function allmode=eemd(Y,Nstd,NE)
% This is an EMD/EEMD program
%
% INPUT:
% Y: Inputted data;1-d data only
% Nstd: ratio of the standard deviation of the added noise and that of
% Y; Nstd = (0.1 ~ 0.4)*std(Y).
% NE: Ensemble number for the EEMD, NE = 10-50.
% OUTPUT:
% A matrix of N*(m+1) matrix, where N is the length of the input
% data Y, and m=fix(log2(N))-1. Column 1 is the original data, columns 2, 3, ...
% m are the IMFs from high to low frequency, and comlumn (m+1) is the
% residual (over all trend).
%
% NOTE:
% It should be noted that when Nstd is set to zero and NE is set to 1, the
% program degenerates to a EMD program.(for EMD Nstd=0,NE=1)
% This code limited sift number=10 ,the stoppage criteria can't change.
% References:
% Wu, Z., and N. E Huang (2008),
% Ensemble Empirical Mode Decomposition: a noise-assisted data analysis method.
% Advances in Adaptive Data Analysis. Vol.1, No.1. 1-41.
%
% code writer: Zhaohua Wu.
% footnote:S.C.Su 2009/03/04
%
% There are three loops in this code coupled together.
% 1.read data, find out standard deviation ,devide all data by std
% 2.evaluate TNM as total IMF number--eq1.
% TNM2=TNM+2,original data and residual included in TNM2
% assign 0 to TNM2 matrix
% 3.Do EEMD NE times-----------loop EEMD start
% 4.add noise
% 5.give initial values before sift
% 6.start to find an IMF------IMF loop start
% 7.sift 10 times to get IMF------sift loop start and end
% 8.after 10 times sift --we got IMF
% 9.subtract IMF from data ,and let the residual to find next IMF by loop
% 6.after having all the IMFs-------------IMF loop end
% 9.after TNM IMFs ,the residual xend is over all trend
% 3.Sum up NE decomposition result--------loop EEMD end
% 10.Devide EEMD summation by NE,std be multiply back to data
%% Association: no
% this function ususally used for doing 1-D EEMD with fixed
% stoppage criteria independently.
%
% Concerned function: extrema.m
% above mentioned m file must be put together
%function allmode=eemd(Y,Nstd,NE)
%part1.read data, find out standard deviation ,devide all data by std
xsize=length(Y);
dd=1:1:xsize;
Ystd=std(Y);
Y=Y/Ystd;
%part2.evaluate TNM as total IMF number,ssign 0 to N*TNM2 matrix
TNM=fix(log2(xsize))-5; % TNM=m
TNM2=TNM+2;
for kk=1:1:TNM2,
for ii=1:1:xsize,
allmode(ii,kk)=0.0;
end
end
%part3 Do EEMD -----EEMD loop start
for iii=1:1:NE, %EEMD loop NE times EMD sum together
%part4 --Add noise to original data,we have X1
for i=1:xsize,
temp=randn(1,1)*Nstd; % add a random noise to Y
X1(i)=Y(i)+temp;
end
%part4 --assign original data in the first column
for jj=1:1:xsize,
mode(jj,1) = Y(jj); % assign Y to column 1of mode
end
%part5--give initial 0to xorigin and xend
xorigin = X1; %
xend = xorigin; %
%part6--start to find an IMF-----IMF loop start
nmode = 1;
while nmode <= TNM,
xstart = xend; %last loop value assign to new iteration loop
%xstart -loop start data
iter = 1; %loop index initial value
%part7--sift 10 times to get IMF---sift loop start
while iter<=10,
[spmax, spmin, flag]=extrema(xstart); %call function extrema
%the usage of spline ,please see part11.
upper= spline(spmax(:,1),spmax(:,2),dd); %upper spline bound of this sift
lower= spline(spmin(:,1),spmin(:,2),dd); %lower spline bound of this sift
mean_ul = (upper + lower)/2; %spline mean of upper and lower
xstart = xstart - mean_ul; %extract spline mean from Xstart
iter = iter +1;
end
%part8--subtract IMF from data ,then let the residual xend to start to find next IMF
xend = xend - xstart;
nmode=nmode+1;
