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：2.6102IMF2的峭度值为：3.3346IMF3的峭度值为：2.9038IMF4的峭度值为：3.5663IMF5的峭度值为：2.7648IMF6的峭度值为：3.2977IMF分量的能量4.9829 10.5892 14.4765 19.80618.4764 24.3339EMD能量熵=%.4f0.16930.26320.30510.34230.23350.3600IMF1的近似熵为：0.023426IMF2的近似熵为：0.15115IMF3的近似熵为：0.08722IMF4的近似熵为：0.04402IMF5的近似熵为：0.052554IMF6的近似熵为：0.14538IMF1的包络熵为：7.2053IMF2的包络熵为：7.14IMF3的包络熵为：7.1537IMF4的包络熵为：7.0853IMF5的包络熵为：7.2063IMF6的包络熵为：7.1476局部最小包络熵为：7.0853IMF1的模糊熵为：0.12759IMF2的模糊熵为：0.090684IMF3的模糊熵为：0.041706IMF4的模糊熵为：-0.0032906IMF5的模糊熵为：-0.011035IMF6的模糊熵为：0.030635IMF1的排列熵为：0.61446IMF2的排列熵为：0.76756IMF3的排列熵为：0.93485IMF4的排列熵为：0.95524IMF5的排列熵为：0.98658IMF6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 0.578440.5803 0.57774 0.55767 0.51696 0.559860.48773 0.66594 0.69663 0.62542 0.59005 0.72211 0.73193 0.696540.66190.6861 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 0.577350.57390.57786 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 0.644610.6221 0.64496 0.62037 0.62467 0.60686 0.59167 0.60124 0.59603 0.589930.5803 0.58617 0.58401 0.55902 0.569220.58138 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 0.615210.6437 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 0.578590.54329 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 0.626140.6337 0.63041 0.61969 0.59859 0.58864 0.59376 0.56662 0.57774 0.58401 0.57735 0.569220.53646 0.583390.5363 0.66055 0.50474 0.62548 0.65051 0.63196 0.672760.6993 0.67454 0.64403 0.61372 0.676110.57540.6362 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 0.56922IMF1的样本熵为：0.6129IMF2的样本熵为：0.52726IMF3的样本熵为：0.32156IMF4的样本熵为：0.21892IMF5的样本熵为：0.30553IMF6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：1×2048w=1000;% w是滑动窗口的大小1000s=2048;% 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(1+w*(i-1):w*(i-1)+s)];endD0 = D0';D1=[];for i =1:mD1 = [D1,X105_DE_time(1+w*(i-1):w*(i-1)+s)];endD1=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clearclcclose alladdpath(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 == 1fobj=@EnvelopeEntropyCost;%最小包络熵elseif xz == 2fobj=@SampleEntropyCost;%最小样本熵elseif xz == 3fobj=@infoEntropyCost;%最小信息熵elseif xz == 4fobj=@PermutationEntropyCost; %最小排列熵elseif xz == 5fobj=@compositeEntropyCost; %复合指标：排列熵/互信息熵endload 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D=2; % 优化变量数目lb=[100 3];% 下限值，分别是a,kub=[2500 10];% 上限值T=20; % 最大迭代数目N=20;% 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 i=1:4 %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(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clearclose allclcwarning 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 i=1:size(data,1)/bvdata(1+bv*(i-1):bv*i,hhh+1)=i;endinput=data(:,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(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,:)];endinput_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！