ICEEMDAN分解+复合多尺度气泡熵特征提取+DBO-SVM故障诊断！MATLAB完整代码

1. 研究背景

滚动轴承是旋转机械的关键部件，其故障诊断对保障设备安全运行、减少停机损失具有重要意义。本代码基于凯斯西储大学（CWRU）轴承数据集，利用信号分解、复合多尺度熵特征提取与智能优化支持向量机（SVM），实现轴承不同故障类型（内圈、外圈、滚动体）及不同损伤尺寸的自动识别。

2. 主要功能

• 数据预处理：将原始振动信号按滑动窗口切分为样本，构建带标签的数据集。
• 信号分解：采用改进的完全自适应噪声集合经验模态分解（ICEEMDAN）将每个样本分解为若干本征模态函数（IMF）。
• 特征提取：对每个IMF计算复合多尺度气泡熵（Composite Multiscale Bubble Entropy, CMBE），形成特征向量。
• 智能分类：利用蜣螂优化算法（Dung Beetle Optimizer, DBO）优化SVM的惩罚参数c和核参数g，训练分类器并输出准确率、混淆矩阵等评价指标。

3. 算法步骤

1. 数据加载与样本构造：读取10种状态（正常+9种故障）的.mat文件，以窗口长1000、样本长2048切分，每类120个样本，共1200个样本。
2. ICEEMDAN分解：对每个样本进行分解，取前8个IMF分量。
3. 复合多尺度气泡熵计算：对每个IMF，按尺度因子1~10分别计算复合粗粒化序列的气泡熵，得到10维特征；8个IMF共80维特征。
4. 特征归一化：将所有样本的特征向量映射到[0,1]区间。
5. 训练/测试集划分：每类前90个样本训练，后30个测试。
6. DBO优化SVM：以训练集交叉验证错误率为目标函数，优化c和g。
7. 模型训练与预测：用最优参数训练SVM，在测试集上预测并评估性能。
8. 结果可视化：输出训练/测试集预测对比图、混淆矩阵、优化收敛曲线。

4. 技术路线

原始振动信号 → ICEEMDAN分解 → IMF分量 → 复合多尺度气泡熵 → 特征向量 → 归一化 → DBO-SVM分类 → 故障识别

5. 公式原理

• ICEEMDAN：在EEMD基础上引入自适应噪声，通过添加特定白噪声并计算局部均值，减小模态混叠和残留噪声，分解得到IMF。
• 气泡熵（Bubble Entropy） ：
  构造m维嵌入向量，计算切比雪夫距离，统计距离≤r的向量对比例p，熵值定义为 BE=−pln⁡pBE = -p \ln pBE=−plnp。
  反映时间序列的规律性/复杂度。
• 复合多尺度气泡熵（CMBE） ：
  对尺度因子τ，计算τ组粗粒化序列的气泡熵并取平均，避免传统多尺度熵中因粗粒化起点不同导致的波动。
• DBO算法：模拟蜣螂滚球、跳舞、觅食、偷窃等行为，迭代寻优，用于搜索SVM的最佳c和g。
• SVM ：采用RBF核 K(xi,xj)=exp⁡(−g∥xi−xj∥2)K(x_i,x_j)=\exp(-g\|x_i-x_j\|^2)K(xi,xj)=exp(−g∥xi−xj∥2)，通过最大化分类间隔实现非线性分类。

6. 参数设定

参数	值	说明
Nstd	0.1	ICEEMDAN中噪声标准差
NR	80	噪声添加次数
MaxIter	8	最大分解层数（提取8个IMF）
maxScale	10	复合多尺度最大尺度因子
m	2	气泡熵嵌入维数
r_factor	0.15	相似容限系数（实际r = 0.15×std(x)）
tn	90	每类训练样本数
pop	20	DBO种群规模
Max_iteration	30	DBO最大迭代次数
c 范围	[0.1, 100]	SVM惩罚参数
g 范围	[1, 256]	RBF核参数

7. 运行环境

• 软件：MATLAB2023b
• 数据文件：CWRU轴承数据（.mat格式，如97.mat等）

8. 应用场景

• 旋转机械（如电机、风机、压缩机）的在线状态监测与故障诊断
• 轴承故障模式识别（内圈、外圈、滚动体故障及严重程度评估）
• 工业大数据驱动的预测性维护系统

完整代码私信回复ICEEMDAN分解+复合多尺度气泡熵特征提取+DBO-SVM故障诊断！MATLAB完整代码