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。

matlab 轴承数据集，上海交通大学轴承故障数据集，机器学习

支持向量机程序，支持状态分类，常用于滚动轴承故障状态分类识别

支持向量机程序，支持状态分类，常用于滚动轴承故障状态分类识别

自编多尺度样本熵程序，实例中用于一段轴承故障数据，简单易懂。MultiscaleSampleEntropy函数中的SampleEntropy也可以单独拎出来计算单个样本熵。

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。