期刊论文；特征迁移学习方法；特征映射；再生希尔伯特空间；故障诊断

7基于奇异值分解和深度信度网络

滚动轴承的故障数据，可用于滚动轴承故障诊断中，故障均有两种程度

根据载荷，载荷性质，转速，润滑方式，寿命等条件进行选型计算。

运用凯斯西储大学滚动轴承故障数据，运用MOMEDA对信号进行周期的增强，提高信噪比，并运用希尔伯特变换，与Teager能量算子包络解调，体现Teager能量算子二次增强。同时还存在MCKD，

美国西储大学滚动轴承故障诊断数据集.zip

以LabVIEW为平台设计滚动轴承振动信号分析软件,实现对滚动轴承故障信号的时域分析和频域分析。时域分析主要实现对滚动轴承振动信号的自相关、均值、有效值、峰值以及峭度值分析。对滚动轴承振动信号的频域分析主要完成对滚动轴承振动信号的幅值频谱分析、功率谱分析、Hilbert包络谱分析、倒频谱分析以及ZOOM-FFT分析。利用该分析软件对实测滚动轴承故障信号进行了分析,取得了良好的分析效果。

滚动轴承的额定动载荷、疲劳寿命及额定动载荷

通过典型信号的MATLAB仿真讨论了小波在检测信号突变点时的选取原则。针对滚动轴承故障振动信号,先进行小波消噪,再进行小波分解与重构,对重构后的细节信号作Hilbert包络并进行谱分析,从功率谱中可清晰地识别出滚动轴承故障特征频率。

针对滚动轴承振动信号的非平稳特征和现实中难以获得大量故障样本的实际情况，提出了基于变分模态 分解( Variational mode decomposition，VMD) 与支持向量机( Support vector machine，SVM) 相结合的滚动轴承故障诊断方法。 该方法融合了变分模态分解和支持向量机的优势，通过变分模态分解将滚动轴承振动信号分解成若干个本征模态函数分 量，轴承发生不同故障时，不同本征模态函数内的频带能量会发生变化，从包含有主要故障信息的模态分量中提取能量特 征作为SVM 的输入，判断轴承的工作状态和故障类型。试验结果表明，该方法在少量样本情况下仍能有效地对轴承的工