滚动轴承故障诊断

这个例子展示了如何执行滚动轴承故障诊断的基于加速度信号,特别是在强大的存在屏蔽信号从其他机器组件。示例将演示如何应用包络谱分析和谱峰度来诊断轴承故障,可以扩展到大数据的应用程序。

问题概述

在滚动轴承局部故障可能发生在比赛外,内部的种族、笼子或滚动的元素。轴承之间的高频共振和传感器的响应感到兴奋当滚动元素攻击当地断层在外部或内部比赛,或在滚动体故障罢工外部或内部种族[1]。下面的图片显示了一个滚动体的当地断层内部比赛。问题是如何检测和识别各种类型的缺点。

机械故障预防技术数据(MFPT)的挑战

MFPT挑战数据[4]包含23个数据集在各种故障条件下收集到的机器。前20的数据集收集从轴承试验台,3在良好条件下,3和外环的缺点在固定负载下,与外环的缺点在不同负载下7,7与内套断层在不同负载。剩下的3个数据集来自现实世界的机器:一个油泵轴承、中间轴承、速度和行星轴承。断层的位置是未知的。在本例中,只收集到的数据从测试平台与已知条件使用。

每个数据集包含一个“gs”加速度信号,采样率“sr”,轴转速“率”,负载重量“负载”,和四个关键的频率代表不同的故障位置:ballpass频率外环(BPFO) ballpass频率内套(BPFI),基本训练频率(“保障未来粮食供给”),和球旋转频率(BSF)。下面是这些临界频率的公式[1]。

Ballpass频率,外环(BPFO)

$B P F O = \frac{n f_{r}}{2} (1 - - - - - - \frac{d}{D} 因为 ϕ)$

Ballpass频率,内套(BPFI)

$B P F 我 = \frac{n f_{r}}{2} (1 + \frac{d}{D} 因为 ϕ)$

基本训练频率(“保障未来粮食供给”),也被称为笼速度

$F T F = \frac{f_{r}}{2} (1 - - - - - - \frac{d}{D} 因为 ϕ)$

球(滚子)自旋频率

$B 年代 F = \frac{D}{2 d} (1 - - - - - - {(\frac{d}{D} 因为 ϕ)}^{2}]$

如图, $d$ 球的直径, $D$ 节圆直径。的变量 $f_{r}$ 轴转速, $n$ 滚动的元素的数量, $ϕ$ 是轴承接触角[1]。

包络谱分析轴承诊断

MFPT数据集,轴转速是恒定的,因此没有必要执行订单跟踪作为预处理步骤去除轴转速变化的影响。

当滚动元素达到当地断层在外部或内部比赛,或者当断层的滚动体外部或内部比赛,将调节对应的临界频率的影响,例如BPFO, BPFI,“保障未来粮食供给”,净水器。因此,产生的包络信号振幅解调传达更多的诊断信息,不可以从原始信号的频谱分析。采取一种内在的种族故障信号MFPT数据集作为一个例子。

dataInner =负载(fullfile (matlabroot“工具箱”,“predmaint”,…“predmaintdemos”,“bearingFaultDiagnosis”,…“train_data”,“InnerRaceFault_vload_1.mat”));

可视化的原始故障数据在时域内部比赛。

鑫= dataInner.bearing.gs;傅氏国际= dataInner.bearing.sr;锡矿工=(0:长度(新)(1)/国际;图绘制(锡矿工,鑫)包含(“时间,(s)”)ylabel (“加速度(g)”)标题(“原始信号:内圈故障”0.1)xlim ([0])

可视化的原始数据在频域。

图(平纳,fpInner] = pspectrum(鑫国际);平纳= 10 * log10(平纳);情节(fpInner平纳)包含(的频率(赫兹))ylabel (的功率谱(dB))标题(“原始信号:内圈故障”)传说(的功率谱)

现在放大原始信号的功率谱在低频范围内,仔细看看BPFI及其前几次谐波的频率响应。

平纳图绘制(fpInner) ncomb = 10;helperPlotCombs (ncomb dataInner.BPFI)包含(的频率(赫兹))ylabel (的功率谱(dB))标题(“原始信号:内圈故障”)传说(的功率谱,“BPFI谐波”1000)xlim ([0])

没有明确的模式在BPFI及其谐波是可见的。频率分析原始信号不提供有用的诊断信息。

观察时域数据,它是观察到的原始信号的振幅调制在一定的频率,和的主要频率调制1/0.009 Hz左右 $\approx$ 111赫兹。众所周知,频率的滚动体触及当地断层内部种族,BPFI,是118.875赫兹。这可能表明,轴承内套的错。

