EEMD-MPE-KPCA-BILSTM(集合经验模态分解-多尺度排列熵-核主元分析-双向长短期记忆网络)

用于故障识别、诊断

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

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

（3）将数据导入至BILSTM进行分类/故障识别

3.对照组

eemd-pe-bilstm、eemd-mpe-bilstm 各模型高精度参考链接图片

参考文献：[1]陈鹏,赵小强,朱奇先.基于VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法[J].兰州理工大学学报,2020,46(05):92-99.

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

中程序便于改进，分解算法可替换VMD/EEMDAN等，BILSTM可增加优化算法或改为其他故障识别模型

程序有详细注释，数据集易于更换

matlab代码，含有部分注释；

数据为excel数据，使用时替换数据集即可；

matlab代码，含有部分注释；

数据为excel数据，使用时替换数据集即可；

ID:79119

详询客服 微信shujuqudong1 或shujuqudong6 或 qq68823886 或 27699885

图文详情请查看： http://matup.cn/709438391211.html