滚动元件轴承故障诊断

打开实时脚本

本例展示了如何基于加速度信号对滚动轴承进行故障诊断，特别是在存在来自其他机器部件的强屏蔽信号的情况下。该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，并能够扩展到大数据应用。

问题概述

滚动元件轴承的局部故障可能发生在外圈、内圈、保持架或滚动元件中。当滚动元件撞击外圈或内圈局部故障，或滚动元件故障撞击外圈或内圈[1]时，轴承和响应传感器之间的高频共振被激发。下面的图片显示了一个滚动元件撞击内部圈的局部断层。问题是如何检测和识别各种类型的故障。

机械故障预防技术(MFPT)挑战数据

MFPT挑战数据[4]包含从各种故障条件下的机器收集的23个数据集。前20个数据集采集自轴承试验台，其中3个数据集状态良好，3个数据集外圈故障在恒定载荷下，7个数据集外圈故障在各种载荷下，7个数据集内圈故障在各种载荷下。其余3个数据集来自真实世界的机器:油泵轴承、中速轴承和行星轴承。故障位置不明。在本例中，只使用从已知条件的试验台收集的数据。

每个数据集包含加速度信号“gs”、采样率“sr”、轴转速“rate”、负载重量“load”，以及代表不同故障位置的四个关键频率:球通频率外配频(BPFO)、球通频率内配频(BPFI)、基列频率(FTF)和球旋频率(BSF)。这是临界频率[1]的公式。

外圈球通频率(BPFO)

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

球通频率，内圈

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

列车基本频率(FTF)，也称为笼速

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

球(滚子)旋转频率

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

如图所示， $d$ 是球的直径， $D$ 是节径。的变量 $f_{r}$ 是轴转速， $n$ 是滚动元件的个数， $ϕ$ 为轴承接触角[1]。

轴承诊断的包络谱分析

在MFPT数据集中，轴转速是恒定的，因此不需要执行顺序跟踪作为预处理步骤来消除轴转速变化的影响。

当滚动元件撞击外圈或内圈局部故障时，或当滚动元件故障撞击外圈或内圈时，冲击会调制相应的临界频率，如BPFO、BPFI、FTF、BSF。因此，由幅度解调产生的包络信号传达了更多的诊断信息，这是从原始信号的频谱分析中无法得到的。以MFPT数据集中的一个内部竞赛故障信号为例。

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

在时域内可视化原始的内部故障数据。

xInner = datainner . bears .gs;fsInner = dataInner.bearing.sr;tInner = (0:length(xInner)-1)/fsInner;图(tInner, xInner) xlabel(“时间,(s)”) ylabel (“加速度(g)”)标题(“原始信号:内部种族故障”xlim([0 0.1])

在频域上可视化原始数据。

figure [pInner, fpInner] = pspectrum(xInner, fsInner);pInner = 10*log10(pInner);plot(fpInner, pInner)的频率(赫兹)) ylabel (功率谱(dB))标题(“原始信号:内部种族故障”)传说(的功率谱）

现在放大低频范围内原始信号的功率谱，仔细观察BPFI的频率响应及其前几个谐波。

figure plot(fpInner, pInner) ncomb = 10;help plotcombs (ncomb, dataInner.BPFI) xlabel(的频率(赫兹)) ylabel (功率谱(dB))标题(“原始信号:内部种族故障”)传说(的功率谱，“BPFI谐波”xlim([0 1000])

在BPFI和它的谐波中看不到清晰的模式。对原始信号的频率分析不能提供有用的诊断信息。

观察时域数据，可以观察到原始信号的幅值在一定频率上被调制，调制的主频在1/0.009 Hz左右 $\approx$ 111赫兹。已知滚动元件撞击内圈局部故障(BPFI)的频率为118.875 Hz。这表明轴承有潜在的内圈故障。

图subplot(2,1,1) plot(tInner, xInner) xlim([0.04 0.06]) title(“原始信号:内部种族故障”) ylabel (“加速度(g)”)注释(“doublearrow”， [0.37 0.71]， [0.8 0.8]) text(0.047, 20， ['0.009秒\约1/BPFI, BPFI = 'num2str (dataInner.BPFI)))

