転動体ベアリングの故障診断

ライブスクリプトを開く

この例では,特に他のマシンコンポーネントからの強いマスキング信号がある場合に,加速度信号に基づいて転動体ベアリングの故障診断を行う方法を説明します。ここでは包絡線スペクトル解析とスペクトル尖度を適用してベアリング故障を診断する方法を示します。この方法はビッグデータアプリケーションにスケールアップできます。

問題の概要

动力体ベアリングにおける局所的な故障，外轮，内轮，ケージ，または动手体にに生物する可性がますますますする性性内轮。外轮や内轮にと，ベアリングと応答変换器间に高度周波共振が励起されれれますます図図はははは内轮に的故障故障部位に当たる当たる示し故障部位に当たる问题示しています问题问题ていい问题いいいいいいいいいいいいいいいいいいいいいいいいいいいいの故障をどのように検出し特定するかです。

机械故障预防技术(MFPT)挑战データ

MFPT挑战データ[4]には,さまざまな故障状態下でマシンから収集された23のデータセットが含まれています。最初の20のデータセットはベアリングテストリグから収集したもので,良好な状態が3つ一定負荷での外輪の故障が3つさまざまな負荷での外輪の故障が7つさまざまな負荷での内輪の故障が7つ含まれています。残りの3つのデータセットは実際のマシン(オイルポンプベアリング,中速ベアリング,および遊星ベアリング)からのものです。故障の場所は不明です。この例では,既知の状態でテストリグから収集されたデータのみが使用されます。

各各データセットに，加入信号“gs”，サンプリングサンプリング“sr”，シャフト速度“速率”，负荷の重み“load”，およびおよび异なる故障场所を表す4），内内轮动态通量参数（bpfi），基本トレーントレーン数（ftf），およびおよび动体スピンスピン数（bsf）ががれます。

传球通话数量，外部（BPFO）

$B. P. F O. = \frac{N. F_{R.}}{2} （ 1 - \frac{D.}{D.} 因为 ϕ 的）$

転動体通過周波数,内輪(BPFI)

$B. P. F 一世 = \frac{N. F_{R.}}{2} （ 1 + \frac{D.}{D.} 因为 ϕ 的）$

基本トレーン周波数(“保障未来粮食供给”),別名ケージ速度

$F T. F = \frac{F_{R.}}{2} （ 1 - \frac{D.}{D.} 因为 ϕ 的）$

転動体(ローラー)スピン周波数

$B. S. F = \frac{D.}{2 D.} [1 - {（ \frac{D.}{D.} 因为 ϕ 的）}^{2}]$

図に示されるように, $D.$ はボールの直径, $D.$ はピッチの直径です。変数 $F_{R.}$ はシャフト回転数, $N.$ は転動体の数, $ϕ$ はベアリングの接触角です[1]。

ベアリング診断のための包絡線スペクトル解析

MFPTデータセットではシャフト速度が一定なので,シャフト速度の変化の効果を取り除くための前処理手順として次数トラッキングを行う必要はありません。

転動体が外輪または内輪の局所的な故障部位に当たったり,転動体にある局所的な故障が外輪や内輪に当たると,そのインパクトにより,BPFO, BPFI,“保障未来粮食供给”,净水器など,対応する臨界周波数が変調します。したがって,振幅復調により生成される包絡線信号は,生の信号のスペクトル解析からは得られない追加の診断情報を伝えます。MFPTデータセットにある内輪故障信号を例にとります。

dataInner =负载(fullfile (matlabroot“工具箱”那'predmaint'那．..'predmaintdemos'那“bearingFaultDiagnosis”那．..“train_data”那“InnerRaceFault_vload_1.mat”））;

生の内輪故障データを時間領域で可視化します。

鑫= dataInner.bearing.gs;傅氏国际= dataInner.bearing.sr;锡矿工=(0:长度(新)(1)/国际;图(tInner, xInner) xlabel(“时间,(s)”) ylabel (“加速度(g)”)标题('原始信号：内赛故障'0.1) xlim ([0])