图次要情节(2,1,1)情节(锡矿工,鑫)xlim([0.04 - 0.06])标题(“原始信号:内圈故障”)ylabel (“加速度(g)”)注释(“doublearrow”[0.37 - 0.71],[0.8 - 0.8])文本([0.047,20日' 0.009秒\大约1 / BPFI BPFI = 'num2str (dataInner.BPFI)))

提取调制振幅,计算原始信号的包络线,想象它放到次要情节。

次要情节(2,1,2)[pEnvInner、fEnvInner xEnvInner, tEnvInner] = envspectrum(鑫国际);情节(tEnvInner xEnvInner) xlim([0.04 - 0.06])包含(“时间(s)”)ylabel (“加速度(g)”)标题(“包络信号”)

现在计算包络信号的功率谱,看看BPFI及其谐波的频率响应。

图绘制(fEnvInner pEnvInner) xlim ncomb = 10 (1000 [0]);helperPlotCombs (ncomb dataInner.BPFI)包含(的频率(赫兹))ylabel (“峰值振幅”)标题(“包络谱:内套错”)传说(“包络谱”,“BPFI谐波”)

结果表明,大部分的能量集中在BPFI及其谐波。表明一种内在竞赛轴承的故障,故障类型相匹配的数据。

包络谱分析应用到其他故障类型

现在重复相同的包络谱分析正常数据和外环故障数据。

dataNormal =负载(fullfile (matlabroot“工具箱”,“predmaint”,…“predmaintdemos”,“bearingFaultDiagnosis”,…“train_data”,“baseline_1.mat”));xNormal = dataNormal.bearing.gs;fsNormal = dataNormal.bearing.sr;tNormal =(0:长度(xNormal) 1) / fsNormal;[pEnvNormal, fEnvNormal] = envspectrum (xNormal fsNormal);图绘制(fEnvNormal pEnvNormal) ncomb = 10;helperPlotCombs (ncomb [dataNormal。BPFOdataNormal.BPFI]) xlim([0 1000]) xlabel(的频率(赫兹))ylabel (“峰值振幅”)标题(包络谱:正常的)传说(“包络谱”,“BPFO谐波”,“BPFI谐波”)

正如预期的那样,一个正常的轴承信号的包络谱没有任何明显的峰值在BPFO或BPFI。

dataOuter =负载(fullfile (matlabroot“工具箱”,“predmaint”,…“predmaintdemos”,“bearingFaultDiagnosis”,…“train_data”,“OuterRaceFault_2.mat”));xOuter = dataOuter.bearing.gs;fsOuter = dataOuter.bearing.sr;招徕顾客者=(0:长度(xOuter) 1) / fsOuter;[pEnvOuter, fEnvOuter xEnvOuter tEnvOuter] = envspectrum (xOuter fsOuter);图绘制(fEnvOuter pEnvOuter) ncomb = 10;helperPlotCombs (ncomb dataOuter.BPFO) xlim(1000[0])包含(的频率(赫兹))ylabel (“峰值振幅”)标题(“包络谱:外环的错”)传说(“包络谱”,“BPFO谐波”)

的外圈故障信号,没有明显的峰值在BPFO谐波。包络谱分析未能区分与外环轴承故障和健康的轴承吗?让我们退一步,看看在不同条件下的信号在时域。

首先让我们想象的信号在时间域和计算他们的峰度。峰度是第四个标准化的一个随机变量。它描述了冲动的信号或随机变量的沉重的尾巴。

图次要情节(3、1、1)尔廷=峰度(新);情节(锡矿工,鑫)ylabel (“加速度(g)”)标题(的内套的错,峰度= 'num2str(尔廷)])xlim(0.1[0])次要情节(3、1、2)kurtNormal =峰度(xNormal);情节(tNormal xNormal) ylabel (“加速度(g)”)标题(“正常,峰度= 'num2str (kurtNormal)]) xlim(0.1[0])次要情节(3,1,3)kurtOuter =峰度(xOuter);情节(鼓吹者,xOuter)包含(“时间(s)”)ylabel (“加速度(g)”)标题(“外环的错,峰度= 'num2str (kurtOuter)]) xlim (0.1 [0])

