一、理论基础

二、核心程序

三、仿真测试结果

作者ID  ：fpga和matlab
CSDN主页：https://blog.csdn.net/ccsss22?type=blog
擅长技术：
1.无线基带,无线图传,编解码
2.机器视觉,图像处理,三维重建
3.人工智能,深度学习
4.智能控制,智能优化
5.其他

一、理论基础

磨损工程模型简介摩擦学的主要课题之一是对机器运行的可靠性和寿命作出评价,也就是对磨损作出预测,而磨损是一个复杂过程,它不仅与摩擦付的材料物理机械性能和化学性能有关,还与摩擦付的工况(压力,速度,温度),外部环境条件(周围介质,润滑剂,辐射等)和摩擦付结构参数有关,它在许多情况下包括化学浸蚀和物理损伤,工作条件的任何微小的改变都可能改变磨损过程的整个性质,由于这个理由,从实际"测试"中很难得到重复的或确实的结果,而甚至于对最周密地控制的实验室实验进行解释时也应特别。

剩余寿命估计是工程系统预测与健康管理的关键．目前，基于观测的系统退化数据进行剩余寿命估计得到了很大的关注．由于系统随机退化过程和测量误差的影响，测量数据中不可避免包含退化随机性和测量不确定性．然而，现有基于观测数据的剩余寿命估计研究中，没有将退化随机性和测量不确定性对估计的剩余寿命分布的影响同时考虑．鉴于此，提出了一种基于 Wiener 过程且同时考虑随机退化和不确定测量的退化建模方法，利用 Kalman滤波技术，实现了潜在退化状态的实时估计．在退化状态估计的基础上，得到了同时考虑退化状态不确定性和测量不确定性的解析剩余寿命分布．此外，提出了一种基于极大似然方法的退化模型参数估计方法．最后，通过陀螺仪的退化测量数据验证了本文提出的方法优于不考虑测量不确定性的方法，可以提高剩余寿估计的准确性．

卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。卡尔曼滤波（Kalman filtering）是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。
数据滤波是去除噪声还原真实数据的一种数据处理技术，Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态。由于它便于计算机编程实现，并能够对现场采集的数据进行实时的更新和处理，Kalman滤波是目前应用最为广泛的滤波方法，在通信，导航，制导与控制等多领域得到了较好的应用。

