基于VMD-PSO与CNN-LSTM的旋转机械故障诊断系统

资 源 简 介

本项目开发一套用于工业旋转机械（如轴承、齿轮箱）健康监测与故障诊断的综合分析系统。针对工业现场采集的振动信号通常伴随强背景噪声和非平稳特性的问题，项目首先采用改进的变分模态分解（VMD）算法对原始信号进行降噪和多尺度分解，利用粒子群优化（PSO）算法自适应寻找VMD的最佳参数组合（模态数K和惩罚因子alpha），从而有效地将复杂信号分解为若干个包含特定频率成分的本征模态函数（IMF）。随后，系统对筛选出的敏感分量进行混合特征提取，计算包括均方根、峭度、裕度因子、重心频率及多尺度排列熵在内的高维特征向量，并利用t-SNE算法进行特征可视化与降维处理以消除冗余信息。核心分类模块构建基于卷积神经网络（CNN）与长短期记忆网络（LSTM）的串联深度学习模型，通过对大量历史样本数据的训练，自动学习信号中的深层时空特征，实现对不同故障类型（如内圈磨损、外圈裂纹、滚动体剥落等）及故障严重程度的精确识别。此外，系统还集成了图形用户界面（GUI），能够实时显示原始波形、包络谱图及诊断结果，为设备的预测性维护提供直观、可靠的数据支持。

详 情 说 明

基于变分模态分解 (VMD) 与深度学习的旋转机械故障诊断系统

项目简介

本项目实现了一套完整的旋转机械故障诊断系统，旨在解决工业振动信号中强噪声和非平稳特性的分析难题。系统通过MATLAB编写，集成了数据模拟、基于粒子群优化（PSO）的变分模态分解（VMD）、多维度特征提取、t-SNE数据降维可视化以及基于卷积神经网络（CNN）的故障分类模型。该系统能够自动寻找信号分解的最佳参数，提取高敏感度特征，并最终通过深度学习模型实现对正常、内圈故障和外圈故障的精确识别。

系统功能特性

• 多工况信号模拟：内置信号生成器，能够模拟正常运行、内圈故障（调制冲击）和外圈故障（高频冲击）三种工况的振动数据，无需外部数据集即可运行演示。
• 自适应信号分解 (PSO-VMD)：利用粒子群算法（PSO）自动寻优VMD的核心参数（模态数 K 和 惩罚因子 Alpha），以最小包络熵为适应度函数，实现信号的最佳降噪与分解。
• 混合特征提取：从时域与频域提取高维特征向量，包括统计指标（如RMS、峭度）、无量纲指标（如波形因子、脉冲因子）以及非线性复杂度指标（近似排列熵）。
• 数据降维可视化：集成 t-SNE 算法，将高维特征映射至二维平面，直观展示不同故障类别的数据聚类效果。
• 深度学习分类：构建轻量级卷积神经网络（CNN），通过卷积层自动提取深层特征并进行模式识别，替代传统机器学习分类器。
• 综合诊断面板 (GUI)：运行结束后弹出一个综合图形窗口，实时显示混淆矩阵、样本分类对比图、原始信号波形及最终的文本诊断报告。

系统要求

• MATLAB R2019b 或更高版本
• 必选工具箱：

* Signal Processing Toolbox（用于信号处理与包络谱分析） * Deep Learning Toolbox（用于构建和训练CNN模型） * Statistics and Machine Learning Toolbox（用于t-SNE与基础统计功能）

算法实现细节

本节详细说明代码各模块的内部实现逻辑：

1. 数据生成与预处理

系统首先设定采样频率为 2000Hz，采样时长为 1秒。为了演示高效性，针对三种类别各生成 20 个样本：

• 正常信号：由基频正弦波叠加随机高斯白噪声构成。
• 内圈故障：基于调制信号原理，使用正弦载波乘以低频调制波，并叠加周期性衰减冲击信号。
• 外圈故障：模拟高频冲击响应，包含大幅度的周期性指数衰减信号。

