✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。
更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）
⛄一、多种方法滚珠轴承内圈和外圈故障诊断（分析故障频率）系统
1 滚动轴承常见的故障模式
滚动轴承的故障模式分为正常故障模式和非正常故障模式，正常故障模式通常是指轴承的安装、润滑及维护良好的情况下，内外圈或滚动体遭到点蚀损坏。这是由于重复受到大量变化的应力导致的。轴承因点蚀而损坏时，在运行过程中通常会产生强烈的振动、噪声和热量。非正常故障模式是指由于轴承安装不当、润滑和维护不良引起的其他故障模式。例如，当润滑油不足时，轴承烧伤，润滑不良导致轴承表面直接接触或异物掉落导致过度接触，轴承因装配不当而损坏，内圈破损，内外圈和保持架被挤碎。这些故障模式虽然是多种多样，但是都可以通过适当的方法避免，并且也不能根据这些故障模式来建立轴承的计算公式。由于疲劳造成点蚀破坏的这种正常故障模式，可以通过振动信号监测，及时检测出故障，从而尽快替换故障的轴承。
滚动轴承在工作过程中会产生振动、噪声和热的主要因素有:外部激励和自身原因。其中外部激励主要包括不平衡、失调、流体激振、共振等原因。而自身原因产生振动的原理及特征如下:
(1)随着滚动体位置的改变，其所承受的载荷也会发生变化，由此引起的振动频率跟滚珠个数及保持架转速有关。
(2)滚道表面和滚动体表面的粗糙程度也会引起轴承振动，由此产生的激励会使得轴承产生各部件的固有振动，如径向弯曲振动、轴向弯曲振动
(3)滚动体尺寸不均匀，内圈和外圈偏离中心而引起振动，其振动频率包含轴的转频分量及倍频分量。
(4)如果润滑油不足或含有杂质，会引起摩擦和振动。其中摩擦包含滚动体与滚道的滚动摩擦、滚动体与保持架的滑动摩擦，而这些摩擦会引起轴承元部件的磨损、划伤、剥落、裂纹等，产生大量的热，导致轴承材料胶合、噪声和振动。
(5)当轴承装歪或转轴发生弯曲会导致轴承变形，会产生振动。以振动信号频率中的转频为特性，同时具有滚动体的频率特征。
(6)滚道中心接触面发生局部缺陷会产生振动，包括如工作表面的剥落、裂痕、腐蚀及胶合等。
滚珠轴承内圈和外圈。
2 滚动轴承振动信号的特征
滚动轴承是利用轴承座固定底部，内圈与传动轴过盈配合，使二者以同一速率转动，由电机带动传动轴转动，而传动轴随轴承同时转动，从而产生了振动。如下图所示，滚动轴承在运行过程中产生振动的主要有三个因素: - - -是由于轴承自身的结构引起的振动为其固有性质，跟轴承是否发生故障没有直接关系。另一方面，由于加工精度引起的振动，轴承的振动是由于加工精度低或装配误差大造成的。最后就是由于轴承的工作状态所引起的振动，当轴承出现异常情况，如点蚀，断裂等，都会产生振动，这种情况有可能导致严重的后果。
3 滚动轴承频率
3.1 滚动轴承的固有频率
当滚动轴承与传动轴一起旋转时，滚动体与内外圈碰撞使轴承部件振动。若能在一定频率范围内振动，则认为该振动为正常振动，其频率称为固有频率 。固有频率只与轴承本身的材料、质量及形状有关，而与传动轴的转速无关。
3.2 滚动轴承的故障特征频率
滚动轴承在随传动轴转动的过程中，当轴承的某部分元件出现了故障损伤点时，其每随轴转动一圈都会与其他的零部件发生周期性的碰撞，从而产生冲击振动。一般来说，这种脉冲波称为冲击脉冲，而其对应的频率称为故障特征频率。由于故障特征频率较低且有规律，因此可以根据轴承的一些参数求出其对应元件的故障特征频率。在故障诊断的过程中，轴承的故障特征频率相对于其固有频率更具有检测的意义。
4 分析故障频率的方法
故障诊断系统是一种用于分析故障频率的方法，可以帮助判断滚珠轴承内圈和外圈是否存在故障。以下是几种常见的方法：
（1）振动分析法：通过监测滚珠轴承的振动信号，分析其频谱特征来判断内圈和外圈是否存在故障。当内圈或外圈出现故障时，会引起特定频率的振动信号，通过对振动信号进行频谱分析，可以确定故障的类型和位置。
（2）声音分析法：通过监测滚珠轴承产生的声音信号，分析其频谱特征来判断内圈和外圈是否存在故障。当内圈或外圈出现故障时，会产生特定频率的声音信号，通过对声音信号进行频谱分析，可以确定故障的类型和位置。
（3）温度分析法：通过监测滚珠轴承的温度变化，分析其温度特征来判断内圈和外圈是否存在故障。当内圈或外圈出现故障时，会引起局部温度升高，通过对温度变化进行分析，可以确定故障的类型和位置。
（4）油液分析法：通过监测滚珠轴承的润滑油液中的金属颗粒和污染物，分析其含量和特征来判断内圈和外圈是否存在故障。当内圈或外圈出现故障时，会产生金属颗粒和污染物，通过对润滑油液进行分析，可以确定故障的类型和位置。
⛄二、部分源代码
function varargout = bearingAnalysis(varargin)
% BEARINGANALYSIS MATLAB code for bearingAnalysis.fig
% BEARINGANALYSIS, by itself, creates a new BEARINGANALYSIS or raises the existing
% singleton*.
%
% H = BEARINGANALYSIS returns the handle to a new BEARINGANALYSIS or the handle to
% the existing singleton*.
%
% BEARINGANALYSIS(‘CALLBACK’,hObject,eventData,handles,…) calls the local
% function named CALLBACK in BEARINGANALYSIS.M with the given input arguments.