为了提取调制幅度，计算原始信号的包络线，并在底部子图中可视化它。

subplot(2,1,2) [pEnvInner, fEnvInner, xEnvInner, tEnvInner] = envspectrum(xInner, fsInner);plot(tEnvInner, xEnvInner) xlim([0.04 0.06]) xlabel(“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，并查看BPFI的频率响应及其谐波。

figure plot(fEnvInner, pEnvInner) xlim([0 1000]) ncomb = 10;help plotcombs (ncomb, dataInner.BPFI) xlabel(的频率(赫兹)) ylabel (“峰值振幅”)标题(“包络谱:内在种族缺陷”)传说(“包络谱”，“BPFI谐波”）

结果表明，大部分能量集中在BPFI及其谐波上。这表明轴承的内部跑位故障，与数据的故障类型相匹配。

包络谱分析在其他故障类型中的应用

现在对正常数据和外部故障数据重复相同的包络谱分析。

datannormal = load(fullfile(matlabroot，“工具箱”，“predmaint”，.．.“predmaintdemos”，“bearingFaultDiagnosis”，.．.“train_data”，“baseline_1.mat”));xNormal = datannormal . bears .gs;fsNormal = datannormal .bearing.sr;tNormal =(0:长度(xNormal)-1)/fsNormal;[pEnvNormal, fEnvNormal] = envspectrum(xNormal, fsNormal);figure plot(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”)传说(“包络谱”，“BPFO谐波”，“BPFI谐波”）

正如预期的那样，正常轴承信号的包络谱在BPFO或BPFI处不显示任何显著的峰值。

dataOuter = load(fullfile(matlabroot，“工具箱”，“predmaint”，.．.“predmaintdemos”，“bearingFaultDiagnosis”，.．.“train_data”，“OuterRaceFault_2.mat”));xOuter = dataouter . bears .gs;fsOuter = dataOuter.bearing.sr;tOuter = (0:length(xOuter)-1)/fsOuter;[pEnvOuter, fEnvOuter, xEnvOuter, tEnvOuter] = envspectrum(xOuter, fsOuter);figure plot(fEnvOuter, pEnvOuter) ncomb = 10;helperPlotCombs(ncomb, dataOuter.BPFO) xlim([0 1000]) xlabel(的频率(赫兹)) ylabel (“峰值振幅”)标题(“包络谱:外部种族断层”)传说(“包络谱”，“BPFO谐波”）

对于外部竞态故障信号，BPFO谐波也没有明显的峰值。包络谱分析不能区分外圈故障轴承和健康轴承吗?让我们退一步再看一下不同条件下的时域信号。

首先让我们在时域中再次可视化信号，并计算它们的峰度。峰度是随机变量的第四个标准化矩。它表征了信号的冲动性或随机变量尾部的沉重程度。

图subplot(3,1,1) kurtInner =峰度(xInner);plot(tInner, xInner)“加速度(g)”)标题('内种族断层，峰度= 'num2str(kurtInner)]) xlim([0 0.1]) subplot(3,1,2) kurtNormal =峰度(xNormal);plot(tNormal, xNormal)“加速度(g)”)标题('正常，峰度= 'num2str(kurtNormal)]) xlim([0 0.1]) subplot(3,1,3) kurtOuter =峰度(xOuter);plot(tOuter, xOuter) xlabel(“时间(s)”) ylabel (“加速度(g)”)标题('外部种族断层，峰度= 'num2str(kurtOuter)]) xlim([0 0.1])

结果表明，内啮合故障信号具有较大的冲动性，使得包络谱分析能够有效地捕捉到BPFI处的故障特征。对于外部竞态故障信号，BPFO处的振幅调制稍显明显，但被强噪声所掩盖。正常信号不显示任何幅度调制。在包络谱分析前，对脉冲信号进行调幅提取(或提高信噪比)是一个关键的预处理步骤。下一节将介绍峰度图和谱峰度，提取峰度最高的信号，并对滤波后的信号进行包络谱分析。