生のデータを周波数領域で可視化します。

图[pinner，fpinner] = pspectrum（新人，fsinner）;Pinner = 10 * log10（Pinner）;绘图（FPINNER，PINNER）XLABEL（'频率（Hz）') ylabel (的功率谱(dB))标题('原始信号：内赛故障')传说(的功率谱的）

次に低周波数範囲の生の信号のパワースペクトルにズームインし,BPFIとその最初のいくつかの高調波で周波数応答を詳しく調べます。

图绘图（FPINNER，PINNER）NCOMB = 10;Helperplotcombs（ncomb，datainner.bpfi）xlabel（'频率（Hz）') ylabel (的功率谱(dB))标题('原始信号：内赛故障')传说(的功率谱那“BPFI谐波”1000) xlim ([0])

bpfiおよびその高度での明显なパターンはませんません。生效信号

時間領域データを見ると,生の信号の振幅が特定の周波数で変調され,変調の主要周波数は約1/0.009赫兹 $\approx$ 111赫兹であることがわかります。転動体が内輪の局所的な故障部位に当たる周波数,つまりBPFIは118.875赫兹であることがわかっています。これはベアリングの内輪に故障がある可能性を示します。

图Subplot（2,1,1）plot（Tinner，新纳）XLIM（[0.04 0.06]）标题（'原始信号：内赛故障') ylabel (“加速度(g)”)注释(“doublearrow”，[0.37 0.71]，[0.8 0.8]）文本（0.047,20，['0.009秒\约1 / bpfi，bpfi ='num2str (dataInner.BPFI)))

変调した振幅を抽出するには，生の信号の包络线を计算し，下のサブプロットに可视化します。

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”的）

次に包絡線信号のパワースペクトルを計算し,BPFIとその高調波での周波数応答を確認します。

figure plot(fEnvInner, pEnvInner) xlim([0 1000]) ncomb = 10;Helperplotcombs（ncomb，datainner.bpfi）xlabel（'频率（Hz）') ylabel ('峰值幅度')标题(“包络谱:内部种族断层”)传说('信封谱'那“BPFI谐波”的）

ほとんどほとんどのその调波いることわかりわかりわかりわかりわかりわかりわかりわかりわかりわかりわかりわかりわかりのますますますますますわかりわかりわかりとして调波いる故障わかりととエネルギーエネルギー调波调波调波调波调波と调波エネルギー调波调波调波调波调波调波调波调波调波调波调波调波

他の故障タイプへの包絡線スペクトル解析の適用



DataNormal = Load（FullFile（MatlaBroot，“工具箱”那'predmaint'那．..'predmaintdemos'那“bearingFaultDiagnosis”那．..“train_data”那“baseline_1.mat”））;xNormal = dataNormal.bearing.gs;fsNormal = dataNormal.bearing.sr;tNormal =(0:长度(xNormal) 1) / fsNormal;[pEnvNormal, fEnvNormal] = envspectrum(xNormal, fsNormal);figure plot(fEnvNormal, pEnvNormal) ncomb = 10;helperPlotCombs (ncomb [dataNormal。B.P.FO.D.ataNormal.BPFI]) xlim([0 1000]) xlabel('频率（Hz）') ylabel ('峰值幅度')标题(包络谱:正常的)传说('信封谱'那“BPFO谐波”那“BPFI谐波”的）

