ICEEMDAN-CMBE特征提取+Bayes-TCN-LSTM故障诊断+SHAP可解释分析！MATLAB完整代码

一、研究背景滚动轴承是旋转机械中的关键部件其健康状态直接影响设备的安全与效率。传统故障诊断依赖人工特征提取与分类器设计但面对复杂、非平稳的振动信号该方法泛化能力有限。近年来信号分解如ICEEMDAN、多尺度熵特征如复合多尺度气泡熵与深度学习如TCN-LSTM相结合成为智能故障诊断的研究热点。本代码基于凯斯西储大学CWRU轴承数据集实现从原始振动信号到故障分类的端到端诊断流程并利用贝叶斯优化自动调参提升模型性能。二、主要功能数据预处理将原始长序列振动信号按滑动窗口切分为多个样本每类120个样本每个样本2048点。信号自适应分解对每个样本使用ICEEMDAN分解提取前8个本征模态函数IMF。特征提取对每个IMF计算复合多尺度气泡熵CMBE形成特征向量8个IMF × maxScale个尺度。分类模型构建TCN-LSTM网络采用贝叶斯优化BO自动搜索最优超参数完成故障模式识别。模型解释使用SHAP值分析各特征对分类结果的贡献绘制摘要图和依赖图。性能评估输出训练/测试准确率、混淆矩阵、优化结果摘要等。三、算法步骤数据加载与样本构建加载10种状态正常9种故障的.mat文件。对每种状态通过滑动窗口步长1000窗口大小2048生成120个样本。所有样本合并为data_total_1797.mat。ICEEMDAN分解仅对第一个样本可视化参数Nstd0.1噪声标准差NR80集成次数MaxIter8最大分解层数。输出IMF分量并绘制时域图、包络谱、峭度图、能量熵图、频谱图。复合多尺度气泡熵提取对每个样本的每个IMF调用CompositeMultiscaleBubbleEntropy函数。尺度因子tau从1到maxScale10每个尺度下计算tau组粗粒化序列的气泡熵平均值。最终特征向量维度 8 IMF × 10 尺度 80 维。TCN-LSTM模型构建与贝叶斯优化数据集按类划分每类前90个训练后30个测试。定义超参数空间numFilters、filterSize、dropoutFactor、numBlocks、lstmUnits、InitialLearnRate、LearnRateDropFactor。贝叶斯优化目标函数验证集分类误差1-准确率。优化结束后用最佳超参数重新训练完整模型epochs120。模型评估与解释输出训练/测试准确率、混淆矩阵。对测试集前50个样本计算SHAP值绘制特征重要性条形图和依赖图。四、技术路线原始振动信号滑动窗口切分ICEEMDAN分解IMF1...IMF8复合多尺度气泡熵特征向量80维贝叶斯优化TCN-LSTM故障分类结果SHAP模型解释核心技术栈信号处理ICEEMDAN改进的自适应噪声完备集合经验模态分解特征提取复合多尺度气泡熵CMBE分类器时序卷积网络TCN 长短时记忆网络LSTM超参数优化贝叶斯优化高斯过程代理模型 期望改进采集函数可解释性SHAPShapley加法解释五、公式原理1. ICEEMDAN改进的EMD方法通过添加特定噪声并控制残差减少模态混叠。第k阶IMFd~k\tilde{d}_kd~k​定义为d~kx−M(xβ0E1(w(i))) \tilde{d}_k x - M(x \beta_0 E_1(w^{(i)}))d~k​x−M(xβ0​E1​(w(i)))其中M(⋅)M(\cdot)M(⋅)为局部均值算子E1(⋅)E_1(\cdot)E1​(⋅)为第一阶EMD分解w(i)w^{(i)}w(i)为白噪声。2. 气泡熵Bubble Entropy衡量时间序列复杂度。给定嵌入维数mmm和相似容限rrr将序列重构为模式统计模式出现的概率ppp气泡熵为BE−∑plog⁡p BE -\sum p \log pBE−∑plogp本文中m2m2m2r0.15×std(x)r 0.15 \times \text{std}(x)r0.15×std(x)。