Robust Observer-Based Fault Diagnosis for Nonlinear Systems Using MATLAB®

本程序使用svm用来故障诊断，对象为TE过程，故障识别率为百分之七十八，效果非常好

利用深度神经网络学习的特征进行多类轴承故障分类 该存储库包含提交给的论文的代码，该论文使用已学习的数据驱动功能进行故障诊断。 无需手动计算特征，而是通过深度神经网络从数据中学习特征。 然后将这些学习到的功能与SVM一起用于故障分类。 还提出了一种解释数据驱动功能的经验方法。 该论文已被接受并将出现在会议记录中。 数据： 我们使用公开可用的。 该数据集实际上是为预后应用准备的。 但是，我们将其用于故障诊断任务。 我们考虑四种故障类型：正常故障，内部故障，外部故障和球形故障。 原始数据是在几个月内收集的，直到其中一个轴承发生故障。 因此，对于正常情况，我们已在实验开始时收集了数据。 同样，对于错误情况，我们已在实验结束时获取了数据，该数据更接近发生错误的时间点。 我们实验中使用的文件的详细信息可以在下面找到。 提取后，包含原始数据的压缩文件提供了三个文件夹：1st_test，2nd_tes

一种新的基于卷积神经网络的数据驱动故障诊断方法 本文提出了一种基于LeNet-5的新型CNN进行故障诊断。 通过将信号转换为二维（2-D）图像的转换方法，该方法可以提取转换后的二维图像的特征，并消除手工特征的影响。 我觉得这很有趣，因为它将CNN应用于机械场景。 .py文件是CNN的实现。 但是我没有提供如何预处理数据集。 参考： L. Wen，X. Li，L. Gao和Y. Zhang，“基于卷积神经网络的新的数据驱动的故障诊断方法，”《 IEEE Transactions on Industrial Electronics》，第1卷。 65，不。 7，页5990-5998，2018年7月。

转移学习进行故障诊断 迁移学习故障诊断深度神经网络 该存储库用于转移学习或具有故障诊断的领域自适应。 论文如下： 引文 如果您使用此代码和数据集进行研究，请考虑引用： @inproceedings{zhang2019domain, title={Domain Adaptation with Multilayer Adversarial Learning for Fault Diagnosis of Gearbox under Multiple Operating Conditions}, author={Zhang, Ming and Lu, Weining and Yang, Jun and Wang, Duo and Bin, Liang}, booktitle={2019 Prognostics and System Health Management Confere

使用强化学习的智能故障诊断 问题陈述：使用智能代理执行条件分类，该智能代理学习类似于人类感知的分类 方法：使用堆叠式自动编码器提取潜在特征，并使用深度Q网络训练代理 数据集 我们的研究中使用的滚动轴承的故障数据是由凯斯西储大学（CWRU）收集的。 该数据集包含正常轴承和故障轴承的滚珠轴承测试数据。 在实验设置中，测量数据的采样频率为48KHz，该频率来自电机轴附近的测量。 有四种不同的条件： N：正常 如果：内部故障 OF：外部故障 RF：滚轴故障 为了验证所提出的方法，根据作为运行条件的轴的负载量将振动数据分为四组（A，B，C和D），这将导致不同的振动模式，从而增加振动的动态性。轴。 根据故障直径和故障位置，每组（例如A）包含10个不同的类别（1、2，...，10）。 A，B，C包含所有类，并且在这三个数据集中没有不可见的类。 平均而言，某个数据集下的每个类别包含480,000

故障诊断代码matlab 智能轴承故障诊断的一种情况 这是轴承故障智能诊断的情况。 该程序是用MATLAB编写的。 使用的主要技术是特征检测和神经网络。 此代码来自本科课程分配。 该代码已经编写了8年。 因为许多学生需要这样一个简单的案例研究，所以它被寄出了 均方根 峰值 峰值因数 峰度 波形因数 利润 冲动因素 均方频率 重力频率 方差频率 故障特征频率 BP神经网络

内核主成分分析（KPCA） MATLAB代码，用于通过使用内核来进行非线性降维，故障检测和故障诊断。 2.1版，2020年5月6日 电子邮件： 主要特点 易于使用的API，用于训练和测试KPCA模型 多种内核功能 支持降维，故障检测和故障诊断 支持数据重建 告示 仅支持对高斯内核进行故障诊断。 使用“ Classdef ... End”定义类，因此该代码只能在R2008a版本之后应用于MATLAB。 更多详细信息和讨论，请参阅： : 此代码仅供参考。 降维演示（“香蕉”数据和“圆”数据） 数据重建演示（“圆形”数据） 故障检测演示（TE过程数据） 故障诊断演示（TE过程数据）

Deep Residual Shrinkage Networks for Fault Diagnosis.pdf Minghang Zhao, Shisheng Zhong, Xuyun Fu, Baoping Tang, and Michael Pecht, Fellow Member, IEEE

Fault-Diagnosis Applications;Model-Based Condition Monitoring;Actuators, Drives, Machinery, Plants, Sensors;