基于EEMD-MPE-KPCA-BILSTM集合经验模态分解网络用于故障识别与诊断研究Matlab代码实现.rar

注：更换数据前建议先不对eemdmain.m，对数据分解并计算MPE时间较长需1-2小时 更换数据前运行顺序kpca.m—EEMD_MPE_KPCA_BILSTM.m 更换数据后运行顺序eemdmain.m—kpca.m—EEMD_MPE_KPCA_BILSTM.m 更换数据说明，导入数据后只需对eemdmain.m第7.8行进行特征和标签对应 （eemdmain.m中包含对数据打乱步骤） 更换数据集后需对BILISTM各模型进行参数调整包括迭代次数 学习率 神经元个数 和正则化系数 ， 建议先对迭代次数 学习率 神经元个数进行调试后，在进行正则化系数的调整 test.m程序便于对单个数据集进行训练验证来调整参数 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，最后得到每条样本为1*36维度向量 （3）对每条样本1*36维度向量进行kpca降维以累计贡献率95为标准降维至1*23维 （3）将数据导入至BILSTM进行分类/故障识别