未发表，高水平论文首选！特征提取+图卷积神经网络！SABO-VMD-GCN轴承故障诊断

未发表，高水平论文首选！特征提取+图卷积神经网络！SABO-VMD-GCN轴承故障诊断

目录

• • 未发表，高水平论文首选！特征提取+图卷积神经网络！SABO-VMD-GCN轴承故障诊断
  • • 效果一览
    • 基本描述
    • 程序设计
    • 参考资料

效果一览

基本描述

先用SABO-VMD提取西储大学轴承诊断数据特征，进而基于GCN图卷积神经网络进行故障诊断识别。其中SABO-VMD为减法平均优化器SABO算法优化VMD变分模态分解参数，确定VMD的最佳k和α参数。
1.Matlab实现SABO-VMD-GCN特征提取+图卷积神经网络轴承故障诊断故障诊断，运行环境Matlab2023b及以上；
2.数据为西储大学轴承诊断数据，可在附件下载数据和程序内容。
3.图很多，包括分类效果图，混淆矩阵图，指标含召回率、精确率、F1分数、灵敏度、特异性、曲线下面积等。
4.按照步骤依次运行main系列主程序即可一键出图，注意程序和数据放在一个文件夹，运行环境为Matlab2023b及以上。

5.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。可在下载区获取数据和程序内容。
6.输入多个特征，分10类，分类效果如下。

注：程序和数据放在一个文件夹

数据集

特征提取

故障诊断

未发表情况证明

程序设计

• 完整程序和数据获取方式私信回复特征提取+图卷积神经网络！SABO-VMD-GCN轴承故障诊断。

%%  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



%%  分析数据
num_class = length(unique(res(:, end)));  % 类别数（Excel最后一列放类别）
num_dim = size(res, 2) - 1;               % 特征维度
num_res = size(res, 1);                   % 样本数（每一行，是一个样本）
num_size = 0.7;                           % 训练集占数据集的比例
res = res(randperm(num_res), :);          % 打乱数据集（不打乱数据时，注释该行）
flag_conusion = 1;                        % 标志位为1，打开混淆矩阵（要求2018版本及以上）

%%  设置变量存储数据
P_train = []; P_test = [];
T_train = []; T_test = [];

%%  划分数据集
for i = 1 : num_class
    mid_res = res((res(:, end) == i), :);           % 循环取出不同类别的样本
    mid_size = size(mid_res, 1);                    % 得到不同类别样本个数
    mid_tiran = round(num_size * mid_size);         % 得到该类别的训练样本个数

         
end

%%  数据转置
P_train = P_train'; P_test = P_test';
T_train = T_train'; T_test = T_test';

%%  得到训练集和测试样本个数
M = size(P_train, 2);
N = size(P_test , 2);

%%  数据归一化
[P_train, ps_input] = mapminmax(P_train, 0, 1);
P_test = mapminmax('apply', P_test, ps_input);

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

function Y = model(parameters, X, A)

%%  获得网络的输入
Z1 = X;

%%  图卷积层 1
Z2 = pagemtimes(pagemtimes(A, Z1), parameters.mult1.Weights);
Z2 = relu(Z2) + Z1;

%%  图卷积层 2
Z3 = pagemtimes(pagemtimes(A, Z2), parameters.mult2.Weights);
Z3 = relu(Z3) + Z2;

%%  图卷积层 3
Z4 = pagemtimes(pagemtimes(A, Z3), parameters.mult3.Weights);
Z4 = squeeze(Z4);

%%  分类层
Z5 = parameters.mult4.Weights' * Z4;
Y = softmax(Z5, DataFormat="BC")';

end

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/129036772?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/128690229