mdl =“pdmTransmissionCasing”;open_system (mdl)

Open_System（[MDL'/套管']）

Open_System（[MDL“/带有漂移的振动传感器”]）

Open_System（[MDL'/ shaft']）

Open_System（[MDL，'/轴/输出轴']）

牙齿arrawaray = -2：2/10：0;%齿错增益值sensorDriftArray = 1:0.5:1;％传感器漂移偏移值shaftweararray = [0 -1];%变量可用于传动轴条件％创建一个n维数组，其中包含所有值的组合[牙齿值，SensoldriftValues，Shaftwearvalues] =…ndgrid（Toothfaultarray，Sensordriftarray，Shaftweararray）;为了CT = NUM​​EL（牙齿虚假值）： -  1：1%创建Simulink金宝app。每个值组合的SimulationInputsiminput = 金宝appsimulink.simulationInput（MDL）;％修改模型参数siminput = setVariable (siminput,'toothfultgain'，牙齿ultvalues（CT））;siminput = setVariable (siminput,“SDrift”sensorDriftValues (ct));siminput = setVariable (siminput,'shaftwear'shaftWearValues (ct));在数组中收集模拟输入GridSimulationInput（CT）= Siminput;结尾

RNG（'默认');％重置随机种子以进行再现性牙faultarray = [0 -rand(1,6)];%齿错增益值sensordriftarray = [0 randn（1,6）/ 8];％传感器漂移偏移值shaftweararray = [0 -1];%变量可用于传动轴条件％创建一个n维数组，其中包含所有值的组合[牙齿值，SensoldriftValues，Shaftwearvalues] =…ndgrid（Toothfaultarray，Sensordriftarray，Shaftweararray）;为了ct =元素个数(toothFaultValues): 1:1%创建Simulink金宝app。每个值组合的SimulationInputsiminput = 金宝appsimulink.simulationInput（MDL）;％修改模型参数siminput = setVariable (siminput,'toothfultgain'，牙齿ultvalues（CT））;siminput = setVariable (siminput,“SDrift”sensorDriftValues (ct));siminput = setVariable (siminput,'shaftwear'shaftWearValues (ct));在数组中收集模拟输入RandomSimulationInput（CT）= Siminput;结尾

％运行模拟并创建一个组合以管理模拟结果如果~ (fullfile (pwd,存在'数据'），'dir') mkdir (fullfile (pwd,'数据'）））％创建用于存储结果的目录结尾runall = true;如果符号[确定，e] =生成umulationsemble（[gridsimulationInput，landomsimulationInput]，…fullfile（pwd，'数据'），'使用指平行',真正的);别的[ok,e] = generateSimulationEnsemble(gridSimulationInput(1:10)， fullfile(pwd，'数据'））;％＃OK <* verch>结尾

ex = simulationensembledataStore（fullfile（pwd，'数据'））;

奴隶

ens.SelectedVariables

ens.SelectedVariables = [“振动”“转速器”“SimulationInput”];数据=读取（ens）

振动= data.Vibration {1};情节(vibration.Time vibration.Data)标题('振动') ylabel (“加速”)

idx =振动.time> =秒（10）;振动=振动（IDX，:);振动.time =振动.time  - 振动.Time（1）;

tacho = data.tacho {1};idx = tacho.time> =秒（10）;tacho = tacho（idx，:);plot（tacho.time，tacho.data）标题（转速计脉冲的） 传奇（'传动轴',“负载轴”)%负载轴比传动轴旋转得慢

idx = diff(taco . data (:，2)) > 0.5;tachoPulses = tacho.Time(找到(idx) + 1) -tacho.Time (1)

vars = data.simulationInput {1} .variables;idx = strcmp（{vars.name}，“SDrift”);如果any(idx) sF = abs(vars(idx).Value) > 0.01;％小漂移值不是故障别的sf = false;结尾idx = strcmp（{vars.name}，'shaftwear');如果任何（IDX）SV = vars（IDX）.Value <0;别的sv = false;结尾如果idx = strcmp({vars. strcmp;名称},'toothfultgain');sT = abs(vars(idx).Value) < 0.1;%小的牙齿故障值不是故障别的圣= false结尾FaultCode = SF + 2 * SV + 4 * ST;%用于捕获不同故障情况的故障代码

sdata =表（{vibration}，{tachpulses}，sf，sv，st，Fairfcode，…“VariableNames”, {'振动',“TachoPulses”,'sensordrift','shaftwear',“ToothFault”,'affactcode'}）

ens.DataVariables = [ens.DataVariables;“TachoPulses”];

ens.conditionVariables = [“sensordrift”,“shaftwear”,“牙齿”,“FaultCode”];

重置（ens）runlocal = false;如果runLocal％处理集合中的每个成员而hasdata（ens）数据=读取（ens）;addData =预备数据（数据）;WriteTolastMemberRead（ex，adddata）结尾别的％将集合拆分为分区并并行处理每个分区n = numpartitions(实体、gcp);parforct = 1：n sumens = partition（ens，n，ct）;而Hasdata (subens) data = read(subens);addData =预备数据（数据）;writeToLastMemberRead (suben, addData)结尾结尾结尾

重置(ens) ens.SelectedVariables =“振动”;图，ct = 1;而hasdata（ens）数据=读取（ens）;如果mod（ct，10）== 0振动= data.vibration {1};绘图（振动.time，vigation.data）保持在结尾Ct = Ct + 1;结尾抓住从标题（振动信号的) ylabel (“加速”)

ens.SelectedVariables = [“振动”,“TachoPulses”];

