基于振动信号的滚动轴承故障诊断; 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。

这是基于改进Fireworks优化的深度信念网络的极限学习机的滚动轴承亚健康识别的Matlab版本的部分实现 Rolling Bearing Sub-Health Recognition via Extreme Learning Machine Based on Deep Belief Network Optimized by Improved Fireworks 算法： PSO-MCKD FWA-MCKD

深度残差收缩网络应用于故障诊断(python) Deep Residual Shrinkage Networks for Intelligent Fault Diagnosis（pytorch） 深度收缩残差网络的pytorch版本的完整实现。 数据集为江南大学轴承数据集。

pca的基础程序，详细阐述了pca的用法和编写过程，有助于新接触者更好的理解pca的原理和步骤，利于完成特征降维的基础理解

总结了机械设备故障诊断技术方面的研究现状,阐述了常用故障数据采集和状态监测方法,探讨了模糊理论、神经网络、遗传算法等智能控制理论在故障诊断技术研究中的应用前景,指出了要完善信号融合技术,提高网络集成化水平,发挥智能决策诊断优势,提升容错控制水平的发展方向。

传统智能故障诊断算法需要依赖人工特征提取和专家知识,而旋转机械设备复杂的工作环境和工况使得传统算法在实际应用中缺乏良好的自适应性和泛化性.针对以上问题,提出基于卷积神经网络(Convolutional neural network,CNN)的层级化故障诊断算法(CNN based hierarchical fault diagnosis,CNN-HFD).首先,将原始振动信号进行分段预处理,以实现数据扩容;然后,分别根据故障类型和故障程度设计多个卷积神经网络,并将原始振动数据以某一时间步进行分割,作为卷积神经网络的输入进行训练;最后,将待识别信号送入CNN-HFD模型,经过分层故障诊断,在末端卷积神经网络输出相应故障类别和程度.通过滚动轴承振动数据库的实验表明,所提出的算法不仅具有高达99.5%以上的故障识别率,而且在负载发生变化时依然可以保持高达97%以上的故障识别率,具有较好的鲁棒性和泛化性能.

基于LabVIEW与MATLAB混合编程的思想,设计了矿井提升机在线监测与故障诊断系统,综合运用计算机、虚拟仪器、故障诊断等技术,经数据采集及分析、预测报警等实现了提升机在线监测与故障诊断功能。充分利用了LabVIEW与MATLAB的特点,安装简便,界面友好,编程灵活。对现场采集的振动信号进行了小波消噪与奇异性检测测试,取得了良好的效果。

传统故障诊断方法很难对无法建立数学模型的系统进行有效的故障诊断。为了有效诊断轴承的故障,提出了基于BP神经网络的轴承故障诊断方法。简单介绍了常用的故障诊断方法、BP神经网络的结构和学习算法,详细介绍了BP神经网络在轴承故障诊断中的应用方法。仿真结果表明,通过合理选择网络节点数和训练样本,可以有效检测出轴承的故障信息。

基于模型的控制系统故障诊断技术的最新进展

人工智能-机器学习-柴油机常见故障诊断技术的智能化研究.pdf