基于ICEEMDAN和TCN-BiLSTM的轴承故障诊断方案

1. 项目概述

今天要分享的是一个工业设备故障诊断的完整解决方案，基于凯斯西储大学（CWRU）轴承数据集的振动信号分析。这个项目融合了信号处理、特征提取和深度学习三大技术模块，最终实现了10类轴承状态的精确分类。整套方案在MATLAB环境下实现，代码已经过实际验证，准确率可达98%以上。

这个方案的核心价值在于：

• 采用改进的ICEEMDAN信号分解方法，相比传统EMD能更好地抑制模态混叠
• 创新性地使用复合多尺度气泡熵（CMBE）作为特征，对非线性信号具有更强的表征能力
• 通过贝叶斯优化自动调参的TCN-BiLSTM混合网络，兼顾了局部特征提取和长期依赖建模
• 引入SHAP可解释性分析，让"黑盒"模型变得透明可信

2. 技术路线解析

2.1 整体流程设计

项目的技术路线可以分为四个关键阶段：

1. 数据预处理阶段：

   • 原始振动信号采样频率12kHz，转速1797rpm
   • 滑动窗口分割（窗长1000，步长1000，每段2048点）
   • 生成120样本/类×10类=1200样本的数据集

2. 特征工程阶段：

   • ICEEMDAN分解得到前8个IMF分量
   • 计算各IMF的复合多尺度气泡熵（CMBE）
   • 形成1200×80维的特征矩阵

3. 模型训练阶段：

   • 贝叶斯优化TCN-BiLSTM超参数
   • 训练最优模型（训练集：测试集=9:1）

4. 结果分析阶段：

   • 准确率评估和混淆矩阵
   • SHAP特征重要性分析

提示：在实际工程应用中，建议先对原始信号进行简单的时频域分析（如FFT、包络谱），这有助于理解信号特性并为后续参数设置提供参考。

2.2 关键算法选型

ICEEMDAN信号分解

相比传统EMD和CEEMDAN，ICEEMDAN（改进的自适应噪声完备集合经验模态分解）主要有三个优势：

1. 通过局部均值估计有效抑制残余噪声
2. 减少了伪模态的产生
3. 分解效率更高（本案例中NR=80次即可获得稳定结果）

在实际测试中，我们发现当Nstd=0.1时，既能保证分解质量，又不会引入过多噪声干扰。这个参数对于不同设备可能需要微调，建议从0.05-0.2范围内尝试。

复合多尺度气泡熵