强心剂!EEMD-MPE-KPCA-LSTM、EEMD-MPE-LSTM、EEMD-PE-LSTM故障识别、诊断


目录

  • 强心剂!EEMD-MPE-KPCA-LSTM、EEMD-MPE-LSTM、EEMD-PE-LSTM故障识别、诊断
  • 效果一览
  • 基本介绍
  • 程序设计
  • 参考资料


效果一览

强心剂!EEMD-MPE-KPCA-LSTM、EEMD-MPE-LSTM、EEMD-PE-LSTM故障识别、诊断_EEMD-PE

强心剂!EEMD-MPE-KPCA-LSTM、EEMD-MPE-LSTM、EEMD-PE-LSTM故障识别、诊断_EEMD-MPE_02


强心剂!EEMD-MPE-KPCA-LSTM、EEMD-MPE-LSTM、EEMD-PE-LSTM故障识别、诊断_KPCA-LSTM_03


强心剂!EEMD-MPE-KPCA-LSTM、EEMD-MPE-LSTM、EEMD-PE-LSTM故障识别、诊断_EEMD-PE_04


强心剂!EEMD-MPE-KPCA-LSTM、EEMD-MPE-LSTM、EEMD-PE-LSTM故障识别、诊断_KPCA-LSTM_05


强心剂!EEMD-MPE-KPCA-LSTM、EEMD-MPE-LSTM、EEMD-PE-LSTM故障识别、诊断_EEMD-MPE_06


强心剂!EEMD-MPE-KPCA-LSTM、EEMD-MPE-LSTM、EEMD-PE-LSTM故障识别、诊断_EEMD-PE-LSTM_07


强心剂!EEMD-MPE-KPCA-LSTM、EEMD-MPE-LSTM、EEMD-PE-LSTM故障识别、诊断_EEMD-MPE_08


强心剂!EEMD-MPE-KPCA-LSTM、EEMD-MPE-LSTM、EEMD-PE-LSTM故障识别、诊断_EEMD-PE_09


强心剂!EEMD-MPE-KPCA-LSTM、EEMD-MPE-LSTM、EEMD-PE-LSTM故障识别、诊断_故障识别_10


强心剂!EEMD-MPE-KPCA-LSTM、EEMD-MPE-LSTM、EEMD-PE-LSTM故障识别、诊断_故障识别_11


强心剂!EEMD-MPE-KPCA-LSTM、EEMD-MPE-LSTM、EEMD-PE-LSTM故障识别、诊断_KPCA-LSTM_12


强心剂!EEMD-MPE-KPCA-LSTM、EEMD-MPE-LSTM、EEMD-PE-LSTM故障识别、诊断_EEMD-PE-LSTM_13

基本介绍

EEMD-MPE-KPCA-LSTM(集合经验模态分解-多尺度排列熵-核主元分析-长短期记忆网络)用于故障识别、诊断(Matlab完整源码和数据)运行环境matlab2023b

1.所用数据集为西安交通大学轴承故障数据集4个故障类别分别为

35HZCage(122条样本)35HZOuter race(123条样本)37.5HZOuter race(161条样本)40HZOuter race(114条样本)

选取每个故障的水平信号并截取前2000个信号点,即共520条样本每条样本长度为2000

更换数据后运行顺序main1EEMD.m、main2KPCA.m、EEMD_MPE_KPCA_LSTM.m

2.程序流程

(1)对520条样本分别采用EEMD进行分解通过判定所有分解信号样本熵值,并重构为高中低3个频段信号

(2)对高中低信号分解进行多尺度排列熵计算并合成,最后得到每条样本的特征向量

(3)对每条样本特征向量进行kpca降维

(4)将数据导入至LSTM进行分类/故障识别

3.对照组

eemd-pe-lstm、eemd-mpe-lstm

精度对比有分类散点图、混淆矩阵、精确率、召回率、调和平均数

强心剂!EEMD-MPE-KPCA-LSTM、EEMD-MPE-LSTM、EEMD-PE-LSTM故障识别、诊断_KPCA-LSTM_14


参考文献

强心剂!EEMD-MPE-KPCA-LSTM、EEMD-MPE-LSTM、EEMD-PE-LSTM故障识别、诊断_EEMD-MPE_15

程序设计

  • 完整程序和数据下载私信博主回复Matlab实现EEMD-MPE-KPCA-LSTM、EEMD-MPE-LSTM、EEMD-PE-LSTM故障识别、诊断
%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行

%% EEMD-PE-lstm
load ('eemddata','X1','X2')
load('kpcadata','Y')

data = X1;%%生成pe数据集
%输入输出数据
input=data(:,1:end-1);    %data的第一列-倒数第二列为特征指标
output=data(:,end);  %data的最后面一列为标签类型

N=length(output);   %全部样本数目
testNum=0.2*N;   %设定测试样本数目
trainNum=N-testNum;    %计算训练样本数目

%训练集、测试集
P_train = input(1:trainNum,:)';
T_train =output(1:trainNum)';
P_test =input(trainNum+1:trainNum+testNum,:)';
T_test =output(trainNum+1:trainNum+testNum)';
num_class = length(unique(data(:, end)));  % 类别数(Excel最后一列放类别) 


t_train =  categorical(T_train)';
t_test  =  categorical(T_test )';

% 数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input );
%  格式转换
for i = 1 : trainNum
    pp_train{i, 1} = p_train(:, i);
end

for i = 1 : testNum
    pp_test{i, 1} = p_test(:, i);
end

%  创建网络
numFeatures = size(P_train, 1);               % 特征维度
numResponses = num_class;

layers = [ ...
  sequenceInputLayer(numFeatures)                  % 输入层
  lstmLayer(150, 'OutputMode', 'last')         %  lstm层%%调整神经元个数
  reluLayer                                    % Relu 激活层
  fullyConnectedLayer(numResponses)               % 全连接层数等于分类数
  softmaxLayer                                 % 损失函数层
  classificationLayer];                        % 分类层

% 参数设置
checkpointPath = pwd;
options = trainingOptions('adam', ...                 % 优化算法Adam
    'MaxEpochs', 200, ...                             % 最大训练次数
    'GradientThreshold', 1, ...                       % 梯度阈值
    'InitialLearnRate', 0.03, ...                    % 初始学习率
    'LearnRateSchedule', 'piecewise', ...             % 学习率调整
    'LearnRateDropPeriod', 200, ...                   % 训练700次后开始调整学习率
    'LearnRateDropFactor',0.2, ...                    % 学习率调整因子
    'ExecutionEnvironment', 'cpu',...                 % 训练环境
    'Verbose', 0, ...                                 % 关闭优化过程
    'Plots', 'training-progress');                    % 画出曲线