一、基本SVM故障诊断例程
%% 基于SVM的故障诊断例程% 作者：MATLAB助手% 功能：使用SVM进行工业设备故障分类clear;close all;clc;%% 1. 生成模拟故障数据% 假设我们监测设备的振动信号特征rng(1);% 设置随机种子，确保结果可重现% 正常状态数据（类别1）normal_data=[0.2+0.1*randn(50,1),0.3+0.1*randn(50,1);% 特征1, 特征20.3+0.1*randn(50,1),0.4+0.1*randn(50,1)];% 故障状态1：轻微故障（类别2）fault1_data=[0.6+0.2*randn(50,1),0.7+0.2*randn(50,1);0.7+0.2*randn(50,1),0.8+0.2*randn(50,1)];% 故障状态2：严重故障（类别3）fault2_data=[1.2+0.3*randn(50,1),1.3+0.3*randn(50,1);1.1+0.3*randn(50,1),1.4+0.3*randn(50,1)];% 合并数据X=[normal_data;fault1_data;fault2_data];Y=[ones(100,1);2*ones(100,1);3*ones(100,1)];% 标签：1-正常, 2-轻微故障, 3-严重故障%% 2. 数据可视化figure;gscatter(X(:,1),X(:,2),Y,'rgb','os^');xlabel('特征1: 振动幅度');ylabel('特征2: 频率分量');title('故障数据分布');legend('正常','轻微故障','严重故障');grid on;%% 3. 数据预处理% 数据标准化X=zscore(X);% 划分训练集和测试集 (70%训练, 30%测试)cv=cvpartition(Y,'HoldOut',0.3);XTrain=X(training(cv),:);YTrain=Y(training(cv),:);XTest=X(test(cv),:);YTest=Y(test(cv),:);%% 4. 训练SVM分类器fprintf('开始训练SVM分类器...\n');% 方法1: 一对一多类分类SVMModel=fitcecoc(XTrain,YTrain,...'Learners','svm',...'ClassNames',[1;2;3],...'Coding','onevsone');% 方法2: 也可以使用单个SVM进行二分类（如果需要）% 这里以正常vs故障为例binary_Y=YTrain>1;% 1=正常, 2=故障SVMModel_binary=fitcsvm(XTrain,binary_Y,...'KernelFunction','rbf',...'BoxConstraint',1,...'Standardize',true);%% 5. 模型预测% 多类分类预测YPred=predict(SVMModel,XTest);% 二分类预测YPred_binary=predict(SVMModel_binary,XTest);%% 6. 性能评估fprintf('\n=== 多类分类性能 ===\n');accuracy=sum(YPred==YTest)/numel(YTest);fprintf('测试集准确率: %.2f%%\n',accuracy*100);% 混淆矩阵figure;cm=confusionchart(YTest,YPred);cm.Title='多类分类混淆矩阵';% 分类报告fprintf('\n详细分类报告:\n');fori=1:3true_pos=sum((YTest==i)&(YPred==i));false_pos=sum((YTest~=i)&(YPred==i));false_neg=sum((YTest==i)&(YPred~=i));precision=true_pos/(true_pos+false_pos);recall=true_pos/(true_pos+false_neg);f1=2*(precision*recall)/(precision+recall);switchicase1class_name='正常';case2class_name='轻微故障';case3class_name='严重故障';endfprintf('%s - 精确率: %.3f, 召回率: %.3f, F1分数: %.3f\n',...class_name,precision,recall,f1);end%% 7. 决策边界可视化figure;h=0.02;% 网格步长[x1Grid,x2Grid]=meshgrid(min(X(:,1))-0.5:h:max(X(:,1))+0.5,...min(X(:,2))-0.5:h:max(X(:,2))+0.5);xGrid=[x1Grid(:),x2Grid(:)];% 预测整个网格[~,scores]=predict(SVMModel,xGrid);% 找到最大得分的类别[~,maxScore]=max(scores,[],2);% 绘制决策区域contourf(x1Grid,x2Grid,reshape(maxScore,size(x1Grid)),'AlphaData',0.3);hold on;% 绘制数据点gscatter(X(:,1),X(:,2),Y,'rgb','os^',10);xlabel('标准化特征1');ylabel('标准化特征2');title('SVM决策边界');legend('区域1','区域2','区域3','正常','轻微故障','严重故障');grid on;二、基于真实特征数据的SVM故障诊断例程
