故障预测与健康管理PHM分为故障预测和健康管理与维修两部分，PHM首先借助传感器采集关键零部件的运行状态数据，如振动信号、温度图像、电流电压信号、声音信号及油液分析等，提取设备的运行监测指标，进而实现对设备关键零部件运行状态的早期识别。PHM通过建立完备的待监测零部件故障特征数据库，采用特征变换如主成分分析和非线性流形算法，或者特征选择进行维数约简，结合人工智能算法如ANN，SVM等对其运行状态进行诊断和RUL预测，最终实现决策管理。现在国外已建立的PHM研究机构有美国辛辛那提大学的IMS中心、美国马里兰大学的先进生命周期工程中心、法国的FEMTO-ST研究所等。
为实现滚动轴承的预测性维修，则需要对其失效过程数据进行研究。其中基于振动信号的诊断技术得到了广泛应用，因为振动是旋转机械故障主要的外在表现形式，对轴承的状态变化响应速度快，包含了轴承运行状态变化的大多数有用信息，能很好的反应出轴承故障的类型和位置，并且振动信号容易提取。
鉴于此，提出一种基于振动信号的轴承状态监测和故障诊断方法，运行环境为MATLAB R2021B，低于此版本可能运行错误，主要内容如下。
该振动信号是由滚动轴承外圈单点缺陷生成的，包含轴承不同运行工况的轴承多段振动信号（缺陷深度从 3um 逐渐增加到 3mm 以上），采样频率为 20 kHz。
绘制缺陷深度随时间的变化
绘制健康数据和故障数据
绘制健康轴承信号的时频谱图
绘制轴承故障振动信号的时频谱图，可以看到信号能量集中在更高的频率。
检查中间阶段的数据，此时缺陷深度不是很大，但已经开始影响振动信号。
在中值滤波后绘制时频谱图， 高频成分被抑制。
绘制提取的平均峰值频率与时间的关系
绘制健康和故障轴承的平均峰值频率的概率分布
绘制最初的 200 个平均峰值频率数据
绘制残差的自相关
绘制预测值和置信区间
当实际监控变量或预测值超过故障阈值时显示警报
完整代码：MATLAB环境下基于振动信号的轴承状态监测和故障诊断-今日头条 (toutiao.com)
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。
