434 0.63124 0.61944 0.67578 0.65511 0.67651 0.64736 0.66422 0.61521 0.6437 0.61607 0.63518 0.60773 0.63671 0.60246 0.58959 0.61178 0.56737 0.59376 0.58841 0.55667 0.55162 0.57277 0.57859
0.54329 0.53176 0.618 0.59543 0.66657 0.71203 0.68693 0.69594 0.56685 0.71009 0.64683 0.66333 0.67515 0.67042 0.63474 0.59895 0.66148 0.64328 0.62614 0.6337 0.63041 0.61969 0.59859 0.58864 0.59376 0.56662 0.57774 0.58401 0.57735 0.56922
0.53646 0.58339 0.5363 0.66055 0.50474 0.62548 0.65051 0.63196 0.67276 0.6993 0.67454 0.64403 0.61372 0.67611 0.5754 0.6362 0.64941 0.59124 0.63191 0.60547 0.60168 0.60632 0.61178 0.60343 0.53724 0.57877 0.59039 0.57523 0.54182 0.56922
IMF1的样本熵为0.6129
IMF2的样本熵为0.52726
IMF3的样本熵为0.32156
IMF4的样本熵为0.21892
IMF5的样本熵为0.30553
IMF6的样本熵为0.24375 部分代码 数据处理代码 clc;
clear;
addpath(genpath(pwd));
%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
load 97.mat %正常
load 105.mat %直径0.007英寸转速为1797时的 内圈故障
load 118.mat %直径0.007转速为1797时的 滚动体故障
load 130.mat %直径0.007转速为1797时的 外圈故障
% 一共是4个状态每个状态有120组样本每个样本的数据量大小为1×2048
w1000; % w是滑动窗口的大小1000
s2048; % 每个故障表示有2048个故障点
m 120; %每种故障有120个样本
D0[];
for i 1:mD0 [D0,X097_DE_time(1w*(i-1):w*(i-1)s)];
end
D0 D0;
D1[];
for i 1:mD1 [D1,X105_DE_time(1w*(i-1):w*(i-1)s)];
end
D1 D1; SABO优化VMD参数并特征提取的代码 %% 以最小包络熵、最小样本熵、最小信息熵、最小排列熵排列熵/互信息熵为目标函数任选其一采用SABO算法优化VMD求取VMD最佳的两个参数
clear
clc
close all
addpath(genpath(pwd))
xz 1; %xz, 选择1以最小包络熵为适应度函数
% 选择2以最小样本熵为适应度函数
% 选择3以最小信息熵为适应度函数
% 选择4以最小排列熵为适应度函数
% 选择5以复合指标排列熵/互信息熵为适应度函数。
if xz 1 fobjEnvelopeEntropyCost; %最小包络熵
elseif xz 2fobjSampleEntropyCost; %最小样本熵
elseif xz 3 fobjinfoEntropyCost; %最小信息熵
elseif xz 4fobjPermutationEntropyCost; %最小排列熵
elseif xz 5fobjcompositeEntropyCost; %复合指标排列熵/互信息熵
end
load data_total_1797.mat %这里选取转速为1797的4种故障大家也可以选取其他类型的数据
D2; % 优化变量数目
lb[100 3]; % 下限值分别是a,k
ub[2500 10]; % 上限值
T20; % 最大迭代数目
N20; % 种群规模
vmddata [];%保存提取好的故障特征向量
zuijiacanshu []; %保存每种故障状态的最佳VMD参数和对应的最佳IMF索引值
curve []; %保存每种故障状态对应的优化VMD收敛曲线
for i1:4 %因为有4种故障状态disp([正在对第,num2str(i),个故障类型的数据进行VMD优化……请耐心等待])every_data data(1120*(i-1):120*i,:); %一种状态是120个样本每次选120个样本进行VMD优化和特征提取vmddata [vmddata;new_data]; %将每个状态提取得到的特征向量都放在一起
endsave curve curve %保存每种故障状态对应的优化VMD收敛曲线save zuijiacanshu zuijiacanshu %保存每种故障状态的最佳VMD参数和对应的最佳IMF索引值save vmddata.mat vmddata %将提取的特征向量保存为mat文件 CNN-SVM诊断的代码 %% 初始化
clear
close all
clc
warning off
% 数据读取
addpath(genpath(pwd));
load vmddata.mat %加载处理好的特征数据
data vmddata;
bv 120; %每种状态数据有120组
%% 给数据加标签值
hhh size(data,2);
for i1:size(data,1)/bvdata(1bv*(i-1):bv*i,hhh1)i;
end
inputdata(:,1:hhh);
output data(:,end);%% 划分训练集和测试集
jg bv; %每组120个样本
tn 90; %每组数据选前tn个样本进行训练后bv-tn个进行测试
input_train []; output_train [];
input_test []; output_test [];
for i 1:max(data(:,end))input_train[input_train;input(1jg*(i-1):jg*(i-1)tn,:)];output_train[output_train;output(1jg*(i-1):jg*(i-1)tn,:)];input_test[input_test;input(jg*(i-1)tn1:i*jg,:)];output_test[output_test;output(jg*(i-1)tn1:i*jg,:)];
end
input_train input_train;
input_test input_test;
%归一化处理
[inputn_train,inputps]mapminmax(input_train);
[inputn_test,inputtestps]mapminmax(apply,input_test,inputps); inputn_test inputn_test;
[c,g] meshgrid(-10:0.5:10,-10:0.5:10); %调整间距可以搜索的更加精细
[m,n] size(c);
cg zeros(m,n);
eps 10^(-4);
v 5; %采用5折交叉验证
bestacc 0; 代码获取 获取链接复制链接浏览器打开 https://mbd.pub/o/bread/ZZaXmphu 或者点击下方阅读原文获取。 或者后台回复关键词 CNNSVM 往期更多故障诊断的优秀文章推荐 保姆级教程之VMD-CNN-BILSTM轴承故障诊断MATLAB代码 保姆级教程之ICEEMDAN-GWO-LSSVM的轴承诊断MATLAB代码 保姆级教程之SABO-VMD-SVM的西储大学轴承诊断 保姆级教程之VMD-SABO-KELM优化核极限学习机的西储大学轴承诊断 “三高”论文完美复现基于PSO-VMD-MCKD方法的风机轴承微弱故障诊断实现早期微弱故障诊断MATLAB代码实现 “三高”论文完美复现基于EEMD奇异值熵的滚动轴承故障诊断方法MATLAB代码实现 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 更多代码请前往主页获取
