ICEEMDAN-CMBE特征提取+Bayes-TCN-LSTM故障诊断+SHAP可解释分析！MATLAB完整代码

---

一、研究背景

滚动轴承是旋转机械中的关键部件，其健康状态直接影响设备的安全与效率。传统故障诊断依赖人工特征提取与分类器设计，但面对复杂、非平稳的振动信号，该方法泛化能力有限。近年来，信号分解（如ICEEMDAN）、多尺度熵特征（如复合多尺度气泡熵）与深度学习（如TCN-LSTM）相结合，成为智能故障诊断的研究热点。本代码基于凯斯西储大学（CWRU）轴承数据集，实现从原始振动信号到故障分类的端到端诊断流程，并利用贝叶斯优化自动调参，提升模型性能。

---

二、主要功能

1. 数据预处理：将原始长序列振动信号按滑动窗口切分为多个样本（每类120个样本，每个样本2048点）。
2. 信号自适应分解：对每个样本使用ICEEMDAN分解，提取前8个本征模态函数（IMF）。
3. 特征提取：对每个IMF计算复合多尺度气泡熵（CMBE），形成特征向量（8个IMF × maxScale个尺度）。
4. 分类模型：构建TCN-LSTM网络，采用贝叶斯优化（BO）自动搜索最优超参数，完成故障模式识别。
5. 模型解释：使用SHAP值分析各特征对分类结果的贡献，绘制摘要图和依赖图。
6. 性能评估：输出训练/测试准确率、混淆矩阵、优化结果摘要等。

---

三、算法步骤

1. 数据加载与样本构建

   • 加载10种状态（正常+9种故障）的.mat文件。
   • 对每种状态，通过滑动窗口（步长1000，窗口大小2048）生成120个样本。
   • 所有样本合并为data_total_1797.mat。

2. ICEEMDAN分解（仅对第一个样本可视化）

   • 参数：Nstd=0.1（噪声标准差），NR=80（集成次数），MaxIter=8（最大分解层数）。
   • 输出IMF分量，并绘制时域图、包络谱、峭度图、能量熵图、频谱图。

3. 复合多尺度气泡熵提取

   • 对每个样本的每个IMF，调用CompositeMultiscaleBubbleEntropy函数。
   • 尺度因子tau从1到maxScale（=10），每个尺度下计算tau组粗粒化序列的气泡熵平均值。
   • 最终特征向量维度 = 8 IMF × 10 尺度 = 80 维。

4. TCN-LSTM模型构建与贝叶斯优化

   • 数据集按类划分：每类前90个训练，后30个测试。
   • 定义超参数空间：numFilters、filterSize、dropoutFactor、numBlocks、lstmUnits、InitialLearnRate、LearnRateDropFactor。
   • 贝叶斯优化目标函数：验证集分类误差（1-准确率）。
   • 优化结束后，用最佳超参数重新训练完整模型（epochs=120）。

5. 模型评估与解释

   • 输出训练/测试准确率、混淆矩阵。
   • 对测试集前50个样本计算SHAP值，绘制特征重要性条形图和依赖图。

---

四、技术路线

原始振动信号
滑动窗口切分
ICEEMDAN分解
IMF1...IMF8
复合多尺度气泡熵
特征向量80维
贝叶斯优化TCN-LSTM
故障分类结果
SHAP模型解释

核心技术栈：

• 信号处理：ICEEMDAN（改进的自适应噪声完备集合经验模态分解）
• 特征提取：复合多尺度气泡熵（CMBE）
• 分类器：时序卷积网络（TCN） + 长短时记忆网络（LSTM）
• 超参数优化：贝叶斯优化（高斯过程代理模型 + 期望改进采集函数）
• 可解释性：SHAP（Shapley加法解释）

---

五、公式原理

1. ICEEMDAN

改进的EMD方法，通过添加特定噪声并控制残差，减少模态混叠。第k阶IMF d~k\tilde{d}_kd~k定义为：

d~k=x−M(x+β0E1(w(i))) \tilde{d}_k = x - M(x + \beta_0 E_1(w^{(i)})) d~k=x−M(x+β0E1(w(i)))