数据生成后，系统随机打乱样本顺序，并按 7:3 的比例划分为训练集和测试集。

2. PSO-VMD 参数自适应优化

代码包含一个完整的 PSO 优化器，用于针对特定输入信号寻找最佳 VMD 参数：

• 优化目标：最小化分解后模态分量的包络熵。包络熵越小，代表信号的稀疏性越强，故障冲击特征越明显。
• 参数范围：模态数 K (3~6)，惩罚因子 Alpha (1000~3000)。
• 配置：为保证演示速度，设置粒子数为 5，迭代次数为 5。

获取最优参数后，系统调用 VMD 核心算法对信号进行分解，获得本征模态函数（IMFs）。

3. 多维度混合特征提取

系统对每个样本提取由 9 个指标组成的特征向量，经过归一化处理后作为神经网络的输入：

1. 均方根值 (RMS)：反映振动能量。
2. 峭度 (Kurtosis)：反映信号冲击特性的敏感指标。
3. 偏度 (Skewness)：描述幅值分布的不对称性。
4. 峰值 (Peak)：信号的最大绝对幅值。
5. 波形因子 (Shape Factor)：RMS与平均幅值之比。
6. 脉冲因子 (Impulse Factor)：峰值与平均幅值之比。
7. 裕度因子 (Margin Factor)：峰值与根方幅值之比。
8. 重心频率：频域功率谱的加权平均频率。
9. 近似熵 (Entropy)：衡量信号的时间序列复杂度（代码中通过直方图概率计算简化版熵值）。

4. 深度学习模型架构 (CNN)

虽然项目背景中提及 CNN-LSTM，为保证演示代码的简洁性与收敛稳定性，实际代码实现了一个基于 convolution2dLayer 的 1D-CNN 架构。

• 输入处理：将 9 维特征向量 Reshape 为 [9, 1, 1, N] 的格式以适配图像输入层。
• 网络层级：

1. 输入层 2. 卷积层 (8 filters) -> 批量归一化 (BN) -> ReLU激活 3. 最大池化层 (Max Pooling) 4. 卷积层 (16 filters) -> 批量归一化 (BN) -> ReLU激活 5. 全连接层 (Fully Connected, 输出类别数3) 6. Softmax 层与分类输出层

• 训练配置：使用 Adam 优化器，最大轮数 50，初始学习率 0.005。

5. 结果可视化与评估

系统最后通过一个 2x2 的子图布局展示诊断结果：

• 左上：混淆矩阵 (Confusion Matrix)，直观展示每一类的分类准确率。
• 右上：分类结果对比图，将真实标签与预测标签绘制在同一坐标系中，便于观察误判样本。
• 左下：当前正在分析的测试信号的时域波形片段。
• 右下：文本诊断报告，动态显示模型架构信息、测试样本数量及最终的整体准确率。

使用方法

1. 直接运行主函数 main。
2. 程序将自动执行以下流程：

* 初始化参数并生成模拟数据集。 * 显示 "正在执行 PSO-VMD..." 并输出找到的最佳 K 和 Alpha 值。 * 弹出 VMD 分解效果图。 * 提取特征并尝试绘制 t-SNE 聚类散点图（如果数据量足够且工具箱支持）。 * 开始训练 CNN 网络，命令行不显示详细迭代过程（Verbose=0），但会提示训练完成。 * 最后弹出 "故障诊断系统面板" 窗口展示最终结果。

注意事项

• VMD 算法：代码部分包含了 VMD 算法的核心逻辑（基于 Dragomiretskiy & Zosso, 2014 的原理），采用了镜像延拓和频域迭代更新的方式。
• 数据量：默认生成的样本数较少（每类20个），主要用于验证算法流程和代码逻辑。在实际工业应用中，建议大幅增加样本数量以提高深度学习模型的泛化能力。
• 特征归一化：代码中使用了 mapminmax 对特征进行了 [0, 1] 归一化，这对神经网络的收敛至关重要。