重置（ENS）数据=读取（ex）

振动= data.Vibration {1};%将振动信号插值到适合fft分析的周期时基上NP = 2 ^楼层（LOG（高度（振动））/ log（2））;dt =振动.Time（END）/（NP-1）;电视= 0：DT：振动.Time（END）;y =转音（振动，电视，“线性”);%计算振动信号的时间同步平均值tp =秒（data.tachopulses {1}）;vistrtsa = tsa（y，tp）;图绘图（Vistrtsa.ttime，Vistrtsa.Time）标题（“振动时间同步平均”) ylabel (“加速”)

%计算时间同步平均值的频谱np = numel（vistrtsa）;f = fft（vistrtsa.tsa。*汉明（np））/ np;FRTSA = F（1：地板（NP / 2）+1）;％TSA频率响应WTSA =（0：NP / 2）/ NP *（2 * PI /秒（DT））;% TSA频谱频率mtsa = abs（frtsa）;% TSA谱量值图semilogx (wTSA, 20 * log10 (mTSA))标题('振动谱')包含(“rad / s”)

重置（ens）ens.datavariables = [ens.datavariables;…“sigmean”;“sigmedian”;“SIGRMS”;“SigVar”;“sigpeak”;“SigPeak2Peak”;“SigSkewness”;…“SigKurtosis”;“sigcrestfactor”;“sigmad”;“sigrangecumsum”;“sigcorredimension”;“sig xpprugxentropy”;…“SigLyapExponent”;“PeakFreq”;“HighFreqPower”;“envpower”;“PeakSpecKurtosis”];如果runLocal而hasdata（ens）数据=读取（ens）;addData = analyzeData(数据);WriteTolastmemberRead（ex，adddata）;结尾别的％将集合拆分为分区并并行分析每个分区n = numpartitions(实体、gcp);parforct = 1：n sumens = partition（ens，n，ct）;而Hasdata (subens) data = read(subens);addData = analyzeData(数据);writeToLastMemberRead (suben, addData)结尾结尾结尾

featurevariables = Analyzedata（“GetFeatureNames”);ens.DataVariables = [ens.DataVariables;featureVariables];ens.SelectedVariables = [featureVariables;ens.ConditionVariables];重置(实体)

Featureata =聚集（高（ens））

idxResponse = strcmp (featureData.Properties.VariableNames,'sensordrift');idxLastFeature =找到(idxResponse) 1;用作潜在预测的最后一个特征的指数featureanalysis = fscnca（featureata {：，1：idxlastfeature}，featureda.sensordrift）;Featureanalysis.featureweights.

IdxselectedFeature = Featureanalysis.featureweights> 0.1;classifysd = [featuredata（：，idxselectedfeature），featureda（：，idxresponse）]

图表直方图（classifysd.sigrangecumsum（classifysd.sensordrift），'binwidth'，5e3）xlabel（'信号累积总和范围') ylabel (“数”)举行在直方图（classifysd.sigrangecumsum（〜classifysd.sensordrift），'binwidth'，5e3）持有从传奇（'传感器漂移故障','没有传感器漂移故障')

idxResponse = strcmp (featureData.Properties.VariableNames,'shaftwear');featureanalysis = fscnca（featureata {：，1：idxlastfeature}，featuredata.shaftwear）;Featureanalysis.featureweights.

IdxselectedFeature = Featureanalysis.featureweights> 0.1;classifysw = [featuredata（：，idxselectedfeature），featureda（：，idxresponse）]

图表直方图（classifysw.siglyapexponent（classifysw.shaftwear））xlabel（'信号Lyapunov指数') ylabel (“数”)举行在直方图（classifysw.siglyapexponent（〜classifysw.shaftwear））保持从传奇（'轴磨损过错','没有轴穿故障')

idxResponse = strcmp (featureData.Properties.VariableNames,“ToothFault”);featureAnalysis = fscnca (featureData {: 1: idxLastFeature}, featureData.ToothFault);[~, idxSelectedFeature] = (featureAnalysis.FeatureWeights)进行排序;classifyTF = [featureData(:，idxSelectedFeature(end-5:end))， featureData(:，idxResponse)]

图表直方图（classifytf.sigrangecumsum（classifytf.toothfault））xlabel（'信号累积总和范围') ylabel (“数”)举行在直方图（classifftf.sigrangecumsum（〜classifytf.ToothFault））保持从传奇（'齿轮牙齿故障','没有齿轮牙齿')

RNG（'默认')重复性的％cvp = cvpartition（size（classifytf，1），'kfold'5）;％随机分区数据进行培训和验证classifierTF = fitcsvm (…classifytf（cvp.training（1），1：结束-1），…classifftf（cvp.training（1），结束），…“KernelFunction”,多项式的,…“PolynomialOrder”2，…'kernelscale','汽车',…“BoxConstraint”，1，…'标准化',真的,…'classnames'，[错误的;真的]）;

%在测试验证数据上使用分类器来评估性能actualValue = classifyTF {cvp.test(1),结束};predictedValue = predict(classifierTF, classifyTF(cvp.test(1)，1:end-1));通过计算和绘制混淆矩阵％来检查性能Confdata = ConfusionMat（实际值，预测值）;H = Heatmap（Confdata，…“YLabel”,'实际齿轮牙齿故障',…'ydisplaylabels',{“假”,'真的'}，…“包含”,'预测齿轮牙齿故障',…“XDisplayLabels”,{“假”,'真的'}，…'彩色条形图','离开');