其中 M(⋅)M(\cdot)M(⋅)为局部均值算子，E1(⋅)E_1(\cdot)E1(⋅)为第一阶EMD分解，w(i)w^{(i)}w(i)为白噪声。

2. 气泡熵（Bubble Entropy）

衡量时间序列复杂度。给定嵌入维数mmm和相似容限rrr，将序列重构为模式，统计模式出现的概率 ppp，气泡熵为：

BE=−∑plog⁡p BE = -\sum p \log p BE=−∑plogp

本文中 m=2m=2m=2，r=0.15×std(x)r = 0.15 \times \text{std}(x)r=0.15×std(x)。

3. 复合多尺度气泡熵

对尺度因子 τ\tauτ，生成 τ\tauτ 组粗粒化序列：

yk(τ)=1τ∑i=kk+τ−1xi,k=1,2,...,τ y_k^{(\tau)} = \frac{1}{\tau} \sum_{i=k}^{k+\tau-1} x_i, \quad k=1,2,\dots,\tau yk(τ)=τ1i=k∑k+τ−1xi,k=1,2,...,τ

CMBE为所有粗粒化序列气泡熵的均值：

CMBE(x,τ,m,r)=1τ∑k=1τBE(yk(τ),m,r) CMBE(x,\tau,m,r) = \frac{1}{\tau} \sum_{k=1}^{\tau} BE(y_k^{(\tau)}, m, r) CMBE(x,τ,m,r)=τ1k=1∑τBE(yk(τ),m,r)

4. TCN-LSTM

• TCN ：使用因果膨胀卷积 + 残差连接，捕获长期依赖。膨胀因子 d=2i−1d = 2^{i-1}d=2i−1。
• LSTM ：记忆单元ctc_tct、输入门 iti_tit、遗忘门 ftf_tft、输出门 oto_tot 控制信息流。
• 组合：TCN提取局部时序特征，LSTM进一步建模序列全局依赖。

5. 贝叶斯优化

目标函数f(λ)f(\lambda)f(λ)（验证误差）建模为高斯过程：

f(λ)∼GP(m(λ),k(λ,λ′)) f(\lambda) \sim \mathcal{GP}(m(\lambda), k(\lambda,\lambda')) f(λ)∼GP(m(λ),k(λ,λ′))

采集函数采用期望改进（EI）：

EI(λ)=E[max⁡(0,fmin⁡−f(λ))] EI(\lambda) = \mathbb{E}[\max(0, f_{\min} - f(\lambda))] EI(λ)=E[max(0,fmin−f(λ))]

6. SHAP值

基于博弈论Shapley值，特征 jjj的贡献为：

ϕj=∑S⊆F∖{j}∣S∣!(∣F∣−∣S∣−1)!∣F∣![f(S∪{j})−f(S)] \phi_j = \sum_{S \subseteq F \setminus \{j\}} \frac{|S|!(|F|-|S|-1)!}{|F|!} \left[ f(S \cup \{j\}) - f(S) \right] ϕj=S⊆F∖{j}∑∣F∣!∣S∣!(∣F∣−∣S∣−1)![f(S∪{j})−f(S)]

---

六、参数设定

参数名	值	说明
w	1000	滑动窗口步长
s	2048	每个样本长度
m（样本数）	120	每类故障样本数
Nstd	0.1	ICEEMDAN噪声标准差
NR	80	噪声添加次数
MaxIter	8	最大分解层数（IMF数）
maxScale	10	复合多尺度最大尺度因子
m（熵）	2	气泡熵嵌入维数
r_factor	0.15	相似容限系数
tn	90	每类训练样本数
maxEpochs（优化）	20	贝叶斯优化中每次评估的epochs
maxEpochs（最终）	120	最终训练epochs
miniBatchSize	30	批大小
贝叶斯优化迭代次数	30	最大评估次数

超参数搜索空间（贝叶斯优化）：

参数	范围	类型
numFilters	[8, 32]	整数
filterSize	[2, 6]	整数
dropoutFactor	[0.05, 0.3]	连续
numBlocks	[1, 3]	整数
lstmUnits	[32, 128]	整数
InitialLearnRate	[1e-4, 1e-2]	对数连续
LearnRateDropFactor	[0.5, 0.9]	连续

---

七、运行环境

• 软件：MATLAB R2024b

---

八、应用场景

• 工业旋转机械健康管理：如风力发电机、航空发动机、机床主轴、压缩机等设备的轴承故障在线监测与预警。
• 预测性维护：通过振动信号自动识别早期微弱故障（如内圈、外圈、滚动体损伤及不同损伤程度）。
• 自动化故障诊断系统：可嵌入数据采集系统或边缘计算设备，实现从信号采集到故障分类的实时处理。
• 算法研究平台：为信号分解、多尺度熵、深度学习及超参数优化提供可复现的代码框架，便于科研人员对比改进。

完整代码私信回复ICEEMDAN-CMBE特征提取+Bayes-TCN-LSTM故障诊断+SHAP可解释分析！MATLAB完整代码