【故障诊断】用于轴承故障诊断的候选故障频率优化克改进包络频谱研究（lMatlab代码实现）
| 阿里云国内75折 回扣 微信号：monov8 |
| 阿里云国际，腾讯云国际，低至75折。AWS 93折 免费开户实名账号 代冲值 优惠多多 微信号：monov8 飞机：@monov6 |
✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。
🍎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
在工业领域中，滚动轴承是一种常见的关键设备，广泛应用于各种机械设备中。然而，由于长期运转和恶劣工作环境的影响，滚动轴承容易出现故障，给生产过程带来了严重的影响。因此，及时准确地识别滚动轴承故障并采取适当的维修措施至关重要。
近年来，基于振动信号的滚动轴承故障诊断方法备受关注。振动信号中包含了丰富的故障信息，通过对其进行分析和处理，可以有效地识别滚动轴承的故障类型和严重程度。其中，局部特征自动识别候选故障频率（CFF）是一种常用的滚动轴承故障诊断方法。
在局部特征自动识别候选故障频率方法中，SCoh（Spectral Coherence）是一个重要的概念。SCoh是一种用于描述两个信号之间相干性的指标，可以帮助我们判断信号中是否存在特定频率的故障成分。具体而言，SCoh可以通过计算信号的互谱密度和自谱密度之间的比值来得到。
基于SCoh的局部特征自动识别候选故障频率的滚动轴承故障识别算法步骤如下：
- 收集振动信号数据：首先，需要在滚动轴承上安装振动传感器，收集滚动轴承在正常运行和故障状态下的振动信号数据。这些数据将作为后续分析和诊断的基础。
- 信号预处理：对收集到的振动信号进行预处理，包括去除噪声、滤波和降采样等步骤。这些预处理操作可以提高后续算法的准确性和效率。
- 计算SCoh：使用预处理后的振动信号数据，计算信号的互谱密度和自谱密度，并通过它们的比值得到SCoh。这一步骤可以帮助我们找到信号中存在的故障频率。
- 特征提取：从计算得到的SCoh中提取出局部特征，例如局部最大值和局部最小值。这些特征可以帮助我们进一步判断信号中的故障频率。
- 候选故障频率识别：根据提取的局部特征，识别出候选的故障频率。这些候选频率可能是滚动轴承故障的预警信号，需要进一步的分析和确认。
- 故障诊断和维修：根据识别出的候选故障频率，进行故障诊断和维修。根据不同的故障类型和严重程度，采取相应的维修措施，以保证滚动轴承的正常运行。
总结而言，基于SCoh的局部特征自动识别候选故障频率是一种有效的滚动轴承故障诊断方法。通过对振动信号进行分析和处理，可以准确地识别滚动轴承的故障类型和严重程度，为维修提供科学依据。在实际应用中，我们可以根据具体情况选择合适的算法和参数，以获得最佳的故障诊断效果。
📣 部分代码
set(gca,'unit','normalized','Position',[leftleave+(j-1)*step_2 downleave+(subplotnum_1-i)*step_1 plotwidth*1 plotheight*1]);
figure_FontSize = 7; set(gca,'Fontsize',figure_FontSize,'Fontname','Times New Roman');
if (i-1)*2+j == 1
set(gca,'ytick',[-1 0 1]); set(gca,'ylim',[-1 1]);
yt = 1;ys = 0;
elseif (i-1)*2+j == 2
set(gca,'ytick',[-2 :2: 2]); set(gca,'ylim',[-2 2]);
yt = 2;ys = 0;
elseif (i-1)*2+j == 3
set(gca,'ytick',[-0.8 0.4 1.6]); set(gca,'ylim',[-0.8 1.6]);
yt = 1.6;ys = 0.4;
elseif (i-1)*2+j == 4
set(gca,'ytick',[-3 0 3]); set(gca,'ylim',[-3 3]);
yt = 3; ys = 0;
elseif (i-1)*2+j == 5
set(gca,'ytick',[-4 0 4]); set(gca,'ylim',[-4 4]);
yt = 4; ys = 0;
elseif (i-1)*2+j == 6
set(gca,'ytick',[0 :0.1 : 0.3]); set(gca,'ylim',[0 0.3]);
yt = 0.3; ys = 0.15;
end
if (i-1)*2+j < 6
set(gca,'xtick',[0: 0.2: 1]); set(gca,'xlim',[0 1]);
xlabel('Time [s]');
ylabel('Amplitude','Position',[-0.10*1 ys]);
xt = -0.15*1;
else
set(gca,'xtick',[0: 1: Fs/2/1000]); set(gca,'xlim',[0 Fs/2/1000]);
xlabel('Frequency [kHz]');
ylabel('Amplitude','Position',[-0.10*Fs/2/1000 ys]);
xt = -0.15*Fs/2/1000;
end
