必須可以的，給你一個簡單的例子
做多了基于機器學習和深度學習的機械故障診斷，感覺沒意思了，換個口味，寫一下基于現代信號處理的齒輪故障檢測。本例來源于Mathworks公司的某一個大佬，主要講解如何利用電機的電流信號識別齒輪系中的故障。
運行環境：MATLAB R2021B，低于此版本可能不能運行成功
使用傳統振動傳感器進行齒輪的故障監測具有一定的挑戰性，尤其是當振動傳感器不易安裝時。由于電流信號很容易獲取，因此本例說明如何應用電機電流特征分析提取頻譜特征，以檢測電機驅動齒輪中的故障。
硬件
本例中的電流數據是Futaba S3003伺服器中采集的，該伺服器經過修改可以實現連續旋轉。伺服系統將內部直流電機的高轉速轉換為輸出的高扭矩。伺服系統由直流電機、一組尼龍金屬齒輪和控制電路組成。本例移除了控制電路，允許直接監控直流電機的電流信號，使用紅外光斷續器采集伺服器輸出的轉速信號。伺服器和紅外光斷續器由3D 打印支架固定。
直流電機以恒定5伏電壓驅動，四對齒輪提供 278:1 的減速比，花鍵處的軸轉速約為 50 rpm。 由于電流測量值的變化太小而無法檢測，因此使用單電源傳感器接口放大器放大了電流信號。 然后使用抗混疊五階橢圓低通濾波器對放大的電流信號進行濾波，使其平滑并消除噪聲，然后通過模數轉換器 (ADC) 將其發送到 Arduino Uno。
如上面流程圖所示，首先分別使用放大器和抗混疊低通濾波器對電流信號進行放大和濾波。 Arduino Uno 通過 ADC 以 1.5 kHz 采樣電流信號，并將其與轉速計脈沖一起作為串行數據以 115200 的波特率傳輸到計算機。MATLAB 腳本從 Arduino Uno 獲取串行數據并將其寫入逗號分隔值 (CSV) 文件。 然后使用 MATLAB 讀取和處理CSV 文件以提取頻譜指標。
伺服齒輪系
Futaba S3003 由四對尼龍齒輪組成，如上圖所示。 直流電機軸上的小齒輪 P1 與階梯齒輪 G1 嚙合，小齒輪P2與階梯齒輪G2嚙合，小齒輪P3與階梯齒輪G3嚙合，小齒輪 P4 與連接到輸出花鍵的齒輪 G4 嚙合。 階梯式齒輪組 G1 和 P2、G2 和 P3 以及 G3 和 P4 是自由旋轉齒輪，即它們不連接到各自的軸上。 當電機以 5 伏電壓驅動時，該組驅動齒輪提供了 278:1 的減速比，從 13901 rpm 的電機速度到輸出花鍵的50 rpm轉速。 下表概述了每個齒輪嚙合處的輸出速度、齒輪嚙合頻率和累積齒輪減速的齒數和理論值。
在將故障引入階梯齒輪 G2 和 G3 之前，共收集了 10 個健康數據集。 由于齒輪是用尼龍模制而成的，因此在齒空間中切割槽，在兩個齒輪中引入了模擬裂紋。 齒距是沿正齒輪的節圓測量的兩個相鄰齒之間的間隙。 槽深度約為齒輪半徑的 70%。 引入齒輪G2和G3的故障后，共記錄了10個故障數據集。
數據可視化
考慮一組健康和故障數據，可視化當前信號和轉速脈沖
healthyData = servoData.healthyData{1,1};
faultyData = servoData.faultyData{1,1};
healthyCurrent = healthyData.Signal;
faultyCurrent = faultyData.Signal;
healthyTacho = healthyData.Pulse;
faultyTacho = faultyData.Pulse;
tHealthy = healthyData.Time;
tFaulty = faultyData.Time;
figure
ax1 = subplot(221);
plot(tHealthy,healthyCurrent)
title(Current Signal - Healthy Gears)
ylabel(Current (mA))
ax2 = subplot(222);
plot(tFaulty,faultyCurrent)
title(Current Signal - Faulty Gears)
ylabel(Current (mA))
ax3 = subplot(223);
plot(tHealthy,healthyTacho)
title(Tachometer Pulse - Healthy Gears)
ylabel(Pulses, 8/rev)
ax4 = subplot(224);
plot(tFaulty,faultyTacho)
title(Tachometer Pulse - Faulty Gears)
ylabel(Pulses, 8/rev)
linkaxes([ax1,ax2,ax3,ax4],x);
ax1.XLim = seconds([0 2]);
輸出花鍵每轉八個脈沖，對應于伺服輪上的八個孔。
計算額定轉速
計算額定速度，以檢測齒輪系統中感興趣的頻率，并將其與功率譜上的頻率正確匹配，感興趣的頻率是以Hz為單位的實際輸出速度值。使用1500Hz的采樣頻率值，可視化轉速計信號，并使用tachorpm函數計算額定轉速。
fs = 1500;
figure
tachorpm(healthyTacho,fs,PulsesPerRev,8)
figure
tachorpm(faultyTacho,fs,PulsesPerRev,8)
rpmHealthy = mean(tachorpm(healthyTacho,fs,PulsesPerRev,8))
rpmFaulty = mean(tachorpm(faultyTacho,fs,PulsesPerRev,8))
