针对轴承振动信号非线性、非平稳性和故障特征微弱性的特点,以及工程实际中难以获得大量故障样本的情况,提出了一种基于多尺度排列熵和支持向量机的轴承故障诊断新方法。该方法首先对轴承不同运行状态下的振动信号进行多尺度排列熵特征提取,然后通过距离评估技术从原始多尺度排列熵特征中选取敏感特征,最后将敏感特征输入到采用遗传算法优化的支持向量机中,实现对轴承不同运行状态的自动识别。对实验数据分析的结果表明,该方法可以精细地获取故障信息,从大量原始特征中选择出敏感特征,有效地实现滚动轴承故障状态的诊断。

故障诊断领域的经典教程，国际大牛佳作 1.1 故障诊断技术的基本概念 1.2 历史发展过程和一些相关问题 1.3 说明及参考文献

第2章 基于观测器的FDI方法的基本思想、主要问题和工具 2.1 关于基于观测器的残差生成器的结构 2.2 对未知输入的解藕以及故障隔离问题 2.3 基于观测器的FDI 方法的鲁棒性问题 2.4 关于等价空间FDI 方法 2.5 残差估计以及阀值的计算

风电机组轴承处于早期故障阶段时，特征信号往往比较微弱，并且受环境噪声及信号衰减的影响严重，因此轴承早期故障特征一直难以提取。经验模态分解(EMD)在轴承的故障特征提取中已经得到了广泛的应用，但其在强背景噪声干扰下对轴承早期故障特征的提取具有一定的局限性。针对这一问题，考虑到最大相关峭度解卷积(MCKD)算法可凸显出轴承振动信号中被噪声所掩盖的故障冲击脉冲，非常适用于轴承早期故障信号的降噪处理，因此将MCKD与EMD相结合用于轴承早期故障诊断。用MCKD对强噪声轴承信号进行降噪，然后对降噪后的信号进行EMD，选取敏感本征模态函数(IMF)并计算其包络谱，通过分析包络谱中幅值凸出的频率成分判断故障类型。仿真和试验分析结果验证了所提方法的有效性和准确性。

西安交通大学轴承数据集

VMD程序，用于轴承、齿轮等振动信号的分解、降噪和重构，实现故障诊断

本程序使用svm用来故障诊断，对象为TE过程，故障识别率为百分之七十八，效果非常好

本程序使用svm用来故障诊断，对象为TE过程，故障识别率为百分之八十八，效果非常好

故障诊断相关的MATLAB代码，主要有神经网络算法的m文件

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