予想されるとおり,通常のベアリング信号の包絡線スペクトルはBPFOまたはBPFIで有意なピークを示していません。

dataOuter =负载(fullfile (matlabroot“工具箱”那'predmaint'那．..'predmaintdemos'那“bearingFaultDiagnosis”那．..“train_data”那“OuterRaceFault_2.mat”））;xouter = dataouter.bearing.gs;fsouter = dataouter.bearing.sr;touter =（0：长度（Xouter）-1）/ fsouter;[Penvouter，Fenvouter，Xenvouter，Tenvouter] = EngStum（Xouter，Fsouter）;图绘图（Fenvouter，Penvouter）ncomb = 10;Helperplotcombs（ncomb，dataouter.bpfo）xlim（[0 1000]）xlabel（'频率（Hz）') ylabel ('峰值幅度')标题(“包络谱:外种族断层”)传说('信封谱'那“BPFO谐波”的）

外轮故障故障信号で，bpfo高度における明显なピークもありません。包络线スペクトル解析ではんに故障故障のベアリングベアリングとベアリングベアリングをできないのでしょかベアリングをできないのでしょか？の时间领域の信号を调べてみましょう。

まず，时间领域领域信号を可调し尖度を计算のます标准标准た标准标准たたたたたたですたのインパルス。付けます。

图subplot(3,1,1) kurtInner =峰度(xInner);情节(锡矿工,鑫)ylabel (“加速度(g)”)标题('内种族断层，峰度= 'num2str(kurtInner)]) xlim([0 0.1]) subplot(3,1,2) kurtNormal = kurtosis(xNormal);情节(tNormal xNormal) ylabel (“加速度(g)”)标题('正常，峰度= 'num2str(kurtNormal)]) xlim([0 0.1]) subplot(3,1, 3) kurtOuter = kurtosis(xOuter);情节(鼓吹者,xOuter)包含(“时间(s)”) ylabel (“加速度(g)”)标题('外种族断层，峰度= 'num2str（kurtouter）]）xlim（[0 0.1]）

内轮故障では信号の性がはるか大大，包络线スペクトル解析によってbpfiの故障シグネチャが效果にられることわかりますますに轮ことわかりますます。外轮故障の信号で，bpfoの振幅がいくらか目立ちが，强いによってによってマスクされていいい常状态信号行为际际の重要な前前手顺手顺手顺手顺でで次次の节では导入しgramgram尖度をで尖度をしししてててててしてししししししししししし线包络线线线スペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルスペクトルを実包络包络线包络线线线スペクトルスペクトルを実线线

帯域选択のためのkurtogramとスペクトル尖度

kurtogramとスペクトル尖度は周波数帯域内で尖度を局所的に計算します。これらは尖度が最も高い(あるいはS / N比が最も高い)周波数帯域を見つけるための強力なツールです[2]。最高尖度をもつ周波数帯域を特定した後,生の信号にバンドパスフィルターを適用して,包絡線スペクトル解析に用いるさらにインパルス性の高い信号を得ることができます。

水平= 9;图峰度图(xOuter, fsOuter, level)

kurtogramは2.67 kHzを中心として0.763 kHzの帯域幅をもつ周波数帯域の尖度が2.71で最も高いことを示しています。

次に,kurtogramで示される最適なウィンドウ長を使用してスペクトル尖度を計算します。

图WC = 128;pkurtosis（Xouter，Fsouter，WC）

スペクトログラム上に周波数帯域を可視化するため,スペクトログラムを計算してスペクトル尖度を隣に配置します。スペクトル尖度を別の方法で解釈するなら,高いスペクトル尖度値は対応する周波数での強度の分散が大きいことを示しています。したがって,スペクトル尖度は信号の非定常成分を見つけるための有用なツールとなります[3]。

helperSpectrogramAndSpectralKurtosis (xOuter、fsOuter级别)

