基于小波包与SVM的轴承故障智能诊断系统

资 源 简 介

本项目旨在为工业旋转机械（如风力发电机、数控机床）提供高效的故障检测方案。针对轴承振动信号非平稳、非线性的特点，系统首先利用小波包变换（Wavelet Packet Decomposition, WPD）对原始采集的振动加速度信号进行多层分解，有效提取信号在不同频带上的能量分布特征，构建高维特征向量。随后，采用主成分分析（PCA）对特征向量进行降维处理以消除冗余信息。在分类识别阶段，构建支持向量机（SVM）多分类模型，并结合粒子群优化算法（PSO）或者遗传算法（GA）自动寻优SVM的惩罚因子和核函数参数，以提高分类准确率和泛化能力。系统还集成了一个完整的MATLAB App Designer图形交互界面，支持数据批量导入、预处理去噪、时域/频域波形实时对比显示、特征提取结果的可视化分析以及故障类型的自动判别输出（如内圈故障、外圈故障、滚动体故障、正常状态）。该项目涵盖了从信号处理、特征工程到机器学习分类的全流程，能够为设备的预测性维护提供可靠的数据支持，减少非计划停机时间。

详 情 说 明

基于小波包能量谱与SVM的旋转机械轴承故障智能诊断系统

项目简介

本项目实现了一个基于MATLAB App Designer图形交互界面的轴承故障智能诊断系统。系统针对工业旋转机械轴承振动信号非平稳、非线性的特点，集成了信号模拟、预处理、特征工程与机器学习分类的全流程技术。通过小波包变换（WPD）提取频带能量特征，利用主成分分析（PCA）进行特征降维，并未采用粒子群优化算法（PSO）优化的支持向量机（SVM）进行故障模式识别。该系统能够有效地识别正常状态、内圈故障、外圈故障及滚动体故障四种典型模式。

功能特性

• 交互式GUI界面：基于uifigure构建的现代化用户界面，集成控制面板与多视图结果展示区域，操作流程清晰。
• 数据模拟生成：内置信号生成引擎，能够根据物理模型模拟四种不同状态下的轴承振动信号，并施加高斯白噪声。
• 信号预处理：应用小波阈值去噪技术，提高信号信噪比，为特征提取提供纯净数据。
• 高级特征提取：采用3层db4小波包分解，提取8个频带的能量分布作为原始特征向量。
• 特征降维可视化：使用PCA算法将8维特征压缩至3维，并在GUI中绘制三维散点图，直观展示各类样本的聚类情况。
• PSO-SVM自适应优化：手写实现的粒子群优化算法（PSO），自动寻找SVM模型的最佳惩罚因子（C）和核函数参数（Gamma），提升模型泛化能力。
• 多维结果分析：实时显示时域波形、频谱图、能量谱柱状图、PCA空间分布、PSO收敛曲线及混淆矩阵。

系统要求

• MATLAB R2018a 及以上版本（建议使用较新版本以获得最佳App Designer支持）。
• Wavelet Toolbox（小波工具箱）：用于小波包分解与去噪。
• Statistics and Machine Learning Toolbox（统计与机器学习工具箱）：用于PCA分析与SVM模型训练。
• Signal Processing Toolbox（信号处理工具箱）：用于基础信号处理。

详细功能与实现逻辑

本系统的主程序脚本包含完整的逻辑实现，主要包含以下核心模块：

1. 图形用户界面 (GUI) 构建

系统启动时会初始化全局变量并构建主界面。界面采用网格布局（Grid Layout），左侧为操作控制区，包含四个按顺序执行的功能按钮（生成数据、特征提取、模型训练、故障诊断）和状态日志显示；右侧为六个绘图区域，分别用于展示原始信号时域图、频谱图、WPD能量谱、PCA三维特征分布、PSO优化收敛曲线以及模型评估的混淆矩阵。

2. 模拟数据生成与预处理

点击“生成/加载数据”按钮后，系统模拟实际轴承信号：

• 信号模型：

* 正常状态：由高斯白噪声和低频正弦分量构成。 * 内圈故障：模拟高频冲击信号，冲击响应由指数衰减的正弦波构成，频率设定为150Hz左右，并进行卷积合成。 * 外圈故障：模拟低频冲击信号，频率设定为100Hz左右。 * 滚动体故障：模拟带有频率随机抖动的冲击信号，模拟滚动体不规则撞击的物理特性。

• 去噪处理：对生成的所有信号使用小波阈值去噪（全局阈值，db4小波，层数2），以去除模拟环境中的过度噪声，保留主要冲击特征。

3. WPD特征提取与PCA降维

点击“特征提取 & 降维”按钮执行特征工程：

• 小波包分解：选用db4（Daubechies 4）小波基，对信号进行3层分解，得到8个（2^3）末端节点。
• 能量特征计算：计算每个节点系数的平方和作为该频带的能量，并对能量向量进行归一化处理，构建8维特征向量。
• 主成分分析 (PCA)：对特征矩阵进行PCA处理，提取前3个主成分。这不仅降低了计算复杂度，还允许我们在3D笛卡尔坐标系中直观地观察不同故障类别样本的可分性。

4. PSO-SVM 模型训练与优化

点击“PSO-SVM 模型训练”按钮启动核心学习过程：

• 数据划分：使用分层采样将数据按7:3的比例划分为训练集和测试集。
• SVM分类器：采用多分类SVM策略（基于One-vs-One的fitcecoc架构），核函数选用径向基函数（RBF）。
• PSO优化算法：

* 种群初始化：随机初始化粒子的位置（代表SVM的参数 $C$ 和 $gamma$）和速度。 * 适应度评估：使用K折交叉验证（K-Fold Cross Validation）的误差率作为适应度函数（Fitness Function），目标是最小化分类误差。 * 迭代更新：在每次迭代中，粒子根据个体最优和全局最优位置更新速度和位置，惯性权重采用线性递减策略以平衡全局搜索与局部开发能力。 * 最优参数选定：迭代结束后，选取全局最优的参数组合重新训练最终的SVM模型。

• 模型评估：使用测试集验证最终模型，计算准确率，并通过混淆矩阵展示各类别的具体分类效果。

使用方法

1. 在MATLAB环境中运行主程序脚本。
2. 步骤 1：点击左侧“1. 生成/加载数据”按钮。系统将自动生成模拟信号并完成去噪，界面会展示此时产生的时域和频域波形。
3. 步骤 2：待数据准备就绪后，点击“2. 特征提取 & 降维”按钮。观察右侧显示的能量谱柱状图和PCA三维特征空间分布，确认不同类别样本的分布情况。
4. 步骤 3：点击“3. PSO-SVM 模型训练”按钮。系统将启动粒子群优化过程，右侧绘图区将动态展示适应度曲线的下降收敛过程。训练完成后，系统会输出最佳参数（C, Gamma）、测试集准确率以及混淆矩阵。
5. 步骤 4：(根据界面预留功能) 可使用“4. 故障诊断测试”按钮对单一样本进行实时预测（注：具体测试逻辑依赖训练好的全局模型进行推理）。

注意事项

• 代码中使用了全局变量（DATA, MODEL, GUI）来在回调函数之间共享状态，请勿随意清除工作区变量。
• 由于包含了PSO寻优过程（涉及多次交叉验证训练），在点击训练按钮后可能需要数秒至数十秒的计算时间，请留意界面状态栏的文本提示。