结果表明,内套故障信号大大大的冲动,在BPFI包络谱分析捕获故障签名有效。外圈故障信号的调幅BPFO是可以察觉到的,但是它被强烈的噪声。正常的不显示任何振幅调制信号。提取脉冲信号与调幅BPFO(或增强信噪比)是一个关键的预处理步骤之前包络谱分析。下一节将介绍kurtogram和谱峰态提取信号峰度最高,并执行过滤信号包络谱分析。

Kurtogram和谱峰度乐队选择

Kurtogram频带内局部和谱峰度计算峰态。他们是强大的工具来定位最高的峰态的频带(或最高的信噪比)[2]。后确定最高的频带峰度,带通滤波器可以应用到原始信号获得更冲动信号进行包络谱分析。

水平= 9;图kurtogram (xOuter、fsOuter级别)

kurtogram表明频带集中在2.67 kHz 0.763千赫带宽最高的峰度为2.71。

现在使用的最佳窗口长度kurtogram建议的计算谱峰度。

图wc = 128;pkurtosis (xOuter fsOuter wc)

形象化频带谱图,计算出谱图,谱峰态。在另一种方式解释谱峰度,高谱峰度值表明高方差的权力在相应的频率,使谱峰态一个有用的工具来定位信号的非平稳的组件[3]。

helperSpectrogramAndSpectralKurtosis (xOuter、fsOuter级别)

通过带通滤波的信号显示中心频率和带宽,可以增强和峰度的调制振幅外环故障可以检索。

(fc, ~, ~, ~ ~, BW) = kurtogram (xOuter fsOuter,水平);带通滤波器= designfilt (“bandpassfir”,“FilterOrder”,200,“CutoffFrequency1”fc-BW / 2,…“CutoffFrequency2”fc + BW / 2,“SampleRate”,fsOuter);xOuterBpf =过滤器(带通滤波器,xOuter);[pEnvOuterBpf, fEnvOuterBpf xEnvOuterBpf tEnvBpfOuter] = envspectrum (xOuter fsOuter,…“FilterOrder”,200,“乐队”,(fc-BW / 2 fc + BW / 2));图次要情节(2,1,1)情节(鼓吹者、xOuter tEnvOuter, xEnvOuter) ylabel (“加速度(g)”)标题(“原始信号:外环的错,峰度= 'num2str (kurtOuter)]) xlim(0.1[0])传说(“信号”,“信封”次要情节(2,1,2)kurtOuterBpf =峰度(xOuterBpf);情节(鼓吹者、xOuterBpf tEnvBpfOuter xEnvOuterBpf) ylabel (“加速度(g)”0.1)xlim([0])包含(“时间(s)”)标题(“带通滤过的信号:外环的错,峰度= 'num2str (kurtOuterBpf)])传说(“信号”,“信封”)

可以看出,带通滤波后的峰度值增加。现在想象包络信号在频域。

图绘制(fEnvOuterBpf pEnvOuterBpf);ncomb = 10;helperPlotCombs (ncomb dataOuter.BPFO) xlim(1000[0])包含(的频率(赫兹))ylabel (“峰值振幅”)标题(带通滤波信号的包络谱:外环故障”)传说(“包络谱”,“BPFO谐波”)

结果表明,通过带通滤波原始信号频带建议kurtogram和谱峰度,包络谱分析能够揭示了断层签名BPFO及其谐波。

批处理

现在,让我们将算法应用于一批训练数据使用一个整体数据存储的文件。

有限的数据集可以在工具箱的一部分。将数据复制到当前文件夹,使写权限:

拷贝文件(…fullfile (matlabroot“工具箱”,“predmaint”,“predmaintdemos”,…“bearingFaultDiagnosis”),…“RollingElementBearingFaultDiagnosis-Data-master”)fileattrib (fullfile (“RollingElementBearingFaultDiagnosis-Data-master”,“train_data”,‘* .mat‘),' + w ')fileattrib (fullfile (“RollingElementBearingFaultDiagnosis-Data-master”,“test_data”,‘* .mat‘),' + w ')

完整的数据集,点击这个链接https://github.com/mathworks/RollingElementBearingFaultDiagnosis-Data整个存储库下载zip文件并将其保存在相同的目录脚本。使用这个命令解压该文件:

如果存在(“RollingElementBearingFaultDiagnosis-Data-master.zip”,“文件”)解压缩(“RollingElementBearingFaultDiagnosis-Data-master.zip”)结束

产生的结果在这个例子中是完整的数据集。完整的数据集包含一个训练数据集有14垫文件(2正常,4内座圈的错,7外环故障)和测试数据集6席文件(1)正常,2内座圈的错,3外环的错)。