text(xt,yt,str{(i-1)*2+j},'Fontname','Times New Roman','FontSize',8,'FontWeight','bold')
end
end
%% Spectral Coherence estimator
Sig = Sigplot(:,5);
% Setting parameters
Nw = 2^8;
alpha_max = 800;
opt.coh = 1;
opt.lent = 8;
% SCoh
[Scoh,alpha,f_Scoh,STFT,~,Nv] = Fast_SC(Sig,Nw,alpha_max,Fs,opt);
% the 'Fast_SC.m' is a fast and effective SC estimator and proposed by Antoni in:
% J. Antoni, G. Xin, N. Hamzaoui, "Fast Computation of the Spectral Correlation",
% Mechanical Systems and Signal Processing, Elsevier, 2017.
% A publicly available version of the algorithm coded in Octave/Matlab has been posted at the following address:
% https://fr.mathworks.com/matlabcentral/fileexchange/60561.
% EES
ScohEES = mean(abs(Scoh(:,2:end)));
%% IESCFFOgram
nlevel = 5; plotMode = 0;
Pre = 0.05; Pre_cff = (1-Pre/t(end))*100;
[CFFOgram,Level_w1,freq_w1,I1,Bw1,Fc1,SES1,EES_CFF]=IESCFFOgram( Scoh,alpha,f_Scoh,Nw,Fs,nlevel,Pre_cff,plotMode);
%%
figure(2)
subplotnum_1 = 3;
subplotnum_2 = 2;
leftleave = 0.08;
upleave = 0.013;
downleave = 0.08;
step_1 = (1-upleave-0)/subplotnum_1;
step_2 = 1/subplotnum_2;
plotheight = step_1*0.66;
plotwidth = step_2*0.60;
str = {'(a)','(b)','(c)','(d)','(e)'};figure_FontSize = 7;
set(gcf,'unit','centimeters','position',[20 10 13.5 8.5], 'color','w');
subplot(3,2,1);set(gca,'unit','normalized','Position',[leftleave+0*step_2 downleave+1.14*step_1 plotwidth*1.1 plotheight*2.3]);
imagesc(alpha(2:end),f_Scoh/1000,abs(Scoh(:,2:end)));axis xy;colorbar;
hBar = colorbar;get(hBar, 'Position'); set(hBar, 'Position', [0.419 0.455 0.03 plotheight*2.3]);
set(gca,'xtick',[0 : 200 : alpha_max]);xlim([0 alpha_max]);
xlabel('Cyclic frequency \alpha [Hz]','Fontsize',figure_FontSize,'Fontname','Times New Roman');
ylabel('Spectral frequency f [kHz]','Fontsize',figure_FontSize,'Position',[-0.13*alpha_max 6.0]);
title('spectral coherence');
set(gca,'Fontsize',figure_FontSize,'Fontname','Times New Roman');
xt = -0.2*alpha_max; yt = 13.6;
text(xt,yt,str{1},'Fontname','Times New Roman','FontSize',8,'FontWeight','bold');
subplot(3,2,2);set(gca,'unit','normalized','Position',[leftleave+1*step_2 downleave+1.14*step_1 plotwidth*1.1 plotheight*2.3]);
imagesc(freq_w1/1000,1:2*nlevel,CFFOgram);colorbar;
hBar = colorbar;get(hBar, 'Position'); set(hBar, 'Position', [0.92 0.455 0.03 plotheight*2.3]);