%part9--after sift 10 times,that xstart is this time IMF
for jj=1:1:xsize,
mode(jj,nmode) = xstart(jj);
end
end
%part10--after gotten all(TNM) IMFs ,the residual xend is over all trend
% put them in the last column
for jj=1:1:xsize,
mode(jj,nmode+1)=xend(jj);
end
%after part 10 ,original + TNM IMFs+overall trend ---those are all in mode
allmode=allmode+mode;
end %part3 Do EEMD -----EEMD loop end
%part11--devide EEMD summation by NE,std be multiply back to data
allmode=allmode/NE;
allmode=allmode*Ystd;
没有合适的资源?快使用搜索试试~ 我知道了~
数据不理想条件下的轴承故障诊断方法研究
共122个文件
csv:87个
m:29个
mat:6个
需积分: 0 0 下载量 17 浏览量
2024-05-08
12:05:38
上传
评论
收藏 432.37MB 7Z 举报
温馨提示
数据不理想条件下的轴承故障诊断方法研究相关数据 数据不理想条件下的轴承故障诊断方法研究相关数据 数据不理想条件下的轴承故障诊断方法研究相关数据 数据不理想条件下的轴承故障诊断方法研究相关数据 数据不理想条件下的轴承故障诊断方法研究相关数据 数据不理想条件下的轴承故障诊断方法研究相关数据 数据不理想条件下的轴承故障诊断方法研究相关数据 数据不理想条件下的轴承故障诊断方法研究相关数据 数据不理想条件下的轴承故障诊断方法研究相关数据 数据不理想条件下的轴承故障诊断方法研究相关数据 数据不理想条件下的轴承故障诊断方法研究相关数据 数据不理想条件下的轴承故障诊断方法研究相关数据 数据不理想条件下的轴承故障诊断方法研究相关数据 数据不理想条件下的轴承故障诊断方法研究相关数据 数据不理想条件下的轴承故障诊断方法研究相关数据 数据不理想条件下的轴承故障诊断方法研究相关数据 数据不理想条件下的轴承故障诊断方法研究相关数据 数据不理想条件下的轴承故障诊断方法研究相关数据 数据不理想条件下的轴承故障诊断方法研究相关数据 数据不理想条件下的轴承故障诊断方法研究相关数据 数据不理想条件下的轴承故障诊断方法研究相
资源推荐
资源详情
资源评论
收起资源包目录
数据不理想条件下的轴承故障诊断方法研究 (122个子文件)
转字条故障.csv 29.61MB
CSV_2.csv 24.74MB
CSV_1.csv 24.74MB
CSV_2.csv 24.74MB
转子条负载.csv 24.69MB
22.csv 24.68MB
CSV_2.csv 24.65MB
CSV_3.csv 24.65MB
CSV_1.csv 24.64MB
CSV_2.csv 24.64MB
CSV_2.csv 24.63MB
CSV_1.csv 24.62MB
CSV_1.csv 24.62MB
CSV_1.csv 24.62MB
CSV_2.csv 24.62MB
CSV_1.csv 24.43MB
CSV_1.csv 24.4MB
CSV_2.csv 24.4MB
CSV_1.csv 24.39MB
CSV_1.csv 24.36MB
CSV_1.csv 24.34MB
CSV_1.csv 24.34MB
CSV_1.csv 24.27MB
CSV_2.csv 23.95MB
CSV_2.csv 23.9MB
CSV_2.csv 23.89MB
CSV_2.csv 23.89MB
CSV_2.csv 23.87MB
CSV_2.csv 23.68MB
CSV_1.csv 23.49MB
CSV_1.csv 23.46MB
CSV_2.csv 23.44MB
CSV_2.csv 23.4MB
CSV_1.csv 23.38MB
CSV_1.csv 23.36MB
CSV_1.csv 23.35MB
CSV_2.csv 23.29MB
CSV_2.csv 23.25MB
转字条故障_FFT.csv 14.85MB
22_FFT.csv 7.38MB
转子条负载_FFT.csv 7.38MB
CSV_1_FFT.csv 7.38MB
CSV_3_FFT.csv 7.38MB
CSV_1_FFT.csv 7.38MB
CSV_1_FFT.csv 7.36MB
CSV_2_FFT.csv 7.36MB
CSV_2_FFT.csv 7.36MB
CSV_1_FFT.csv 7.36MB
CSV_2_FFT.csv 7.36MB
CSV_1_FFT.csv 7.36MB
CSV_2_FFT.csv 7.36MB
CSV_2_FFT.csv 7.36MB
CSV_1_FFT.csv 7.36MB
CSV_2_FFT.csv 7.36MB
CSV_1_FFT.csv 7.36MB
CSV_2_FFT.csv 7.36MB
CSV_1_FFT.csv 7.35MB
CSV_1_FFT.csv 7.35MB
CSV_1_FFT.csv 7.35MB
CSV_1_FFT.csv 7.35MB
CSV_1_FFT.csv 7.35MB
CSV_2_FFT.csv 7.35MB
CSV_2_FFT.csv 7.35MB
CSV_1_FFT.csv 7.35MB
CSV_2_FFT.csv 7.34MB
CSV_2_FFT.csv 7.34MB
CSV_1_FFT.csv 7.34MB
CSV_2_FFT.csv 7.34MB
CSV_1_FFT.csv 7.34MB
CSV_2_FFT.csv 7.34MB
CSV_1_FFT.csv 7.33MB
CSV_2_FFT.csv 7.33MB
CSV_2_FFT.csv 7.33MB
CSV_1_FFT.csv 7.33MB
CSV_2_FFT.csv 7.32MB
CSV_2_FFT.csv 7.32MB
特征.csv 52KB
特征.csv 52KB
特征.csv 52KB
特征.csv 52KB
特征.csv 51KB
特征.csv 51KB
特征.csv 50KB
特征.csv 22KB
特征.csv 22KB
特征.csv 22KB
特征.csv 22KB
eemd.m 4KB
eemd.m 4KB
eemd.m 4KB
eemd.m 4KB
extrema.m 2KB
extrema.m 2KB
extrema.m 2KB
extrema.m 2KB
FIR_DT.m 1KB
siciHERMITE.m 966B
zhibiao.m 907B
zhibiao.m 907B
zhibiao.m 907B
共 122 条
- 1
- 2
资源评论
音符o
- 粉丝: 40
- 资源: 17
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 安卓与STM32硬件开发项目,实现安卓端控制家庭灯,窗帘,门.zip
- java-leetcode题解之第972题最接近原点的K个点.zip
- java-leetcode题解之第347题前K个高频元素.zip
- java-leetcode题解之第215题数组中的第K个最大元素.zip
- java-leetcode题解之第641题设计循环双端队列.zip
- java-leetcode题解之第1284题转化为全零矩阵的最少反转次数.zip
- java-leetcode题解之第1311获取已观看视频.zip
- java-leetcode题解之第621题任务调度器.zip
- java-leetcode题解之第622题设计循环队列.zip
- java-leetcode题解之第51题N皇后.zip
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功