通过分配函数处理ReadFcn和WriteToMemberFcn,文件整体数据存储可以导航到所需的格式的文件检索数据。例如,MFPT数据结构轴承存储的振动信号gs,采样率老,等等。而不是返回承重结构本身readMFPTBearing函数是这样写文件整体数据存储返回的振动信号gs里面的轴承数据结构。

fileLocation = fullfile (“。”,“RollingElementBearingFaultDiagnosis-Data-master”,“train_data”);fileExtension =“.mat”;ensembleTrain = fileEnsembleDatastore (fileLocation fileExtension);ensembleTrain。ReadFcn=@readMFPTBearing; ensembleTrain.DataVariables = [“gs”,“老”,“速度”,“负载”,“BPFO”,“BPFI”,““保障未来粮食供给””,“巴斯夫”];ensembleTrain。ConditionVariables = [“标签”,“文件名”];ensembleTrain。WriteToMemberFcn = @writeMFPTBearing;ensembleTrain。年代electedVariables = [“gs”,“老”,“速度”,“负载”,“BPFO”,“BPFI”,““保障未来粮食供给””,“巴斯夫”,“标签”,“文件名”]

ensembleTrain = fileEnsembleDatastore属性:ReadFcn: @readMFPTBearing WriteToMemberFcn: @writeMFPTBearing DataVariables:[8×1弦]IndependentVariables:[0×0的字符串]ConditionVariables:[2×1弦]SelectedVariables:[10×1弦]ReadSize: 1 NumMembers: 14 LastMemberRead:(0×0的字符串)文件:[14×1的字符串)

ensembleTrainTable =高(ensembleTrain)

开始平行池(parpool)使用“本地”概要文件…连接到6工人。ensembleTrainTable = M×10高表gs sr速率加载BPFO BPFI“保障未来粮食供给”BSF标签看上去文件名_________________ _____ _____ _____长得一样_____ _____________ ________________________(146484×1双)48828年25 0 81.125 118.88 14.838 63.91“内座圈的错”“InnerRaceFault_vload_1”(146484×1双)48828 25 50 81.125 118.88 14.838 63.91“内座圈的错”“InnerRaceFault_vload_2”(146484×1双)48828 25 100 81.125 118.88 14.838 63.91“内座圈的错”“InnerRaceFault_vload_3”(146484×1双)48828 25 150 81.125 118.88 14.838 63.91“内座圈的错”“InnerRaceFault_vload_4”(146484×1双)48828 25 200 81.125 118.88 14.838 63.91“内座圈的错”“InnerRaceFault_vload_5”(585936×1双)97656 25 270 81.125 118.88 14.838 63.91“外环的错”“OuterRaceFault_1”(585936×1双)97656 25 270 81.125 118.88 14.838 63.91“外环的错”“OuterRaceFault_2”(146484×1双)48828 25 25 81.125 118.88 14.838 63.91“外环的错”“OuterRaceFault_vload_1”::::::::::::::::::::

从上一节的分析,注意到带通滤波包络谱振幅在BPFO BPFI是两个状态指标轴承故障诊断。因此,下一步就是从所有训练数据中提取两个条件指标。使算法更加健壮,设置一个窄带(带宽= $10 Δ f$ ,在那里 $Δ f$ 功率谱的频率分辨率)在BPFO BPFI,然后找到最大振幅在这个狭窄的区间。中包含的算法bearingFeatureExtraction下面列出的功能。注意,包络谱振幅BPFI和BPFO被称为“BPFIAmplitude”和“BPFOAmplitude”其余的例子。

%并行处理数据,使用以下代码% ppool =质量;% n = numpartitions (ensembleTrain ppool);% parfor ct = 1: n% subEnsembleTrain =分区(ensembleTrain n ct);%重置(subEnsembleTrain);%,而hasdata (subEnsembleTrain)% bearingFeatureExtraction (subEnsembleTrain);%结束%结束ensembleTrain。DataVariables = [ensembleTrain.DataVariables;“BPFIAmplitude”;“BPFOAmplitude”];重置(ensembleTrain)而hasdata (ensembleTrain) bearingFeatureExtraction (ensembleTrain)结束

一旦新条件指标添加到集合数据存储的文件,指定SelectedVariables从文件读取相关数据集合数据存储,并创建一个包含提取的特征表条件指标。

ensembleTrain。年代electedVariables = [“BPFIAmplitude”,“BPFOAmplitude”,“标签”];featureTableTrain =高(ensembleTrain);featureTableTrain =收集(featureTableTrain);

