本期采用2023年瞪羚優(yōu)化算法優(yōu)化VMD，并結(jié)合Transformer-SVM實(shí)現(xiàn)軸承診斷，算是一個(gè)小創(chuàng)新方法了。需要水論文的童鞋盡快！

瞪羚優(yōu)化算法之前推薦過，該成果于2023年發(fā)表在計(jì)算機(jī)領(lǐng)域三區(qū)SCI期刊“Neural Computing and Applications”上。GOA方法具有出色的魯棒性和效率，目前被引258次。

本期軸承診斷思路如下：

①對(duì)官方下載的西儲(chǔ)大學(xué)數(shù)據(jù)進(jìn)行處理，劃分10種故障類型；

②對(duì)第一步處理得到的數(shù)據(jù)進(jìn)行特征提取，主要是采用GOA算法優(yōu)化VMD的兩個(gè)參數(shù)(模態(tài)分量和懲罰因子)，并將優(yōu)化后的最佳值回帶提取10種狀態(tài)的特征向量；

③采用Transformer模型對(duì)提取的特征進(jìn)行學(xué)習(xí)，并采用SVM分類器替代傳統(tǒng)的softmax分類器，進(jìn)一步提升模型分類能力。

內(nèi)容詳解

一、數(shù)據(jù)處理

對(duì)官方下載的西儲(chǔ)大學(xué)數(shù)據(jù)進(jìn)行處理，步驟如下：

1. 一共加載10種數(shù)據(jù)，然后取每個(gè)數(shù)據(jù)的DE_time（%DE是驅(qū)動(dòng)端數(shù)據(jù) FE是風(fēng)扇端數(shù)據(jù) BA是加速度數(shù)據(jù) 選擇其中一個(gè)就行）

2. 設(shè)置滑動(dòng)窗口w，每個(gè)數(shù)據(jù)的故障樣本點(diǎn)個(gè)數(shù)s，每個(gè)故障類型的樣本量m

3. 將所有的數(shù)據(jù)滑窗完畢之后，綜合到一個(gè)data變量中

4. 有關(guān)西儲(chǔ)大學(xué)數(shù)據(jù)的處理之前有文章也講過，大家可以看這篇文章：西儲(chǔ)大學(xué)軸承診斷數(shù)據(jù)處理，matlab免費(fèi)代碼獲取

   最后得到的數(shù)據(jù)是一個(gè)1000*2048的矩陣，其中1000是樣本量，2048是特征。1000又等于100*10，10是指10種故障狀態(tài)，100是指每種狀態(tài)有100個(gè)樣本。在代碼中是data_total_1797.mat

二、特征提取

對(duì)第一步數(shù)據(jù)處理得到的數(shù)據(jù)進(jìn)行特征提取：

選取五種適應(yīng)度函數(shù)進(jìn)行優(yōu)化，這里大家可以自行決定選哪一個(gè)！以此確定VMD的最佳k和α參數(shù)。五種適應(yīng)度函數(shù)分別是：最小包絡(luò)熵，最小樣本熵，最小信息熵，最小排列熵，排列熵/互信息熵，代碼中可以一鍵切換。至于應(yīng)該選擇哪種作為自己的適應(yīng)度函數(shù)，大家可以看這篇文章。VMD為什么需要進(jìn)行參數(shù)優(yōu)化，最小包絡(luò)熵/樣本熵/排列熵/信息熵，適應(yīng)度函數(shù)到底該選哪個(gè)

關(guān)于特征提取的具體原理，也在這篇文章進(jìn)行過詳細(xì)介紹，大家可以跳轉(zhuǎn)閱讀。簡單來說，就是利用包絡(luò)熵最小的準(zhǔn)則把每個(gè)樣本的最佳IMF分量提取出來，然后對(duì)其9個(gè)指標(biāo)進(jìn)行計(jì)算，分別是：均值，方差，峰值，峭度，有效值，峰值因子，脈沖因子，波形因子，裕度因子。然后用這9個(gè)指標(biāo)構(gòu)建每個(gè)樣本的特征向量。

本篇文章采用了2023年一個(gè)高被引算法--瞪羚優(yōu)化器(GOA)，對(duì)VMD參數(shù)進(jìn)行了優(yōu)化，找到了每個(gè)故障類型的最佳IMF分量，并利用包絡(luò)熵最小的準(zhǔn)則，提取出了最佳的IMF分量。每個(gè)狀態(tài)的優(yōu)化曲線圖我也畫出來了：

