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。

为解决异步电机故障轴承振动信号易受噪音影响信噪比较小的缺点,提出了一种新的故障诊断方法。首先,采用小波分析方法对测得的原始信号进行去噪,并根据频率对原始信号进行频带划分;其次,用经验模式分解(EMD)方法对小波包分解重构得到的低频段信号进行分解,获得若干固有内在模函数(IMF);最后,采用傅里叶变换对各个IMF函数进行时频分析获得频谱图,进而提取故障频率,根据故障频率和故障类型的对应关系得出最后的诊断结果。实验表明,该方法能有效地提取出故障特征频率,方便地判断出故障类型。对比分析了傅里叶变换和小波变换与本方法的优缺点,为滚动轴承的早期故障诊断提供了一个新的思路。

一维卷积网络对轴承故障诊断，程序语言为python，在tensorflow2.3.1，python3.6上运行