【故障诊断】小波包神经网络和D-S理论的滚动轴承故障诊断【含Matlab源码 3529期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab信号处理（仿真科研站版）仿真内容点击👇
Matlab信号处理（仿真科研站版）

⛄一、小波包神经网络和D-S理论的滚动轴承故障诊断（含论文）

通过故障诊断与容错控制课程的学习，我了解了非常多实用的故障检测、分类方法，本次课程作业针对滚动轴承这种非平稳振动信号采用的小波包分解的方法来检测故障的存在，运用神经网络来实现故障的分类，还结合D-S理论融合了多个传感器的诊断结果，提高了故障诊断的准确性并通过实验仿真证实。通过对比单一传感器的诊断结果和本次课程设计中采用方法的诊断结果，可以看出基于小波包神经网络和D-S理论的滚动轴承故障诊断方法能够提高滚动轴承故障诊断的准确率。
基于小波包变换的故障特征向量构造方法对滚动轴承时变、冲击信号的处理非常有效。小波包分解的得到的频段能量分布表征着滚动轴承不同的故障类型，通过检测各频段相对能量的变化可以有效地了解滚动轴承的运行状态。所以，可以采用小波包频段能量参数构建故障特征向量。
神经网络具有很好的自学习能力。它将小波包频段能量参数构建的故障特征向量作为输入，真实的故障状态作为输出，进而实现了对故障的分类。
最后，为表征和融合决策级的不确定性，采用了D-S证据理论。这种理论中定义的置信函数和似然函数，对信息的非精确和狭义不确定等认知方面的表示、度量、和处理比概率论更加灵活、有效。本文应用了这一理论，首先统计先验信息获得混淆矩阵进而构建出识别框架并完成基本概率赋值，然后利用给定的组合规则进行证据的融合，最终给出决策结果。
仿真的结果验证了这种诊断方法是有效性的并且具有更好的诊断效果。

⛄二、部分源代码

%% 这是最后的测试程序，请先执行FocalElement.m
%FocalElement
load test_DE, load test_FE, load test_BA

StandT_DE = FocalEle(test_DE);
StandT_FE = FocalEle(test_FE);
StandT_BA = FocalEle(test_BA);

[~,s2] = size(StandT_DE);
DS_Y(1:5,1:s2) = 0;
DS_DE(1:5,1:s2) =0; DS_FE(1:5,1:s2) =0; DS_BA(1:5,1:s2) =0;

for ii = 1:s2
temp_DE = StandT_DE(:,ii); temp_FE = StandT_FE(:,ii); temp_BA = StandT_BA(:,ii);
temp_DE = temp_DE.*LocalBel_DE./sum(temp_DE.*LocalBel_DE);
temp_FE = temp_FE.*LocalBel_FE./sum(temp_FE.*LocalBel_FE);
temp_BA = temp_BA.*LocalBel_BA./sum(temp_BA.*LocalBel_BA);

temp_DE = [CorrectRate_DE*temp_DE;1-CorrectRate_DE];
temp_FE = [CorrectRate_FE*temp_FE;1-CorrectRate_FE];
temp_BA = [CorrectRate_BA*temp_BA;1-CorrectRate_BA];

DS_DE(:,ii) = temp_DE; DS_FE(:,ii) = temp_FE; DS_BA(:,ii) = temp_BA;

% K1 = sum(temp_DE.*temp_FE.*temp_BA);
% K2 = sum(temp_DE(1:4).*temp_FE(1:4))*temp_BA(5);
% K3 = sum(temp_DE(1:4).*temp_BA(1:4))*temp_FE(5);
% K4 = sum(temp_FE(1:4).*temp_BA(1:4))*temp_DE(5);
% K5 = sum(temp_DE(1:4))*temp_FE(5)*temp_BA(5);
% K6 = sum(temp_FE(1:4))*temp_DE(5)*temp_BA(5);
% K7 = sum(temp_BA(1:4))*temp_DE(5)*temp_FE(5);
% K = K1+K2+K3+K4+K5+K6+K7;
K(1:5) = 0;
for jj = 1:4
K(jj) = temp_DE(jj)*temp_FE(jj)*temp_BA(jj)+temp_DE(jj)*temp_FE(jj)*temp_BA(5)+ …
temp_DE(jj)*temp_FE(5)*temp_BA(jj)+temp_DE(jj)*temp_FE(5)*temp_BA(5)+ …
temp_DE(5)*temp_FE(jj)*temp_BA(jj)+temp_DE(5)*temp_FE(jj)*temp_BA(5)+ …
temp_DE(5)*temp_FE(5)*temp_BA(jj);
end

K(5) = temp_DE(5)*temp_FE(5)*temp_BA(5);
KK = sum(K);