運(yùn)行程序后會(huì)在命令行窗口打印尋優(yōu)過程如下：

正在對(duì)第1個(gè)故障類型的數(shù)據(jù)進(jìn)行VMD優(yōu)化……請(qǐng)耐心等待！
第1個(gè)故障類型數(shù)據(jù)的最佳VMD參數(shù)是：2041     9最佳IMF分量是：IMF6
正在對(duì)第2個(gè)故障類型的數(shù)據(jù)進(jìn)行VMD優(yōu)化……請(qǐng)耐心等待！
第2個(gè)故障類型數(shù)據(jù)的最佳VMD參數(shù)是：626    3最佳IMF分量是：IMF2
正在對(duì)第3個(gè)故障類型的數(shù)據(jù)進(jìn)行VMD優(yōu)化……請(qǐng)耐心等待！
第3個(gè)故障類型數(shù)據(jù)的最佳VMD參數(shù)是：114    9最佳IMF分量是：IMF3
正在對(duì)第4個(gè)故障類型的數(shù)據(jù)進(jìn)行VMD優(yōu)化……請(qǐng)耐心等待！
第4個(gè)故障類型數(shù)據(jù)的最佳VMD參數(shù)是：192    3最佳IMF分量是：IMF3
正在對(duì)第5個(gè)故障類型的數(shù)據(jù)進(jìn)行VMD優(yōu)化……請(qǐng)耐心等待！
第5個(gè)故障類型數(shù)據(jù)的最佳VMD參數(shù)是：427    5最佳IMF分量是：IMF3
正在對(duì)第6個(gè)故障類型的數(shù)據(jù)進(jìn)行VMD優(yōu)化……請(qǐng)耐心等待！
第6個(gè)故障類型數(shù)據(jù)的最佳VMD參數(shù)是：242   10最佳IMF分量是：IMF10
正在對(duì)第7個(gè)故障類型的數(shù)據(jù)進(jìn)行VMD優(yōu)化……請(qǐng)耐心等待！
第7個(gè)故障類型數(shù)據(jù)的最佳VMD參數(shù)是：256   10最佳IMF分量是：IMF6
正在對(duì)第8個(gè)故障類型的數(shù)據(jù)進(jìn)行VMD優(yōu)化……請(qǐng)耐心等待！
第8個(gè)故障類型數(shù)據(jù)的最佳VMD參數(shù)是：510    8最佳IMF分量是：IMF8
正在對(duì)第9個(gè)故障類型的數(shù)據(jù)進(jìn)行VMD優(yōu)化……請(qǐng)耐心等待！
第9個(gè)故障類型數(shù)據(jù)的最佳VMD參數(shù)是：218    3最佳IMF分量是：IMF3
正在對(duì)第10個(gè)故障類型的數(shù)據(jù)進(jìn)行VMD優(yōu)化……請(qǐng)耐心等待！
第10個(gè)故障類型數(shù)據(jù)的最佳VMD參數(shù)是：820    4最佳IMF分量是：IMF4

三，采用Transformer-SVM模型實(shí)現(xiàn)故障分類

Transformer 作為一種創(chuàng)新的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，深受歡迎。采用 Transformer 編碼器對(duì)數(shù)據(jù)特征間的復(fù)雜關(guān)系以及時(shí)間序列中的長短期依賴關(guān)系進(jìn)行挖掘，并在模型最后的分類階段，將傳統(tǒng)的softmax分類器替換為SVM分類器，進(jìn)一步提升模型的分類準(zhǔn)確率！

本文所選SVM是從官網(wǎng)下載的libsvm-3.3版本，已編譯好，大家可以直接運(yùn)行。

將第二步提取的特征劃分訓(xùn)練集與測(cè)試集后(3:1)，送入Transformer-SVM模型進(jìn)行訓(xùn)練，結(jié)果如下：

結(jié)果展示

同時(shí)還繪制了Transformer模型識(shí)別前后的樣本分布圖，采用tsne降維后繪制二維平面圖如下：

代碼目錄：

最后一個(gè)壓縮包是有關(guān)VMD畫圖的程序。考慮到大家可能會(huì)用到VMD的相關(guān)作圖，包絡(luò)譜，頻譜圖等，作者在這里也一并附在代碼中了。這部分大家需要自行更改數(shù)據(jù)！也就是作者比較火的文章之一，這里邊提到的所有代碼：VMD分解，matlab代碼，包絡(luò)線，包絡(luò)譜，中心頻率，峭度值，能量熵，樣本熵，模糊熵，排列熵，多尺度排列熵，西儲(chǔ)大學(xué)數(shù)據(jù)集為例

代碼獲取

點(diǎn)擊下方卡片獲取。

已將此代碼添加至故障診斷全家桶中