用于波段选择的峰度图和谱峰度

峰度图和谱峰度计算频段内的局部峰度。它们是定位具有最高峰度(或最高信噪比)[2]的频段的强大工具。在确定峰度最高的频段后，可以对原始信号进行带通滤波器处理，得到更脉冲的信号进行包络谱分析。

Level = 9;图峰度图(xOuter, fsOuter, level)

峰度图表明，以2.67 kHz为中心，带宽为0.763 kHz的频带峰度最高，为2.71。

现在使用峰度图建议的最佳窗口长度来计算谱峰度。

图wc = 128;pkurtosis(xOuter, fsOuter, wc)

要在谱图上可视化频带，请计算谱图并将谱峰度放置在一侧。为了用另一种方式解释谱峰度，高谱峰度值表示相应频率下功率的高方差，这使得谱峰度成为定位信号[3]的非平稳分量的有用工具。

helpperspectrogramandspectral峰度(xOuter, fsOuter, level)

采用所建议的中心频率和带宽对信号进行带通滤波，可以增强峰度，提取外部故障的调制幅值。

[~， ~， ~， fc， ~， BW] = kurtogram(xOuter, fsOuter, level);BPF = designfilt(“bandpassfir”，“FilterOrder”, 200,“CutoffFrequency1”fc-BW / 2,.．.“CutoffFrequency2”fc + BW / 2,“SampleRate”, fsOuter);xOuterBpf = filter(bpf, xOuter);[pEnvOuterBpf, fEnvOuterBpf, xEnvOuterBpf, tEnvBpfOuter] = envspectrum(xOuter, fsOuter，.．.“FilterOrder”, 200,“乐队”， [fc-BW/2 fc+BW/2]);图subplot(2,1,1) plot(tOuter, xOuter, tEnvOuter, xEnvOuter)“加速度(g)”)标题(原始信号:外部种族故障，峰度=， num2str(kurtOuter)]) xlim([0 0.1])“信号”，“信封”) subplot(2,1,2) kurtOuterBpf =峰度(xOuterBpf);plot(tOuter, xOuterBpf, tEnvBpfOuter, xEnvOuterBpf)“加速度(g)”xlim([0 0.1])“时间(s)”)标题(带通滤波信号:外部种族故障，峰度=， num2str(kurtOuterBpf)])“信号”，“信封”）

可以看出，带通滤波后峰度值增大。现在在频域中可视化包络信号。

figure plot(fEnvOuterBpf, pEnvOuterBpf);Ncomb = 10;helperPlotCombs(ncomb, dataOuter.BPFO) xlim([0 1000]) xlabel(的频率(赫兹)) ylabel (“峰值振幅”)标题(带通滤波信号的包络谱:外部竞态故障)传说(“包络谱”，“BPFO谐波”）

结果表明，利用峰度图和谱峰度建议的频带对原始信号进行带通滤波，包络谱分析能够揭示BPFO处的故障特征及其谐波特征。

批处理

现在让我们使用文件集成数据存储将该算法应用于一批训练数据。

工具箱中提供了数据集的有限部分。复制数据集到当前文件夹，并启用写权限:

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 '）

要获得完整的数据集，请转到此链接https://github.com/mathworks/RollingElementBearingFaultDiagnosis-Data以zip文件的形式下载整个存储库，并将其保存在与活动脚本相同的目录中。使用以下命令解压缩文件:

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

本例中的结果是从完整的数据集生成的。完整数据集包含一个包含14个mat文件的训练数据集(2个正常，4个内部比赛故障，7个外部比赛故障)和一个包含6个mat文件的测试数据集(1个正常，2个内部比赛故障，3个外部比赛故障)。

通过将函数句柄分配给ReadFcn而且WriteToMemberFcn时，文件集成数据存储将能够导航到文件中以检索所需格式的数据。例如，MFPT数据有一个结构轴承储存振动信号gs，采样率老等等。而不是返回轴承结构本身readMFPTBearing函数，以便文件集成数据存储返回振动信号gs内部轴承数据结构。

