将数据分类整理后的合集

BP神经网络用于轴承故障分类，源振动信号文件查找我的资源下载

利用GRU\LSTM\RNN\SVR分别对退化指标预测

滚动轴承是机械传动系统重要的组成部分,其故障发生率极高,直接影响机械设备的正常、安全运行。基于此提出基于局部均值分解(LMD)模糊熵和概率神经网络(PNN)的滚动轴承故障诊断方法,原始振动信号应用LMD自适应分解为7个PF分量;设定模糊函数,提取每个PF分量的模糊熵,实现各PF分量的特征量化;并利用概率神经网络实现故障类型识别。实验结果证明利用该方法滚动轴承故障诊断识别率可达86.25%,是一种有效的滚动轴承故障诊断方法。

一种用于轴承故障诊断的迁移学习模型

此函数 AR_MED_FILTER 采用采样频率为 Fs 的输入信号，并应用基于 Yule Walker 方法的 AR 滤波器。 通过最大峰度找到过滤器的顺序。 在应用 od AR 滤波器后，信号通过最小熵反卷积。 这种组合的 AR+MED 方法带出了隐藏在噪声中的轴承故障。 该函数为单独的 AR 绘制两个图形，为 AR+MED 绘制另一个图形例子： 负载（'s4.mat'）; 信号=s4; Fs=12000； ar_med_filter（信号，Fs）； 文件“s4.mat”是从 OR 故障轴承记录的振动信号，采样频率为 12000Hz。 故障频率为161 Hz，并被带出。 该程序基于论文： Sawalhi N、Randall RB 和 Endo H (2007) 使用最小熵解卷积结合谱峰度增强滚动轴承故障检测和诊断。 机械系统和信号处理。 21:2616-2633 该功能基本上是

采用的是美国西储大学轴承数据中心的滚动轴承数据，贝叶斯优化后的准确率高达99%，也包含了和遗传算法以及网格搜索优化支持向量机的对比！希望可以帮助到大家！！！给两个积分意思一下就行了

共振解调,轴承故障分析程序，对测试所得信号进行共振解调...提取轴承故障信息，进行故障诊断

凯斯西储大学（CWRU）轴承中心的轴承实验室经典数据，包含起官网提供的所有数据，包括正常数据，12k采集的驱动端数据，48k采集的驱动端数据，12k采集的风扇段数据、轴承正常时候的振动数据。文件比较大，耐心下载。

故障数据为采样频率为12KHZ的驱动端故障数据。 数据文件均为Matlab格式（.mat格式）。采样频率为12kHz。故障分别有内圈，外圈，滚动体等和每个数据标题中英文对应。 BA - 基座加速度数据（正常） DE - 驱动端加速度数据 FE - 风扇端加速度数据 time - 时间序列数据 RPM- 转每分钟 适用于通过方法或算法对数据分析从而对轴承故障进行识别。