✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

伴随我国经济发展突飞猛进,电气化的应用越来越广,异步电动机因其经济、安全、高效、低耗被广泛应用于工业生产的各个领域。电动机一旦发生故障不仅会损坏电机本身,还会影响整个工业生产环节,从而造成巨大的经济损失。因此,如何对电机加强保护,对电机故障诊断提出了更高要求。本文对人工神经网络的基本原理进行了研究。利用MATLAB软件,建立基于BP网络的故障诊断结构,根据故障样本数据对网络进行训练,从而实现了对电机的诊断。

clear all

close all

%%%%%%%%加载数据

 addpath(genpath('../.'))

data=importdata('s9.txt');

data1=data(1:3000,:);

%%%%%%%%01--时域分析

%%%%%%%02频域分析--傅里叶变换

fs=1000;

y=data1;

figure

subplot(211);plot(y,'k');

title('原始数据','Fontname', '宋体');

subplot(212);

[y_f,y_ft,nfft]=hua_fft(y,fs,1);

plot(y_f,2*abs(y_ft(1:nfft/2))/length(y));%

% subplot(313);hua_fft(y,fs,1,0,250);

title('FFT-show')

%%%%%%%%%%%%%%%%%%%%%%%%%%%

x=y;

nfft=64;                     % FFT长度

X=fft(x,nfft);               % FFT分析

ff=(0:(nfft/2-1))*fs/nfft;   % 频率刻度

n2=1:nfft/2;                 % 正频率索引号

X_abs=abs(X(n2))*2/nfft;     % 正频率部分的幅值谱

fe=50;                       % 中心频率

D=10;                        % 细化倍数f

[y,freq]=exzfft_ma(x,fe,fs,nfft,D);  % 细化分析

% 作图

figure

subplot 311; 

plot(x,'k');

xlabel('时间/s','Fontname', '宋体');

ylabel('幅值','Fontname', '宋体');

 title('时间序列','Fontname', '宋体');

subplot 312; plot(ff,X_abs,'k');

xlabel('频率/Hz','Fontname', '宋体');

ylabel('幅值','Fontname', '宋体');

title('细化分析前频谱','Fontname', '宋体');

grid;

subplot 313; 

plot(freq,abs(y),'k'); grid;

% set(gca, 'XTickMode', 'manual', 'XTick');

% set(gca, 'YTickMode', 'manual', 'YTick');

xlabel('频率/Hz','Fontname', '宋体');

ylabel('幅值','Fontname', '宋体');

title('细化分析的频谱','Fontname', '宋体');

set(gcf,'color','w');

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

xn=data1;

ls=length(xn);

w_name='db6';

%对信号进行小波分解

[c,l]=wavedec(xn,5,w_name);%5层小波分解（层：尺度）

ca5=appcoef(c,l,w_name,5);% 提取一维小波变换低频系数（第五层的逼近系数）

cd5=detcoef(c,l,5);%提取一维小波变换高频系数 (细节系数)

cd4=detcoef(c,l,4);

cd3=detcoef(c,l,3);

cd2=detcoef(c,l,2);

cd1=detcoef(c,l,1);

%%%%%%%%%%%%%%%%%%%%%%%%%%%

% x=awgn(y1,SNR);

%消除噪声处理

x2=xn;%awgn(xn,2);

[thr,sorh,keepapp]=ddencmp('den','wv',x2);

s1=wdencmp('gbl',c,l,w_name,3,thr,sorh,keepapp);

figure;

subplot(211);

plot(xn,'k');

title('原始信号','Fontname', '宋体');

subplot(212);

plot(s1,'k');

title('小波去噪后的信号','Fontname', '宋体');

%%%%%%%%%%%%%%%%%%%%%%%%%%希尔伯特变换-------------

x=data1;

Emd_result = emd(x);%(x为要处理的信号)

[A,fa,tt] = hhspectrum(Emd_result);

[E2,ttt,ff] = toimage(A,fa);

% cemd_visu(x,1:length(x),Emd_result);

disp_hhs(E2);

[1]陈轶. 基于BP神经网络的模拟电路故障诊断[D]. 苏州大学.

[2]罗彩玉. 基于BP人工神经网络的电动机故障诊断[J]. 科技创业家, 2013(11):2.​

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料