HO-VMD-TCN：西储大学轴承故障诊断全流程详解

声明：文章是从本人公众号中复制而来，因此，想最新最快了解各类智能优化算法及其改进的朋友，可关注我的公众号：强盛机器学习，不定期会有很多免费代码分享~

原理详解

1.数据预处理

2.特征提取

3.故障诊断

流程介绍

结果展示

部分代码展示

完整代码获取

之前有小伙伴留言说需要CWRU西储大学轴承数据的预处理过程，今天就给大家带来一期基于HO-VMD-TCN的西储大学轴承故障诊断全流程详解。

为了防止创新点不够，本期代码采用24年新出的河马优化算法HO优化VMD分解，并基于时间卷积网络TCN模型对处理好的数据集进行分类预测。之前也有推文介绍过河马优化算法，性能也是非常不错，具体可以看以下这篇：

2024年Nature子刊新算法：河马优化算法(HO)-公式原理详解与性能测评 Matlab代码免费获取

同样本期代码所有流程均可一键运行全部出图，包括特征提取过程与故障诊断结果，还有打印出来的损失函数曲线，不像其他程序一样需要运行很多次，非常适合新手小白。

当然，本次模型在知网上和WOS上也是完全搜不到的，不信可以看下图：

原理详解

此处使用的数据是西储大学官方的轴承数据！首先说一下该数据集的处理步骤以及来源：

1.数据预处理

取官方下载的驱动端（DE）振动数据，分别为97.mat、107.mat、120.mat、132.mat、171.mat、187.mat、199.mat、211.mat、224.mat、236.mat，即转速为1750时的10种故障诊断类型（包括正常情况）。设置滑动窗口w为1000，每个数据的故障样本点个数s为2048，每个故障类型的样本量m为 10。将所有的数据滑窗设置完毕之后，将所有的数据和类别综合到一个Excel中。下图即为12K采样频率下的驱动端轴承故障数据（*表示数据不可用）。

2.特征提取

这里的特征提取主要分为3个步骤。

①首先，VMD 方法要从信号中提取丰富的特征信息, 需要选定最佳的参数组合，模态个数 k 和惩罚参数 α 都要选定在合适的区间，过大过小都会导致特征信号提取不充分。因此，需要用优化算法进行优化。

本期代码选择了一个24年新颖且性能较好的算法——河马优化算法HO优化VMD算法，从而选择最佳参数K和α。

同时，需要选择合适的适应度函数，此处提供了5种适应度函数，分别为包络熵、样本熵、信息熵、排列熵或复合指标最小，大家任选其一即可。优化完后，提取每个样本的最佳IMF分量，并丢弃其他分量，因为最佳IMF分量已经包含了故障特征的丰富信息。

②其次，对最佳IMF分量的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（对应特征1-9）

③最后，得到的数据是1200*9的矩阵。为了进行诊断，我们需要对每行数据打上标签，其中1-10 代表不同的故障类型。这里顺便说一下10种不同的故障类型分别是什么意思：

类别1：正常情况

类别2：直径0.007英寸，转速为1750时的内圈故障

类别3：直径0.007英寸，转速为1750时的滚动体故障

类别4：直径0.007英寸，转速为1750时的外圈故障

类别5：直径0.014英寸，转速为1750时的内圈故障

类别6：直径0.014英寸，转速为1750时的滚动体故障

类别7：直径0.014英寸，转速为1750时的外圈故障

类别8：直径0.021英寸，转速为1750时的内圈故障

类别9：直径0.021英寸，转速为1750时的滚动体故障

类别10：直径0.021英寸，转速为1750时的外圈故障

当然，如果你选用不同的转速，那么就是对应不同转速时的故障类型。

3.故障诊断

按照上述流程处理完数据集后，就是我们常见的机器学习分类数据集了。此处，我们再采用TCN分类模型，划分70%为训练集，30%为测试集，将数据送入网络进行训练和预测，得到最终故障诊断准确率结果。也就是说，我们做故障诊断的目的就是为了判断出它到底是什么故障，之后我们才根据故障类型采取有效的解决措施！

流程介绍

上面的文字可能有些冗长，此处简单讲下故障诊断的具体步骤：

1）将采集到的数据进行融合处理，利用河马优化算法HO对VMD的惩罚因子以及模态分量进行参数优化，并找寻最小适应度的索引值，将两个参数以及索引值代回VMD中；

2）将最小包络熵作为适应度函数，从而提取其故障特征；

3）基于TCN分类模型，完成多级分类任务。

结果展示

此处采用的TCN模型，还是比较新颖的，大家也可以自行替换成想要的模型，或者加入更多的优化算法，提高分类准确率！

设置TCN分类模型卷积核个数为16，卷积核大小为3，残差块个数为2，初始学习率为0.005，最大训练次数为100，学习率下降因子为0.8，优化器为Adam，得到的结果如下：

首先是分类效果图：

其次是混淆矩阵图：

以及打印出来的损失函数与准确率曲线：

TCN网络结构图：

以上所有图片，作者都已精心整理过代码，都可以一键运行main直接出图，不像其他代码一样需要每个文件运行很多次！

不信的话可以看下面文件夹截图，非常清晰明了！

同时，每种故障类型在VMD分解完毕后也会显示对应的最优参数（即α和k），以及最佳IMF分量，方便大家呈现在论文里。

其中，刚刚讲到的数据预处理部分已帮大家整理成Excel格式，即3种不同转速的振动数据，大家使用时选择一种即可，特征提取与故障诊断部分已全部包含在main文件及其子函数中。

部分代码展示

%%  读取数据（一共三种转速数据，已整理完，实际使用时选择一种即可）
res = xlsread('西储大学驱动端振动数据(转速1797).xlsx');

%%  设置参数
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 = 8;                                      % 最大迭代数目
N = 6;                                      % 种群规模
vmddata = [];
samplenum = size(res,1)/10;
……
……
……
%%  分析数据
num_class = length(unique(data(:, end)));  % 类别数（Excel最后一列放类别）
num_dim = size(data, 2) - 1;               % 特征维度
num_res = size(data, 1);                   % 样本数（每一行，是一个样本）
num_size = 0.7;                            % 训练集占数据集的比例
data = data(randperm(num_res), :);         % 打乱数据集（不打乱数据时，注释该行）
flag_conusion = 1;                         % 标志位为1，打开混淆矩阵（要求2018版本及以上）

%%  设置变量存储数据
P_train = []; P_test = [];
T_train = []; T_test = [];

%%  划分数据集
for i = 1 : num_classmid_res = data((data(:, end) == i), :);           % 循环取出不同类别的样本mid_size = size(mid_res, 1);                    % 得到不同类别样本个数mid_tiran = round(num_size * mid_size);         % 得到该类别的训练样本个数
P_train = [P_train; mid_res(1: mid_tiran, 1: end - 1)];       % 训练集输入T_train = [T_train; mid_res(1: mid_tiran, end)];              % 训练集输出
P_test  = [P_test; mid_res(mid_tiran + 1: end, 1: end - 1)];  % 测试集输入T_test  = [T_test; mid_res(mid_tiran + 1: end, end)];         % 测试集输出
end

%%  数据转置
P_train = P_train'; P_test = P_test';
T_train = T_train'; T_test = T_test';

%%  得到训练集和测试样本个数
M = size(P_train, 2);
N = size(P_test , 2);

%%  数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test  = mapminmax('apply', P_test, ps_input);

t_train =  categorical(T_train);
t_test  =  categorical(T_test );