本期为大家带来VMD-CNN-BILSTM的轴承故障诊断。
和前几期一样，依旧是包含了数据处理，优化VMD参数，特征提取，再到CNN-BiLSTM的故障诊断，其他类型的故障诊断均可参考此流程。数据替换十分简单！
其中优化VMD参数部分，采用的是最新推出的，效率非常高的融合鱼鹰和柯西变异的麻雀优化算法(OCSSA)，文件中也包含了该算法与其他算法的对比的代码。
故障诊断部分，本期作者将CNN-LSTM，CNN-BiLSTM，VMD-CNN-LSTM，VMD-CNN-BiLSTM四种故障诊断模型进行了对比。突出了本期提出的VMD-CNN-BILSTM模型的优越性。
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。
与上一期文章相似，先给大家看看文件夹目录，都是作者精心整理过的。
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
如图所示，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）
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
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
图中的1750，1772，1790是西储大学轴承的转速，大家做诊断的时候，选择其中一个即可，即选同一转速下的不同故障进行诊断更有意义！
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
老粉应该知道，之前也推过一篇文章，就是关于西储大学特征提取的，但当时作者懒，没有写一个大循环，需要大家针对每种类型的数据依次提取。这次，作者把特征提取写了一个大循环，方便一键特征提取，大家也可以很简单的更换自己的数据！
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。
另外本期文章采用了一个新颖的效率较高的智能算法---效率非常高的融合鱼鹰和柯西变异的麻雀优化算法(OCSSA)对VMD参数进行了优化，该算法是由作者自行改进。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。
提取特征后，每种状态是120个样本，一共十个状态，得到一个1200*9列的矩阵，然后对每行数据打上标签。1-10代表不同的故障类型。划分每种状态的前90组为训练集，后30组为测试集。
三，采用CNN-BILSTM实现故障分类
本期作者将CNN-LSTM，CNN-BiLSTM，VMD-CNN-LSTM，VMD-CNN-BiLSTM四种故障诊断模型进行了对比。
结果展示
为了突出VMD-CNN-BiLSTM优越性，将四个模型的训练次数都设置为150，学习率为0.01，正则化参数为0.001，训练100次后开始调整学习率，学习率调整因子为0.01。统计结果如下：
| 算法 | 准确率 | 训练时间 |
| CNN-LSTM | 86% | 165.003936秒 |
| CNN-BiLSTM | 91.33% | 236.622348秒 |
| VMD-CNN-LSTM | 95.667% | 8.148243秒 |
| VMD-CNN-BiLSTM | 99.33% | 8.905423 秒 |
根据统计结果可以看到，VMD-CNN-BiLSTM诊断模型不仅大大缩减了训练时间，而且诊断精度也是最高的。
CNN-LSTM结果图
CNN-BiLSTM结果图
VMD-CNN-LSTM结果图
VMD-CNN-BiLSTM结果图
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 107.mat %直径0.007英寸，转速为1750时的 内圈故障
load 120.mat %直径0.007，转速为1750时的 滚动体故障
load 132.mat %直径0.007，转速为1750时的 外圈故障
load 171.mat %直径0.014英寸，转速为1750时的 内圈故障
load 187.mat %直径0.014英寸，转速为1750时的 滚动体故障
load 199.mat %直径0.014英寸，转速为1750时的 外圈故障
load 211.mat %直径0.021英寸，转速为1750时的 内圈故障
load 224.mat %直径0.021英寸，转速为1750时的 滚动体故障
load 236.mat %直径0.021英寸，转速为1750时的 外圈故障
w=1000; % w是滑动窗口的大小1000
s=2048; % 每个故障表示有2048个故障点
m = 10; %每种故障有120个样本
D0=[];
for i =1:m
D0 = [D0,X097_DE_time(1+w*(i-1):w*(i-1)+s)];
end
D0 = D0';OCSSA优化VMD参数并特征提取的代码：
%% 此程序运行需要很长的时间！！
% vmddata.mat就是最终特征提取的结果！
%% 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OCSSA算法优化VMD，求取VMD最佳的两个参数
clear
clc
close all
addpath(genpath(pwd))
xz = 5; %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
fobj=@EnvelopeEntropyCost; %最小包络熵
elseif xz == 2
fobj=@SampleEntropyCost; %最小样本熵
