利用深度神经网络学习的特征进行多类轴承故障分类 该存储库包含提交给的论文的代码，该论文使用已学习的数据驱动功能进行故障诊断。 无需手动计算特征，而是通过深度神经网络从数据中学习特征。 然后将这些学习到的功能与SVM一起用于故障分类。 还提出了一种解释数据驱动功能的经验方法。 该论文已被接受并将出现在会议记录中。 数据： 我们使用公开可用的。 该数据集实际上是为预后应用准备的。 但是，我们将其用于故障诊断任务。 我们考虑四种故障类型：正常故障，内部故障，外部故障和球形故障。 原始数据是在几个月内收集的，直到其中一个轴承发生故障。 因此，对于正常情况，我们已在实验开始时收集了数据。 同样，对于错误情况，我们已在实验结束时获取了数据，该数据更接近发生错误的时间点。 我们实验中使用的文件的详细信息可以在下面找到。 提取后，包含原始数据的压缩文件提供了三个文件夹：1st_test，2nd_tes

FAG轴承常见型号的尺寸样本手册，轴承型号快速查询软件。收录了超过10000个型号，能帮助用户快速选定使用的FAG轴承型号的尺寸参数，如：内径、外径、厚度、转速等。

最详细的NSK轴承手册

通过电动机与滚动轴承之间建立的函数关系将振动信号转变成谐波分量,进而对谐波分量分析。对这种非平稳信号首先进行经验模态分析(EMD),然后通过改进LMS算法自适应滤波器分离噪音,最后再运用希尔伯特变换得到故障轴承频谱图。通过仿真实验证明该方法可以消除大部分的噪音和低频干扰,且易于实现,最终获得符合故障诊断要求的振动信号。

matlab程序包括均方根值、方根幅值、峭度等量纲指标

1、一万字论文，查重20以下； 2、Labview仿真程序及仿真结果； 3、程序介绍及仿真结果分析；

建立了滚动轴承外圈与滚动体各有一点损伤的典型故障模型，在损伤模型振动分析的基础上，利用遗传算法的寻优功能，对故障的特征参数进行自动优化，最后利用逐次诊断理论，对变工况条件下的滚动轴承复合故障进行诊断。计算结果表明该方法对于滚动轴承的复合故障诊断非常有效。

资源包含以下内容： 1) 基于LabVIEW的轴承信号采集分析仪的设计-说明书.docx 2) 基于LabVIEW的轴承信号采集分析仪的设计-答辩PPT.ppt 3) 轴承信号采集分析仪.vi 4) 信号采集子模块.vi 5) 分析模块1.vi 资源可用于Labview课程设计/课程论文/节课论文；或信号采集系统的设计等

基于1DCNN的轴承故障诊断，在CWRU数据集上进行验证，下载即可跑通，可作为baseline。同时具有抗噪实验功能，能输出各个混淆矩阵、训练时间和测试时间。 有详细注释，同时可讲解代码。 参考毕业论文《基于卷积神经网络的轴承故障诊断算法研究_张伟》 参考github: https://github.com/AaronCosmos/wdcnn_bearning_fault_diagnosis

一个模型+主程序，然后里面还有CWRU轴承的数据，直接可以运行。 想修改模型可以在model.py里修改，这样就可以拿来自己搞点东西。