保姆级教程之ICEEMDAN-GWO-LSSVM的轴承诊断，MATLAB代码

本次为大家带来一期基于ICEEMDAN-GWO-LSSVM的轴承诊断方法。

简介

①对官方下载的西储大学数据进行处理

②采用ICEEMDAN对数据进行分解，得到若干个IMF分量，计算前n个IMF分量的排列熵，从而构造特征向量，本期内容选用前8个

③将特征向量归一化处理后，划分训练集和测试集，送入LSSVM进行诊断

④采用GWO灰狼算法对LSSVM的两个关键参数(σ2(sig2)和γ (gam)参数)进行优化，提升轴承诊断的准确率

内容详解

一，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）
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
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1200*2048的矩阵，其中1200是样本量，2048是特征。1200又等于120*10，10是指10种故障状态，120是指每种状态有120个样本。在代码中是data_total_1797.mat

二，采用ICEEMDAN对西储大学数据进行分解处理

ICEEMDAN分解图：

由ICEEMDAN分解图可知，轴承的主要信息包含在前几个IMF分量，本期内容取的是前8个IMF分量。分别求取前8个IMF分量的排列熵来构建特征向量。

最后得到一个1200×8的矩阵，该矩阵即为特征向量！在代码中是

feature_vector.mat

另外附上，ICEEMDAN包络谱图：

ICEEMDAN频谱图：

三，将构建好的特征向量送入LSSVM进行训练

特征向量进行归一化处理，将每种状态的前80组用于训练，后40组用于测试。得到的结果如下：

四，采用GWO优化LSSVM

将LSSVM的两个关键参数(σ2(sig2)和γ (gam)参数)上下限设置为：

[10^-8,10^8]。灰狼个数设置为15，迭代次数设置为30。经过优化后，GWO-LSSVM的诊断结果为：

可以看到，相比于未优化的LSSVM，GWO-LSSVM的诊断精度有了极大的提升。

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';

ICEEMDAN画图的代码：

clc
clear
close all
load data_total_1797.mat


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


%ICEEMDAN的相关参数设置
Nstd = 0.1;  %信噪比，作用为了抑制混叠效应。噪声权重（范围：0-inf，一般选择0-1）
NR = 80;       %噪声添加次数，进行60次的噪声添加,一般选择50-100
MaxIter = 8;  %对emd 内部最大包络次数设定。分解出分量的最大个数（假设ceemdan本来分解出10个分量，你将该值设置为5：那么最终就会获得5个分量。如果你将该值设置为20：最终还是会获得10个分量）
                   %该值一般设置为inf或一个很大的数。如果你要求ICEEMDAN每次只获得一个分量，那么就可以将该参数设置为1。


X = data(1,:)'; %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。
[u,its]=iceemdan(X,Nstd,NR,MaxIter,1);
K = size(u,1);
figure(1);
imfn=u;
n=size(imfn,1);
subplot(n+1,1,1);
plot(t,X); %故障信号
ylabel('原始信号','fontsize',12,'fontname','宋体');


for n1=1:n
    subplot(n+1,1,n1+1);
    plot(t,u(n1,:));%输出IMF分量，a(:,n)则表示矩阵a的第n列元素，u(n1,:)表示矩阵u的n1行元素
    ylabel(['IMF' int2str(n1)]);%int2str(i)是将数值i四舍五入后转变成字符，y轴命名
end
xlabel('时间\itt/s','fontsize',12,'fontname','宋体');

特征提取的代码：

clear
clc
Nstd = 0.1;  %信噪比，作用为了抑制混叠效应。噪声权重（范围：0-inf，一般选择0-1）
NR = 80;       %噪声添加次数，进行60次的噪声添加,一般选择50-100
MaxIter = 8;  %对emd 内部最大包络次数设定。分解出分量的最大个数（假设ceemdan本来分解出10个分量，你将该值设置为5：那么最终就会获得5个分量。如果你将该值设置为20：最终还是会获得10个分量）
               %该值一般设置为inf或一个很大的数。如果你要求ICEEMDAN每次只获得一个分量，那么就可以将该参数设置为1。
               %特征提取时只对前8个IMF分量进行熵值计算，因此，这里 设置为8
load data_total_1797.mat
%排列熵参数设置
M = 3;  % 嵌入维数
T = 1;  % 延迟时间
feature_vector = []; %最终的特征向量
for i = 1:size(data,1)
    i
    [u,its]=iceemdan(data(i,:),Nstd,NR,MaxIter,1);
    for j=1:8
        [pe ,hist] = PermutationEntropy(u(j,:),M,T);
        PE(1,j) = pe;
    end
    feature_vector = [feature_vector;PE];
end
save feature_vector.mat feature_vector

所有代码目录截图：

代码获取

完整代码获取，后台回复关键词：

LSSVM诊断

保姆级教程之ICEEMDAN-GWO-LSSVM的轴承诊断，MATLAB代码

猜你喜欢