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。条件变量= [“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 with properties: ReadFcn: @readMFPTBearing WriteToMemberFcn: @writeMFPTBearing DataVariables: [8×1 string] IndependentVariables: [0×0 string] ConditionVariables: [2×1 string] SelectedVariables: [10×1 string] ReadSize: 1 NumMembers: 14 LastMemberRead: [0×0 string] Files: [14×1 string]

ensembleTrainTable =高(ensembleTrain)

使用“本地”配置文件启动并行池(parpool)…与6名工人相连。ensembleTrainTable = M×10高表gs sr速率加载BPFO BPFI“保障未来粮食供给”BSF标签文件名  _________________ _____ ____ ____ ______ ______ ______ _____ __________________ ________________________ [ 25 146484×1双)48828 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 double] 48828 25 150 81.125 118.88 14.838 63.91“内部比赛故障”“InnerRaceFault_vload_4”[146484×1 double] 48828 25 200 81.125 118.88 14.838 63.91“内部比赛故障”“InnerRaceFault_vload_5”[585936×1 double] 97656 25 270 81.125 118.88 14.838 63.91“外部比赛故障”“OuterRaceFault_1”[585936×1 double] 97656 25 270 81.125 118.88 14.838 63.91“外部比赛故障”“OuterRaceFault_2”[146484×1 double] 48828 25 25 81.125 118.88 14.838 63.91“外部比赛故障”“OuterRaceFault_vload_1”:: : : : : : : : : : : : : : : : : : :

在分析的最后一部分中，注意到BPFI和BPFI处的带通滤波包络谱振幅是轴承故障诊断的两个条件指标。因此，下一步就是从所有的训练数据中提取这两个条件指标。为了使算法更健壮，可以设置一个窄带(bandwidth = $10 Δ f$ ,在那里 $Δ f$ 为功率谱的频率分辨率)，在BPFO和BPFI附近，然后找到这个窄带内的最大振幅。算法包含在bearingFeatureExtraction函数如下所示。请注意，在示例的其余部分，BPFI和BPFO周围的包线频谱振幅被称为“BPFIAmplitude”和“BPFOAmplitude”。

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

一旦将新的条件指示器添加到文件集成数据存储中，请指定SelectedVariables从文件集成数据存储中读取相关数据，并创建包含提取的条件指示器的特征表。

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

使用并行池“本地”评估高表达式:-通过1:0%完成评估0%完成

-通过1 / 1:在3秒内完成评估

featureTableTrain

featureTableTrain =14×3表BPFIAmplitude BPFOAmplitude Label _____________ _____________ __________________ 0.33918 0.082296“内部种族故障”0.31488 0.026599“内部种族故障”0.52356 0.036609“内部种族故障”0.52899 0.028381“内部种族故障”0.13515 0.012337“内部种族故障”0.004024 0.03574“外部种族故障”0.0044918 0.1835“外部种族故障”0.0074993 0.30166“外部种族故障”0.013662 0.12468“外部种族故障”0.0070963 0.28215“外部种族故障”0.0060772 0.35241“外部种族故障”0.011244 0.17975“外部种族故障”0.0036798 0.0050208“正常”0.00359 0.0069449“正常”

可视化已经创建的特性表。

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

BPFI振幅和BPFO振幅的相对值可能是不同断层类型的有效指示。这里创建了一个新特征，这是两个现有特征的对数比，并在按不同故障类型分组的直方图中可视化。

featureTableTrain。我OLogRatio = log(featureTableTrain.BPFIAmplitude./featureTableTrain.BPFOAmplitude); figure hold在直方图(featureTableTrain.IOLogRatio (featureTableTrain.Label = =“内在种族错误”)，“BinWidth”， 0.5)直方图(featureTableTrain.IOLogRatio(featureTableTrain.Label==“外部种族错误”)，“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(“内在种族错误”，“外部种族错误”，“正常”，分类边界的）

直方图显示了三种不同承载条件之间的明显分离。BPFI和BPFO振幅之间的对数比是分类轴承故障的有效特征。为了简化示例，导出了一个非常简单的分类器:if $日志（ \frac{BPFIAmp litude}{BPFOAmp litude} ） \leq - 1 ． 5$ ，轴承有外圈故障;如果 $- 1 ． 5 < 日志（ \frac{BPFIAmp litude}{BPFOAmp litude} ） \leq 0 ． 5$ ，轴承正常;如果 $日志（ \frac{BPFIAmp litude}{BPFOAmp litude} ） > 0 ． 5$ ，轴承有内圈故障。

