mdl=“PDM传输”; 开放式系统（mdl）

Open_System（[MDL“/套管”]）

Open_System（[MDL“/带漂移的振动传感器”]）

Open_System（[MDL“/轴”]）

开放式系统（[mdl，'/轴/输出轴']）

牙齿arrawaray = -2：2/10：0;％齿故障增益值传感器漂移阵列=-1:0.5:1；％传感器漂移偏移值Shaftwearray=[0-1]；%适用于驱动轴条件的变型％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％为值的每个组合创建S万博1manbetximulink.SimulationInputsiminput=Si万博1manbetxmulink.SimulationInput（mdl）；％修改模型参数siminput = setVariable（siminput，“牙缝增益”，牙齿ultvalues（CT））;siminput = setVariable（siminput，“SDrift”，sensorDriftValues（CT））;siminput = setVariable（siminput，'shaftwear'，shaftWearValues（ct））；%收集阵列中的模拟输入GridSimulationInput（CT）= Siminput;结尾

RNG（'默认'）;％重置随机种子以进行再现性toothFaultArray = [0 -rand（1,6）]。％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]；%适用于驱动轴条件的变型％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=numel（齿故障值）：-1:1％为值的每个组合创建S万博1manbetximulink.SimulationInputsiminput=Si万博1manbetxmulink.SimulationInput（mdl）；％修改模型参数siminput = setVariable（siminput，“牙缝增益”，牙齿ultvalues（CT））;siminput = setVariable（siminput，“SDrift”，sensorDriftValues（CT））;siminput = setVariable（siminput，'shaftwear'，shaftWearValues（ct））；%收集阵列中的模拟输入RandomSimulationInput（CT）= Siminput;结尾

%运行仿真并创建集成以管理仿真结果如果~exist（完整文件（pwd），'数据'），'dir')mkdir（完整文件（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]，...完整文件（pwd，'数据'），'使用指平行'，对）；别的[确定，E] = generateSimulationEnsemble（gridSimulationInput（1:10），完整文件（PWD，'数据'））;%#好的<*UNRCH>结尾

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

奴隶

ens.SelectedVariables

ens.SelectedVariables=[“振动”“测速”“模拟输入”]; 数据=读取（ens）

振动=数据。振动{1}；绘图（振动、时间、振动、数据）标题('振动')伊拉贝尔('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）；

tacho = data.tacho {1};idx = tacho.time> =秒（10）;tacho = tacho（idx，:);plot（tacho.time，tacho.data）标题（“测速脉冲”)传奇(“驱动轴”那“负载轴”）%负载轴旋转比驱动轴慢

idx=diff（测速数据（：，2））>0.5；转速表=转速表时间（查找（idx）+1）-转速表时间（1）

vars = data.simulationInput {1} .variables;idx = strcmp（{vars.name}，“SDrift”）;如果任何（idx）sF=abs（变量（idx）.值）>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;结尾如果任何（IDX）IDX =的strcmp（{vars.Name}“牙缝增益”); sT=绝对值（变量（idx）.值）<0.1；%小齿故障值不是故障别的sT=假结尾FaultCode = SF + 2 * SV + 4 * ST;%用于捕获不同故障条件的故障代码

sdata =表（{vibration}，{tachpulses}，sf，sv，st，Fairfcode，...“变化无常”,{'振动'那'TachoPulses'那'sensordrift'那'shaftwear'那“牙错”那'affactcode'}）

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

ens.conditionVariables = [“sensordrift”那“shaftwear”那“牙齿”那“故障代码”];

重置（ens）runlocal = false;如果runLocal％处理集合中的每个成员虽然hasdata（ens）数据=读取（ens）;addData =预备数据（数据）;WriteTolastMemberRead（ex，adddata）结尾别的%将集成拆分为多个分区，并并行处理每个分区n=百分比（ens，gcp）；议案ct = 1：n sumens = partition（ens，n，ct）;虽然hasdata（subens）数据=读（subens）;addData =预备数据（数据）;writeToLastMemberRead（subens的话，addData）结尾结尾结尾

重置（ens）ens.SelectedVariables=“振动”;图，ct = 1;虽然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…上结尾ct=ct+1；结尾抓住关标题（“振动信号”)伊拉贝尔('加速'）

ens.SelectedVariables=[“振动”那“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（“振动时间同步平均值”)伊拉贝尔('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/s（dt））；％TSA频谱频率mtsa = abs（frtsa）;%TSA谱震级图semilogx（wTSA，20*log10（mTSA））标题('振动谱')xlabel(“rad/s”）

重置（ens）ens.DataVariables=[ens.DataVariables；...“SigMean”;“sigmedian”;“SIGRMS”;“SigVar”;“sigpeak”;“SigPeak2Peak”;“偏斜”;...“信号峰度”;“sigcrestfactor”;“西格玛”;“sigrangecumsum”;“sigcorredimension”;“sig xpprugxentropy”;...“SigLyapExponent”;“PeakFreq”;“高频功率”;“环境动力”;“峰度峰值”];如果runLocal虽然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=百分比（ens，gcp）；议案ct = 1：n sumens = partition（ens，n，ct）;虽然hasdata（subens）数据=读（subens）;addData = analyzeData（数据）;writeToLastMemberRead（subens的话，addData）结尾结尾结尾

featurevariables = Analyzedata（“GetFeatureNames”); ens.DataVariables=[ens.DataVariables；特征变量]；ens.SelectedVariables=[featureVariables；条件变量]；重置（ens）

Featureata =聚集（高（ens））

idxResponse =的strcmp（featureData.Properties.VariableNames，'sensordrift'）;idxLastFeature =找到（idxResponse）-1;%用作潜在预测因子的最后一个特征的索引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')伊拉贝尔('数数')持有在…上直方图（classifySD.SigRangeCumSum（~classifySD.SensorDrift），'binwidth'，5e3）持有关传奇（'传感器漂移故障'那'没有传感器漂移故障'）

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

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

图表直方图（classifysw.siglyapexponent（classifysw.shaftwear））xlabel（'信号Lyapunov指数')伊拉贝尔('数数')持有在…上直方图（classifysw.siglyapexponent（〜classifysw.shaftwear））保持关传奇（'轴磨损过错'那“无轴磨损故障”）

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

图直方图（classifyTF.SigRangeCumSum（classifyTF.TootFault））xlabel('信号累积总和范围')伊拉贝尔('数数')持有在…上直方图（classifftf.sigrangecumsum（〜classifytf.ToothFault））保持关传奇（'齿轮牙齿故障'那'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），...“内核函数”那“多项式”那...“多项式序”2，...'kernelscale'那'汽车'那...“BoxConstraint”，1，...'标准化'是的，...'classnames'，[错误的;真的]）;

%使用测试验证数据上的分类器来评估性能actualValue = classifyTF {cvp.test（1），端};predictedValue =预测（classifierTF，classifyTF（cvp.test（1），1：端-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，...“伊拉贝尔”那“实际轮齿故障”那...“YDisplayLabels”, {“假”那'真的'}，...“XLabel”那“预测轮齿故障”那...“XDisplayLabels”, {“假”那'真的'}，...'彩色条形图'那'离开'）;