基于机器学习（支持向量机，孤立森林，鲁棒协方差与层次聚类）的机械振动信号异常检测算法（MATLAB 2021B）

机械设备异常检测方法流程一般如下所示。

首先利用传感器采集机械运行过程中的状态信息，包括，振动、声音、压力、温度等。然后采用合适的信号处理技术对采集到机械信号进行分析处理，提取能够准确反映机械运行状态的特征。最后采用合理的异常决策方法判断机械是否工作在正常状态。整个机械异常检测过程包括三个关键性技术：信号采集、特征提取和异常决策。

振动作为机械系统的一个固有属性，是一种非常有效的信息提取方式。与其他的信号类型相比，振动信号不仅可以作为所有机械设备的状态指标，还具有响应迅速，处理简单等优点，即当机械设备产生异常时，机械振动可以及时进行响应，指示机械设备异常现象的产生。通过对采集到的机械振动信号进行分析，可以快速的对机械设备是否出现异常现象进行判断。基于以上优点，振动信号在机械异常检测技术中大受欢迎。但是，由于在真实场景中采集到的振动信号是十分复杂的，这导致基于振动信号的机械异常检测方法仍然是一个值得探究的问题。机械振动信号的复杂性不仅在于机械背景噪声的影响，还在于在真实场景中采集到的振动信号是非稳定的。这种非稳定性导致了统计分析的不准确，从而使得一些基于振动信号的分析方法不能准确有效的判断出异常现象。另外，在机械异常现象出现的初始阶段，异常信息是十分微弱的。这种弱异常信息很容易被周围的噪声所淹没，导致机械振动信号不能及时的做出响应。

鉴于此，采用基于机器学习（支持向量机，孤立森林，鲁棒协方差与层次聚类）对工业机械臂振动数据进行异常检测，运行环境为MATLAB 2021B。

复制代码

% Input:
%  inputData: A table or a cell array of tables/matrices containing the
%  data as those imported into the app.
%
% Output:
%  featureTable: A table containing all features and condition variables.
%  outputTable: A table containing the computation results.
%
% This function computes features:
%  ch1_stats/Col1_CrestFactor
%  ch1_stats/Col1_Kurtosis
%  ch1_stats/Col1_RMS
%  ch1_stats/Col1_Std
%  ch2_stats/Col1_Mean
%  ch2_stats/Col1_RMS
%  ch2_stats/Col1_Skewness
%  ch2_stats/Col1_Std
%  ch3_stats/Col1_CrestFactor
%  ch3_stats/Col1_SINAD
%  ch3_stats/Col1_SNR
%  ch3_stats/Col1_THD

复制代码

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。
完整数据和代码通过知乎学术咨询获得：https://www.zhihu.com/consult/people/792359672131756032?isMe=1