提案された中心周波数と帯域幅で信号にバンドパスフィルターを適用することにより,尖度を強調して外輪故障の変調された振幅を取得できるようになります。

[〜，〜，〜，fc，〜，bw] = kurtogram（Xouter，fsouter，级别）;bpf = designfilt（'bandpassfir'那“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]）;图形子图（2,1，1）绘图（Touter，Xouter，Tenvouter，Xenvouter）Ylabel（“加速度(g)”)标题('Raw Signal: Outer Race Fault，峰度= '， num2str(kurtOuter)) xlim([0 0.1]) legend(“信号”那'信封') subplot(2,1,2) kurtOuterBpf =峰度(xOuterBpf);plot(tOuter, xOuterBpf, tEnvBpfOuter, xEnvOuterBpf) ylabel(“加速度(g)”) xlim([0 0.1]) xlabel(“时间(s)”)标题('带通滤波信号：外部竞争故障，Kurtosis ='num2str (kurtOuterBpf)])传说(“信号”那'信封'的）

バンドパスフィルター処理の後に尖度の値が増加していることがわかります。次に包絡線信号を周波数領域で可視化します。

图绘制(fEnvOuterBpf pEnvOuterBpf);ncomb = 10;Helperplotcombs（ncomb，dataouter.bpfo）xlim（[0 1000]）xlabel（'频率（Hz）') ylabel ('峰值幅度')标题(“带通滤波信号的包络谱:外部种族故障”)传说('信封谱'那“BPFO谐波”的）

kurtogramとスペクトル尖度で示される周波数帯域を使って生の信号をバンドパスフィルター処理すると,包絡線スペクトル解析によってBPFOとその高調波における故障シグネチャを明らかにすることができます。

バッチ処理

次に,ファイルアンサンブルのデータストアを使用してアルゴリズムを学習データのバッチに適用します。

ツールボックスではデータセットの限定部分を利用できます。データセットを現在のフォルダーにコピーして,書き込み権限を有効にします。

拷贝文件(．..fullfile (matlabroot“工具箱”那'predmaint'那'predmaintdemos'那．..“bearingFaultDiagnosis”），．..“RollingElementBearingFaultDiagnosis-Data-master”) fileattrib (fullfile (“RollingElementBearingFaultDiagnosis-Data-master”那“train_data”那‘* .mat‘），' + w ') fileattrib (fullfile (“RollingElementBearingFaultDiagnosis-Data-master”那“test_data”那‘* .mat‘），' + w '的）

完全なデータセットをを使には，https://github.com/mathworks/RollingElementBearingFaultDiagnosis-Dataのリンクからリポジトリ全ををとしてダウンロードし，ライブスクリプトと同じに保存ますますます。

如果存在(“RollingElementBearingFaultDiagnosis-Data-master.zip”那“文件”)解压缩(“RollingElementBearingFaultDiagnosis-Data-master.zip”的）结尾

この例の結果は完全なデータセットから生成されています。完全なデータセットには,14個の垫ファイル(正常2つ内輪の故障4つ外輪の故障7つ)からなる学習データセットと,6つの垫ファイル(正常1つ内輪の故障2つ外輪の故障3つ)からなるテストデータセットが含まれています。

ReadFcnとWriteToMemberFcnに関数ハンドルを割り当てることで,ファイルアンサンブルのデータストアがファイル内に移動してデータを必要な形式で取得できるようにします。たとえば,MFPTデータには構造体轴承があり,これは振動信号GS.,サンプリングレート老,その他を含みます。轴承構造体そのものを返す代わりに、ファイルアンサンブルのデータストアが轴承データ构造体内にあるある动态信号GS.を返すように,関数readMFPTBearingは记述されています。

fileLocation = fullfile（'。'那“RollingElementBearingFaultDiagnosis-Data-master”那“train_data”）;fileextension =.“.mat”；Ensembletrain = FileSembledAtaStore（fileLocation，fileextension）;Ensembletrain.readfcn = @readmfptbearing;Ensembletrain.datavariables = [“gs”那“老”那“速度”那“负载”那“BPFO”那“bpfi”那““保障未来粮食供给””那“巴斯夫”];ensembleTrain。ConditionVariables = [“标签”那“文档名称”];ensembleTrain。WriteToMemberFcn = @writeMFPTBearing;Ensembletrain.selectedvariables = [“gs”那“老”那“速度”那“负载”那“BPFO”那“bpfi”那““保障未来粮食供给””那“巴斯夫”那“标签”那“文档名称”]

