随着工业技术的不断发展，滚动轴承作为机械设备中的关键部件，其故障诊断显得尤为重要。本研究提出了一种基于优化的混合蝗虫优化算法（OCSSA）、变分模态分解（VMD）和卷积神经网络-双向长短时记忆网络（CNN-BiLSTM）的滚动轴承故障诊断方法。
项目信息
编号：MOG-23
大小：90M
运行条件
Matlab开发环境版本：
– Matlab R2020b、R2023b
项目介绍
通过西储大学公开数据集进行数据处理，提取特征。然后，使用OCSSA优化VMD参数进行特征提取，以获得故障信号的特征向量。最后，将提取的特征输入CNN-BiLSTM模型进行故障分类与识别。
实验结果表明，该方法在不同工况下均能有效诊断滚动轴承的故障类型，并具有较高的诊断准确率和鲁棒性。
1.CNN-BiLSTM 网络结构图
2.对官方下载的西储大学数据进行处理
（1）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
其中：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！
3.对第一步数据处理得到的数据进行特征提取
本文采用了一个新颖的效率较高的智能算法—效率非常高的融合鱼鹰和柯西变异的麻雀优化算法(OCSSA)对VMD参数进行了优化，该算法是由作者自行改进。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。
提取特征后，每种状态是120个样本，一共十个状态，得到一个1200*9列的矩阵，然后对每行数据打上标签。1-10代表不同的故障类型。划分每种状态的前90组为训练集，后30组为测试集。
项目文档
Tipps：可以根据您的需求进行写作，确保文档原创！
– 项目文档：写作流程
算法流程
代码讲解
Tipps：仅对CNNBILSTM.m部分代码简要讲解。该项目可以按需有偿讲解，提供后续答疑。
运行效果
1.运行第三步：CNNBILSTM.m
图片1：训练过程显示
结果分析：
这张图片展示了模型训练过程中的多个轮次（Epoch）和每个轮次的详细信息，包括所需的时间、小批量准确度、小批量损失和基础学习率。
（1）轮次：表示训练的第几轮。
（2）迭代：每一轮中的第几次迭代。
（3）经过的时间：每轮训练所用的时间。
（4）小批量准确度：当前小批次的训练准确度。
（5）小批量损失：当前小批次的损失值。
（6）基础学习率：用于训练的学习率。
结论:从图中可以看到，随着训练轮次的增加，小批量准确度逐渐提高，损失逐渐减少，最后达到较高的准确度。
图片2：混淆矩阵
结果分析：
这张图片展示了模型在测试集上的混淆矩阵，用于评估分类模型的性能。
（1）行（Real label）：真实的类别标签。
（2）列（Predicted label）：模型预测的类别标签。
（3）混淆矩阵中的值：每个真实类别与预测类别之间的样本数，百分比表示每个类别的预测准确率。
从图中可以看出，大部分类别的准确率都很高，但在某些类别（如类别5和类别6）上存在误分类的现象，导致整体准确率为85.3333%。
图片3：分类结果图
结果分析：
这张图片展示了模型在测试集上的分类结果，与真实类别进行对比。
（1）横轴（预测样本编号）：测试集中样本的编号。
（2）纵轴（分类结果）：真实类别与预测类别。
（3）红色三角形：预测类别。
（4）蓝色圆点：真实类别。
图中显示了每个测试样本的真实类别和预测类别，红色三角形与蓝色圆点对齐的情况表示预测准确，未对齐的情况表示预测错误。
总体来说，这些图片展示了模型在训练和测试过程中的性能，包括训练过程中的准确度和损失变化，以及测试结果的准确率和具体分类情况。
2.运行第三步：VMD_CNNBILSTM.m
图片1：训练过程显示
结果分析：
这张图片展示了模型训练过程中的多个轮次（Epoch）和每个轮次的详细信息，包括所需的时间、小批量准确度、小批量损失和基础学习率。
（1）轮次：表示训练的第几轮。
（2）迭代：每一轮中的第几次迭代。
（3）经过的时间：每轮训练所用的时间。
（4）小批量准确度：当前小批次的训练准确度。
（5）小批量损失：当前小批次的损失值。
（6）基础学习率：用于训练的学习率。
从图中可以看到，随着训练轮次的增加，小批量准确度逐渐提高，损失逐渐减少，最后达到较高的准确度。
图片2：混淆矩阵
结果分析：
这张图片展示了模型在测试集上的混淆矩阵，用于评估分类模型的性能。
（1）行（Real label）：真实的类别标签。
（2）列（Predicted label）：模型预测的类别标签。
（3）混淆矩阵中的值：每个真实类别与预测类别之间的样本数，百分比表示每个类别的预测准确率。
从图中可以看出，大部分类别的准确率都很高，但在某些类别（如类别4和类别1）上存在少量误分类的现象，导致整体准确率为98.6667%。
图片3：分类结果图
这张图片展示了模型在测试集上的分类结果，与真实类别进行对比。
（1）横轴（预测样本编号）：测试集中样本的编号。
（2）纵轴（分类结果）：真实类别与预测类别。
（3）红色三角形：预测类别。
（4）蓝色圆点：真实类别。
图中显示了每个测试样本的真实类别和预测类别，红色三角形与蓝色圆点对齐的情况表示预测准确，未对齐的情况表示预测错误。从图中可以看出，绝大部分样本的预测结果与真实标签一致，仅有少量样本存在预测错误的情况。
总体来说，这些图片展示了模型在训练和测试过程中的性能，包括训练过程中的准确度和损失变化，以及测试结果的准确率和具体分类情况。通过这组图表可以看出，模型在训练和测试中的表现都非常优异，能够较好地识别不同类别的轴承故障。
3.将CNN-BiLSTM，VMD-CNN-BiLSTM两种故障诊断模型进行了对比
为了突出VMD-CNN-BiLSTM优越性，将两个模型的训练次数都设置为150，学习率为0.01，正则化参数为0.001，训练100次后开始调整学习率，学习率调整因子为0.01。
统计结果如下：
根据统计结果可以看到，VMD-CNN-BiLSTM诊断模型不仅大大缩减了训练时间，而且诊断精度也是最高的。
远程部署
Tipps：购买后可免费协助安装，确保运行成功。
– 远程工具：Todesk 、向日葵远程控制软件
– 操作系统：Windows OS
项目文件
文件目录
Tipps：完整项目文件清单如下：
项目目录
– 1.Code (完整代码：确保运行成功)
– 2.Result (运行结果：真实运行截图)
– 3.Demo (演示视频：真实运行录制)
评论(0)