声明：对于作者的原创代码，禁止转售倒卖，违者必究！
本期文章思路来自《振动测试与诊断期刊》的一篇三高论文，点击链接可跳转。“三高”论文推荐||基于EEMD奇异值熵的滚动轴承故障诊断方法，目前该论文在知网统计被引次数为58次。
文章摘要如下：
为充分利用振动信号进行故障辨识,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵判据的滚动轴承故障诊断方法。首先,对滚动轴承的振动信号进行EEMD分解获得若干个本征模态函数(intrinsic mode function,简称IMF),并根据一种IMF分量故障信息含量的评价指标(即峭度、均方差和欧氏距离)选出能够表征原始信号状态的分量进行信号重构;其次,利用奇异值分解技术对重构信号进行处理,结合信息熵算法求取其奇异值熵;最后,利用奇异值熵的大小判断滚动轴承的故障类别。用美国西储大学滚动轴承振动信号对所述方法进行验证的结果表明,相比传统的EMD奇异值熵故障诊断方法,本方法能够清晰的划分出滚动轴承不同工作状态的类别特征区间,而且具有更高的故障诊断精度。
流程如下：
本期文章将采用MATLAB代码，严格还原论文提到的所有仿真结果！对该论文的主要方法进行完美复现！先看代码目录：所有代码均为.m文件，不是那种加密的.p文件！
接下来针对上面截图讲解每一步骤：
第一步：绘制时域波形图--对应论文图2
论文中选用的数据为西储大学轴承故障数据集中的1797转速下的四种状态数据，分别为正常、内圈故障、滚动体故障、外圈故障。分别对应97、105、118和130.mat。
首先绘制每种状态的时域波形图，运行第一步的plotfigure.m文件得到如下图片：
第二步：EEMD分解+3个指标绘制--对应论文图3、4
这里文章中以滚动体故障118.mat为例，进行说明。EEMD分解图：
论文为选出能反映故障信息的真实IMF分量，提取有效的故障特征，提出了一种基于峭度、均方差和欧氏距离的真伪IMF分量评价方法。
IMF分量的峭度图：
IMF分量均方差图：
IMF分量欧式距离图：
滚动体故障信号EEMD分解的各IMF分量的三个评价指标情况如以上三张图所示。从图中可以发现：12个IMF分量中的前3个分量的峭度、均方差均大于其他分量；各IMF分量与原信号之间的欧氏距离中，从第3个IMF分量开始趋于水平。由三个评价方法性质可知，图中前3个IMF分量包含丰富的故障信息，可表征滚动轴承的工况状态，为下一步提取初始特征矩阵奇异值熵的可靠性提供了保障。因此选择前三个IMF分量进行信号重构和后面的奇异值熵计算。
第三步：数据处理+信号重构
第二步已经说明了可以采用前三个IMF分量表征轴承状态。论文中对每种状态选用了20组数据，但是文中并没有说每组数据采用多少个样本点。
这里小淘还是按照以往的文章，为每个状态选取了2048个采样点。
一共是4个状态，每个状态有20组样本，每个样本的数据量大小为：1×2048。然后对20*4*2048这个数据一组一组地进行EEMD分解。
因为文章后面还要和EMD分解进行对比，因此第三步这里还进行了EMD分解。
运行shujuchuli_1797.m文件，可以得到cg.mat和emd_cg.mat两个文件，其中cg.mat是EEMD分解得到的数据，emd_cg.mat是EMD分解得到的数据。
第四步：奇异值熵诊断--对应论文图5
将第三步得到的cg.mat和emd_cg.mat两个数据复制到第四步中，运行SVDMAIN.m可以直接对两个数据的所有状态样本进行奇异值分解，并求取奇异值熵和绘图。结果如下：
从图中可看出：由于EMD分解自身存在的不足，导致不同信号分解后所得含有故障信息的奇异值熵差异较小，使得滚动轴承4种状态的奇异值熵区间模糊，难以区分出故障类别；而在EEMD的分解中，可以看出滚动轴承不同故障类别之间奇异值熵的显著差异，与传统EMD奇异值熵方法相比，EEMD奇异值的方法能更清晰区分出故障类别。
滚动轴承的4种状态各属于一个区间范围，而且类别区间无交集如表1所示。这一结果表明，EEMD奇异值熵这一判据，可以准确地区分出滚动轴承的故障类别。
注意！能够认真看到这里的同学，不妨也可以将此文中的EEMD方法换成其他数据分解的方法进行尝试，也可以将本文的奇异值熵替换为其他分解方法的熵，或许这也是个水论文不错的办法哦！
部分代码分享
clc
clear
close all
fs=12000;%采样频率
Ts=1/fs;%采样周期
L=2048;%采样点数
t=(0:L-1)*Ts;%时间序列
STA=1; %采样起始位置
load 97.mat
X = X097_DE_time(1:L)'; %这里可以选取DE(驱动端加速度)、FE(风扇端加速度)、BA(基座加速度)，直接更改变量名，挑选一种即可。
figure
plot(t,X); %故障信号
ylabel('a/(mm.s-2)','fontsize',10,'fontname','宋体');
title('正常时域波形图')
set(gcf,'unit','centimeters','position',[10 2 15 4])
load 105.mat
X = X105_DE_time(1:L)'; %这里可以选取DE(驱动端加速度)、FE(风扇端加速度)、BA(基座加速度)，直接更改变量名，挑选一种即可。
figure
plot(t,X); %故障信号
ylabel('a/(mm.s-2)','fontsize',10,'fontname','宋体');
title('内圈故障时域波形图')
set(gcf,'unit','centimeters','position',[10 4 15 4])
load 118.mat
X = X118_DE_time(1:L)'; %这里可以选取DE(驱动端加速度)、FE(风扇端加速度)、BA(基座加速度)，直接更改变量名，挑选一种即可。
figure
plot(t,X); %故障信号
ylabel('a/(mm.s-2)','fontsize',10,'fontname','宋体');
title('滚动体故障时域波形图')
set(gcf,'unit','centimeters','position',[10 6 15 4])
load 130.mat
X = X130_DE_time(1:L)'; %这里可以选取DE(驱动端加速度)、FE(风扇端加速度)、BA(基座加速度)，直接更改变量名，挑选一种即可。
figure
plot(t,X); %故障信号
ylabel('a/(mm.s-2)','fontsize',10,'fontname','宋体');
title('外圈故障时域波形图')
set(gcf,'unit','centimeters','position',[10 8 15 4])每个代码都有详细的注释，文中提到的所有图片均可运行出来！大家按照文中步骤一一运行即可。
05代码获取
完整代码获取方式：点击下方阅读原文，或者后台回复关键词，不区分大小写：
tgdm830