elseif xz == 3
fobj=@infoEntropyCost; %最小信息熵
elseif xz == 4
fobj=@PermutationEntropyCost; %最小排列熵
elseif xz == 5
fobj=@compositeEntropyCost; %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10种故障，大家也可以选取其他类型的数据
D=2; % 优化变量数目
lb=[100 3]; % 下限值，分别是a,k
ub=[2500 10]; % 上限值
T=20; % 最大迭代数目
N=20; % 种群规模
vmddata = [];
for i=1:10 %因为有十种故障状态
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(1+120*(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
da = every_data(1,:); %从当前状态的数据中任选一组数据进行VMD优化即可。
[OCSSABest_score,OCSSABest_pos,Bestidx,OCSSA_curve] = OCSSA(N,T,lb,ub,D,fobj,da');
display(['第',num2str(i),'个故障类型数据的最佳VMD参数是：', num2str(fix(OCSSABest_pos)),'最佳IMF分量是：IMF',num2str(Bestidx)]); %输出最佳位置
%% 以下为将最佳的a,k，idx回带VMD中，并进行9种时域指标特征提取
bbh = fix(OCSSABest_pos);%最佳位置取整
zuijiazhi(i,:)=[bbh,Bestidx]; %把最佳的惩罚因子，模态分量，最小适应度值对应IMF分量的索引值保存在变量zuijiazhi里
quxian(i,:)=OCSSA_curve; %把每种状态优化VMD寻优的曲线保存在quxian变量中
new_data = tezhengtiqu(bbh(1),bbh(2),Bestidx,every_data); %将优化得到的两个参数和最小适应度的索引值带回VMD中，提取得到当前状态的特征向量
vmddata = [vmddata;new_data]; %将每个状态提取得到的特征向量都放在一起
end
save vmddata.mat vmddata %将提取的特征向量保存为mat文件
save zuijiazhi.mat zuijiazhi %第一列为最佳的惩罚因子，第二列为最佳的模态分量，第三列为最小适应度值对应IMF分量的索引值
save quxian.mat quxian %每一行为一个状态的VMD优化收敛曲线
%% 删除路径，以免被其他函数混淆
rmpath(genpath(pwd))CNNBILSTM诊断的代码：
%% 初始化
clear
close all
clc
warning off
% 数据读取
addpath(genpath(pwd));
load data_total_1797.mat %加载处理好的特征数据
% 数据载入
bv = 120; %每种状态数据有120组
% 加标签值
hhh = size(data,2);
for i=1:size(data,1)/bv
data(1+bv*(i-1):bv*i,hhh+1)=i;
end
input=data(:,1:hhh);
output =data(:,end);
jg = bv; %每组120个样本
tn = 90; %选前tn个样本进行训练
input_train = []; output_train = [];
input_test = []; output_test = [];
for i = 1:max(data(:,end))
input_train=[input_train;input(1+jg*(i-1):jg*(i-1)+tn,:)];
output_train=[output_train;output(1+jg*(i-1):jg*(i-1)+tn,:)];
input_test=[input_test;input(jg*(i-1)+tn+1:i*jg,:)];
output_test=[output_test;output(jg*(i-1)+tn+1:i*jg,:)];
end
input_train = input_train';
input_test = input_test';
%归一化
[inputn_train,inputps]=mapminmax(input_train);
[inputn_test,inputtestps]=mapminmax('apply',input_test,inputps);
output_train = categorical(output_train);
output_test = categorical(output_test);
for i = 1:size(input_train,2)
Train_xNorm{i,:} = reshape(inputn_train(:,i),hhh,1,1);
end
for i = 1:size(input_test,2)
Test_xNorm{i,:} = reshape(inputn_test(:,i),hhh,1,1);
end
numFeatures = size(input,2);
numHiddens = 120;
numClasses = 10;代码获取
每一步代码都有非常详细的注释，数据替换也十分简单！
完整代码获取，点击下方卡片后台回复关键词：
tgdm826