一、主要功能
整体功能：
轴承多状态故障诊断与分类系统
各文件功能：
- shujuchuli_1797.m：数据预处理与样本构建
- Step1.m：时频分析 - S变换生成时频图
- Step2_Resize.m：图像预处理与尺寸标准化
- CNN_SVM.m：混合深度学习模型训练与故障分类
二、逻辑关联
原始振动信号 → 数据预处理 → S变换时频分析 → 图像预处理 → CNN特征提取 → SVM分类 → 结果可视化↓ ↓ ↓ ↓ ↓ ↓ ↓.mat文件 滑动窗口 时频图像 尺寸归一化 深度特征 故障分类 混淆矩阵+t-SNE
数据处理流水线：
10类故障数据 → 样本切割 → S变换 → 图像保存 → 尺寸调整 → CNN训练 → 特征提取 → SVM分类
三、算法步骤
阶段1：数据预处理（shujuchuli_1797.m）
- 数据加载：加载10种轴承状态数据（正常+9种故障）
- 样本切割：滑动窗口分割长序列（窗口1000，步长1000，样本长度2048）
- 数据集构建：每种状态100个样本，共1000个样本
- 标签添加：为每个样本添加类别标签（1-10）
阶段2：时频分析（Step1.m）
- S变换计算：对每个振动信号样本进行S变换
- 时频图生成：计算时频矩阵并可视化
- 图像保存：保存为jpg格式的时频图像
阶段3：图像预处理（Step2_Resize.m）
- 图像读取：按数字顺序读取时频图
- 尺寸调整：统一调整为64×64×3尺寸
- 归一化：像素值归一化到[0,1]范围
- 数据保存：保存处理后的图像数据和标签
阶段4：模型训练与分类（CNN_SVM.m）
- 数据划分：每类70个训练样本，30个测试样本
- CNN构建：两层卷积+池化+全连接网络
- 特征提取：从全连接层提取深度特征
- SVM分类：使用RBF核SVM进行最终分类
- 结果分析：多角度可视化与性能评估
四、技术路线
| 技术组件 | 实现方法 | 技术特点 |
|---|
| 时频分析 | S变换 | 优秀的时频分辨率，适合非平稳信号 |
| 特征提取 | 2D-CNN | 自动学习时频图像特征 |
| 分类器 | SVM + RBF核 | 处理非线性分类问题 |
| 可视化 | t-SNE + 混淆矩阵 | 高维特征降维与分类结果分析 |
| 数据增强 | 滑动窗口 | 从长序列生成多个训练样本 |
混合模型优势：
- CNN：自动特征学习，避免手动特征工程
- SVM：在小样本情况下具有良好的泛化能力
- S变换：保留信号的时频特性信息
五、公式原理
1. S变换公式：
S(τ,f)=∫−∞∞x(t)w(τ−t,f)e−j2πftdtS(\tau, f) = \int_{-\infty}^{\infty} x(t) w(\tau-t, f) e^{-j2\pi ft} dt S(τ,f)=∫−∞∞x(t)w(τ−t,f)e−j2πftdt
其中 w(t,f)w(t,f)w(t,f) 是依赖于频率的高斯窗函数
2. 卷积操作：
(I∗K)(i,j)=∑m∑nI(i+m,j+n)K(m,n)(I * K)(i,j) = \sum_m \sum_n I(i+m, j+n) K(m,n) (I∗K)(i,j)=m∑n∑I(i+m,j+n)K(m,n)
3. SVM决策函数：
f(x)=sign(∑i=1nαiyiK(xi,x)+b)f(x) = \text{sign}\left( \sum_{i=1}^n \alpha_i y_i K(x_i, x) + b \right) f(x)=sign(i=1∑nαiyiK(xi,x)+b)
其中 K(xi,x)=exp(−γ∥xi−x∥2)K(x_i, x) = \exp(-\gamma \|x_i - x\|^2)K(xi,x)=exp(−γ∥xi−x∥2) 为RBF核
⚙️ 六、参数设定
数据参数：
| 参数 | 值 | 说明 |
|---|
| 样本长度 | 2048 | 每个振动信号样本点数 |
| 窗口大小 | 1000 | 滑动窗口长度 |
| 步长 | 1000 | 窗口移动步长 |
| 故障类别 | 10 | 正常+9种故障类型 |
| 每类样本数 | 100 | 每种状态的样本数量 |
S变换参数：
| 参数 | 值 | 说明 |
|---|
| 时频图尺寸 | 原始尺寸 | 由st函数自动确定 |
| 输出 | 时频矩阵 | 复数矩阵取绝对值 |
图像处理参数：
| 参数 | 值 | 说明 |
|---|
| 目标尺寸 | 64×64×3 | 统一图像尺寸 |
| 归一化 | [0,1] | 像素值范围 |
CNN网络参数：
| 层类型 | 参数设置 |
|---|
| 卷积层1 | 3×3卷积核，12个滤波器 |
| 池化层1 | 2×2最大池化 |
| 卷积层2 | 5×5卷积核，24个滤波器 |
| 池化层2 | 2×1最大池化 |
| 全连接层 | 64 → 32 → 10节点 |
| Dropout | 0.2, 0.1, 0.1 |
训练参数：
| 参数 | 值 | 说明 |
|---|
| 优化器 | Adam | 自适应矩估计 |
| 学习率 | 0.001 | 初始学习率 |
| 训练轮数 | 30 | 最大迭代次数 |
| 正则化 | L2, λ=0.0001 | 权重衰减 |
SVM参数：
| 参数 | 值 | 说明 |
|---|
| 核函数 | RBF | 径向基函数 |
| 惩罚参数 | 0.01 | 错分样本惩罚 |
| 核参数 | 5000 | γ参数 |
💻 七、运行环境
软件要求：
- MATLAB2024b：
- Deep Learning Toolbox
- Image Processing Toolbox
- Signal Processing Toolbox（S变换）
- Statistics and Machine Learning Toolbox（SVM, t-SNE）
硬件要求：
- 足够内存存储图像数据（1000张64×64图像）
- 支持CNN训练的计算资源
- 推荐使用GPU加速训练
数据文件：
- 轴承故障数据：97.mat, 105.mat, …, 234.mat
- 预处理数据：data_total_1797.mat
- 图像数据：S变换时频图文件夹
- 处理后的图像：resizeimg.mat
依赖函数：
st.m：S变换计算函数axis_control.m：图像坐标控制zjyanseplotConfMat.m：混淆矩阵绘制tsne：t分布随机邻域嵌入
🎯 八、应用场景
工业领域：
- 旋转机械故障诊断：轴承、齿轮箱、电机等
- 预测性维护：早期故障检测与预警
- 状态监测：设备健康状态评估
研究方法：
- 时频分析方法比较：S变换 vs 其他时频分析
- 深度学习应用：CNN在故障诊断中的效果
- 混合模型研究：CNN特征提取 + 传统分类器
实际价值：
- 自动化诊断：减少对专家经验的依赖
- 多故障识别：同时识别多种故障类型
- 可视化分析：提供直观的故障分析工具
✅ 总结
该代码实现了一个完整的基于深度学习的故障诊断，具有以下特色：
技术亮点：
- 先进的时频分析：S变换提供优质的时频表征
- 混合模型架构：CNN自动特征学习 + SVM精确分类
完整代码私信MATLAB基于ST-CNN-SVM的轴承故障诊断，S变换和卷积神经网络结合支持向量机