rpmHealthy = 49.8550
rpmFaulty = 49.5267
在正常數據集和故障數據集之間，輸出軸速度有非常小的差異。實際額定rpm值也接近理論值50 rpm。
構造頻帶
構造頻帶是計算頻譜指標的重要前提。利用齒輪系中驅動齒輪的齒數和名義轉數，首先計算感興趣的頻率，感興趣的頻率是以Hz為單位的實際輸出速度值，其值接近下表中列出的理論值。
%齒數
G4 = 41; G3 = 35; G2 = 50; G1 = 62;
P4 = 16; P3 = 10; P2 = 10; P1 = 10;
rpm = rpmHealthy;
%感興趣的頻率
FS5 = mean(rpm)/60;
FS4 = G4/P4*FS5;
FS3 = G3/P3*FS4;
FS2 = G2/P2*FS3;
FS1 = G1/P1*FS2;
FS = [FS1,FS2,FS3,FS4,FS5]
接下來，使用faultBands函數構造所有輸出速度的頻帶，其中包括以下感興趣的頻率。
FS1 at 231 Hz, its first two harmonics, and 0:1 sidebands of FS2
FS2 at 37.3 Hz, its first two harmonics, and 0:1 sidebands of FS3
FS3 at 7.5 Hz and its first two harmonics
FS4 at 2.1 Hz and its first two harmonics
[FB1,info1] = faultBands(FS1,1:2,FS2,0:1);
[FB2,info2] = faultBands(FS2,1:2,FS3,0:1);
[FB3,info3] = faultBands(FS3,1:2);
[FB4,info4] = faultBands(FS4,1:2);
FB = [FB1;FB2;FB3;FB4]
輸出FB是一個16 × 2的數組，包含以上感興趣的頻率。
提取功率譜密度(PSD)數據
計算并可視化運行正常和故障數據的功率譜，利用結構信息中的信息在頻譜圖上繪制感興趣的頻率，并放大部分頻率
藍色表示正常頻譜，紅色表示故障數據頻譜。從圖中可以觀察到故障頻率振幅的增加:
1FS1 at 231 Hz, its second harmonic 2FS1 at 462 Hz, and their respective sidebands
放大圖，觀察以下頻率的振幅增加情況:
1FS2 at 37.2 Hz and its sidebands
1FS3 at 7.5 Hz and its second harmonic 2FS3 at 15 Hz
1FS4 at 2.1 Hz and its second harmonic 2FS4 at 4.2 Hz
利用pspectrum函數分別計算健康信號和故障信號的PSD
[psdHealthy,fHealthy] = pspectrum(healthyCurrent,fs,FrequencyResolution,0.5);
[psdFaulty,fFaulty] =
pspectrum(faultyCurrent,fs,FrequencyResolution,0.5);
計算頻譜指標
使用頻帶數據和PSD數據，使用faultBandMetrics函數計算健康數據和故障數據的頻譜指標
spectralMetrics = faultBandMetrics({[psdHealthy,fHealthy],[psdFaulty,fFaulty]},FB)
spectralMetrics=2×49 table
PeakAmplitude1 PeakFrequency1 BandPower1 PeakAmplitude2 PeakFrequency2 BandPower2 PeakAmplitude3 PeakFrequency3 BandPower3 PeakAmplitude4 PeakFrequency4 BandPower4 PeakAmplitude5 PeakFrequency5 BandPower5 PeakAmplitude6 PeakFrequency6 BandPower6 PeakAmplitude7 PeakFrequency7 BandPower7 PeakAmplitude8 PeakFrequency8 BandPower8 PeakAmplitude9 PeakFrequency9 BandPower9 PeakAmplitude10 PeakFrequency10 BandPower10 PeakAmplitude11 PeakFrequency11 BandPower11 PeakAmplitude12 PeakFrequency12 BandPower12 PeakAmplitude13 PeakFrequency13 BandPower13 PeakAmplitude14 PeakFrequency14 BandPower14 PeakAmplitude15 PeakFrequency15 BandPower15 PeakAmplitude16 PeakFrequency16 BandPower16 TotalBandPower
