局部均值分解（Local Mean Decomposition，简称LMD）方法是一种新的自适应时频分析方法，并成功运用于滚动轴承故障诊断中，但对噪声比较敏感。为消除噪声对诊断结果的影响，提出了一种小波包降噪与LMD相结合的滚动轴承故障诊断方法。该方法首先利用小波包去除信号中的噪声，然后，进行LMD分解，并将分解后PF分量与分解前信号的相关系数作为判断标准，剔除多余低频PF分量，最后，选取有效PF集进行功率谱分析，提取故障特征。通过仿真数据和真实滚动轴承数据的故障诊断实验，其结果验证了该方法的有效性。

采用一维CNN神经网络算法，对西储大学轴承数据集分为10中故障类型进行故障识别，最终准确率很高；同时算法结构灵活，可以自定制网络及优化器，满足多张故障数据集。

针对包络分析中带宽和中心频率依靠经验估计的缺陷,应用一种快速峭度图算法自动为包络谱分析提供最佳带宽和中心频率。快速峭度图算法借鉴了二进小波分解算法,先将原始信号经过FIR滤波器将信号进行分解,然后在各个频段上计算信号的谱峭度值,并根据快速峭度图的结果得到最佳中心频率和带宽,最后进行包络谱分析。实验证明该方法可以更有效地诊断滚动轴承故障。

捅 要：滚动轴承故障信号是一种典型的周期性冲击信号，如何从含有强噪声的振动信号中有效地提取出冲击特征信号是轴承故障诊断的关键。基于数学形态学理论，提出了一种自适应多尺度形态梯度变换(AMMG)方法，能够在有效抑制噪声的同时很好的保留信号的细节。仿真信号和实测轴承故障信号的分析结果表明，与常用的包络解调分析和近来提出的另一种基于数学形态学的形态闭变换方法相比较，自适应多尺度形态梯度变换具有更强的噪声抑制和脉冲提取能力，并且计算简单、快速，为滚动轴承故障特征提取提供了一种有效的方法。

计算阶次跟踪（computed order tracking），用于振动信号分析，故障诊断等，适用于变转速数据的阶次分析，matlab

故障诊断代码matlab 智能轴承故障诊断的一种情况 这是轴承故障智能诊断的情况。 该程序是用MATLAB编写的。 使用的主要技术是特征检测和神经网络。 此代码来自本科课程分配。 该代码已经编写了8年。 因为许多学生需要这样一个简单的案例研究，所以它被寄出了 均方根 峰值 峰值因数 峰度 波形因数 利润 冲动因素 均方频率 重力频率 方差频率 故障特征频率 BP神经网络

行业制造-电动装置-一种基于EMD和BP神经网络的电机轴承故障辨识方法.zip

现有基于变分模态分解算法(VMD)的轴承故障诊断方法,由于其参数K需要依据先验知识预先设定,缺乏对K值最优设定的理论支撑,难以保证故障特征提取及故障诊断的精确性.针对上述问题,提出一种基于参数估计优化的VMD与多尺度熵(MSE)的石化装备轴承特征提取及诊断新方法.首先,针对VMD分解参数K的难以实现最优设定问题,利用局部均值分解(LMD)自适应分解分量的频率分布特征,构建一种实现K值有效估计的方法;其次,在VMD分解的基础上,提出一种MSE和线性判别分析(LDA)协同特征提取方法,完成特征模型构建;然后,针对轴承故障特征样本过少,利用支持向量机(SVM)对提取故障特征进行识别;最后,利用石化装备实验室仿真平台的轴承故障数据进行实验,验证算法的有效性和工程实用性.对比分析表明,所提出的算法可以很好地提取故障特征且故障识别精度较高,具有较好工程操作性和扩展性.

电机轴承故障实时监测系统设计与实验，王锦，戈大龙，为了监测感应电机中轴承故障，设计了一个轴承故障监测系统。在电动机不同位置安装振动传感器、电流传感器、转速传感器和温度传感

为了有效地识别滚动轴承的不同失效模式，本文提出了一种基于小波包分解和连续隐马尔可夫模型的滚动轴承故障预测方法。 首先利用小波包分解对滚动轴承的振动信号进行处理，以提取出能量特征，然后将提取出的特征作为连续隐马尔可夫模型的输入。 训练了大量样本以估计不同轴承故障的连续隐马尔可夫模型的参数。 一旦达到该学习阶段，便会在第二阶段中利用生成的模型来连续评估滚动轴承的当前健康状态，并通过计算监视不同CHMM数据的概率来评估故障模式。 测试结果表明，该方法可以准确预测滚动轴承的故障，并评估滚动轴承的损坏状态。