二、核心程序

clc;
clear;
close all;
warning off;rng(1);................................................................
[R,C] = size(data);
Len   = 6;
%样本个数
Num   = R/Len;
Cnums = Len;
for i = 1:R/LenL1(:,i) = data(Len*(i-1)+1:Len*i,1); L2(:,i) = data(Len*(i-1)+1:Len*i,3); L3(:,i) = data(Len*(i-1)+1:Len*i,5); L4(:,i) = data(Len*(i-1)+1:Len*i,7); R1(:,i) = data(Len*(i-1)+1:Len*i,2); R2(:,i) = data(Len*(i-1)+1:Len*i,4); R3(:,i) = data(Len*(i-1)+1:Len*i,6); R4(:,i) = data(Len*(i-1)+1:Len*i,8);
endfigure;
subplot(221);
Y = L1;
plot(Y(1,:),'bo');
hold on
plot(Y(2,:),'bo');
hold on
plot(Y(3,:),'bo');
hold on
plot(Y(4,:),'bo');
hold on
plot(Y(5,:),'bo');
hold on
plot(Y(6,:),'bo');
hold on
grid on
axis([0,14,1,30]);
title('L1');subplot(222);
Y = L2;
plot(Y(1,:),'bo');
hold on
plot(Y(2,:),'bo');
hold on
plot(Y(3,:),'bo');
hold on
plot(Y(4,:),'bo');
hold on
plot(Y(5,:),'bo');
hold on
plot(Y(6,:),'bo');
hold on
grid on
axis([0,14,1,30]);
title('L2');subplot(223);
Y = L3;
plot(Y(1,:),'bo');
hold on
plot(Y(2,:),'bo');
hold on
plot(Y(3,:),'bo');
hold on
plot(Y(4,:),'bo');
hold on
plot(Y(5,:),'bo');
hold on
plot(Y(6,:),'bo');
hold on
grid on
axis([0,14,1,30]);
title('L3');subplot(224);
Y = L4;
plot(Y(1,:),'bo');
hold on
plot(Y(2,:),'bo');
hold on
plot(Y(3,:),'bo');
hold on
plot(Y(4,:),'bo');
hold on
plot(Y(5,:),'bo');
hold on
plot(Y(6,:),'bo');
hold on
grid on
axis([0,14,1,30]);
title('L4');figure;
subplot(221);
Y = R1;
plot(Y(1,:),'bo');
hold on
plot(Y(2,:),'bo');
hold on
plot(Y(3,:),'bo');
hold on
plot(Y(4,:),'bo');
hold on
plot(Y(5,:),'bo');
hold on
plot(Y(6,:),'bo');
hold on
grid on
axis([0,14,1,30]);
title('R1');subplot(222);
Y = R2;
plot(Y(1,:),'bo');
hold on
plot(Y(2,:),'bo');
hold on
plot(Y(3,:),'bo');
hold on
plot(Y(4,:),'bo');
hold on
plot(Y(5,:),'bo');
hold on
plot(Y(6,:),'bo');
hold on
grid on
axis([0,14,1,30]);
title('R2');subplot(223);
Y = R3;
plot(Y(1,:),'bo');
hold on
plot(Y(2,:),'bo');
hold on
plot(Y(3,:),'bo');
hold on
plot(Y(4,:),'bo');
hold on
plot(Y(5,:),'bo');
hold on
plot(Y(6,:),'bo');
hold on
grid on
axis([0,14,1,30]);
title('R3');subplot(224);
Y = R4;
plot(Y(1,:),'bo');
hold on
plot(Y(2,:),'bo');
hold on
plot(Y(3,:),'bo');
hold on
plot(Y(4,:),'bo');
hold on
plot(Y(5,:),'bo');
hold on
plot(Y(6,:),'bo');
hold on
grid on
axis([0,14,1,30]);
title('R4');%%
%去除异常点后的L1均值数据,注意，你里面有一堆错误采集数据，需要根据实际情况来剔除，然后再进行后续的计算，所以下面这个人工剔除的过程，需要自己修改
Y = L1;
for i = 1:13datas(i) = (Y(1,i) + Y(2,i) + Y(3,i) + Y(4,i) + Y(5,i) + Y(6,i))/6;if i == 4datas(i) = (Y(1,i) + Y(2,i) + Y(3,i) + Y(4,i) + Y(5,i))/5; endif i == 7datas(i) = (Y(1,i) + Y(2,i) + Y(3,i) + Y(4,i) + Y(6,i))/5;  end    if i == 12datas(i) = (Y(1,i) + Y(2,i) + Y(3,i) + Y(6,i))/4; endif i == 13datas(i) = (Y(2,i) + Y(3,i) + Y(5,i) + Y(6,i))/4;  end
endfigure;
plot(datas,'r-o');
hold on
Y = L1;
plot(Y(1,:),'bo');
hold on
plot(Y(2,:),'bo');
hold on
plot(Y(3,:),'bo');
hold on
plot(Y(4,:),'bo');
hold on
plot(Y(5,:),'bo');
hold on
plot(Y(6,:),'bo');
hold on
grid on
axis([0,14,1,30]);
title('L1');
xlabel('Times');
grid on%%
data_out2 = func_kalman_predict(datas,25);
figure;
subplot(121);
plot(data_out2,'r-s');
hold on
plot(datas,'b-*');
legend('预测值','原始测量值均值（剔除异常点）');
xlabel('月份');
ylabel('thickness/mm');
grid on
axis([0,30,0,20]);subplot(122);
plot(data_out2,'r-s');
hold on
Y = L1;
plot(Y(1,:),'bo');
hold on
plot(Y(2,:),'bo');
hold on
plot(Y(3,:),'bo');
hold on
plot(Y(4,:),'bo');
hold on
plot(Y(5,:),'bo');
hold on
plot(Y(6,:),'bo');
hold on
legend('预测值','原始测量值');
xlabel('月份');
ylabel('thickness/mm');
grid on
axis([0,30,0,20]);figure;
plot((data_out2(1:length(datas))-datas).^2,'b-*');
grid on
xlabel('月份');
ylabel('均方误差/mm');%计算剩余寿命
for i = 10:100data_out2 = func_kalman_predict(datas,i);if data_out2(end) < 1LIFE = i;breakend
end
disp('总寿命月份');
LIFE
figure;
plot(data_out2,'r-s');
hold on
plot(datas,'b-*');
legend('预测值','原始测量值均值（剔除异常点）');
xlabel('月份');
ylabel('thickness/mm');
grid on
axis([0,LIFE,0,20]);
title(['总寿命：',num2str(LIFE)]);for i = 1:length(data_out2)-1ms(i) = abs(data_out2(i+1)-data_out2(i));
end
%损耗期望
E=mean(ms)
%损耗均方误差
D=std(ms)

