基于深度学习的滚动轴承故障诊断方法（python代码） 轴承故障诊断时机械状态监测的热门研究方向，其算法的核心在于信号特征提取与模式分类两个部分。在轴承故障诊断领域，常见的特征提取算法有快速傅里叶变化，小波变换，经验模式分解以及信号的统计学特征等，常见的模式分类算法有支持向量机，BP 神经网络（也称为多层感知器），贝叶斯分类器以及最近邻分类器等。当下轴承故障诊断的研究热点是可以归结为 3 类：寻找更好的特征表达；寻找最适合的特征表达以及分类器的组合；以及发明新的传感器。

基于小波包熵和模糊C均值的轴承故障诊断MATLAB程序

仿真时间共1.4s，0.7秒调整转速至3000，控制效果较好。

回旋冲击钻具轴承结构及润滑方式设计.zip回旋冲击钻具轴承结构及润滑方式设计.zip

回旋冲击钻具轴承结构及润滑方式设计(1).zip回旋冲击钻具轴承结构及润滑方式设计(1).zip回旋冲击钻具轴承结构及润滑方式设计(1).zip

本文档主要针对滚动轴承故障分析过程、频谱分析、扰动频率计算以及轴承失效的九个阶段的介绍

轴承加热器说明书 轴承加热器说明书

从振动信号中提取故障特征是滚动轴承故障诊断的常用方法。提出了利用零空间追踪算法和包络谱分析进行滚动轴承故障诊断的方法。首先对轴承故障振动信号进行零空间追踪(Null Space Pursuit)分解,降低噪声的干扰,提取高能量成分。然后对高能量分量进行包络谱分析得到振动信号特征频率,与理论故障特征频率对比后确定故障类型。仿真和试验结果显示该方法能够成功提取特征频率,辨别轴承故障类型,具有一定的实际意义。

目前许多轴承生产线上利用人工肉眼识别轴承工件号，这样不仅识别效果不好且效率低.在本文设计了一种基于机器视觉的轴承压印字符识别算法，该算法有利于轴承的生产以及后续的管理工作.首先对采集到的图像进行高斯滤波降噪，减少噪声对后续操作的影响；然后利用最小二乘法对ROI圆环进行提取，确定要进行操作的图像区域；接着使用八分之一圆扫描方法将圆环图像展开，使得字符识别操作更加简洁；随后对字符进行切分、归一化；最后使用SVM对字符进行识别.实验表明，该方法能够实现轴承压印字符识别，识别准确率在98%以上，并且具有良好的鲁棒性，系统响应速度快，能够满足工业需求.

纺织机械轴承应用技术方案