mdl='pdmtransmissioncasing';Open_System（MDL）

open_system ([mdl“/套管”]）

open_system ([mdl'/振动传感器漂移']）

open_system ([mdl“/轴”]）

开放式系统（[mdl，/轴输出轴的]）

toothFaultArray = 2:2/10:0;%牙齿故障增益值sensordriftarray = -1：0.5：1;传感器漂移偏移值Shaftwearray=[0-1]；％变型可用于驱动轴条件%创建包含所有值的n维数组[toothFaultValues, sensorDriftValues shaftWearValues] =......ndgrid (toothFaultArray sensorDriftArray shaftWearArray);为ct =元素个数(toothFaultValues): 1:1创建一个Simulin金宝appk。SimulationInput为each combination of valuessiminput=Si金宝appmulink.SimulationInput（mdl）；%修改模型参数siminput = setVariable (siminput,“牙缝增益”toothFaultValues (ct));siminput = setVariable (siminput,'闷闷'sensorDriftValues (ct));siminput = setVariable (siminput,“ShaftWear”，Shaftwearvalues（CT））;％收集数组中的模拟输入gridSimulationInput (ct) = siminput;结束

rng (“默认”）;为了重现性，重置随机种子toothFaultArray = [0 -rand(1,6)];%牙齿故障增益值传感器漂移阵列=[0随机数（1,6）/8]；传感器漂移偏移值Shaftwearray=[0-1]；％变型可用于驱动轴条件%创建包含所有值的n维数组[toothFaultValues, sensorDriftValues shaftWearValues] =......ndgrid (toothFaultArray sensorDriftArray shaftWearArray);为CT = NUM​​EL（牙齿虚假值）： -  1：1创建一个Simulin金宝appk。SimulationInput为each combination of valuessiminput=Si金宝appmulink.SimulationInput（mdl）；%修改模型参数siminput = setVariable (siminput,“牙缝增益”toothFaultValues (ct));siminput = setVariable (siminput,'闷闷'sensorDriftValues (ct));siminput = setVariable (siminput,“ShaftWear”，Shaftwearvalues（CT））;％收集数组中的模拟输入randomSimulationInput (ct) = siminput;结束

%运行仿真并创建集成以管理仿真结果如果〜存在（fullfile（pwd，“数据”)，“dir”）Mkdir（Fullfile（PWD，“数据”））%创建用于存储结果的目录结束runAll = true;如果runAll [ok,e] = generatessimulationensemble ([gridSimulationInput, randomSimulationInput]，......fullfile (pwd,“数据”)，“UseParallel”， 真的）;其他的[ok,e] = generateSimulationEnsemble(gridSimulationInput(1:10)， fullfile(pwd)，“数据”））;%#好的<*UNRCH>结束

实体= simulationEnsembleDatastore (fullfile (pwd,“数据”））;

实体

ens.selectedvariables.

ens.selectedvariables = [“振动”“转速器”“模拟input”]；数据=读取（ens）

振动= data.vibration {1};绘图（振动.Time，Viaration.data）标题（“振动”）ylabel（“加速”）

idx=振动。时间>=秒（10）；振动=振动（idx，：）；振动。时间=振动。时间-振动。时间（1）；

转速计= data.Tacho {1};idx =转速计。时间> =秒(10);转速计=转速器(idx:);情节(tacho.Time tacho.Data)标题(转速计脉冲的)传奇('传动轴'，'装载轴'）％负载轴比驱动轴更慢地旋转

IDX = diff（tacho.data（:,2））> 0.5;tachpulses = tacho.time（find（idx）+1）-tacho.time（1）

var = data.SimulationInput {1} .Variables;idx = strcmp ({var。名称},'闷闷'）;如果任何（IDX）SF = ABS（vars（Idx）.value）> 0.01;小漂移值不是故障其他的科幻小说= false;结束idx = strcmp ({var。名称},“ShaftWear”）;如果任何(idx) sV = vars(idx)值< 0;其他的sV = false;结束如果任何(idx) idx = strcmp ({var。名称},“牙缝增益”）;st = abs（vars（idx）.value）<0.1;％小齿故障值不是故障其他的st = false.结束faultCode = sF + 2*sV + 4*sT;％a故障代码捕获不同的故障条件

sdata =表({振动},{tachoPulses},科幻,sV, sT, faultCode,......'variablenames'，{“振动”，“TachoPulses”，“SensorDrift”，“ShaftWear”，'牙齿'，“FaultCode”}）

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

ens.ConditionVariables = [“SensorDrift”，“ShaftWear”，“ToothFault”，“FAURORCODE”]；

reset(ens) runLocal = false;如果runLocal%处理集合中的每个成员尽管Hasdata (ens) data = read(ens);addData = prepareData(数据);writeToLastMemberRead(实体,addData)结束其他的%将集成拆分为多个分区，并并行处理每个分区n = numpartitions（ens，gcp）;parforCt = 1:n subens = partition(ens,n, Ct);尽管Hasdata (subens) data = read(subens);addData = prepareData(数据);writeToLastMemberRead (suben, addData)结束结束结束

