在滚动轴承诊断中选择最佳解调频带的有效方法附matlab复现

 ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，

代码获取、论文复现及科研仿真合作可私信。

个人主页：Matlab科研工作室

个人信条：格物致知。

更多Matlab完整代码及仿真定制内容点击

智能优化算法       神经网络预测       雷达通信      无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

内容介绍

折线分析是滚动轴承诊断中最有利的方法之一，但长期以来，寻找适合解调的频率带一直是一个重大挑战。引入了谱峰度（SK）和峰度图方法，大部分解决了这个问题，但在信噪比非常低或存在非高斯噪声的情况下，这些方法将会失败。这一主要缺陷可能显著降低它们的有效性，本文的目标是克服这一问题。滚动轴承的振动信号在局部故障存在时表现出较高水平的二阶周期性，特别是在存在局部故障时。二阶周期性信号的自协方差函数是周期性的，所提出的方法，名为自相关峰度图（Autogram），利用这一特性来增强传统的峰度图。该方法计算解调信号的包络的无偏自相关（AC）的峰度，而不是滤波后的时间信号的峰度。此外，为了利用自相关函数的下部和上部的独特特征，引入了两种修改过的峰度形式，得到的色图被称为上部和下部自相关峰度图。此外，还提出了一种阈值方法来增强频谱分析的质量。引入了一个新的指标，组合平方包络谱，用于考虑所有具有有价值诊断信息的频率带，并提高Autogram的故障可检测性。所提出的方法在实验数据上进行了测试，并与文献结果进行了比较，以评估其在滚动轴承诊断中的性能。

部分代码

clear; ​close all;​clc;%% 数据长度​N=16384;               % 信号的总数据点数​fs=1024;             % 采样频率​t=0:1/fs:(N-1)/fs;   % 离散时间​out = zeros(N,1);  ​%% 参数设置​f1=20;                % 基频频率​kc=0.00004;           % 特征频率幅值;0.00004; 0.00008; 0.0001; 0.0004​kn=0.002;             % 噪声幅值​ke=0.008;             % 偏心频率幅值​%% 基频及谐波​k1=10;  k11=1;        % 基频幅值​f2=2*f1;k2=1;         % 2次谐波频率及幅值​f3=3*f1;k3=1;         % 3次谐波频率及幅值​%% 机械旋转频率​s=0.02;               % 转差率​p=2;                  % 极对数​fr=((1-s)/p)*f1;​%% -------------特征频率​fc=3.6*fr;            % 0.4Nfr​%% 信号+噪声​out=kn*randn(1,N);​%% 信号调制+2、3次谐波​out=out+k1*cos(2*pi*f1*t+kc*cos(2*pi*fc*t));​out=out+k2*cos(2*pi*f2*t+0.5*pi);​out=out+k3*cos(2*pi*f3*t+pi);​%% 信号偏心频率​out=out+k11*cos(2*pi*f1*t+ke*cos(2*pi*fr*t));​%% 信号转置+去均值​out=out';             % 转置​out=out-mean(out);    % 去均值x(:,1) = out;​level = 6;     % Maximum level of decompositionlmp = 0;       % [Autogram;  Upper_Autogram;  Lower_Autogram] = [0; 1; -1]​​%%% Spectra after Upper and Lower threshold % =========================UL = 1;       % [Yes; No] = [1; 0]​%%% Increase the effect of upper threshold% =========================UP = 1.5;     % Defult value = 1​% Corrupted signal% =========================CUR = 0;      % is the signal corrupted: [Yes; No] = [1; 0]​%%% Screen rsolution  % =========================Res = 5;     % If the screen rsolution is not enough to show the CSES             % correctly please increase the 'Res' value             % Defult value = 1         %%% For signals belong to the CWRU data sets% =========================DL = 1;        % show defects indicators: [Yes; No] = [1; 0]​if 1 == DL    Dr = 1;    % [Drive_end bearing ;  Fan_end bearing] = [1; 0]    Dn = 1;    % BPFI = 1, BPFO = 2, FTF = 3, BSF = 4;    Spe = 3;   % [1 2 3 4] = [1797 1772 1750 1730]RPM, speed of rotation;else     Dr=0;Dn=0;Spe=0;end   ​%%% =========================% Autogram%%% =========================    Autogram(x,level,fs,lmp,Dr,Dn,Spe,UL,Res,UP,CUR);​

⛳️ 运行结果

参考文献

部分理论引用网络文献，若有侵权联系博主删除

 关注我领取海量matlab电子书和数学建模资料

 私信完整代码、论文复现、期刊合作、论文辅导及科研仿真定制

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面

卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化

5 无线传感器定位及布局方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合