DS_Y(:,ii) = K./KK;

end

[Index_DS,testRate_DS] = hitNum(DS_Y);
[Index_DE,testRate_DE] = hitNum(DS_DE);
[Index_FE,testRate_FE] = hitNum(DS_FE);
[Index_BA,testRate_BA] = hitNum(DS_BA);

figure(1)
t = 1:s2;
scatter(t,Index_DS)
xlabel(‘DS测试集样本’); ylabel(‘DS融合后类别标签’)
figure(2)
scatter(t,Index_DE)
xlabel(‘DE测试集样本’); ylabel(‘类别标签’)
figure(3)
scatter(t,Index_FE)
xlabel(‘FE测试集样本’); ylabel(‘类别标签’)
figure(4)
scatter(t,Index_BA)
xlabel(‘BA测试集样本’); ylabel(‘类别标签’)

function StandY = FocalEle(Y)
[~,s2] = size(Y);
StandY(1:4,1:s2) = 0;
for ii = 1:s2
temp = Y(:,ii);
ymin = min(temp); ymax = max(temp);
temp = (temp-ymin)./(ymax-ymin);
temp = temp./sum(temp);
temp = 0.05+0.9temp;
StandY(:,ii) = temp;
end
end
%statistics
function [Num,CorrectRate] = statistics(Y)
Num(1:4,1:4) = 0;
[~,s2] = size(Y); %行数、列数
Index(1:s2) = 0;
for ii = 1:s2/10
[~,Index(ii)] = max(Y(:,ii));
if Index(ii) == 1
Num(1,1) = Num(1,1)+1;
elseif Index(ii) == 2
Num(1,2) = Num(1,2)+1;
elseif Index(ii) == 3
Num(1,3) = Num(1,3)+1;
elseif Index(ii) == 4
Num(1,4) = Num(1,4)+1;
end
end
for ii = s2/10+1:s2/104
[~,Index(ii)] = max(Y(:,ii));
if Index(ii) == 1
Num(2,1) = Num(2,1)+1;
elseif Index(ii) == 2
Num(2,2) = Num(2,2)+1;
elseif Index(ii) == 3
Num(2,3) = Num(2,3)+1;
elseif Index(ii) == 4
Num(2,4) = Num(2,4)+1;
end
end
for ii = s2/104+1:s2/107
[~,Index(ii)] = max(Y(:,ii));
if Index(ii) == 1
Num(3,1) = Num(3,1)+1;
elseif Index(ii) == 2
Num(3,2) = Num(3,2)+1;
elseif Index(ii) == 3
Num(3,3) = Num(3,3)+1;
elseif Index(ii) == 4
Num(3,4) = Num(3,4)+1;
end
end
for ii = s2/10*7+1:s2
[~,Index(ii)] = max(Y(:,ii));
if Index(ii) == 1
Num(4,1) = Num(4,1)+1;
elseif Index(ii) == 2
Num(4,2) = Num(4,2)+1;
elseif Index(ii) == 3
Num(4,3) = Num(4,3)+1;
elseif Index(ii) == 4
Num(4,4) = Num(4,4)+1;
end
end
Num = Num./([0.1;0.3;0.3;0.3]*s2);
CorrectRate = (Num(1,1)+Num(2,2)+Num(3,3)+Num(4,4))/4;
end

function [Index,CorrectRate] = hitNum(Y)
[~,s2] = size(Y); %行数、列数
TT(1:4,1:s2) = 0; %初始化一个测试集输出矩阵
TT(1,1:s2/10) = 1; %正常对应的输出向量 1 0 0 0
TT(2,s2/10+1:s2/104) = 1; %滚动体故障对应的输出向量 0 1 0 0
TT(3,s2/104:s2/107) = 1; %内圈故障对应的输出向量 0 0 1 0
TT(4,s2/107:s2) = 1; %外圈故障对应的输出向量 0 0 0 1

Num = 0;
Index(1:s2) = 0; Index_T(1:s2) = 0;
for ii = 1:s2
    [~,Index(ii)] = max(Y(:,ii));
    [~,Index_T(ii)] = max(TT(:,ii));
    if(Index(ii) == Index_T(ii))
        Num = Num+1; 
    end
end
CorrectRate = Num/s2;

end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]罗耀华,从静.基于matlab BP神经网络的三相逆变器故障诊断[J].应用科技.2010年6月.
[2] 贺红林，封立耀等.基于神经元网络的滚动轴承诊断系统设计.机床与液压
2004,No.11.
[3]周瑞峰.滚动轴承故障智能诊断方法的研究与实现.大连理工大学，2009.
[4]陈进.机械设备振动监测与故障诊断. 上海: 上海交通大学出版社.1999.
[5]梅宏斌.滚动轴承振动监测与诊断［M］.北京：机械工业出版社,1995.

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除
🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置