%
% BEARINGANALYSIS(‘Property’,‘Value’,…) creates a new BEARINGANALYSIS or raises the
% existing singleton*. Starting from the left, property value pairs are
% applied to the GUI before bearingAnalysis_OpeningFcn gets called. An
% unrecognized property name or invalid value makes property application
% stop. All inputs are passed to bearingAnalysis_OpeningFcn via varargin.
%
% *See GUI Options on GUIDE’s Tools menu. Choose “GUI allows only one
% instance to run (singleton)”.
%
% See also: GUIDE, GUIDATA, GUIHANDLES
% Edit the above text to modify the response to help bearingAnalysis
% Last Modified by GUIDE v2.5 29-Dec-2011 23:59:14
% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @bearingAnalysis_OpeningFcn, …
‘gui_OutputFcn’, @bearingAnalysis_OutputFcn, …
‘gui_LayoutFcn’, [] , …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
% — Executes just before bearingAnalysis is made visible.
function bearingAnalysis_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to bearingAnalysis (see VARARGIN)
% Choose default command line output for bearingAnalysis
handles.output = hObject;
% Update handles structure
guidata(hObject, handles);
% UIWAIT makes bearingAnalysis wait for user response (see UIRESUME)
% uiwait(handles.figure1);
% — Outputs from this function are returned to the command line.
function varargout = bearingAnalysis_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% Get default command line output from handles structure
varargout{1} = handles.output;
% — Executes on selection change in BearingPopUp.
function BearingPopUp_Callback(hObject, eventdata, handles)
% hObject handle to BearingPopUp (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% Hints: contents = cellstr(get(hObject,‘String’)) returns BearingPopUp contents as cell array
% contents{get(hObject,‘Value’)} returns selected item from BearingPopUp
% — Executes during object creation, after setting all properties.
function BearingPopUp_CreateFcn(hObject, eventdata, handles)
% hObject handle to BearingPopUp (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles empty - handles not created until after all CreateFcns called
% Hint: popupmenu controls usually have a white background on Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,‘BackgroundColor’), get(0,‘defaultUicontrolBackgroundColor’))
set(hObject,‘BackgroundColor’,‘white’);
end
% — Executes on slider movement.