ensembleTrain = fileEnsembleDatastore with properties: ReadFcn: @readMFPTBearing WriteToMemberFcn: @writeMFPTBearing datavvariables: [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“local”配置文件启动并行池(parpool)…连接到6个工人。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 63.91InnerRaceFault_vload_2“内心的种族的错”(146484×1双)48828 25 100 81.125 118.88 14.838 63.91“内座圈的错”“InnerRaceFault_vload_3”(146484×1双)48828 25 150 81.125 118.88 14.838 63.91“内座圈的错”“InnerRaceFault_vload_4”(146484×1双)48828 25 200 81.125 118.88 14.838 63.91“内座圈的错”“InnerRaceFault_vload_5”25(585936×1双)97656 270 81.125 118.88 14.838 63.91“外环的错”“OuterRaceFault_1”(585936×1双)97656 25 270 81.125 118.88 14.838 63.91“外环的错”“OuterRaceFault_2”(146484×1双)48828 25 25 81.125 118.88 14.838 63.91“外环的错”“OuterRaceFault_vload_1 " : : : : : : : : : : : : : : : : : : : :

解析の最後のセクションから,BPFOとBPFIにおけるバンドパスフィルターで処理された包絡線スペクトルの振幅が,ベアリングの故障診断の2つの状態インジケーターであることがわかります。そこで,次の手順としてすべての学習データから2つの状態インジケーターを抽出します。アルゴリズムをさらにロバストにするために,BPFOおよびBPFI周辺の狭い帯域を設定し(帯域幅= $10 Δ F$ ，ここで $Δ F$ はパワースペクトルの周波数分解能），その后この狭い帯域内での最大振幅を见つけます。アルゴリズムは下に示す关数bearingFeatureExtractionに含まれます.bpfiおよびbpfo周辺のの线スペクトルののは，この例の残りのの部で“bpfi振幅”および“bpfo振幅”ととれます。

要并行处理数据，请使用以下代码% pool = gcp;% n = numpartitions(ensembleTrain, pool);ct = 1:n％子宫梅布林=分区（集成集团，N，CT）;％复位（子梅花植物）;%,而hasdata (subEnsembleTrain)％FeaterFeatureextraction（子群）;％ 结尾％ 结尾Ensembletrain.datavariables = [ensembleTrain。D.ataVariables;“BPFIAmplitude”；“bpfoamplitude”];重置(ensembleTrain)而Hasdata（集成束）aubsionFeatureextraction（集电集团）结尾

新しい状態インジケーターがファイルアンサンブルのデータストアに追加されたら,SelectedVariablesをファイルアンサンブルのデータストアから関連データを読み取るように指定して,抽出された状態インジケーターを含む特徴テーブルを作成します。

Ensembletrain.selectedvariables = [“BPFIAmplitude”那“bpfoamplitude”那“标签”];featureTableTrain =高(ensembleTrain);featureTableTrain =收集(featureTableTrain);

使用Parallel Pool 'local'计算tall表达式

3秒内完成评估

featureTableTrain

FeatureTableTrain =.14×3表BPFIAmplitude BPFOAmplitude Label _____________ _____________ __________________ 0.33918 0.082296 "Inner Race Fault" 0.31488 0.026599 "Inner Race Fault" 0.52356 0.036609 "Inner Race Fault" 0.52899 0.028381 "Inner Race Fault" 0.13515 0.012337 "Inner Race Fault" 0.004024 0.03574 "Outer Race Fault" 0.0044918 0.1835 "Outer Race Fault" 0.0074993 0.30166“外环的错”0.。0.13662 0.12468 "Outer Race Fault" 0.0070963 0.28215 "Outer Race Fault" 0.0060772 0.35241 "Outer Race Fault" 0.011244 0.17975 "Outer Race Fault" 0.0036798 0.0050208 "Normal" 0.00359 0.0069449 "Normal"

