基于功率谱密度的旋转机械故障诊断方法（MATLAB R2021b）

关于功率谱密度，可以参考如下文章：

https://zhuanlan.zhihu.com/p/417454806

在实际应用中，一个信号我们不可能获得无穷长时间段内的点，对于数字信号，只能通过采样的方式获得N个离散的点。实际信号基本上是随机信号，由于不可能对所有点进行考察，我们也就不可能获得其精确的功率谱密度，而只能利用谱估计的方法来“估计”功率谱密度。

本项目采用功率谱密度分析对旋转机械进行故障诊断，运行环境为MATLAB R2021b。

actualPath = pwd;
savePath = fullfile(actualPath, 'Signal');
x = what(savePath);
x = x.mat;
length(x)

figure
for ii = 1:length(x)
    load(fullfile(savePath,x{ii,1}));
    subplot(3,1,ii)
    plot(data.datensatz(:,1),'k')
    title(['Signal ',num2str(ii)])
    xlim([0 16*10^4])
    xlabel('Data Points')
    ylabel('Signal Data in ms^{-2}')
    %     yline(M.mean_m(ii,1),'g')
    %     yline(M.rms_m(ii,1),'r')
    %     legend('signal','Mean','RMS')
end

tic  % Stopwatch Timer to know the speed

rawdata = cell(1,3);
fre = zeros();

newLoad = 1;
if newLoad == 1
    for ii = 1:length(x)
        
        load(fullfile(savePath,x{ii,1}));
        
        rawdata{ii} = data.datensatz(:,1);
        
        fre(ii) = data.fn;
        
        M.var_m(ii,1) = var(data.datensatz(:,1));
        
        M.rms_m(ii,1) = rms(data.datensatz(:,1));
        
        M.mean_m(ii,1) = mean(data.datensatz(:,1));
        
        M.kurt_m(ii,1) = kurtosis(data.datensatz(:,1));
        
        M.p2r_m(ii,1) = peak2rms(data.datensatz(:,1));
        
        M.p2p_m(ii,1) = peak2peak(data.datensatz(:,1));
        
        M.quant_m(ii,1) = quantile(data.datensatz(:,1),0.5);
        
        figure
        plot(data.datensatz(:,1),'k')
        title(['Signal',num2str(ii)])
        xlim([0 16*10^4])
        xlabel('Data Points')
        ylabel('Signal Data in ms^{-2}')
        yline(M.mean_m(ii,1),'g')
        yline(M.rms_m(ii,1),'r')
        yline(M.p2r_m(ii,1),'c')
        yline(M.p2p_m(ii,1),'y')
        legend('signal','Mean','RMS','P2R','P2P')
        
    end
    
    save machinefeatures M
    
elseif newLoad == 0
    
    load machinefeatures
    
end

完整代码：https://mbd.pub/o/bread/ZJmYkptx

知乎学术咨询：
https://www.zhihu.com/consult/people/792359672131756032?isMe=1

toc

擅长领域：现代信号处理，机器学习，深度学习，数字孪生，时间序列分析，设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。