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

一、源码特点 JSP 故障诊断分析管理系统是一套完善的web设计系统，对理解JSP java编程开发语言有帮助，系统具有完整的源代码和数据库，开发环境为TOMCAT7.0,Myeclipse8.5开发，数据库 为Mysql5.0，使用java语言开发,系统主要采用B/S模式开发。 二、功能介绍 系统主要功能： (1)权限管理：对权限信息进行添加、删除、修改和查看 (2)用户管理：对用户信息进行添加、删除、修改和查看 (3)故障类型管理：对故障类型信息进行添加、删除、修改和查看 (4)故障管理：对故障信息进行添加、删除、修改和查看 (5)新闻管理：对新闻信息进行添加、删除、修改和查看 （6）登录退出系统，身份校验 三、注意事项 1、管理员账号：admin密码：admin 数据库配置文件DBO.java 2、开发环境为TOMCAT7.0,Myeclipse8.5开发，数据库为Mysql5.0，使用java语言开发。 3、数据库文件名是jspsgzzdfx.sql，系统名称gzzdfx 4、系统首页地址：http://127.0.0.1:8080/gzzdfx/login.

包含matlab代码以及基于此代码的论文一篇。 代码主要实现对数据的多维特征提取，包括峰值裕度等多个时频域特征。然后将提取到的特征输入到BP神经网络中，从而将故障轴承数据与正常轴承数据分类。

针对现有煤矿机械在线监测与诊断技术未实现故障特征在线提取及故障类型自动识别的问题，设计了一种基于LabVIEW的煤矿旋转机械故障在线诊断及预警系统。该系统采用频谱分析、功率谱分析、包络谱分析、倒频谱分析等方法分析振动信号，得到旋转机械运行过程中各部件的特征参数，与故障类型数据库里的特征参数进行对比，实现故障诊断。设计了精细诊断和粗略诊断2种故障诊断模式，通过互锁的方式将2种模式关联起来，若旋转机械各主要部件结构参数已知，可选用精细诊断模式，否则选用粗略诊断模式。通过模拟旋转机械转子不平衡故障验证系统性能，结果表明，该系统能够准确识别故障并发出提示，且操作简单、可靠性高。