作成された特徴テーブルを可視化します。

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

BPFI振幅とBPFO振幅の相対的な値は,さまざまな故障タイプの効果的なインジケーターとなる可能性があります。ここでは新しい特徴が作成されますが,これは2つの既存の特徴の対数比であり,異なる故障タイプによってグループ化されたヒストグラムで可視化されます。

featureTableTrain。一世O.LogRatio = log(featureTableTrain.BPFIAmplitude./featureTableTrain.BPFOAmplitude); figure hold在直方图(featureTableTrain.IOLogRatio (featureTableTrain.Label = =“内座圈的错”），“BinWidth”，0.5）直方图（FeaturetableTrain.iologratio（featuretableTrain.label ==“外环的错”），“BinWidth”，0.5）直方图（FeaturetableTrain.iologratio（featuretableTrain.label ==“普通的”），“BinWidth”情节,0.5)(-1.5[-1.5南0.5 - 0.5],[0 3南0 3],'k-')举行从ylabel ('数数')包含(“日志(BPFIAmplitude / BPFOAmplitude)”)传说(“内套的错”那“外环的错”那'普通的'那分类边界的的）

ヒストグラムでは3つの異なるベアリング状態間に明らかな分離が見られます。B.P.F一世振幅と BPFO 振幅間の対数比は、ベアリングの故障を分類するための有効な特徴です。例を簡易化するため、非常に単純な分類器が導出されます。 $日志（ \frac{BPFIAmp litude}{BPFOAmp litude} 的） \leq - 1 。 5.$ - $- 1 。 5. < 日志（ \frac{BPFIAmp litude}{BPFOAmp litude} 的） \leq 0. 。 5.$ の場合はベアリングが正常であり, $日志（ \frac{BPFIAmp litude}{BPFOAmp litude} 的） > 0. 。 5.$ の场合はベアリングに内轮の故障があります。

テストデータセットを使使使た検证

次に,テストデータセットにワークフローを適用して,前の節で得た分類器を検証します。ここで,テストデータには正常なデータセットが1つ内輪故障のデータセットが2つ外輪故障のデータセットが3つ含まれています。

fileLocation = fullfile（'。'那“RollingElementBearingFaultDiagnosis-Data-master”那“test_data”）;fileextension =.“.mat”；ensembleTest = fileEnsembleDatastore(fileLocation, fileExtension);ensembleTest。ReadFcn=@readMFPTBearing; ensembleTest.DataVariables = [“gs”那“老”那“速度”那“负载”那“BPFO”那“bpfi”那““保障未来粮食供给””那“巴斯夫”];ensembleTest。ConditionVariables = [“标签”那“文档名称”];ensembleTest。WriteToMemberFcn = @writeMFPTBearing;Ensembletest.SelectedVariables = [“gs”那“老”那“速度”那“负载”那“BPFO”那“bpfi”那““保障未来粮食供给””那“巴斯夫”那“标签”那“文档名称”]

ensembleTest = fileEnsembleDatastore with properties: ReadFcn: @readMFPTBearing WriteToMemberFcn: @writeMFPTBearing datavvariables: [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。D.ataVariables = [ensembleTest.DataVariables;“BPFIAmplitude”；“bpfoamplitude”];重置(ensembleTest)而hasdata (ensembleTest) bearingFeatureExtraction (ensembleTest)结尾

Ensembletest.SelectedVariables = [“BPFIAmplitude”那“bpfoamplitude”那“标签”];FeatureTableTest = Tall（Ensembletest）;FeatureTableTest =收集（FeatureTableTest）;