使用测试数据集进行验证

现在，让我们将工作流应用到一个测试数据集，并验证上一节中获得的分类器。这里的测试数据包含1个正常数据集、2个内部赛车故障数据集和3个外部赛车故障数据集。

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。条件变量= [“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 with properties: ReadFcn: @readMFPTBearing WriteToMemberFcn: @writeMFPTBearing DataVariables: [8×1 string] IndependentVariables: [0×0 string] ConditionVariables: [2×1 string] SelectedVariables: [10×1 string] ReadSize: 1 NumMembers: 6 LastMemberRead: [0×0 string] Files: [6×1 string]

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 = tall(ensembleTest);featureTableTest = gather(featureTableTest);

使用并行池“本地”评估tall表达式:-通过1 / 1:在1秒内完成评估

featureTableTest。我OLogRatio = log(featureTableTest.BPFIAmplitude./featureTableTest.BPFOAmplitude); figure hold在直方图(featureTableTrain.IOLogRatio (featureTableTrain.Label = =“内在种族错误”)，“BinWidth”， 0.5)直方图(featureTableTrain.IOLogRatio(featureTableTrain.Label==“外部种族错误”)，“BinWidth”， 0.5)直方图(featureTableTrain.IOLogRatio(featureTableTrain.Label==“正常”)，“BinWidth”， 0.5)直方图(featureTableTest.IOLogRatio(featureTableTest.Label==“内在种族错误”)，“BinWidth”， 0.1)直方图(featureTableTest.IOLogRatio(featureTableTest.Label==“外部种族错误”)，“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(“内在的种族缺陷-火车”，“外跑故障-列车”，“正常-列车”，.．.“内部种族错误-测试”，“外部Race Fault - Test”，“正常-测试”，.．.分类边界的）

测试数据集的BPFI和BPFO振幅的对数比与训练数据集的对数比分布一致。上一节得到的朴素分类器在测试数据集上达到了完美的精度。

值得注意的是，单个特征通常不足以获得泛化良好的分类器。更复杂的分类器可以通过将数据分割成多个片段(以创建更多的数据点)，提取多个诊断相关的特征，根据其重要等级选择特征的子集，并使用统计与机器学习工具箱中的分类学习者应用程序训练各种分类器来获得。有关此工作流程的详细信息，请参见“使用Simulink生成故障数据”示例。

总结

这个例子展示了如何使用峰度图、谱峰度和包络谱来识别滚动轴承中不同类型的故障。将该算法应用于磁盘数据集，得到BPFI处和BPFO处的带通滤波包络谱幅值是轴承诊断的两个重要指标。

参考文献

兰德尔，罗伯特·B，杰罗姆·安东尼。滚动轴承诊断-教程。机械系统与信号处理“，．Vol. 25, no . 2, 2011, pp. 485-520。

[2]安东尼，Jérôme。用于检测瞬态故障的峭度图的快速计算。机械系统与信号处理“，．第21卷，第1期，2007年，第108-124页。

[3]安东尼，Jérôme。谱峰度:表征非平稳信号的有用工具。机械系统与信号处理“，．Vol. 20, no . 2, 2006, pp. 282-307。

[4]贝赫弗，埃里克。用于测试诊断和预测算法的基于状态的维护故障数据库。2013.https://www.mfpt.org/fault-data-sets/

辅助函数

函数bearingFeatureExtraction(整体)从轴承数据中提取工况指标数据=读取(集成);X = data.gs{1};Fs = data.sr;%临界频率BPFO = data.BPFO;BPFI = data.BPFI;Level = 9;[~， ~， ~， fc， ~， BW] = kurtogram(x, fs, level);%带通滤波包络谱[pEnvpBpf, fEnvBpf] = envspectrum(x, fs，“FilterOrder”, 200,“乐队”， [max([fc-BW/2 0]) min([fc+BW/2 0.999*fs/2])]);deltaf = fenvpf (2) - fenvpf (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