评估高表达式使用并行池“当地”:通过1对1:0%完成评估0%完成

-通过1对1:在3秒完成评估在3秒完成

featureTableTrain

featureTableTrain =14×3表BPFIAmplitude BPFOAmplitude标签_________________ _________________ _____________ 0.33918 - 0.082296“内座圈的错”0.31488 - 0.026599“内座圈的错”0.52356 - 0.036609“内座圈的错”0.52899 - 0.028381“内座圈的错”0.13515 - 0.012337“内座圈的错”0.0044918 - 0.1835 0.004024 - 0.03574“外环的错”“外环的错”0.0074993 - 0.30166 0.013662 - 0.12468“外环的错”“外环的错”0.0070963 - 0.28215 0.0060772 - 0.35241“外环的错”“外环的错”0.011244 - 0.17975“外环的错”0.0036798 - 0.0050208 0.00359 - 0.0069449“正常”的“正常”

已创建的可视化特性表。

图gscatter (featureTableTrain。BPFIAmplitude featureTableTrain。BPFOAmplitude featureTableTrain。标签、[]“牛+”)包含(“BPFI振幅”)ylabel (“BPFO振幅”)

BPFI振幅和BPFO振幅的相对价值观不同的故障类型的可能是一个有效的指标。创建一个新特性,这是两个现有的日志比特性,并可视化直方图按不同的故障类型分组。

featureTableTrain。我OLogRatio = log(featureTableTrain.BPFIAmplitude./featureTableTrain.BPFOAmplitude); figure hold在直方图(featureTableTrain.IOLogRatio (featureTableTrain.Label = =“内座圈的错”),“BinWidth”,0.5)直方图(featureTableTrain.IOLogRatio (featureTableTrain.Label = =“外环的错”),“BinWidth”,0.5)直方图(featureTableTrain.IOLogRatio (featureTableTrain.Label = =“正常”),“BinWidth”情节,0.5)(-1.5[-1.5南0.5 - 0.5],[0 3南0 3],“k——”)举行从ylabel (“数”)包含(“日志(BPFIAmplitude / BPFOAmplitude)”)传说(“内套的错”,“外环的错”,“正常”,分类边界的)

柱状图显示了一个清晰的分离的三种不同支座条件。日志BPFI和BPFO振幅之间的比例是一个有效的特性对轴承故障进行分类。为了简化的例子,一个非常简单的分类器派生:如果 $日志 (\frac{BPFIAmp litude}{BPFOAmp litude}) \leq - - - - - - 1 。 5$ 轴承有一个外圈故障;如果 $- - - - - - 1 。 5 < 日志 (\frac{BPFIAmp litude}{BPFOAmp litude}) \leq 0 。 5$ 轴承是正常的;如果 $日志 (\frac{BPFIAmp litude}{BPFOAmp litude}) > 0 。 5$ ,轴承内座圈的错。

验证使用测试数据集

现在,让我们将工作流应用于一组测试数据和验证在上一节获得的分类器。这里的测试数据包含1正常数据集,2内座圈故障数据集,3外环故障数据集。

fileLocation = fullfile (“。”,“RollingElementBearingFaultDiagnosis-Data-master”,“test_data”);fileExtension =“.mat”;ensembleTest = fileEnsembleDatastore (fileLocation fileExtension);ensembleTest。ReadFcn=@readMFPTBearing; ensembleTest.DataVariables = [“gs”,“老”,“速度”,“负载”,“BPFO”,“BPFI”,““保障未来粮食供给””,“巴斯夫”];ensembleTest。ConditionVariables = [“标签”,“文件名”];ensembleTest。WriteToMemberFcn = @writeMFPTBearing;ensembleTest。年代electedVariables = [“gs”,“老”,“速度”,“负载”,“BPFO”,“BPFI”,““保障未来粮食供给””,“巴斯夫”,“标签”,“文件名”]

ensembleTest = fileEnsembleDatastore属性:ReadFcn: @readMFPTBearing WriteToMemberFcn: @writeMFPTBearing DataVariables:[8×1弦]IndependentVariables:[0×0的字符串]ConditionVariables:[2×1弦]SelectedVariables:[10×1弦]ReadSize: 1 NumMembers: 6 LastMemberRead:(0×0的字符串)文件:[6×1弦]

ensembleTest。DataVariables = [ensembleTest.DataVariables;“BPFIAmplitude”;“BPFOAmplitude”];重置(ensembleTest)而hasdata (ensembleTest) bearingFeatureExtraction (ensembleTest)结束

ensembleTest。年代electedVariables = [“BPFIAmplitude”,“BPFOAmplitude”,“标签”];featureTableTest =高(ensembleTest);featureTableTest =收集(featureTableTest);