通过1 of 1: Completed in 1 sec在1秒内完成

FeatureTableTest.IoLogratio = log（featureTableTest.bpfiamplitude./featuretableabletest.bpfoamplitude）;图持有在直方图(featureTableTrain.IOLogRatio (featureTableTrain.Label = =“内座圈的错”），“BinWidth”，0.5）直方图（FeaturetableTrain.iologratio（featuretableTrain.label ==“外环的错”），“BinWidth”，0.5）直方图（FeaturetableTrain.iologratio（featuretableTrain.label ==“普通的”），“BinWidth”, 0.5)直方图(featureTableTest.IOLogRatio (featureTableTest.Label = =“内座圈的错”），“BinWidth”, 0.1)直方图(featureTableTest.IOLogRatio (featureTableTest.Label = =“外环的错”），“BinWidth”, 0.1)直方图(featureTableTest.IOLogRatio (featureTableTest.Label = =“普通的”），“BinWidth”情节,0.1)(-1.5[-1.5南0.5 - 0.5],[0 3南0 3],'k-')举行从ylabel ('数数')包含(“日志(BPFIAmplitude / BPFOAmplitude)”)传说('内部赛道 - 火车'那'外运断层 - 火车'那“正常——火车”那．..“内种族故障-测试”那“外种族故障-测试”那“正常——测试”那．..分类边界的的）

テストデータセットからのBPFI振幅とBPFO振幅の対数比は,学習データセットからの対数比と一貫した分布を示しています。前の節で得た簡単な分類器は,テストデータセットに対し完全な正確性を見せています。

适切な一流化学をうををの注意しくださいは复の注意にくださいください。する驰数量をしをし，重要度のランクにより特色のサブセットをし，统计和机器学习工具箱の分类学习器アプリアプリアプリアプリをさまざまななでしてでで，习习させるで，よりよりされでで，より洗练さたた金宝app“

まとめ

この例でで，kurtogram，スペクトル尖度，および包络线スペクトルスペクトルスペクトルして，动词体ベアリングのさまざま故障を特性する说明しいますますそのアルゴリズムていデータデータ后アルゴリズムディスクのデータデータの适ディスクのデータセットバッチ适适のデータデータの适bpfiとbpfoでバンドパスパスフィルターフィルターフィルター包络包络スペクトルスペクトル振幅

参考文献

[1] Randall，Robert B.和Jerome Antoni。“滚动元件轴承诊断 - 一个教程。”机械系统和信号处理.Vol。25，第2页，2011，第485-520页。

sncf的杰罗姆[2]。快速计算峰度图以检测暂态故障机械系统和信号处理.Vol。21，数字1,2007，第108-124页。

sncf的杰罗姆[3]。谱峰度:描述非平稳信号的有用工具。机械系统和信号处理.Vol。20，第2,2,2006，第282-307页。

[4] Bechhoefer,埃里克。用于测试诊断和预测算法的基于条件的维护故障数据库，2013。https://mfpt.org/fault-data-sets/

補助関数

函数bearingFeatureExtraction(整体)从轴承数据中提取状态指标数据=读取（集合）;x = data.gs {1};fs = data.sr;%临界频率BPFO = data.BPFO;BPFI = data.BPFI;水平= 9;[~， ~， ~， fc， ~， BW] =峰度图(x, fs, level);带通滤波包络谱[Penvpbpf，fenvbpf] = envspectum（x，fs，“FilterOrder”，200，“乐队”， [max([fc-BW/2 0]) min([fc+BW/2 0.999*fs/2])]);deltaf = fEnvBpf(2) - fEnvBpf(1);BPFIAmplitude = max(pEnvpBpf((fEnvBpf > (BPFI-5*deltaf)) & (fEnvBpf < (BPFI+5*deltaf))));BPFOAmplitude = max(pEnvpBpf((fEnvBpf > (bfo -5*deltaf)) & (fEnvBpf < (bfo +5*deltaf))));writeToLastMemberRead(合奏,表(BPFIAmplitude BPFOAmplitude,“VariableNames”, {“BPFIAmplitude”那“BPFOAmplitude”}））;结尾