本期内容可谓是卷王之作啊！
具体参照以下三个链接即可：
- 15种数据分解+6种熵特征提取+N种机器学习分类实现故障诊断全流程！
- 15种数据分解+19种熵特征提取+N种机器学习分类实现故障诊断全流程！
- 太卷了！15种数据分解+53种熵特征提取+3种机器学习分类实现故障诊断全流程！
本期推文直接囊括了15种数据分解方法+6种熵特征提取方法+N多种机器学习分类方法。这随便排列组合一下，可能就是一篇水刊论文了（这里仅限水刊哦！）。学会这一篇，直接玩转故障诊断！
这里提示一下刚接触故障诊断的小伙伴，不要一上来就搞太高深的，本篇代码实属精品，都是比较基础的，非常适合入门！
本期的推文可以直接复现很多很多期刊的主体方法（细节之处还得自己加工！），比如以下：
- 陈爱午,王红卫.基于HBA-ICEEMDAN和HWPE的行星齿轮箱故障诊断[J].机电工程,2023,40(08):1157-1166.
- 王新颖,林振源,胡磊磊,等.基于VMD排列熵与FASSA-SVM的滚动轴承故障研究[J].工业安全与环保,2023,49(03):63-68.
- 刘凯,李磊,王磊,等.基于ICEEMDAN及PFA-ELM的齿轮箱故障诊断研究[J].制造技术与机床,2023(05):21-27.
- 卞东学,张金萍.基于LMD近似熵和改进PSO-ELM的轴承故障诊断[J].机床与液压,2023,51(14):227-232.
- 申童.变分模态分解在滚动轴承故障诊断中的应用与研究[D].长春工业大学,2021.
- 高先磊,赵佰亭,贾晓芬.基于OCSSA优化VMD的滚动轴承故障诊断方法[J/OL].重庆工商大学学报(自然科学版),1-8[2024-04-18].
- 吕品德,齐明思,时彦浩.基于改进VMD和HP的滚动轴承故障诊断方法[J].机械设计与制造工程,2024,53(02):93-99.
- 许浩飞,潘存治.基于ICEEMDAN-MPE和GWO-SVM的滚动轴承故障诊断方法[J].国防交通工程与技术,2024,22(01):33-37+96.
- 路晓鹏,陈桂平,蒋超鹉,等.基于VMD排列熵与ELM的滚动轴承故障诊断[J].装备制造技术,2023,(12):24-27+50.
这方面的参考论文实在是太多了！这里就不再一一列举。
那么问题来了！既然这么多人都发过论文了，那我还能发吗？
别忘了，本期推出的可是15种数据分解方法+6种熵特征提取方法+N多种机器学习分类方法，会排列组合的小伙伴，大可以算算一共可以发多少篇！更何况你还可以像以上部分参考文献中一样，添加一些自创的智能优化算法，或者对特征提取方法优化一下，或者对6种熵值再进行组合一下，或者应用到不同的领域等等等等。
本期推文的故障诊断思路如下：
1.采用15种数据分解方法（任选一种），对数据进行分解
2.得到N个IMF分量，并计算每个IMF分量与原始信号的相关系数；
3.取相关系数较大的前M个IMF分量，进行熵（6选1）的计算，以此来构建特征向量
4.将构建好的特征向量进行打标签，然后送进机器学习分类算法进行故障诊断。
本期推文包含的数据分解方法如下：
method1 = 'FEEMD';
% 可选方法有：
% VMD(变分模态分解)
% SVMD(Successive Variational Mode Decomposition)
% SSD(奇异谱分解)
% RLMD(鲁棒性局部均值分解)
% MVMD(多元变分模式分解)
% LMD(局域均值分解)
% ICEEMDAN(改进的自适应噪声完备EEMD)
% FEEMD(快速EEMD分解)
% EWT(经验小波分解)
% EMD(经验模态分解)
% EEMD(集合经验模态分解)
% CEEMDAN(完全自适应噪声集合经验模态分解)
% CEEMD(互补集合经验模态分解)
% SGMD(辛几何模态分解)
% SSA奇异谱分析
可以看到，本篇代码汇总了很多常见的和不常见数据分解算法，想改数据分解方法，直接修改这里的“method1”即可！
本期推文包含的熵特征提取方法如下：
%% 特征提取选择的方法
% 选中哪个方法，就用哪个方法构造特征向量！
method2 = 'SampleEntropy';
% 构造特征向量的统一依据为：
% 选取相关系数较大的前6个IMF分量，
% 然后计算对应熵值，以此构建特征向量
% 可选方法有：
% 近似熵：'kApproximateEntropy'
% 样本熵：'SampleEntropy'
% 排列熵：'PermutationEntropy'
% 能量熵：'EnergyEntropy'
% 信息熵：'InfoEntropy'
% 模糊熵： 'FuzzyEntropy'