重置（ens）ens.selectedvariables =“振动”;图，ct = 1;尽管Hasdata (ens) data = read(ens);如果mod(ct,10) == 0情节(vibration.Time vibration.Data)在结束CT = CT + 1;结束持有离开标题('振动信号'）ylabel（“加速”）

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

Reset (ens) data = read(ens)

振动= data.vibration {1};％将振动信号插入适用于FFT分析的周期性时基np = 2 ^地板(日志(高度(振动))/日志(2));dt = vibration.Time(结束)/ (np-1);电视= 0:dt: vibration.Time(结束);y =调整时间(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});vibrationTSA = tsa (y, tp);图绘制(vibrationTSA.ttTime vibrationTSA.tsa)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 =元素个数(vibrationTSA);f = fft (vibrationTSA.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频谱频率百分比mTSA = abs (frTSA);％TSA频谱幅度图半径（WTSA，20 * log10（MTSA））标题（振动光谱的）xlabel（'rad / s'）

重置（ens）ens.DataVariables=[ens.DataVariables；......“SigMean”;“SigMedian”;“SigRMS”;“SigVar”;“SigPeak”;“sigpeak2peak”;“sigskewness”;......“sigkurtosis”;“SigCrestFactor”;“SigMAD”;“SigRangeCumSum”;“SigCorrDimension”;“SigApproxEntropy”;......“siglyapexponent”;“peakfreq”;“高级重量”;“环境动力”;“峰刺痛”]；如果runLocal尽管Hasdata (ens) data = read(ens);addData = analyzeData(数据);writeToLastMemberRead(实体,addData);结束其他的%将集成划分为多个分区，并并行分析每个分区n = numpartitions（ens，gcp）;parforCt = 1:n subens = partition(ens,n, Ct);尽管Hasdata (subens) data = read(subens);addData = analyzeData(数据);writeToLastMemberRead (suben, addData)结束结束结束

featureVariables = analyzeData ('getfeaturenames'）;ens.DataVariables = [ens.DataVariables;featurevariables];ens.selectedvariables = [featurevariables;ens.conitionvariables];重置（ens）

featureData =收集(高(ens))

idxResponse = strcmp (featureData.Properties.VariableNames,“SensorDrift”）;idxLastFeature =找到(idxResponse) 1;用作潜在预测器的最后一个功能的％索引featureAnalysis = fscnca (featureData {: 1: idxLastFeature}, featureData.SensorDrift);featureAnalysis。FeatureWeights

idxSelectedFeature = featureAnalysis。FeatureWeights > 0.1;classifySD = [featureData(:，idxSelectedFeature)， featureData(:，idxResponse)]

图直方图(classifySD.SigRangeCumSum (classifySD.SensorDrift),“BinWidth”5 e3)包含(“信号累积和范围”）ylabel（“数”） 抓住在直方图（classifySD.SigRangeCumSum（~classifySD.SensorDrift），“BinWidth”、5 e3)离开传奇(“传感器漂移故障”，“无传感器漂移故障”）

idxResponse = strcmp (featureData.Properties.VariableNames,“ShaftWear”）;featureAnalysis = fscnca (featureData {: 1: idxLastFeature}, featureData.ShaftWear);featureAnalysis。FeatureWeights

idxSelectedFeature=featureAnalysis.FeatureWeights>0.1；classifySW=[featureData（：，idxSelectedFeature），featureData（：，idxResponse）]

图直方图(classifySW.SigLyapExponent (classifySW.ShaftWear))包含(“信号李雅普诺夫指数”）ylabel（“数”） 抓住在直方图(classifySW.SigLyapExponent (~ classifySW.ShaftWear))离开传奇(“轴磨损故障”，“无轴磨损故障”）

idxResponse = strcmp (featureData.Properties.VariableNames,'牙齿'）;featureanalysis = fscnca（featureata {：，1：idxlastfeature}，featureata.toothfault）;[〜，IdxselectedFeature] =排序（Featureanalysis.featureweights）;classifytf = [featuredata（：，idxselectedfeature（end-5：结束）），featuredata（：，idxresponse）]

图直方图（classifyTF.SigRangeCumSum（classifyTF.TootFault））xlabel(“信号累积和范围”）ylabel（“数”） 抓住在直方图(classifyTF.SigRangeCumSum (~ classifyTF.ToothFault))离开传奇(“齿故障”，'无齿轮齿故障'）

rng (“默认”）%的再现性本量利= cvpartition(大小(classifyTF, 1),“KFold”5);%随机划分数据进行训练和验证classifiertf = fitcsvm（......classifyTF (cvp.training (1), 1: end-1),......classifyTF (cvp.training(1)、结束),......'骨箱'，'多项式'，......'polynomialOrder'2,......“KernelScale”，“汽车”，......'boxconstraint', 1......“标准化”，真的，......“类名”,(假;真正的]);

％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=热图（confdata，......'ylabel'，“实际轮齿故障”，......“YDisplayLabels”，{'错误的'，“真正的”}，......'xlabel'，“预测轮齿故障”，......'xdisplaylabels'，{'错误的'，“真正的”}，......“ColorbarVisible”，“关闭”）;