基于近似熵、样本熵、模糊熵、排列熵、散布熵和优化支持向量机SVM的机械故障诊断（附Matlab代码）

旋转机械在运行中的故障率较高，使得故障诊断得到广泛重视。目前，常见的故障诊断方法主要包括振动信号分析，声学信号分析，轴承温度监测等。由于振动信号具有易于采集和分析的优点， 基于振动信号的故障诊断方法应用最为广泛。传统时频域的特征提取方法往往不能有效提取隐藏的故障特征，导致故障识别率降低。由于在不同位置发生故障时，故障冲击引起的系统响应不同，从而使得振动信号的混乱程度有所不同。基于熵值理论的分析方法可以不经过信号的分解或变换，直接度量信号的复杂度，完成不同故障的识别。故障诊断本质是一个分类问题，解决这类问题主要有两步：1.利用熵的方法从信号中提取信息，即信号的熵值为故障特征；2.基于提取的熵值，利用机器学习方法作为分类器进行识别。
 

支持向量机SVM是机器学习中非常优秀的算法，在解决小样本问题上具有出色的性能。然而，SVM的性能受其参数的影响。传统的依靠人工经验选取和网格试错法都难以很好地解决。群智能优化算法是一种很有吸引力的算法，可以在保持计算成本合理的情况下解决SVM参数的选择问题，提高SVM的分类性能和泛化能力。本文利用matlab自带的SVM分类器，省去了安装第三方工具箱的繁琐，避免了安装不成功的风险，通过群智能优化算法选择SVM合适参数，解决分类问题。

本期推出近似熵、样本熵、模糊熵、排列熵、散布熵共5种熵结合SVM进行故障诊断。表面上得到5种诊断方法，实际上这些熵随便排列组合就有几十种！！！

基于熵的故障诊断，知网上有很多，理论知识这里不在赘述。参考文献（已标注发表年份）：

【1】近似熵：Pincus, and M. S. . "Approximate entropy as a measure of system complexity. " Proceedings of the National Academy of Sciences of the United States of America 88.6(1991):2297-2301

【2】样本熵：J. S. Richman and J. R. Moorman, “Physiological time-series analysis using approximate entropy and sample entropy,” American Journal of Physiology-Heart and Circulatory Physiology, vol. 278, no. 6, pp. H2039–H2049, Jun. 2000, doi: 10.1152/ajpheart.2000.278.6.H2039

【3】模糊熵：Chen, W. , et al. "Characterization of Surface EMG Signal Based on Fuzzy Entropy." IEEE transactions on neural systems and rehabilitation engineering: a publication of the IEEE Engineering in Medicine and Biology Society 2(2007):15.

【4】排列熵：C. Bandt and B. Pompe, “Permutation Entropy: A Natural Complexity Measure for Time Series,” Phys. Rev. Lett., vol. 88, no. 17, p. 174102, Apr. 2002, doi: 10.1103/PhysRevLett.88.174102.

【5】散布熵：M. Rostaghi and H. Azami, “Dispersion Entropy: A Measure for Time-Series Analysis,” IEEE Signal Process. Lett., vol. 23, no. 5, pp. 610–614, May 2016, doi: 10.1109/LSP.2016.2542881.

02. 实操

数据集

本文使用诊断任务中经典的凯斯西储大学CWRU数据集。随机选择了5类状态，选用DE端的振动数据，暂且命名为正常，故障1，故障2，故障3，故障4。设置每个样本长度为1024，每类状态共100个样本，总样本大小为：500*1024。即样本数*样本长度。

样本分割设置了重叠个数，可以随意选择重叠个数进行样本划分。非重叠即为重叠个数为0的情况，具体的原理如下：
非重叠：

重叠：

特征提取

总样本大小为：500*1024。计算每个样本的熵值，形成500*1的特征空间，将特征输入到后续的分类器中。这些熵可随便排列组合，那么特征空间就是500*n，n取决你选的特征个数。

SVM分类器

利用Matlab自带了SVM分类器fitcecoc函数用于多分类任务（类别数>2），利用fitcsvm用于二分类任务。详细信息请参考matlab的阅读文档：

https://www.mathworks.com/help/stats/fitcecoc.html  

本文选择径向基核函数（RBF）作为SVM的核函数，因此，SVM待选择的参数有两个：惩罚系数C和核参数g。k折交叉验证的误差作为优化目标函数。

优化算法

以2023年发表在中科院1区SCI上的成吉思汗鲨鱼优化算法（Genghis Khan shark optimizer，GKSO）（源码），和受欢迎的灰狼优化算法（GWO）（源码）作为例子。前期也推出了多种统计指标（一网打尽优化算法的8种统计指标，助力提升论文录用率（附Matlab代码）），在SVM参数优化中继续使用。

诊断流程

基于近似熵、样本熵、模糊熵、排列熵、散布熵和优化支持向量机SVM的机械故障诊断流程图大致如下：

结果展示：

PE不同状态对比

混淆矩阵

分类结果图

箱型图boxplot

收敛曲线

多次运行结果保存在Optimal_results中。这里考虑快速验证代码和算法，仅运行了2次，可根据实际需要修改。

Matlab代码：

 基于近似熵、样本熵、模糊熵、排列熵、散布熵和优化支持向量机SVM的机械故障诊断（附Matlab代码）