想改熵特征提取方法的，直接修改这里的“method2”即可！
提取完特征后，直接把提取得到的特征向量放入第三步文件夹，一键实现故障分类。本期文章集成了3种常用的机器学习分类算法，你也可以自由选择！
本期文章代码目录截图如下：
可以看到一共有三个步骤，每个步骤里边都有详细的程序运行说明。说明截图如下：
结果展示：
分类结果：
本期代码就结合了三种机器学习分类的算法，想要获得更多的机器学习分类算法，可以参考如下链接：
机器学习分类全家桶，模式识别，看这一篇绝对够了！MATLAB代码
重要提示：本次推文内容虽然已经含了15种故障+6种熵值特征，但可能还是会不满足很多小伙伴的胃口，如：像多尺度模糊熵，各种熵排列组合，各种时域指标体征提取等等，还有像很多新的数据分解算法等等，甚至也可以遇见一些小伙伴要求添加优化算法等等~这些内容目前是没有实现的~
小伙伴可以后台留言自己的需求，凡购买者，作者也会尽力满足您提的需求，更新在这个作品中！
此作品应该会不断迭代，目前不是终版，需要的小伙伴早下手早超生，后期可能会面临涨价！
2024.6.3日再次更新
之前推出过一篇文章，，本期推文在此文章基础上，再新增13种熵，为你的论文创新点再助力！
目前该程序一共包含15种数据分解算法+19种熵特征提取+3种常用的机器学习算法。
本期推文包含的15种数据分解方法如下：
method1 = 'FEEMD';
% 可选方法有：
% VMD(变分模态分解)
% SVMD(Successive Variational Mode Decomposition)
% SSD(奇异谱分解)
% RLMD(鲁棒性局部均值分解)
% MVMD(多元变分模式分解)
% LMD(局域均值分解)
% ICEEMDAN(改进的自适应噪声完备EEMD)
% FEEMD(快速EEMD分解)
% EWT(经验小波分解)
% EMD(经验模态分解)
% EEMD(集合经验模态分解)
% CEEMDAN(完全自适应噪声集合经验模态分解)
% CEEMD(互补集合经验模态分解)
% SGMD(辛几何模态分解)
% SSA奇异谱分析
可以看到，本篇代码汇总了很多常见的和不常见数据分解算法，想改数据分解方法，直接修改这里的“method1”即可！
本期推文包含的19种熵特征提取方法如下，部分熵的翻译可能不准确（具体可参考各熵函数的文献，文献在代码中都注释好了）
%% 特征提取选择的方法
% 选中哪个方法，就用哪个方法构造特征向量！
method2 = 'SampleEntropy';
% 构造特征向量的统一依据为：
% 选取相关系数较大的前6个IMF分量，
% 然后计算对应熵值，以此构建特征向量
% 可选方法有：
% 近似熵：'kApproximateEntropy'
% 样本熵：'SampleEntropy'
% 排列熵：'PermutationEntropy'
% 能量熵：'EnergyEntropy'
% 信息熵：'InfoEntropy'
% 模糊熵： 'FuzzyEntropy'
% 注意熵：'AttentionEntropy'
% 条件熵: 'ConditionalEntropy'
% 气泡熵: 'BubbleEntropy'
% 余弦相似熵：'CosineSimilarityEntropy'
% 色散熵：'DispersionEntropy'
% 分布熵：'DistributionEntropy'
% 多样性熵：'DiversityEntropy'
% 网格化分布熵： 'GridEn'
% 增量熵：'IncrementEntropy'
% K2熵： 'Kolmogorov'
% 相位熵：'PhaseEntropy'
% 斜率熵：'SlopeEntropy.'
% 符号动态熵：'SymbolicDynamicEntropy'
想改熵特征提取方法的，直接修改这里的“method2”即可！
本期推文包含的3种常用的机器学习分类算法，包含：
BP神经网络
SVM支持向量机
ELM极限学习机+PSO优化极限学习机
这随便排列组合一下，就有15*19*3=855种方法，每一篇都可以是一篇水刊论文（这里仅限水刊哦！）。学会这一篇，直接玩转故障诊断！
结果展示，这里随机组合一下，展示几种案例：
VMD-AttentionEntropy(注意熵)-SVM
FEEMD-SampleEntropy(样本熵)-BP
RLMD-DispersionEntropy(色散熵)-PSO-ELM
MVMD-BubbleEntropy(气泡熵)-SVM
剩下的就不再一一展示了，因为实在是太多了！
本期代码仅结合了三种机器学习分类的算法，想要获得更多的机器学习分类算法，可以参考如下链接：