人工智能-粗糙集神经网络故障诊断系统的方法研究及应用.pdf

人工智能-粗糙集与神经网络在煤矿主通风机故障诊断中的方法研究.pdf

人工智能-粗集—神经网络智能故障诊断系统的程序设计.pdf

人工智能-大型风电机组信息融合故障诊断与神经网络容错控制研究.pdf

网络故障诊断(课件).zip

英国电站13台变压器冷却油中溶解气体分析记录文本数据数（2010-2015）.zip

变压器冷却油中溶解气体故障诊断模型（数据+代码），其中包含变压器冷却油中溶解气体数据和神经网络模型代码，实现变压器故障的智能诊断。

采用一种处理非平稳信号的新方法—希尔伯特-黄变换HHT（Hilbert-Huang Transform）来进行滚动轴承故障特征的提取。将信号先进行小波包降噪处理，然后用HHT进行信号故障特征提取。通过实验仿真和轴承故障诊断实例，对比没有进行小波包降噪而直接进行HHT的结果，证明了此方法在轴承故障诊断中的有效性。

matlab精度检验代码 DiagnosisDL2TF 使用TensorFlow建立简单的轴承故障诊断模型 1、数据来源及介绍 轴承、轴、齿轮是旋转机械重要组成部分，为了验证深度学习在旋转装备故障分类识别的有效性，本文选取凯斯西储大学轴承数据库(Case Western Reserve University, CWRU)[9]为验证数据。CWRU实验装置如图 4‑1所示。轴承通过电火花加工设置成四种尺寸的故障直径，分别为0.007、0.014、0.021、0.028英寸。实验中使用加速度传感器采集振动信号，传感器分别被放置在电机驱动端与风扇端。由于驱动端采集到的振动信号数据全面，并且收到其他部件和环境噪声的干扰较少，因此本文选取驱动端采集的振动信号作为实验数据。实验数据包括4种轴承状态下采集到的振动信号，分别为正常状态（Normal，N）、滚珠故障状态（Ball Fault，BF）、外圈故障状态（Outer Race Fault，ORF）以及内圈故障状态（Inner Race Fault，IRF），每种状态下采集到的信号又按照故障直径与负载的大小进行分类，其中故障直径分别为0.007、

【DBN分类】基于DBN实现变压器故障诊断附matlab代码