title(['@ level ',num2str(round(10*Level_w1(I1))/10),' Bw = ',num2str(round(Bw1)),' Hz fc = ',num2str(Fc1),' Hz'],'Fontsize',figure_FontSize,'Fontname','Times new roman');
set(gca,'ytick',1:2*nlevel,'yticklabel',round(Level_w1*10)/10);
set(gca,'xtick',[0 : 3 : Fs/2/1000]);xlim([0 Fs/2/1000]);
xlabel('Frequency [kHz]','Fontsize',figure_FontSize,'Fontname','Times new roman');
ylabel('Level','Fontsize',figure_FontSize,'Position',[-0.15*12.8 5.5]);
set(gca,'Fontsize',figure_FontSize);set(gca,'Fontname','Times new roman');
xt = -2.8; yt = -0.10; text(xt,yt,str{3},'Fontname','Times New Roman','FontSize',8,'FontWeight','bold');
set(gca,'Fontsize',figure_FontSize);set(gca,'Fontname','Times new roman');
subplot(3,2,5);plot(alpha(2:end),ScohEES,'b');
Points = FeatruePoints(alpha(2:end),ScohEES,f_m);
hold on;plot(Points(1:3,1),Points(1:3,2),'ro','MarkerFaceColor','r','MarkerSize',2);
for kd = 1 : 3
xts = Points(kd,1)-24; yts = Points(kd,2)+0.005;
if kd == 1
text(xts,yts,['1x\it{f}\it{_m}'],'Fontname','Times New Roman','FontSize',7);
else
text(xts,yts,[num2str(kd),'x\it{f}\it{_m}'],'Fontname','Times New Roman','FontSize',7);
end
end
set(gca,'unit','normalized','Position',[leftleave+0*step_2 downleave+0*step_1 plotwidth*1.27 plotheight*1.2]);
xlabel('Time (s)','Fontsize',figure_FontSize,'Fontname','Times new roman');
set(gca,'xtick',[0 : 100 : alpha_max]); set(gca,'xlim',[0 alpha_max]);
set(gca,'ytick',[0.05 :0.01: 0.08]); set(gca,'ylim',[0.043 0.08]);
xlabel('Frequency [Hz]','Fontsize',figure_FontSize,'Fontname','Times new roman');
ylabel('Amplitude','Fontsize',figure_FontSize,'Position',[-0.14*alpha_max 0.0625]);
xt = -0.20*alpha_max; yt = 0.080; text(xt,yt,str{2},'Fontname','Times New Roman','FontSize',8,'FontWeight','bold')
set(gca,'Fontsize',figure_FontSize,'Fontname','Times new roman');
subplot(3,2, 6)
x = alpha(2:end);y = EES_CFF;
Points = FeatruePoints(x,y,f_m);⛳️ 运行结果
编辑
🔗 参考文献
Yao Cheng, Shengbo Wang, Bingyan Chen, Guiming Mei, Weihua Zhang, Han Peng, Guangrong Tian, "An Improved Envelope Spectrum via Candidate Fault Frequency Optimization-gram for Bearing Fault Diagnosis", Journal of Sound and Vibration,Elsevier, 2022.
🎈 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
| 阿里云国内75折 回扣 微信号：monov8 |
| 阿里云国际，腾讯云国际，低至75折。AWS 93折 免费开户实名账号 代冲值 优惠多多 微信号：monov8 飞机：@monov6 |