function slider1_Callback(hObject, eventdata, handles)
% hObject handle to slider1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% Hints: get(hObject,‘Value’) returns position of slider
% get(hObject,‘Min’) and get(hObject,‘Max’) to determine range of slider
% — Executes on selection change in AnalysisPopUp.
function AnalysisPopUp_Callback(hObject, eventdata, handles)
% hObject handle to AnalysisPopUp (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% Hints: contents = cellstr(get(hObject,‘String’)) returns AnalysisPopUp contents as cell array
% contents{get(hObject,‘Value’)} returns selected item from AnalysisPopUp
% — Executes during object creation, after setting all properties.
function AnalysisPopUp_CreateFcn(hObject, eventdata, handles)
% hObject handle to AnalysisPopUp (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles empty - handles not created until after all CreateFcns called
% Hint: popupmenu controls usually have a white background on Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,‘BackgroundColor’), get(0,‘defaultUicontrolBackgroundColor’))
set(hObject,‘BackgroundColor’,‘white’);
end
% — Executes on slider movement.
function rotationSpeedSlider_Callback(hObject, eventdata, handles)
% hObject handle to rotationSpeedSlider (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% Hints: get(hObject,‘Value’) returns position of slider
% get(hObject,‘Min’) and get(hObject,‘Max’) to determine range of slider
N = get(hObject,‘Value’);
set(handles.speedEditText,‘String’,num2str(N));
% — Executes during object creation, after setting all properties.
function rotationSpeedSlider_CreateFcn(hObject, eventdata, handles)
% hObject handle to rotationSpeedSlider (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles empty - handles not created until after all CreateFcns called
% Hint: slider controls usually have a light gray background.
if isequal(get(hObject,‘BackgroundColor’), get(0,‘defaultUicontrolBackgroundColor’))
set(hObject,‘BackgroundColor’,[.9 .9 .9]);
end
% — Executes on button press in runButton.
function runButton_Callback(hObject, eventdata, handles)
% hObject handle to runButton (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
pulse_run = get(handles.BearingPopUp,‘Value’);
N = round(str2double(get(handles.speedEditText,‘String’))); % Speed, rpm
spec_run = get(handles.AnalysisPopUp,‘Value’);
if (pulse_run == 1)
[P, t] = pulse_in(N);
else
[P, t] = pulse_out(N);
end
plot(handles.inputAxes, t, P, ‘r’);
axis(handles.inputAxes, [0 max(t) 0 1]);
xlabel(handles.inputAxes, ‘Time [sec]’);
ylabel(handles.inputAxes, ‘Pulse (On/Off)’);
[Y, t, W, M] = bearing(P, t);
loglog(handles.systemAxes, W, M, ‘r’);
grid(handles.systemAxes);
axis(handles.systemAxes, [min(W) max(W) min(M) max(M)]);
xlabel(handles.systemAxes, ‘Frequency [rad/sec] (Logarythmic)’);
ylabel(handles.systemAxes, ‘Magnitude (Logarythmic)’);
plot(handles.responseAxes,t,Y,‘r’);
axis(handles.responseAxes, [0 max(t) min(Y) max(Y)]);
xlabel(handles.responseAxes, ‘Time [sec]’);
ylabel(handles.responseAxes, ‘Magnitude’);
switch spec_run
case 1 % Spectral Analysis
[S, f] = spec_an(Y,t);
W = f;
plot(handles.analysisAxes, W, S, ‘r’);
axis(handles.analysisAxes, [min(W) 2000 min(S) max(S)]);
title(handles.analysisAxes, ‘Spectral Analysis (PSD) Of The Signal’,‘FontWeight’,‘bold’);
xlabel(handles.analysisAxes, ‘Frequency [rad/sec]’);
ylabel(handles.analysisAxes, ‘PSD’);
set(handles.kur120Edit,‘String’,‘-’);
set(handles.kur500Edit,‘String’,‘-’);
set(handles.kur1500Edit,‘String’,‘-’);
case 2 % Kurtosis
[S, f] = spec_an(Y, t);
W = f;
plot(handles.analysisAxes, W, S, ‘r’);
axis(handles.analysisAxes, [min(W) 2000 min(S) max(S)]);
