之前写过一篇优化核极限学习机的轴承诊断，今天再出一期基于SVM的轴承诊断。
依旧是包含了从数据处理，到减法优化器SABO算法优化VMD参数，再到支持向量机的故障诊断，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。数据替换十分简单！
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。
与上一期文章相似，先给大家看看文件夹目录，都是作者精心整理过的。
最后一个压缩包是有关VMD画图的程序。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
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，采用支持向量机实现故障分类
本文所选SVM是从官网下载的libsvm-3.3版本，作者已编译好，大家可以直接运行。如果想自行编译的童鞋可以从网站下载：https://www.csie.ntu.edu.tw/~cjlin/libsvm/index.html，编译步骤可以参考https://blog.csdn.net/qq_42457960/article/details/109275227
本文采用了网格搜索机制，并采用5折交叉验证，对SVM的惩罚因子c和gamma参数进行寻优。
结果展示
混淆矩阵图，有的文章会采用这种图：
这里不得不说一句，官方给出的libSVM包，准确率就是嘎嘎高！
部分代码
数据处理代码：
clc;
clear;
addpath(genpath(pwd));
%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
load 97.mat %正常
load 107.mat %直径0.007英寸，转速为1750时的 内圈故障
load 120.mat %直径0.007，转速为1750时的 滚动体故障
load 132.mat %直径0.007，转速为1750时的 外圈故障
load 171.mat %直径0.014英寸，转速为1750时的 内圈故障
load 187.mat %直径0.014英寸，转速为1750时的 滚动体故障
load 199.mat %直径0.014英寸，转速为1750时的 外圈故障
load 211.mat %直径0.021英寸，转速为1750时的 内圈故障
load 224.mat %直径0.021英寸，转速为1750时的 滚动体故障
load 236.mat %直径0.021英寸，转速为1750时的 外圈故障
w=1000; % w是滑动窗口的大小1000
s=2048; % 每个故障表示有2048个故障点
m = 10; %每种故障有120个样本
D0=[];
for i =1:m
D0 = [D0,X097_DE_time(1+w*(i-1):w*(i-1)+s)];
end
D0 = D0';SABO优化VMD参数并特征提取的代码：
%% 此程序运行需要很长的时间！！
% vmddata.mat就是最终特征提取的结果！
%% 以最小包络熵、最小样本熵、最小信息熵、最小排列熵，排列熵/互信息熵，为目标函数（任选其一），采用SABO算法优化VMD，求取VMD最佳的两个参数
clear
clc
close all
addpath(genpath(pwd))
xz = 5; %xz, 选择1，以最小包络熵为适应度函数，
% 选择2，以最小样本熵为适应度函数，
% 选择3，以最小信息熵为适应度函数，
% 选择4，以最小排列熵为适应度函数，
% 选择5，以复合指标：排列熵/互信息熵为适应度函数。
if xz == 1
fobj=@EnvelopeEntropyCost; %最小包络熵
elseif xz == 2
fobj=@SampleEntropyCost; %最小样本熵
elseif xz == 3
fobj=@infoEntropyCost; %最小信息熵
elseif xz == 4
fobj=@PermutationEntropyCost; %最小排列熵
elseif xz == 5
fobj=@compositeEntropyCost; %复合指标：排列熵/互信息熵
end
load data_total_1797.mat %这里选取转速为1797的10种故障，大家也可以选取其他类型的数据
D=2; % 优化变量数目
lb=[100 3]; % 下限值，分别是a,k
ub=[2500 10]; % 上限值
T=20; % 最大迭代数目
N=15; % 种群规模
vmddata = [];
for i=1:10 %因为有十种故障状态
disp(['正在对第',num2str(i),'个故障类型的数据进行VMD优化……请耐心等待！'])
every_data = data(1+120*(i-1):120*i,:); %一种状态是120个样本，每次选120个样本进行VMD优化和特征提取
da = every_data(1,:); %从当前状态的数据中任选一组数据进行VMD优化即可。
[SABOBest_score,SABOBest_pos,Bestidx,SABO_curve] = SABO(N,T,lb,ub,D,fobj,da');
display(['第',num2str(i),'个故障类型数据的最佳VMD参数是：', num2str(fix(SABOBest_pos)),'最佳IMF分量是：IMF',num2str(Bestidx)]); %输出最佳位置
%% 以下为将最佳的a,k，idx回带VMD中，并进行9种时域指标特征提取
bbh = fix(SABOBest_pos);%最佳位置取整
new_data = tezhengtiqu(bbh(1),bbh(2),Bestidx,every_data); %将优化得到的两个参数和最小适应度的索引值带回VMD中，提取得到当前状态的特征向量
vmddata = [vmddata;new_data]; %将每个状态提取得到的特征向量都放在一起
end
save vmddata.mat vmddata %将提取的特征向量保存为mat文件
%% 删除路径，以免被其他函数混淆
rmpath(genpath(pwd))SVM诊断的代码：
%% 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);
output =data(:,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';
[c,g] = meshgrid(-10:0.5:10,-10:0.5:10); %调整间距，可以搜索的更加精细
[m,n] = size(c);
cg = zeros(m,n);
eps = 10^(-4);
v = 5; %采用5折交叉验证
bestacc = 0;代码获取
完整代码获取，点击下方卡片，后台回复关键词：
SVM诊断
![debug调试时，通过[[FunctionLocation]]找到函数在源代码中的位置](https://img-blog.csdnimg.cn/fb489763e2574c64915194ce792cdea6.png#pic_center)
