【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】（Matlab代码实现）

💥💥💞💞欢迎来到本博客❤️❤️💥💥

****🏆博主优势：**🌞🌞🌞**博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️**座右铭：**行百里者，半于九十。

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的"躺平"上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

基于OCSSA-VMD-CNN-BiLSTM的轴承故障诊断研究解析

一、研究背景与核心框架

轴承作为机械系统的关键部件，其故障诊断对设备健康管理至关重要。本研究提出了一种基于 融合鱼鹰和柯西变异的麻雀优化算法（OCSSA） 、 变分模态分解（VMD） 、 卷积神经网络（CNN） 和 双向长短时记忆网络（BiLSTM） 的复合诊断模型（OCSSA-VMD-CNN-BiLSTM），旨在通过多策略优化与深度学习结合，提升轴承故障诊断的精度与效率。实验数据采用西储大学轴承数据集，涵盖多种故障类型与工况条件。

二、算法与模型关键技术解析

1. OCSSA算法：VMD参数优化的核心驱动

OCSSA是对传统麻雀搜索算法（SSA）的多策略改进，通过以下机制提升全局寻优能力：

Tent混沌映射初始化：增强种群多样性，避免初始解聚集。
鱼鹰算法探索策略：在发现者位置更新中引入鱼鹰俯冲捕鱼行为，强化局部勘探能力。
柯西变异扰动：在跟随者位置更新中加入柯西分布的长尾特性，提高跳出局部最优的概率。

该算法应用于VMD参数优化（模态数K和惩罚因子α），以最小包络熵为目标函数，自适应确定最佳分解参数，提升信号分解效果。

2. VMD信号处理与特征提取

VMD分解：将原始振动信号分解为多个本征模态函数（IMF），有效抑制模态混叠和噪声干扰。
IMF筛选准则：通过最小包络熵选取包含故障特征的敏感IMF分量，降低冗余信息干扰。
特征向量构建：提取IMF的9个时域指标（均值、方差、峰值、峭度、有效值、峰值因子、脉冲因子、波形因子、裕度因子），形成1200×9维特征矩阵，覆盖故障信号的统计特性。

3. CNN-BiLSTM联合建模机制

CNN层：利用卷积核提取IMF分量的局部空间特征，通过池化操作实现降维与关键信息保留。
BiLSTM层：双向长短期记忆网络捕捉时序依赖关系，结合正向与反向时间步信息，增强对故障演化规律的建模能力。
输出层：全连接层实现故障类型分类，标签对应西储数据集的10种状态（正常、内圈/外圈/滚动体故障各3种直径）。

三、西储大学数据集特性与实验设计

1. 数据集关键参数

传感器配置：加速度计采集驱动端与风扇端振动信号，采样频率12kHz（主流分析）与48kHz（高频细节）。
故障类型：内圈、外圈、滚动体单点故障，直径分别为0.007、0.014、0.021英寸，共9种故障状态加正常状态。
数据划分：每种状态包含120个样本，按前90组训练、后30组测试划分，总训练集1080组，测试集360组。

2. 实验流程

信号预处理：滑动窗口分割原始信号（窗口大小1000，步长2048），生成标准化样本。
OCSSA优化VMD：对每个故障类型数据独立优化K和α，确定最佳IMF分量（如"IMF3"为典型故障特征载体）。
特征提取与标签生成：构建时域特征矩阵并打标，形成结构化输入数据。
模型训练与验证：对比CNN-LSTM、CNN-BiLSTM、VMD-CNN-LSTM、VMD-CNN-BiLSTM四组模型，评估准确率、F1-score等指标。