基于WOA-VMD-PSO-SVM轴承故障诊断（完整论文复现），Matlab代码

目录

 

1.数据处理

 1.1轴承数据集的获取

 1.2轴承数据集的处理

2.对处理的数据（data.mat)进行特征提取

2.1WOA优化VMD参数k和a

2.2IMF分量的筛选（相关系数法）

2.3特征提取

3.故障分类（SVM和PSO-SVM实现故障分类）

3.1将数据集导入SVM分类器进行故障分类结果：

3.2将数据集导入PSO-SVM分类器进行故障分类结果：

4.完整代码获取

---

 

1.数据处理

 1.1轴承数据集的获取

在此路径下下载轴承故障数据数据集，这里我下载了1种轴承正常数据、9种轴承故障数据。

 1.2轴承数据集的处理

运行数据处理代码（data_processing.m）对轴承数据集进行处理，可得到一个data.mat文件，这个data.mat文件包含1种轴承正常数据、9种轴承故障数据。每种类型的数据包含120个样本（前120个样本对应1种轴承正常数据，以此类推）

2.对处理的数据（data.mat)进行特征提取

2.1WOA优化VMD参数k和a

本文选取最小包络熵函数作为适应度函数，采用WOA对VMD的最佳k和α参数进行寻优，运行（WOA_VMD.m）代码，可以得到文件average_vmd_params，里面包含WOA优化VMD的最佳k和α参数。其中FaultType1为1种正常，FaultType2-10为9种故障。

2.2IMF分量的筛选（相关系数法）

筛选和原始信号相关度较高的IMF分量，运行代码sxIMF.m可以得到表correlation_coefficients.csv，里面包含每种故障类型的随机一个样本和原始信号之间的相关系数，你需要根据这个表格筛选出相关性较强的IMF分量个数，后续得作为2.3特征提取的参数输入。

2.3特征提取

以样本熵函数作为特征进行提取。若筛选的IMF分量个数为9，本文包含正常一共有10种故障类型，每种故障类型包含120组数据，在进行特征提取时，每种故障应包含120×9个特征向量，运行tezhengtiqu.m代码，可以得到文件数据集.csv其作为SVM的分类输入。

3.故障分类（SVM和PSO-SVM实现故障分类）

3.1将数据集导入SVM分类器进行故障分类结果：

3.2将数据集导入PSO-SVM分类器进行故障分类结果：

4.完整代码获取

获取链接：https://mbd.pub/o/bread/ZZeWlppy