IMF_BEARING() 对采样频率为 'Fs' 的信号 'y' 进行经验模式分解。 'l' 提到第 l 个 imf，将绘制其 FFT 图。 该函数返回IMF和所有IMF的FFT。 该功能主要用于通过基于振动的轴承故障诊断对旋转设备进行状态监测。 该函数在一个图中绘制了所有 IMF，还绘制了 l 提到的 IMF 的 FFT。 例子： [y，Fs] = wavread（'Hum.wav'）; l=2； imf_bearing(y(1:10000),Fs,l); 感谢您的下载。别忘了评分或评论

故障轴承的振动信号是非平稳信号，传统的非平稳信号分析手段存在许多不足；BP网络能够出色地解决传统识别模式难以解决的复杂问题。提出了经验模态分解（EMD）与BP神经网络相结合的滚动轴承故障诊断方法。采用EMD方法对振动信号进行分解，得到组成信号的多个内禀模态分量（IMF），提取重要的IMF分量的能量作为信号的特征量；采用BP网络作为模式分类器，对轴承的故障类型进行分类。经试验数据分析证明，该方法能够准确地对轴承故障进行诊断。

基于机器学习的航天器滚动轴承故障诊断分析.pdf

迁移学习，故障诊断，近期发表的期刊论文

随着现代制造业朝着大型化、柔性化、智能化发展，保障生产设备的安全运转越发重要。提出了基于PCA-SVM算法的轴承故障诊断分析模型。该模型提取轴承振动信号的时域指标参数，并运用主成分分析法（PCA）对指标参数进行优化和选择，利用降维思想，将多参数转化为综合参数，将综合特征值作为支持向量机（SVM）分类器的输入向量训练分类模型，最后运用测试集进行故障诊断实验，实验表明PCA-SVM模型可以帮助提高模型分类效率和精度，快速排查定位轴承故障，从而降低由故障导致的生产问题，减少经济损失。

滚动轴承是旋转机械的关键部件，容易发生损坏，30%的旋转机械故障是由滚动轴承故障引起的，须对轴承故障进行检测以保证设备可靠运行。当滚动轴承元件出现疲劳损伤、磨损、腐蚀、断裂、划痕、擦伤、胶合等故障时，其在工作过程中会产生复杂的振动，傅里叶变换能够很好的检查故障信号的出现位置。

提出了一种改进的集总平均经验模式分解(MEEMD)滚动轴承的故障提取方法。对采集得到的振动信号进行MEEMD分解,获得不同频率的本征模式函数(IMF);对各个本征模式函数进行包络谱分析;最后通过包络谱特性反映出来的频谱信息诊断出轴承故障。滚动轴承内外圈故障仿真和实验研究表明:MEEMD方法能有效地应用于轴承的故障诊断。

基于深度学习特征提取和WOA-SVM状态识别的轴承故障诊断.pdf

eager 能量算子能够估计产生信号所需的总机械能， 对信号的瞬态变化具有良好的时间分辨率和自适应能力， 在检测信号冲击特征方面具有独特优势。为了提取滚动轴承故障的特征频率， 针对滚动轴承故障振动信号中的瞬态冲击特点， 提出了基于 Teager 能量算子的频谱分析方法， 利用 Teager 能量算子提取轴承故障引起的周期性冲击， 通过瞬时 Teager 能量的 Fourier 频谱识别轴承的故障特征频率。

全矢深度学习在轴承故障诊断中的应用.pdf