必须可以的，给你一个简单的例子
做多了基于机器学习和深度学习的机械故障诊断，感觉没意思了，换个口味，写一下基于现代信号处理的齿轮故障检测。本例来源于Mathworks公司的某一个大佬，主要讲解如何利用电机的电流信号识别齿轮系中的故障。
运行环境：MATLAB R2021B，低于此版本可能不能运行成功
使用传统振动传感器进行齿轮的故障监测具有一定的挑战性，尤其是当振动传感器不易安装时。由于电流信号很容易获取，因此本例说明如何应用电机电流特征分析提取频谱特征，以检测电机驱动齿轮中的故障。
硬件
本例中的电流数据是Futaba S3003伺服器中采集的，该伺服器经过修改可以实现连续旋转。伺服系统将内部直流电机的高转速转换为输出的高扭矩。伺服系统由直流电机、一组尼龙金属齿轮和控制电路组成。本例移除了控制电路，允许直接监控直流电机的电流信号，使用红外光断续器采集伺服器输出的转速信号。伺服器和红外光断续器由3D 打印支架固定。
直流电机以恒定5伏电压驱动，四对齿轮提供 278:1 的减速比，花键处的轴转速约为 50 rpm。 由于电流测量值的变化太小而无法检测，因此使用单电源传感器接口放大器放大了电流信号。 然后使用抗混叠五阶椭圆低通滤波器对放大的电流信号进行滤波，使其平滑并消除噪声，然后通过模数转换器 (ADC) 将其发送到 Arduino Uno。
如上面流程图所示，首先分别使用放大器和抗混叠低通滤波器对电流信号进行放大和滤波。 Arduino Uno 通过 ADC 以 1.5 kHz 采样电流信号，并将其与转速计脉冲一起作为串行数据以 115200 的波特率传输到计算机。MATLAB 脚本从 Arduino Uno 获取串行数据并将其写入逗号分隔值 (CSV) 文件。 然后使用 MATLAB 读取和处理CSV 文件以提取频谱指标。
伺服齿轮系
Futaba S3003 由四对尼龙齿轮组成，如上图所示。 直流电机轴上的小齿轮 P1 与阶梯齿轮 G1 啮合，小齿轮P2与阶梯齿轮G2啮合，小齿轮P3与阶梯齿轮G3啮合，小齿轮 P4 与连接到输出花键的齿轮 G4 啮合。 阶梯式齿轮组 G1 和 P2、G2 和 P3 以及 G3 和 P4 是自由旋转齿轮，即它们不连接到各自的轴上。 当电机以 5 伏电压驱动时，该组驱动齿轮提供了 278:1 的减速比，从 13901 rpm 的电机速度到输出花键的50 rpm转速。 下表概述了每个齿轮啮合处的输出速度、齿轮啮合频率和累积齿轮减速的齿数和理论值。
在将故障引入阶梯齿轮 G2 和 G3 之前，共收集了 10 个健康数据集。 由于齿轮是用尼龙模制而成的，因此在齿空间中切割槽，在两个齿轮中引入了模拟裂纹。 齿距是沿正齿轮的节圆测量的两个相邻齿之间的间隙。 槽深度约为齿轮半径的 70%。 引入齿轮G2和G3的故障后，共记录了10个故障数据集。
数据可视化
考虑一组健康和故障数据，可视化当前信号和转速脉冲
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]);
输出花键每转八个脉冲，对应于伺服轮上的八个孔。
计算额定转速
计算额定速度，以检测齿轮系统中感兴趣的频率，并将其与功率谱上的频率正确匹配，感兴趣的频率是以Hz为单位的实际输出速度值。使用1500Hz的采样频率值，可视化转速计信号，并使用tachorpm函数计算额定转速。
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
在正常数据集和故障数据集之间，输出轴速度有非常小的差异。实际额定rpm值也接近理论值50 rpm。
构造频带
构造频带是计算频谱指标的重要前提。利用齿轮系中驱动齿轮的齿数和名义转数，首先计算感兴趣的频率，感兴趣的频率是以Hz为单位的实际输出速度值，其值接近下表中列出的理论值。
%齿数
G4 = 41; G3 = 35; G2 = 50; G1 = 62;
P4 = 16; P3 = 10; P2 = 10; P1 = 10;
rpm = rpmHealthy;
%感兴趣的频率
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]
接下来，使用faultBands函数构造所有输出速度的频带，其中包括以下感兴趣的频率。
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]
输出FB是一个16 × 2的数组，包含以上感兴趣的频率。
提取功率谱密度(PSD)数据
计算并可视化运行正常和故障数据的功率谱，利用结构信息中的信息在频谱图上绘制感兴趣的频率，并放大部分频率
蓝色表示正常频谱，红色表示故障数据频谱。从图中可以观察到故障频率振幅的增加:
1FS1 at 231 Hz, its second harmonic 2FS1 at 462 Hz, and their respective sidebands
放大图，观察以下频率的振幅增加情况:
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函数分别计算健康信号和故障信号的PSD
[psdHealthy,fHealthy] = pspectrum(healthyCurrent,fs,FrequencyResolution,0.5);
[psdFaulty,fFaulty] =
pspectrum(faultyCurrent,fs,FrequencyResolution,0.5);
计算频谱指标
使用频带数据和PSD数据，使用faultBandMetrics函数计算健康数据和故障数据的频谱指标
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
输出是FB中频率范围的一个2 × 49的指标表。第一行包含健康数据的指标，第二行包含故障数据的指标。注意，以下指标对于故障数据的值要比健康数据的值高得多:
PeakAmplitude2 for the frequency at 231 Hz with a difference of 3.1842 units
TotalBandPower with a difference of 6.01 units
因此，可以使用这两个指标创建散点图，分别对故障数据和健康数据进行分组。
创建散点图
创建散点图，使用表servoData中的所有20个数据集的两个谱指标PeakAmplitude2和TotalBandPower对健康数据和故障数据进行分类。
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
观察健康数据集和故障数据集被分组在散点图的不同区域。因此，通过分析伺服电机的电流特征，可以对故障和健康数据进行分类。
