✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
0、DWVD简介：
DWVD，即离散韦格纳分布（Discrete Wigner-Ville Distribution），是轴承故障诊断领域中一种先进的时频分析技术，它基于信号能量分布进行计算。通过评估信号自身的时频相干性，DWVD能够生成一张能量高度集中的时频分布图。对于轴承局部损伤（例如点蚀、裂纹）引发的瞬态冲击响应，DWVD展现出卓越的性能：它不仅能以极高的时频分辨率精确捕捉每个故障冲击的发生时刻和持续时间，还能清晰展现冲击能量集中的共振频带及其调制边带结构，在时频面上形成连续且尖锐的时频脊线。这种出色的时频凝聚特性使DWVD对微弱故障极为敏感，能够有效揭示被强噪声掩盖的早期故障特征。此外，由于DWVD采用无窗设计，它克服了短时傅里叶变换中时间分辨率与频率分辨率之间的权衡限制，提供了更为真实和精细的信号能量演化视图。这些优势使DWVD非常适合在复杂工况下进行轴承故障的精确诊断，不仅能有效识别外圈、内圈、滚动体等部件的特征故障频率，还能深入揭示调制现象中的频率成分以及冲击信号的传播特性，为故障类型的判定、损伤程度的评估以及故障演化趋势的预测提供丰富且可靠的时频特征依据。本期我们将展示使用DWVD变换对凯斯西储大学（CWRU）轴承故障数据进行分析诊断的案例，如图所示。
1、版本及示范数据说明：
本次分析使用的软件版本为matlab2024a及以上，具体代码在24a版本上运行；示范数据则采用了凯斯西储大学（CWRU）提供的10种轴承故障数据。
2、重磅发布：
我们率先提出了一种创新的轴承故障诊断方法，即基于改进多尺度卷积神经网络模型DVMGRU：DWVD-MCNN-KELM（融合时频变换与改进多尺度卷积网络，紧跟当前发文热点）。该方法结合了“离散韦格纳分布(Discrete Wigner-Ville Distribution，DWVD)、多尺度卷积神经网络（MCNN）以及门控循环网络（GRU）”的各自优势。其中，多尺度卷积神经网络MCNN作为CNN的变体，具备比传统CNN更强的特征提取能力。
3、当前网络模型介绍：
当前我们采用的网络模型为DVMGRU：DWVD-MCNN-GRU，它融合了时频变换与改进多尺度深卷积神经网络的优势。据知网查询截图显示，该模型目前尚未被他人使用，具有先发优势！
4、模型详细介绍：
该模型首先利用时频方法将数据序列转换为二维图像，以增强故障特征的可见性；随后，选用“交叉熵”损失函数作为网络训练的指导标准，并合理划分训练集、验证集和测试集。在网络训练过程中，通过验证集不断优化模型，降低损失，确保模型的泛化能力不受影响；最后，采用T-SNE方法对网络识别前后的效果进行可视化展示。
⛳️ 运行结果
📣 部分代码
function [Metrics]=polygonareametric(ActualLabel, PredictedLabel,isPlot)
%%%%% WARNING %%%%%%%
%NUMERICALLY LARGER CLASS WILL BE AUTOMATICALLY ASSIGNED AS PositiveClass
%THIS IS BECAUSE OF THE FUNCTION OF perfcurve. IT REQUIRES LARGER CLASS AS PositiveClass.
% INTRODUCTION:
% This study proposes a stable and profound knowledge criterion that allows the performance of a classifier
% to be evaluated with only a single metric called as polygon area metric (PAM). This function is not only
% calculates PAM value, but also gives Classification Accuracy (CA), Sensitivity (SE), Specificity (SP),
% Kappa (K) and F measure metrics.
%
% CITATION INFORMATION:
% Please cite the following paper for the usage of PAM value:
% Aydemir O., A New Performance Evaluation Metric for Classifiers: Polygon Area Metric, Journal of Classification, (2020). https://doi.org/10.1007/s00357-020-09362-5
%
% USAGE OF THE FUNCTION:
% INPUTS;
% -ActualLabel: Actual label of the trials (samples), 1xN dimension binary labels
% -PredictedLabel: Predicted (estimated) label of the trials (samples), 1xN dimension binary labels
% -isPlot: A logical value indicating whether the resultant figure will be drawn. Default is true
%
% OUTPUT;
% -Metrics: This struct gives 7 evaluation metrics which are Polygon Area...
% (PA), Classification_Accuracy (CA), Sensitivity (SE), Specificity...
% (SP), AUC (AUC), Kappa (K), F_measure (F_M), respectively.