三、仿真测试结果

A28-64

基于kalman滤波的磨损预测算法matlab仿真相关推荐

m基于LPF-VMD和KELM的鸟群优化算法的风速预测算法matlab仿真
目录 1.算法描述 2.仿真效果预览 3.MATLAB核心程序 4.完整MATLAB 1.算法描述 1).使用 LPF-VMD 对风速时间序列进行分解, 得到一个低频的趋势分量以及 n 个由 VMD ...
m基于ESN+BP神经网络的数据预测算法matlab仿真,测试数据为太阳黑子变化数据
目录 1.算法描述 2.仿真效果预览 3.MATLAB核心程序 4.完整MATLAB 1.算法描述在人工神经网络的发展历史上,感知机(Multilayer Perceptron,MLP)网络曾对人工 ...
m基于GA遗传优化的GRNN广义回归神经网络销售数据预测算法matlab仿真
目录 1.算法描述 2.仿真效果预览 3.MATLAB核心程序 4.完整MATLAB 1.算法描述随着市场经济的发展和全球化,国内外企业面临着越来越残酷的市场竞争,要想赢得竞争,赢得市场,从事商品销 ...
基于RBF网络的信任值预测算法matlab仿真实现
·目录一.理论基础二.核心程序三.测试结果一.理论基础测试的数据集有三种趋势型(trend),周期型(seasonal)还有混乱型的(noisy data).三种类型要做训练集增加的测试(i ...
m基于深度学习的LTE信号检测算法matlab仿真
目录 1.算法描述 2.仿真效果预览 3.MATLAB核心程序 4.完整MATLAB 1.算法描述随着射频设计者快速投入到支持长期演进( LTE )手机无线标准的新产品的开发过程中,理解LTE的测试 ...
基于sift特征提取的图像配准算法matlab仿真
目录 1.算法描述 2.仿真效果预览 3.MATLAB核心程序 4.完整MATLAB 1.算法描述 SIFT 是一种从图像中提取独特不变特征的方法,其特点为基于图像的一些局部特征,而与图像整体的大小和 ...
基于梯度优化的混沌PSO算法matlab仿真以及在磁悬浮球系统方面的应用
1.软件版本 matlab2017b 2.系统概述首先,我们需要构建磁悬浮球系统模型的控制对象模型.这里,我们通过传递函数的形式来实现磁悬浮球的表达式,具体的推导过程如下所示: 上图中,Xo为磁悬浮 ...
双边滤波去雾matlab,基于双边滤波的去雾算法.doc
基于双边滤波的去雾算法中图法分类号:TP391.41 文献标识码:A 文章编号:1006-8961(2013) - - 论文引用格式: 基于双边滤波的图像去雾王一帆1 ,尹传历2,黄义明1 , 王 ...
【ISAR成像定标方法（1）—转台目标的RD成像算法MATLAB仿真】
目录前提介绍 ISAR成像基本流程 ISAR成像转台模型与回波建模转台模型发射信号与回波信号分析转台目标RD成像算法转台目标RD成像的仿真实验与分析结语前提介绍 ISAR成像定标方法的 ...

基于kalman滤波的磨损预测算法matlab仿真

一、理论基础

二、核心程序

三、仿真测试结果

基于kalman滤波的磨损预测算法matlab仿真相关推荐

最新文章

热门文章