评估高表达式使用并行池“当地”:通过1对1:在1秒完成评估在1秒完成

featureTableTest。我OLogRatio = log(featureTableTest.BPFIAmplitude./featureTableTest.BPFOAmplitude); figure hold在直方图(featureTableTrain.IOLogRatio (featureTableTrain.Label = =“内座圈的错”),“BinWidth”,0.5)直方图(featureTableTrain.IOLogRatio (featureTableTrain.Label = =“外环的错”),“BinWidth”,0.5)直方图(featureTableTrain.IOLogRatio (featureTableTrain.Label = =“正常”),“BinWidth”,0.5)直方图(featureTableTest.IOLogRatio (featureTableTest.Label = =“内座圈的错”),“BinWidth”,0.1)直方图(featureTableTest.IOLogRatio (featureTableTest.Label = =“外环的错”),“BinWidth”,0.1)直方图(featureTableTest.IOLogRatio (featureTableTest.Label = =“正常”),“BinWidth”情节,0.1)(-1.5[-1.5南0.5 - 0.5],[0 3南0 3],“k——”)举行从ylabel (“数”)包含(“日志(BPFIAmplitude / BPFOAmplitude)”)传说(“内套的错——火车”,“外环的错——火车”,“正常——火车”,…“内部种族故障-测试”,“外环故障-测试”,“正常——测试”,…分类边界的)

日志BPFI比和BPFO振幅从测试数据集显示一致的分布与对数比率从训练数据集。天真的分类器获得了在上一节取得了完美的精度测试数据集。

应该注意的是,单一特征通常是不足以得到一个分类器,概括了。更复杂的分类器可以通过将数据划分为多个部分(创建更多的数据点),提取多个诊断相关的特性,选择功能的一个子集重要性等级,并培训各种分类器使用统计和机器学习的分类学习者应用工具。本工作流的更多细节,请参阅“使用仿真软件来生成故障数据”的例子。

总结

这个例子展示了如何使用kurtogram,谱峰态和包络谱识别不同类型的滚动轴承故障。算法应用于批在磁盘的数据集,这有助于显示带通滤波包络的振幅谱在BPFI BPFO轴承诊断的指标是两个重要的条件。

引用

[1]兰德尔,罗伯特•B。,杰罗姆·安东尼。“滚动轴承diagnostics-a教程”。机械系统和信号处理。2号卷。25日,2011年,页485 - 520。

sncf的杰罗姆[2]。“快速计算的kurtogram瞬态故障的检测。”机械系统和信号处理。第一卷。21日,2007年,页108 - 124。

sncf的杰罗姆[3]。“谱峰度:一个有用的工具,描述非平稳的信号。”机械系统和信号处理。2号卷。20日,2006年,页282 - 307。

[4]Bechhoefer,埃里克。“状态基础维修故障数据库进行测试诊断和预后算法。”2013.https://www.mfpt.org/fault-data-sets/

辅助函数

函数bearingFeatureExtraction(整体)%从轴承中提取条件指标数据data =阅读(套装);x = data.gs {1};fs = data.sr;%临界频率BPFO = data.BPFO;BPFI = data.BPFI;水平= 9;(fc, ~, ~, ~ ~, BW) = kurtogram (x, fs,水平);%带通滤波包络频谱[pEnvpBpf, fEnvBpf] = envspectrum (x, fs,“FilterOrder”,200,“乐队”,(max ([fc-BW / 2 0])分钟([fc + BW / 2 * 0.999 fs / 2))));deltaf = fEnvBpf (2) - fEnvBpf (1);BPFIAmplitude = max (pEnvpBpf ((fEnvBpf > (BPFI-5 * deltaf)) & (fEnvBpf < (BPFI + 5 * deltaf))));BPFOAmplitude = max (pEnvpBpf ((fEnvBpf > (BPFO-5 * deltaf)) & (fEnvBpf < (BPFO + 5 * deltaf))));writeToLastMemberRead(合奏,表(BPFIAmplitude BPFOAmplitude,“VariableNames”,{“BPFIAmplitude”,“BPFOAmplitude”}));结束

另请参阅

fileEnsembleDatastore