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

Hilbert包络谱分析和Haar小波分析和数学形态学分析相对于时域无量纲参数分析、FFT分析方法，可以更好的观测出故障信号频率，分析故障类型。

基于小波包能量谱与CNN的滚动轴承故障诊断方法，用的matlab

基于小波变换的滚动轴承故障诊断,振动信号中的高频部分对诊断结果有一定影响,为克服此影响,首先运用小波包对SKF型滚动轴承故障信号进行预处理,以此为特征向量结合概率神经网络去验证模型的实用性和可行性。分析结果表明,小波包与概率神经网络相结合的故障诊断方法可以有效的应用于滚动轴承故障诊断。

分别用小波分解、小波包分解和EMD分解处理滚动轴承故障数据,并结合Hilbert变换进行包络谱分析实现滚动轴承故障诊断。对滚动轴承故障数据进行小波阈值降噪。小波阈值降噪后分别进行小波分解、小波包分解和EMD分解。分别求出小波分解、小波包分解和EMD分解后各个频带的能量谱。再根据能量谱确定故障频带范围并对其进行信号重构。采用Hilbert变换对重构信号进行包络谱分析实现滚动轴承故障诊断。通过对滚动轴承内圈故障信号的分析验证了小波分解、小波包分解和EMD分解结合Hilbert变换进行包络谱分析的滚动轴承故障诊断方法的有效性。

基于最小熵解卷积的滚动轴承故障诊断研究文献

MATLAB中基于轴承故障数据，首先采用FFT进行特征提取，其次采用DBN构建故障诊断模型

通过应用专家系统对滚动轴承故障进行诊断,在专家系统的知识库中输入了有丰富经验的维修人员通过看、听、触、测得到的故障现象和排除故障的方法,该系统通过人机交互界面实现,使维修人员可以快速找出滚动轴承的故障并进行排除,节约时间,提高效率。

基于bp神经网络的轴承故障诊断 大家一起学习进步 BP神经网络轴承故障诊断系统\BP神经网络轴承故障诊断系统.vi

该资源利用matlab实现了FCM聚类算法，利用美国轴承数据库提供的的轴承数据，完成了对算法的验证，可以方便应用于科研对照试验中