保姆级教程之VMD-SABO-KELM优化核极限学习机的西储大学轴承诊断

从数据处理，优化VMD特征提取，再到SABO（减法平均优化器）优化核极限学习机的故障诊断，实现故障诊断的全流程，其他类型的故障诊断均可参考此流程。

友情提示：对于刚接触故障诊断的新手来说，这篇文章信息量可能有点大，大家可以收藏反复阅读。即便有些内容本篇文章没讲出来，但其中的一些跳转链接，也完全把故障诊断这个故事讲清楚了。

先给大家看看文件夹目录，都是作者精心整理过的。

如图所示，本次内容一共做了三件事情：

一，对官方下载的西储大学数据进行处理，步骤如下：

1.一共加载10种数据，然后取每个数据的DE_time（%DE是驱动端数据 FE是风扇端数据 BA是加速度数据 选择其中一个就行）

2.设置滑动窗口w，每个数据的故障样本点个数s，每个故障类型的样本量m

3.将所有的数据滑窗完毕之后，综合到一个data变量中

有关西储大学数据的处理之前有文章也讲过，大家可以看这篇文章：西储大学轴承诊断数据处理，matlab免费代码获取

图中的1750，1772，1790是西储大学轴承的转速，大家做诊断的时候，选择其中一个即可，即选同一转速下的不同故障进行诊断更有意义！

二，对第一步数据处理得到的数据进行特征提取

选取五种适应度函数进行优化，这里大家可以自行决定选哪一个！以此确定VMD的最佳k和α参数。五种适应度函数分别是：最小包络熵，最小样本熵，最小信息熵，最小排列熵，排列熵/互信息熵，代码中可以一键切换。至于应该选择哪种作为自己的适应度函数，大家可以看这篇文章。VMD为什么需要进行参数优化，最小包络熵/样本熵/排列熵/信息熵，适应度函数到底该选哪个

老粉应该知道，之前也推过一篇文章，就是关于西储大学特征提取的，但当时作者懒，没有写一个大循环，需要大家针对每种类型的数据依次提取。这次，作者把特征提取写了一个大循环，方便一键特征提取，大家也可以很简单的更换自己的数据！

至于特征提取的具体原理，也在这篇文章进行过详细介绍，大家可以跳转阅读。简单来说，就是利用包络熵最小的准则把每个样本的最佳IMF分量提取出来，然后对其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。然后用这9个指标构建每个样本的特征向量。

另外本篇文章采用了2023年一个较新且效率较高的智能算法---减法优化器(SABO)，对VMD参数进行了优化，找到了每个故障类型的最佳IMF分量，并利用包络熵最小的准则，提取出了最佳的IMF分量。

三，采用SABO优化核极限学习机的正则化参数和核参数

这里就不用多讲了，大家搜一些智能算法优化核极限学习机的文章，会有很多。

结果展示

未优化的KELM分类结果：

混淆矩阵图，有的文章会采用这种图：

SABO-KELM的适应度曲线图：

优化后的KELM分类结果：

优化后的KELM分类混淆矩阵图：

部分代码

%% 初始化
clear
close all
clc
warning off
%% 数据读取
addpath(genpath(pwd));
load vmddata.mat  %加载处理好的特征数据
data = vmddata;
%% 数据载入


bv = 120;    %每种状态数据有120组
% 加标签值
hhh = size(data,2);
for i=1:size(data,1)/bv
    data(1+bv*(i-1):bv*i,hhh+1)=i;
end
input=data(:,1:hhh);
output1 =data(:,end);
for i=1:size(data,1)     %一共10种类型
    switch output1(i)
        case 1
            output(i,1)=1;
        case 2
            output(i,2)=1;
        case 3
            output(i,3)=1;
        case 4
            output(i,4)=1;
        case 5
            output(i,5)=1;
        case 6
            output(i,6)=1;
        case 7
            output(i,7)=1;
        case 8
            output(i,8)=1;
        case 9
            output(i,9)=1;
        case 10
            output(i,10)=1;
    end
end


jg = bv;   %每组120个样本
tn = 90;    %选前tn个样本进行训练
input_train = []; output_train = [];
input_test = []; output_test = [];
for i = 1:max(data(:,end))
    input_train=[input_train;input(1+jg*(i-1):jg*(i-1)+tn,:)];
    output_train=[output_train;output(1+jg*(i-1):jg*(i-1)+tn,:)];
    input_test=[input_test;input(jg*(i-1)+tn+1:i*jg,:)];
    output_test=[output_test;output(jg*(i-1)+tn+1:i*jg,:)];
end
input_train = input_train'; 
input_test = input_test';
%归一化
[inputn_train,inputps]=mapminmax(input_train);inputn_train = inputn_train';
[inputn_test,inputtestps]=mapminmax('apply',input_test,inputps); inputn_test =inputn_test';
pop=[1 1];
kernel='RBF_kernel';%核函数
%% 采用SABO优化KELM
%%
kernel='RBF_kernel';   
[Best_score,Best_pos,SABO_curve]=SABOforKELM(kernel,inputn_train,output_train,inputn_test,output_test);
figure
plot(SABO_curve)
xlabel('迭代次数')
ylabel('适应度值')
title('SABO优化KELM的适应度曲线')

---

考虑到大家可能会用到VMD的相关作图，包络谱，频谱图等，作者在这里也一并附在代码中了。这部分大家需要自行更改数据！也就是作者比较火的文章之一，这里边提到的所有代码：VMD分解，matlab代码，包络线，包络谱，中心频率，峭度值，能量熵，样本熵，模糊熵，排列熵，多尺度排列熵，西储大学数据集为例

代码获取

完整代码获取，后台回复关键词：

轴承诊断