% AUC: Area under curve value, which should be obtained by Receiver operating characteristic (ROC), 0<AUC<1
%
% EXAMPLE;
% -ActualLabel=[1 1 1 1 1 0 0 0 0];
% -PredictedLabel=[1 1 1 0 0 0 0 0 1];
% -[Metrics]=polygonareametric(ActualLabel,PredictedLabel)
%Code introduction
if nargin<2
error('You have to supply all required input paremeters, which are ActualLabel, PredictedLabel')
end
if nargin < 3
isPlot = true;
end
%plotting the widest polygon
A1=1;
A2=1;
A3=1;
A4=1;
A5=1;
A6=1;
a=[-A1 -A2/2 A3/2 A4 A5/2 -A6/2 -A1];
b=[0 -(A2*sqrt(3))/2 -(A3*sqrt(3))/2 0 (A5*sqrt(3))/2 (A6*sqrt(3))/2 0];
if isPlot
figure
plot(a, b, '--bo','LineWidth',1.3)
axis([-1.5 1.5 -1.5 1.5]);
set(gca,'FontName','Times New Roman','FontSize',12);
hold on
%grid
end
% Calculating the True positive (TP), False Negative (FN), False Positive...
% (FP),True Negative (TN), Classification Accuracy (CA), Sensitivity (SE), Specificity (SP),...
% Kappa (K) and F measure (F_M) metrics
PositiveClass=max(ActualLabel);
NegativeClass=min(ActualLabel);
cp=classperf(ActualLabel,PredictedLabel,'Positive',PositiveClass,'Negative',NegativeClass);
CM=cp.DiagnosticTable;
TP=CM(1,1);
FN=CM(2,1);
FP=CM(1,2);
TN=CM(2,2);
CA=cp.CorrectRate;
SE=cp.Sensitivity; %TP/(TP+FN)
SP=cp.Specificity; %TN/(TN+FP)
Pr=TP/(TP+FP);
Re=TP/(TP+FN);
F_M=2*Pr*Re/(Pr+Re);
FPR=FP/(TN+FP);
TPR=TP/(TP+FN);
K=TP/(TP+FP+FN);
[X1,Y1,T1,AUC] = perfcurve(ActualLabel,PredictedLabel,PositiveClass);
%ActualLabel(1) means that the first class is assigned as positive class
%plotting the calculated CA, SE, SP, AUC, K and F_M on polygon
x=[-CA -SE/2 SP/2 AUC K/2 -F_M/2 -CA];
y=[0 -(SE*sqrt(3))/2 -(SP*sqrt(3))/2 0 (K*sqrt(3))/2 (F_M*sqrt(3))/2 0];
if isPlot
plot(x, y, '-ko','LineWidth',1)
set(gca,'FontName','Times New Roman','FontSize',12);
% shadowFill(x,y,pi/4,80)
fill(x, y,[0.8706 0.9216 0.9804])
end
%calculating the PAM value
% Get the number of vertices
n = length(x);
% Initialize the area
p_area = 0;
% Apply the formula
for i = 1 : n-1
p_area = p_area + (x(i) + x(i+1)) * (y(i) - y(i+1));
end
p_area = abs(p_area)/2;
%Normalization of the polygon area to one.
PA=p_area/2.59807;
if isPlot
%Plotting the Polygon
plot(0,0,'r+')
plot([0 -A1],[0 0] ,'--ko')
text(-A1-0.3, 0,'CA','FontWeight','bold','FontName','Times New Roman')
plot([0 -A2/2],[0 -(A2*sqrt(3))/2] ,'--ko')
text(-0.59,-1.05,'SE','FontWeight','bold','FontName','Times New Roman')
plot([0 A3/2],[0 -(A3*sqrt(3))/2] ,'--ko')
text(0.5, -1.05,'SP','FontWeight','bold','FontName','Times New Roman')
plot([0 A4],[0 0] ,'--ko')
text(A4+0.08, 0,'AUC','FontWeight','bold','FontName','Times New Roman')
plot([0 A5/2],[0 (A5*sqrt(3))/2] ,'--ko')
text(0.5, 1.05,'J','FontWeight','bold','FontName','Times New Roman')
plot([0 -A6/2],[0 (A6*sqrt(3))/2] ,'--ko')
text(-0.65, 1.05,'FM','FontWeight','bold','FontName','Times New Roman')
set(gca,'FontName','Times New Roman','FontSize',12);
grid
daspect([1 1 1])
end
Metrics.PA=PA;
Metrics.CA=CA;
Metrics.SE=SE;
Metrics.SP=SP;
Metrics.AUC=AUC;
Metrics.K=K;
Metrics.F_M=F_M;
categories = {'澶氳竟褰㈤潰绉疨AM';'鍒嗙被鍑嗙‘鐜?';'鐏垫晱搴?';'鐗瑰紓鎬?';'鏇茬嚎涓嬮潰绉疉UC';'Kappa绯绘暟'; 'F_measure'};
printVar = cell(7,2);
printVar(:,1)=categories;
printVar(:,2)={PA, CA, SE, SP, AUC, K, F_M};
disp('棰勬祴缁撴灉鎵撳嵃:')
for i=1:length(categories)
fprintf('%23s: %.2f \n', printVar{i,1}, printVar{i,2})
end
🔗 参考文献
🎈 部分理论引用网络文献，若有侵权联系博主删除
🏆团队擅长辅导定制多种毕业课题和科研领域
MATLAB仿真，助力毕业科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
)