title(handles.analysisAxes, ‘Spectral Analysis (PSD) Of The Signal’,‘FontWeight’,‘bold’);
xlabel(handles.analysisAxes, ‘Frequency [rad/sec]’);
ylabel(handles.analysisAxes, ‘PSD’);
[K1, K2, K3] = kurtpar(Y, t);
set(handles.kur120Edit,‘String’,num2str(K1));
set(handles.kur500Edit,‘String’,num2str(K2));
set(handles.kur1500Edit,‘String’,num2str(K3));
case 3 % Calculate Envelope
[Y, t, ~, ~] = bearing(P,t);
env = abs(hilbert(Y));
plot(handles.responseAxes,t,Y,‘r’,t,env,‘k’);
title(handles.responseAxes, ‘Response signal (red), Envelope (black)’,‘FontWeight’,‘bold’)
axis(handles.responseAxes, [0 max(t) min(Y) max(Y)]);
xlabel(handles.responseAxes, ‘Time [sec]’);
ylabel(handles.responseAxes, ‘Magnitude’)
[S_env, f_env] = spec_an(env, t);
W_env = 2pif_env;
plot(handles.analysisAxes, W_env, S_env, ‘r’);
title(handles.analysisAxes, ‘Spectral Analysis (PSD) Of The Envelope’,‘FontWeight’,‘bold’);
xlabel(handles.analysisAxes, ‘Frequency [rad/sec]’);
ylabel(handles.analysisAxes, ‘PSD’);
case 4
[Y ,t, ~, ~] = bearing(P, t);
axes(handles.analysisAxes);
dt = t(2)-t(1);
Nfft = length(Y); % Number of samples per cycle.
if (Nfft > 256)
Nfft=256;
end
specgram(Y, Nfft, 2*pi/dt);
title(‘Time-freq Spectrum’,‘FontWeight’,‘bold’)
% title(ax(3),‘Response signal’,‘FontWeight’,‘bold’)
% ylabel(ax(3),‘Magnitude’);
end
% — Executes on button press in filterButton.
function filterButton_Callback(hObject, eventdata, handles)
% hObject handle to filterButton (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
axes(handles.analysisAxes);
C1 = cursorg; %create one cursor
pause
C2 = cursorg; %create another cursor
pause
a = cursorg(‘read’,C1);
cursorg(‘delete’,C1);
b = cursorg(‘read’,C2);
w2 = 0.99999;
end
[num, den] = butter(6, [w1 w2], ‘stop’);
pulse_run=get(handles.BearingPopUp, ‘Value’);
if (pulse_run == 1)
[P, t] = pulse_in(N);
else
[P, t] = pulse_out(N);
end
[Y, t, ~, ~] = bearing(P, t);
env = abs(hilbert(Y));
filt_env = filtfilt(num, den, env);
plot(handles.analysisAxes, t, filt_env, ‘r’);
title(handles.analysisAxes, ‘Filtered Envelope’,‘FontWeight’,‘bold’)
xlabel(handles.analysisAxes, ‘Time [sec]’)
% — Executes on button press in instructionButton.
function instructionButton_Callback(hObject, eventdata, handles)
% hObject handle to instructionButton (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
web(‘bearingAnalysis_help.html’,‘-browser’);
% — Executes on button press in quitButton.
function quitButton_Callback(hObject, eventdata, handles)
% hObject handle to quitButton (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
close(gcf);
⛄三、运行结果
⛄四、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1]王振华,潘宏侠,刘静.基于粒子滤波信号处理的柴油机故障诊断[J].煤矿 机械.2013年5月.
3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除
🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化
2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类
2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测
2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测
3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别
3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建
4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题
4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划
4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划
4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配
5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏
6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏
7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断
7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真
7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真
7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰
7.5 无人机通信
7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航
8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置