3. 复合多尺度气泡熵对尺度因子τ\tauτ生成τ\tauτ组粗粒化序列yk(τ)1τ∑ikkτ−1xi,k1,2,…,τ y_k^{(\tau)} \frac{1}{\tau} \sum_{ik}^{k\tau-1} x_i, \quad k1,2,\dots,\tauyk(τ)​τ1​ik∑kτ−1​xi​,k1,2,…,τCMBE为所有粗粒化序列气泡熵的均值CMBE(x,τ,m,r)1τ∑k1τBE(yk(τ),m,r) CMBE(x,\tau,m,r) \frac{1}{\tau} \sum_{k1}^{\tau} BE(y_k^{(\tau)}, m, r)CMBE(x,τ,m,r)τ1​k1∑τ​BE(yk(τ)​,m,r)4. TCN-LSTMTCN使用因果膨胀卷积 残差连接捕获长期依赖。膨胀因子d2i−1d 2^{i-1}d2i−1。LSTM记忆单元ctc_tct​、输入门iti_tit​、遗忘门ftf_tft​、输出门oto_tot​控制信息流。组合TCN提取局部时序特征LSTM进一步建模序列全局依赖。5. 贝叶斯优化目标函数f(λ)f(\lambda)f(λ)验证误差建模为高斯过程f(λ)∼GP(m(λ),k(λ,λ′)) f(\lambda) \sim \mathcal{GP}(m(\lambda), k(\lambda,\lambda))f(λ)∼GP(m(λ),k(λ,λ′))采集函数采用期望改进EIEI(λ)E[max⁡(0,fmin⁡−f(λ))] EI(\lambda) \mathbb{E}[\max(0, f_{\min} - f(\lambda))]EI(λ)E[max(0,fmin​−f(λ))]6. SHAP值基于博弈论Shapley值特征jjj的贡献为ϕj∑S⊆F∖{j}∣S∣!(∣F∣−∣S∣−1)!∣F∣![f(S∪{j})−f(S)] \phi_j \sum_{S \subseteq F \setminus \{j\}} \frac{|S|!(|F|-|S|-1)!}{|F|!} \left[ f(S \cup \{j\}) - f(S) \right]ϕj​S⊆F∖{j}∑​∣F∣!∣S∣!(∣F∣−∣S∣−1)!​[f(S∪{j})−f(S)]六、参数设定参数名值说明w1000滑动窗口步长s2048每个样本长度m样本数120每类故障样本数Nstd0.1ICEEMDAN噪声标准差NR80噪声添加次数MaxIter8最大分解层数IMF数maxScale10复合多尺度最大尺度因子m熵2气泡熵嵌入维数r_factor0.15相似容限系数tn90每类训练样本数maxEpochs优化20贝叶斯优化中每次评估的epochsmaxEpochs最终120最终训练epochsminiBatchSize30批大小贝叶斯优化迭代次数30最大评估次数超参数搜索空间贝叶斯优化参数范围类型numFilters[8, 32]整数filterSize[2, 6]整数dropoutFactor[0.05, 0.3]连续numBlocks[1, 3]整数lstmUnits[32, 128]整数InitialLearnRate[1e-4, 1e-2]对数连续LearnRateDropFactor[0.5, 0.9]连续七、运行环境软件MATLAB R2024b八、应用场景工业旋转机械健康管理如风力发电机、航空发动机、机床主轴、压缩机等设备的轴承故障在线监测与预警。预测性维护通过振动信号自动识别早期微弱故障如内圈、外圈、滚动体损伤及不同损伤程度。自动化故障诊断系统可嵌入数据采集系统或边缘计算设备实现从信号采集到故障分类的实时处理。算法研究平台为信号分解、多尺度熵、深度学习及超参数优化提供可复现的代码框架便于科研人员对比改进。完整代码私信回复ICEEMDAN-CMBE特征提取Bayes-TCN-LSTM故障诊断SHAP可解释分析MATLAB完整代码