保姆级教程之GADF-CNN-SSA-Xgboost，东南大学齿轮箱故障诊断，MATLAB代码，力荐！

原创已于 2025-01-07 14:59:58 修改 · 789 阅读

CC 4.0 BY-SA版权

文章标签：

于 2024-08-09 09:11:09 首次发布

本期文章主题

本期提出一种GADF-CNN-APO-Xgboost方法用于故障诊断，(该方法由gongzhong号——《淘个代码》提出，方法新颖未发表，需要的速速下载！)该方法包括：

首先利用格拉姆角场差(GADF)时频分辨率高、可以深度反映时间序列内在结构和关系的特点，对采集到的一维故障数据信号转为二维图像，得到图像后并将图像进行降维处理；
将第一步得到的格拉姆角场差图像输入二维卷积神经网络(CNN)进行自适应故障特征提取;
取CNN的全连接层结果作为Xgboost分类器的输入，并采用经典麻雀算法对Xgboost分类器的五个关键参数(xgboost超参数：树木个数、树的深度、子节点的最小权重和、学习率、样本比例 )进行优化。
本期推文基于东南大学的齿轮箱数据展开实验。实验表明，该方法诊断效率可以达到98%以上的准确率。

内容详解

一、数据处理

①对官方下载的东南大学齿轮箱数据进行简要处理与打标签，如下：

齿轮箱数据分别选取的是以下五种：

'Chipped_20_0.csv'齿轮上有裂纹

'Health_20_0.csv'正常运行

'Miss_20_0.csv'断齿

'Root_20_0.csv'在齿轮根部的裂纹

'Surface_20_0.csv'齿面磨损

将这五个数据的第三列，提取出来，综合到一个 data_total.mat文件，该文件包含了5种故障类型，一共是1000个样本，设置每种类型的样本为200个，每个样本设置2048个点，采用滑动窗口的方式进行选取数据，滑动窗口大小为2048，滑动步长为1000。

②采用格拉姆角场差(GADF)将数据进行时频图转换：

③将构建好的特征向量送入不同模型进行训练与测试

二、结果展示

东南大学齿轮箱故障诊断结果：

将每种状态的前120组用于训练，后80组用于测试。经GADF-CNN特征提取前后的t-sne分布对比图如下：

可以看到，CNN特征识别之前，各样本数据完全没有区分性，经过CNN特征提取之后，数据划分较为明显！

采用经典麻雀算法对xgboost分类器的超参数进行优化，参数设置和寻优结果如下：

分类结果图：

可以看到，本文所提方法的精准率达到了98.5%,说明了该方法的有效性！

以上所有图片均可运行

网络结构采用visio图绘制

代码目录

代码整理非常仔细！保证新手都能看懂，每一步里边都有程序说明.txt，按照步骤与说明一步步来即可。

参考文献：

高猛,曾宪文. 基于VMD-ESA和IPOA-XGBOOST相结合的异步电机故障诊断[J]. 现代电子技术,2024,47(2):115-120.
高猛,曾宪文. 基于VMD-ESA和IPOA-XGBOOST相结合的异步电机故障诊断[J]. 现代电子技术,2024,47(2):115-120. DOI:10.16652/j.issn.1004-373x.2024.02.022.
点击下方卡片关注，获取更多代码