LMD分解程序 能有效解决EMD的模态混叠现象，LMD结合样本熵，里面有个例子

基于PCA的线性监督分类故障诊断的实现代码大全.doc基于PCA的线性监督分类故障诊断的实现代码大全.doc基于PCA的线性监督分类故障诊断的实现代码大全.doc

熵算法及其在旋转机械故障诊断中的应用的综述，值得学习和参考，然后应用在故障诊断领域

运用灰色系统的相关理论对柴油机进行故障诊断与模式识别，# EXCEL 建立柴油机标准模式类别特征参数矩阵 # 计算关联系数 # 计算灰色关联度以反映各评价对象与参考标准模式的关联关系，进行柴油机进行故障诊断与模式识别

适用于TDMS信号在MATLAB中使用，可对信号进行分解，分解后计算信号能量熵，并分别绘制IMF信号波形以及IMF分量对应的频谱图形。适用于故障诊断领域以及各类信号分解领域。相关分解算法导入使用即可，如：EMD、EEMD、CEEMD、CEEMDAN、ICEEMDAN等分解算法，适用于非平稳信号分析处理。

基于WDCNN的轴承故障诊断（含tsne可视化）

《模拟电路故障诊断》(美)皮兹 介绍了作者关于模拟电路的富于哲理的观点和认识，给出了常用的简易测试设备制作和使用方法，讲述了各种设备和元器件的特性和优缺点，并从真实电路出发引导读者逐步深入了解模拟电路检修的过程和方法。

随着电路系统集成度的不断增大，模拟电路中的故障成本占据集成电路总诊断成本的绝大部分，因此加强模拟电路故障诊断与排除的研究十分重要。首先分析模拟电话故障的类型与原因，随后详细介绍几种故障的诊断方法。

目的 研究复杂工业系统动态、非线性特点，提出分步动态核主元分析(Kernel Principal Component Analysis，KPCA)的故障诊断方法．方法 该方法首先构造增广矩阵，然后将增广矩阵分成一系列子矩阵，将各子矩阵的构建一个新的数据增广矩阵，并对每个子矩阵使用KPCA提取变量数据的非线性空间相关特征，最后通过监测统计量监测出系统故障，用贡献度的方法识别发生故障变量．结果 该方法改进了传统的动态方法，引入分步动态的定义，并且能充分考虑工业过程中的非线性和动态性，更精确的描述工业过程特性，

采用KNN算法对鸢尾花品种分类与预测，预测的准确率达到了96.97%，可用于故障诊断与模式识别领域。具体步骤如下： # 加载数据集 # 通过Matplotlib绘制鸢尾花每个品种的各个特征平均值的柱状图 # 划分数据集，留出法的实现数据集 # 对训练集和测试集进行索引重置，分别重置为从0开始的连续索引，得到训练集标签数据train_label、测试集标签数据test_label # 训练集特征数据train_fea、测试集特征数据test_fea # 数据归一化，由于不同特征的取值有明显的差别，取值较大的特征，特征变化往往比较大，这样会导致计算的距离结果更多地受到取值较大的特征变化的影响 # 数据集的多维特征对于距离计算是同等重要的，对特征进行归一化，即将特征的取值范围映射到0～1之间 # 建立评估函数，通过评估指标来评估模型预测的正确率