文章目录
- 1 背景
- 2 幅值概率密度函数
- 3 实现流程
-
- 3.1 自定义函数
- 3.2 模拟正弦信号
- 4 CWRU轴承数据
-
- 4.1 加载数据
- 4.2 相同工况不同故障
- 4.3 相同数据不同份数
- 5 参考附录
1 背景
很多初学者刚接触故障诊断可能觉得很简单，套用深度学习模型进行训练，分类准确率达到99%即可。 在写论文时，这样的确没问题。但是在工作或者在解决实际问题时，几乎是用不上。
信号波形是某种物理量随时间变化的关系。
机械振动信号处理的基本方法有幅域分析、时域分析和频域分析。
(1)在幅值上的各种统计处理通常称为幅域分析。
仅对波形的幅值用简单的方法进行统计分析， 如计算波形的最大值、平均值和有效值，或研究时域波形幅值的概率分布形式等。
(2)信号在时间域内的变换或统计分析称为时域分析。
(3)频域分析是确定信号的频率结构，即信号中包含哪些频率成分，分析的结果是以频率为自变量的各种物理量的谱线或曲线。
不同的分析方法是从不同的角度观察、分析信号，使信号处理的结果更加利于故障分析与诊断。
2 幅值概率密度函数
随机信号的幅值概率密度函数表示信号的幅值落在某一个指定区间内的概率，幅值概率密度函数提供了随机信号沿幅值域分布的信息，是随机信号的主要统计特性参数之一。
图示为时域波形及幅值概率密度函数。
<
