人工智人-家居设计-磁力轴承的智能控制研究.pdf

基于虚拟仪器技术的滚动轴承故障检测系统的研究

针对滚动轴承故障诊断中普遍存在的小样本学习问题，采用支持向量机实现轴承故障的模式识别。为了解决时域统计参数对于轴承故障的多分类效果较差的问题，引入小波包分解（Wavelet packet decomposition，WPD）技术，提取振动信号各频带的能量系数构造特征向量，并采用Fisher比率法对特征向量进行优化选取；然后利用支持向量机（support vector machine，SVM）进行故障模式识别，并与小波包分解及时域统计参数的分类效果进行对比分析。结果表明：支持向量机是实现轴承故障模式识别的一

1、有数据集 2、有随机森林分类、决策树、KNN、朴素贝叶斯的简单对比 3、可直接运行

采用一种处理非平稳信号的新方法—希尔伯特-黄变换HHT（Hilbert-Huang Transform）来进行滚动轴承故障特征的提取。将信号先进行小波包降噪处理，然后用HHT进行信号故障特征提取。通过实验仿真和轴承故障诊断实例，对比没有进行小波包降噪而直接进行HHT的结果，证明了此方法在轴承故障诊断中的有效性。

轴承端盖加工工艺和程序设计

matlab精度检验代码 DiagnosisDL2TF 使用TensorFlow建立简单的轴承故障诊断模型 1、数据来源及介绍 轴承、轴、齿轮是旋转机械重要组成部分，为了验证深度学习在旋转装备故障分类识别的有效性，本文选取凯斯西储大学轴承数据库(Case Western Reserve University, CWRU)[9]为验证数据。CWRU实验装置如图 4‑1所示。轴承通过电火花加工设置成四种尺寸的故障直径，分别为0.007、0.014、0.021、0.028英寸。实验中使用加速度传感器采集振动信号，传感器分别被放置在电机驱动端与风扇端。由于驱动端采集到的振动信号数据全面，并且收到其他部件和环境噪声的干扰较少，因此本文选取驱动端采集的振动信号作为实验数据。实验数据包括4种轴承状态下采集到的振动信号，分别为正常状态（Normal，N）、滚珠故障状态（Ball Fault，BF）、外圈故障状态（Outer Race Fault，ORF）以及内圈故障状态（Inner Race Fault，IRF），每种状态下采集到的信号又按照故障直径与负载的大小进行分类，其中故障直径分别为0.007、

轴承座选型数据库轴承座选型数据库

包含matlab代码以及基于此代码的论文一篇。 代码主要实现对数据的多维特征提取，包括峰值裕度等多个时频域特征。然后将提取到的特征输入到BP神经网络中，从而将故障轴承数据与正常轴承数据分类。

基于卷积神经网络的轴承故障诊断算法模型研究源代码。 main为wdcnn卷积神经网络主文件，运行它就可以 preprocess为预处理文件，主要实现制作数据集的功能 日志文件保存在logs里面，通过启动tensorboard查看 wdcnn.png为卷积神经网络的结构图像 基于卷积神经网络的轴承故障诊断算法模型研究源代码。 main为wdcnn卷积神经网络主文件，运行它就可以 preprocess为预处理文件，主要实现制作数据集的功能 日志文件保存在logs里面，通过启动tensorboard查看 wdcnn.png为卷积神经网络的结构图像 基于卷积神经网络的轴承故障诊断算法模型研究源代码。 main为wdcnn卷积神经网络主文件，运行它就可以 preprocess为预处理文件，主要实现制作数据集的功能 日志文件保存在logs里面，通过启动tensorboard查看 wdcnn.png为卷积神经网络的结构图像