基于增强形态学滤波的旋转机械故障诊断方法（MATLAB）

数学形态学是基于集合论和积分几何基础上得出的非线性信号处理工具，它与传统的分析方法不同，以傅里叶变换为核心的传统信号处理方法在故障诊断中发挥了很大的作用，但由于傅里叶变换是建立在信号平稳性和线性的基础之上的，使得傅里叶变换在信号处理中存在本质上的缺陷，提取故障的准确性降低。其主要对结构元素以及形态学算子定义之后再进行滤波。数学形态学具有完备的数学理论作支撑，因此在非线性滤波领域具有不错的发展前景，运用给出的结构元素（类似与传统滤波中的“窗”）对原始信号进行匹配以及修正，以达到良好的降噪效果并具有可以保持原始信号的主要特征的能力。

数学形态学是由法国地质学家Matheron和Serra所提出的。前者提出了《随机集论及积分几何》为数学形态学奠定了基础。后者在1982年发表的《图像分析与数学形态学》中，由此奠定了数学形态学的基础。数学形态学在20世纪七十年代左右得到了发展，最初应用于图像处理领域。首先发展出了二值数学形态学，算法简单且易在计算机上实现运算。在二值形态学基础上，发展出灰度级数学形态学，在前者的基础之上，将简单算子又进行了组合，实现了更好的图像处理效果。由于数学形态学是非线性处理工具，近年来研究者将数学形态学引入到了信号处理领域得到了不错的效果。近年来还发展出柔性形态学，其是将排序统计学与数学形态学的结合而成新的形态学算子，其主要运算是局部的统计运算，它放宽了经典形态学算子的定义以及获得一定程度的鲁棒性，同时还保留了经典形态学算子的优良特性。数学形态学的两大问题在于，一是对SE尺度，形状的选择与改进。二是对形态学算子算法的创新。结构元素的作用类似与窗函数，选择符合信号特征的结构元素尤为重要，传统的结构元素的形状一般包括扁平形、三角形、菱形、圆形等，在信号处理方向上，大多数研究者会选择扁平或者三角型结构元素，原因在于扁平形结构元素在计算方面具有运算快捷的特点，三角形结构元素更加符合信号脉冲的形状。

数学形态学在机械故障诊断中的研究其主要包括对于SE的形状、尺度的选择以及对于形态学算子的优化的两大重点问题，对于评价指标的选择也存在值得商榷的地方。对于SE的尺度选择来说，传统的数学形态学在对信号进行滤波时采用了单个固定尺度的SE，不能考虑不同尺度下的信号特征，大尺度的SE可以滤除噪声，小尺度的SE可以保留更多的原始信号的细节。为了避免尺度不合适，学者们提出了多尺度形态学的概念，以不同方法来确定最优尺度然后在进行形态学滤波，以此引发出如何寻找更优的指标去确定尺度的问题。

鉴于此，提出一种基于增强形态学滤波的旋转机械故障诊断方法，该方法根据振动信号的固有特性从而自适应地确定相关参数，有效改进了故障特征的提取计算能力和计算效率，运行环境为MATLAB，运行结构如下：

f = linspace(0,40,2048); % frequency vector
zeta = 0.3; % bandwidth of the earthquake excitation.
sigma = 0.3; % standard deviation of the excitation.
完整代码：https://mbd.pub/o/bread/mbd-ZJ2ampht

担任《Mechanical System and Signal Processing》《中国电机工程学报》《控制与决策》等期刊审稿专家，擅长领域：现代信号处理，机器学习，深度学习，数字孪生，时间序列分析，设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。