该代码用于齿轮故障诊断，通过对比健康信号与故障信号的健康指标（HI）实现故障检测。核心流程包含：

健康信号特征提取：计算4个统计特征作为基准

故障信号特征提取：使用相同流程提取特征

健康指标计算：基于Z-score量化信号偏离健康基准的程度

可视化：绘制健康与故障信号的HI曲线

关键代码段解析

1. 数据加载与初始化

load('demo_gear_diagnosis.mat') 
num_healthy_sigs = size(sigs_healthy_t, 2);
healthy_features = zeros(4, num_healthy_sigs);

输入数据：假设.mat文件包含：

sigs_healthy_t: 健康信号（时域，列存储）

sigs_faulty_t: 故障信号（时域，列存储）

speed_healthy: 健康转速向量

speed_faulty: 故障转速向量

dt: 采样时间间隔

2. 健康信号处理

% Angular resampling
[sig_cyc, cyc_fs] = angular_resampling(t, speed_faulty_t, sig_healthy); 


% Synchronous averaging
sa = calc_sa(sig_cyc, num_pnts_in_round);


% Difference signal
difference_sig = calc_difference_signal(sa, gear_mesh, num_sidebands);


% Feature extraction
sig_features = [rms(sa), kurtosis(sa), rms(difference_sig), skewness(difference_sig)];

角重采样：将时域信号转换为与转速同步的角域信号，消除转速波动影响

同步平均：通过周期平均抑制噪声，增强齿轮啮合特征

差分信号：滤除齿轮啮合频率（38阶）及其边带（±2阶），突出故障冲击成分

特征提取：

同步平均信号的RMS（能量）和峰度（冲击特性）

差分信号的RMS（故障能量）和偏度（不对称性）

3. 健康基准计算

healthy_features_average = mean(healthy_features, 2);
healthy_features_std = std(healthy_features.').';

基准统计量：计算4个特征在健康状态下的均值与标准差，用于Z-score标准化

4. 健康指标（HI）计算

hi = mean(abs(healthy_features(:, sig_num) - healthy_features_average)./healthy_features_std);

计算方法：对每个信号的4个特征Z-score取平均

潜在逻辑：HI值越大表示与健康状态偏离越严重

5. 故障信号处理

流程与健康信号完全一致，但使用故障数据：

[sig_cyc, cyc_fs] = angular_resampling(t, speed_faulty_t, sig_faulty_t);

6. 可视化

plot([1:num_healthy_sigs], healthy_hi_vctr, 'g');
plot([num_healthy_sigs+1:...], hi_faulty_vctr, 'r');

预期效果：健康信号HI值（绿色）应稳定在低水平，故障信号（红色）HI值显著升高

完整代码通过知乎学术咨询获得：

https://www.zhihu.com/consult/people/792359672131756032