【故障诊断】化合物轴承故障诊断的稀疏贝叶斯学习方法（matlab实现）

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

---

💥1 概述

复合轴承故障诊断的稀疏贝叶斯学习方法涉及利用贝叶斯技术分析数据，并识别复合轴承中的潜在故障。这些方法旨在有效处理轴承故障数据的高维稀疏特性，同时提供准确的诊断结果。总的来说，稀疏贝叶斯学习方法为复合轴承的故障诊断提供了一个强大的框架，能够有效分析高维数据，同时提供准确可靠的诊断结果。

📚2 运行结果

部分代码：

%% "Experiment_1.m" will generate Figs. 8-13 in the paper: 

clear;
close all;
addpath(genpath(fileparts(mfilename('fullpath'))));

%%  Paderborn University Dataset
 y=load('N15_M01_F10_KB27_10.mat');
 y=y.N15_M01_F10_KB27_10.Y(7).Data; 
 y=y';
 y=y(1:64000);
 Fs=64000;                                        %  the sampling frequency             
 Sig_N=y;
 N=length(Sig_N);
 t = (0 : N-1) / Fs;
 
 F1=76.25;                                        %   BPFO
 F2=123.3;                                        %   BPFI

y_h= abs(hilbert(Sig_N));                         %   the envelope of Sig_N
F = ([1:N]-1)*Fs/N;                               %   frequency domain

%%   plot original signal and its envelope spectrum
figure(8);
subplot(3,2,1)
plot(t,Sig_N,'black')
axis([0 1 -2 2])
xlabel('Time [s]')
ylabel('Amp.[m/s^2]')
title('a) Original signal')

subplot(3,2,2)
x_plot=[F1  F1];
y_plot=[0  0.03];
plot(x_plot,y_plot,'--g','linewidth',1);
hold on;
x_plot2=[F2  F2];
y_plot2=[0  0.03];
plot(x_plot2,y_plot2,'--r','linewidth',1);
hold on;
plot(F, abs(fft(y_h))/(N/2));
axis([0 800 0 0.03])
xlabel('Frequency [Hz]')
title('b) Envelope spectrum')

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

[1]张荣兵,叶青,孙剑雄等.2022年云南省其他感染性腹泻病例报告和诊断情况分析[J/OL].预防医学情报杂志:1-6[2024-03-15].https://doi.org/10.19971/j.cnki.1006-4028.230010.

🌈4 Matlab代码实现