%% 基于特征提取的SVM故障诊断% 模拟从振动信号中提取特征进行故障诊断clear;close all;clc;%% 1. 生成模拟振动信号并提取特征num_samples=300;features=zeros(num_samples,5);% 5个特征labels=zeros(num_samples,1);fori=1:num_samplesifi<=100% 正常状态信号t=0:0.001:1;signal=0.5*sin(2*pi*50*t)+0.1*randn(size(t));labels(i)=1;elseifi<=200% 轴承故障信号（冲击特征）t=0:0.001:1;signal=0.5*sin(2*pi*50*t)+0.3*exp(-20*(mod(t,0.1)-0.05).^2).*sin(2*pi*1000*t)+0.2*randn(size(t));labels(i)=2;else% 齿轮故障信号（调制特征）t=0:0.001:1;signal=(0.5+0.3*sin(2*pi*20*t)).*sin(2*pi*50*t)+0.3*randn(size(t));labels(i)=3;end% 提取时域特征features(i,1)=rms(signal);% RMSfeatures(i,2)=std(signal);% 标准差features(i,3)=kurtosis(signal);% 峭度features(i,4)=skewness(signal);% 偏度% 提取频域特征（简单的频谱幅度）N=length(signal);Y=fft(signal);P2=abs(Y/N);P1=P2(1:N/2+1);P1(2:end-1)=2*P1(2:end-1);[~,max_idx]=max(P1(2:end));% 找到最大幅值频率（忽略直流）features(i,5)=max_idx*(500/N);% 近似频率end%% 2. 特征可视化figure;subplot(2,3,1);gscatter(features(:,1),features(:,2),labels,'rgb','os^');xlabel('RMS');ylabel('标准差');title('特征分布');subplot(2,3,2);gscatter(features(:,3),features(:,4),labels,'rgb','os^');xlabel('峭度');ylabel('偏度');title('特征分布');subplot(2,3,3);boxplot(features(:,5),labels);xlabel('故障类型');ylabel('主导频率');title('频率特征');% 特征相关性热图subplot(2,3,4);corr_matrix=corr(features);imagesc(corr_matrix);colorbar;title('特征相关性矩阵');xticks(1:5);yticks(1:5);xticklabels({'RMS','Std','Kurtosis','Skewness','Freq'});yticklabels({'RMS','Std','Kurtosis','Skewness','Freq'});%% 3. 数据预处理和划分% 标准化特征features=zscore(features);% 划分训练测试集cv=cvpartition(labels,'HoldOut',0.3);XTrain=features(training(cv),:);YTrain=labels(training(cv),:);XTest=features(test(cv),:);YTest=labels(test(cv),:);%% 4. 使用自动优化训练SVMfprintf('使用贝叶斯优化寻找最佳SVM参数...\n');% 定义优化变量opts=struct('Optimizer','bayesopt','ShowPlots',false,...'CVPartition',cvpartition(YTrain,'KFold',5),...'AcquisitionFunctionName','expected-improvement-plus');% 自动优化SVM参数SVMModel_auto=fitcecoc(XTrain,YTrain,...'Learners','svm',...'OptimizeHyperparameters',{'BoxConstraint','KernelScale'},...'HyperparameterOptimizationOptions',opts);%% 5. 模型评估YPred_auto=predict(SVMModel_auto,XTest);accuracy_auto=sum(YPred_auto==YTest)/numel(YTest);fprintf('\n优化后模型准确率: %.2f%%\n',accuracy_auto*100);% 混淆矩阵figure;confusionchart(YTest,YPred_auto);title('优化SVM混淆矩阵');%% 6. 特征重要性分析% 使用排列重要性评估特征贡献fprintf('\n分析特征重要性...\n');base_accuracy=accuracy_auto;feature_importance=zeros(1,size(XTest,2));fori=1:size(XTest,2)% 打乱第i个特征XTest_permuted=XTest;XTest_permuted(:,i)=XTest_permuted(randperm(size(XTest_permuted,1)),i);YPred_perm=predict(SVMModel_auto,XTest_permuted);perm_accuracy=sum(YPred_perm==YTest)/numel(YTest);feature_importance(i)=base_accuracy-perm_accuracy;end% 显示特征重要性figure;bar(feature_importance);xlabel('特征索引');ylabel('准确率下降');title('特征重要性（排列重要性）');xticklabels({'RMS','Std','Kurtosis','Skewness','Freq'});grid on;参考代码 基于MATLAB的支持向量机（SVM）在故障诊断中的的应用例程www.3dddown.com/csa/65944.html
三、关键
1.SVM在故障诊断中的优势
- 适用于小样本情况
- 能够处理高维特征
- 对于非线性问题有很好的处理能力（使用核技巧）
2.参数调优
% 常用的核函数选择% 'linear' - 线性核，适用于线性可分数据% 'rbf' - 高斯核，最常用，适用于非线性问题% 'poly' - 多项式核% 关键参数% BoxConstraint - 惩罚参数C，控制过拟合% KernelScale - 核函数尺度参数（γ）3.应用
- 特征工程：从原始信号中提取有区分度的特征
- 数据标准化：SVM对特征尺度敏感，务必进行标准化
- 类别平衡：对于不平衡数据，使用加权SVM
- 交叉验证：使用k折交叉验证评估模型稳定性
这个例程提供了从基础到相对完整的SVM故障诊断实现，您可以根据具体的故障类型和数据特征进行调整和优化。
