机械故障诊断信号的幅域分析 - 幅值概率密度函数 |在CWRU轴承数据上实战

import scipy.io as scioimport numpy as npimport matplotlib.pyplot as pltfrom scipy import signal, fftpack, stats

from matplotlib import rcParams
config = {    "font.family": 'serif', # 衬线字体    "font.size": 10, # 相当于小四大小    "font.serif": ['SimSun'], # 宋体    "mathtext.fontset": 'stix', # matplotlib渲染数学字体时使用的字体，和Times New Roman差别不大    'axes.unicode_minus': False # 处理负号，即-号}rcParams.update(config)

def data_acquision(FilePath):    """    fun: 从cwru mat文件读取加速度数据    param file_path: mat文件绝对路径    return accl_data: 加速度数据，array类型    """    data = scio.loadmat(file_path)  # 加载mat数据    data_key_list = list(data.keys())  # mat文件为字典类型，获取字典所有的键并转换为list类型    accl_key = data_key_list[3]  # 获取'X108_DE_time'    accl_data = data[accl_key].flatten()  # 获取'X108_DE_time'所对应的值，即为振动加速度信号,并将二维数组展成一维数组    return accl_data

file_path = r'E:/研究生/pytorch/CSDN代码/fault_diagnosis_signal_processing/第4篇-包络谱/1730_12k_0.007-InnerRace.mat'xt = data_acquision(file_path)  #从mat文件获取振动加速度数据##--------绘制时域图-------##plt.figure(figsize=(12,3))plt.plot(xt)plt.show()print(xt)

[ 0.22269856  0.09323776 -0.14651649 ... -0.36125573  0.31138814  0.17055689]

def interval_num_count(data, low, high):    '''    fun: 统计一维数据data落入某一个区间[low, high]内的数量    param low: 区间下限    param high: 区间上限    return count_num: 落入某一个区间[low, high]内的数量    '''    count_num = 0    for i in range(len(data)):        if data[i]>low and data[i]<high:            count_num += 1    return count_num

n = 10  # 分段数量xt = xt - np.mean(xt)                     # 去直流分量（也叫零均值化处理）max_value = np.abs( xt[np.argmax( np.abs(xt) )] )   # 确定幅值绝对值最大值max_valuecount_num_list = [] for i in range(n):    interval_len = max_value*2/n          # 在幅值区间[-max_value, max_value]内等分划分成n个小区间，区间长度为interval_len    low = -max_value + i*interval_len     # 第i个幅值小区间[-max_value+i * interval_len, max_value+(i+1) * interval_len]的下限    high = -max_value + (i+1)*interval_len    # 第i个幅值小区间[-max_value+i * interval_len, max_value+(i+1) * interval_len]的上限    count_num = interval_num_count(data=xt, low=low, high=high)  # 统计落入该区间的幅值个数count_num    count_num_list.append(count_num)      # 将n个区间统计的个数count_num形成一个列表count_num_listplt.bar(x=range( len(count_num_list) ), height=count_num_list) # 绘制柱状图，即得到幅值概率密度图

n = 100xt = xt - np.mean(xt)                     # 去直流分量（也叫零均值化处理）max_value = np.abs( xt[np.argmax( np.abs(xt) )] )   # 确定幅值绝对值最大值max_valuecount_num_list = [] for i in range(n):    interval_len = max_value*2/n          # 在幅值区间[-max_value, max_value]内等分划分成n个小区间，区间长度为interval_len    low = -max_value + i*interval_len     # 第i个幅值小区间[-max_value+i * interval_len, max_value+(i+1) * interval_len]的下限    high = -max_value + (i+1)*interval_len    # 第i个幅值小区间[-max_value+i * interval_len, max_value+(i+1) * interval_len]的上限    count_num = interval_num_count(data=xt, low=low, high=high)  # 统计落入该区间的幅值个数count_num    count_num_list.append(count_num)      # 将n个区间统计的个数count_num形成一个列表count_num_listplt.bar(x=range( len(count_num_list) ), height=count_num_list) # 绘制柱状图，即得到幅值概率密度图

def plt_amp_prob_density_fun(data, n):    '''    fun: 绘制幅值概率密度函数    param data: 输入数据，1维array    param n: 分割成段数的数量    return: 绘制幅值概率密度函数    '''    max_value = np.abs( xt[np.argmax( np.abs(xt) )] ) #    count_num = []    for i in range(n):        interval = max_value*2/n              # 区间长度为interval_len        low = -max_value + i*interval         # 区间下限        high = -max_value + (i+1)*interval    # 区间上限        count = interval_num_count(data=xt, low=low, high=high)  # 统计落入该区间的幅值个数        count_num.append(count)    plt.bar(x=range( len(count_num) ), height=count_num)  # 绘制柱状图    plt.show()

file_path = r'E:/研究生/pytorch/CSDN代码/fault_diagnosis_signal_processing/第4篇-包络谱/1730_12k_0.007-OuterRace3.mat'xt = data_acquision(file_path)plt.figure(figsize=(12,3))plt.plot(xt)plt.show()n = 100      # 设定分成份数plt_amp_prob_density_fun(data=xt, n=n)

file_path = r'E:/研究生/pytorch/CSDN代码/fault_diagnosis_signal_processing/第4篇-包络谱/1730_48k_Normal.mat'xt = data_acquision(file_path)plt.figure(figsize=(12,3))plt.plot(xt)plt.show()n = 100      # 设定分成份数plt_amp_prob_density_fun(data=xt, n=n)