______________ ______________ __________ ______________ ______________ __________ ______________ ______________ __________ ______________ ______________ __________ ______________ ______________ __________ ______________ ______________ __________ ______________ ______________ __________ ______________ ______________ __________ ______________ ______________ __________ _______________ _______________ ___________ _______________ _______________ ___________ _______________ _______________ ___________ _______________ _______________ ___________ _______________ _______________ ___________ _______________ _______________ ___________ _______________ _______________ ___________ ______________
0.0020712 193.75 0.010881 0.50813 231.06 0.46652 0.0019579 272.5 0.011841 0.0020486 424.06 0.011225 0.54982 462 0.89544 0.0024293 493.69 0.0091045 0.002966 29.812 0.0035485 0.015582 37.25 0.011132 0.0028865 44.688 0.0041317 0.011896 67.062 0.0072753 0.059126 74.5 0.033568 0.013218 82 0.0079886 5.7904 7.4375 2.3115 0.068452 14.938 0.027653 0.79006 2.125 0.14382 0.09849 4.25 0.01806 3.9737
0.009804 192.44 0.017916 3.6921 229.44 2.9975 0.0035204 266.44 0.015639 0.0057056 421.75 0.019293 1.2974 459.69 3.2185 0.0053261 495.88 0.016296 0.0031674 28.938 0.0044271 0.023983 37 0.014447 0.0136 44.438 0.0089119 0.011419 66.625 0.0077035 0.0684 74 0.037016 0.012244 81.438 0.0075805 7.7931 7.375 3.0193 0.15692 14.812 0.058255 2.4211 2.125 0.4407 0.55167 4.25 0.10029 9.9838
輸出是FB中頻率范圍的一個2 × 49的指標表。第一行包含健康數據的指標，第二行包含故障數據的指標。注意，以下指標對于故障數據的值要比健康數據的值高得多:
PeakAmplitude2 for the frequency at 231 Hz with a difference of 3.1842 units
TotalBandPower with a difference of 6.01 units
因此，可以使用這兩個指標創建散點圖，分別對故障數據和健康數據進行分組。
創建散點圖
創建散點圖，使用表servoData中的所有20個數據集的兩個譜指標PeakAmplitude2和TotalBandPower對健康數據和故障數據進行分類。
plotData = zeros(10,4);
for n = 1:max(size(servoData))
hC = servoData.healthyData{n,1}.Signal;
fC = servoData.faultyData{n,1}.Signal;
[psdH,freqH] = pspectrum(hC,fs,FrequencyResolution,0.5);
[psdF,freqF] = pspectrum(fC,fs,FrequencyResolution,0.5);
sMetrics = faultBandMetrics({[psdH,freqH],[psdF,freqF]},FB);
plotData(n,:) = [sMetrics{:,4},sMetrics{:,49}];
end
figure
scatter(plotData(:,1),plotData(:,3),[],blue)
hold on;
scatter(plotData(:,2),plotData(:,4),[],red)
legend(Healthy Data,Faulty Data,Location,best)
xlabel(Peak Amplitude 2)
ylabel(Total Band Power)
hold off
觀察健康數據集和故障數據集被分組在散點圖的不同區域。因此，通過分析伺服電機的電流特征，可以對故障和健康數據進行分類。
