针对传统煤矿电机滚动轴承故障诊断信号噪声大和诊断效率低等问题,提出了一种基于经验模态分解和形态滤波的轴承故障诊断方法。仿真结果验证了所提方法的可行性和有效性。

针对滚动轴承传统上侧重某一时间点的故障类型诊断问题,提出一种注重评估全寿命周期中性能退化趋势的指标提取方法。利用EEMD分解初始信号得到诸多IMF分量,采用相关系数准则提取相关程度高的IMF分量作为有效信息进行重构,实现信号的降噪处理。对降噪信号分别建立时域、频域和时频域共37个性能退化指标,剔除敏感度太弱和信息过于嘈杂等不适合表征滚动轴承退化趋势指标后,利用PCA法进行加权融合剩余的多域性能退化指标,最终得到能全面表征性能退化趋势指标。对Cincinnati大学采集的全寿命周期振动信号进行实验分析,结果

提出了一种基于小波域阈值降噪和改进Hilbert-Huang变换的滚动轴承的振动信号分析方法。利用小波域阈值消噪的方法对振动信号进行降噪,采用基于包络极值延拓和相关系数法的HHT方法得到信号的Hilbert谱和Hilbert边际谱,根据谱图幅值特性判断轴承的状态。该方法能够有效地提取信号特征,具有良好的诊断效果。

通过此次代码可以学习到MOMEDA、MCKD、1.5维能量谱、1.5维谱等相关程序知识

轴承计算书，轴承计算参考用较好的书籍，供轴承设计人员使用

滚动轴承故障诊断MATLAB程序：快速谱峭度、谱峭度+包络谱分析

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

JBT50013-2000 滚动轴承 寿命及可靠性试验规程（内部使用）pdf,JBT50013-2000 滚动轴承 寿命及可靠性试验规程（内部使用）

[深度应用]·DC竞赛轴承故障检测开源Baseline（基于Keras1D卷积 val_acc:0.99780） 轴承是在机械设备中具有广泛应用的关键部件之一。由于过载，疲劳，磨损，腐蚀等原因，轴承在机器操作过程中容易损坏。事实上，超过50％的旋转机器故障与轴承故障有关。实际上，滚动轴承故障可能导致设备剧烈摇晃，设备停机，停止生产，甚至造成人员伤亡。一般来说，早期的轴承弱故障是复杂的，难以检测。因此，轴承状态的监测和分析非常重要，它可以发现轴承的早期弱故障，防止故障造成损失。 最近，轴承的故障检测和诊断一直备受关注。在所有类型的轴承故障诊断方法中，振动信号分析是最主要和有用的工具之一。 在这次比赛中，我们提供一个真实的轴承振动信号数据集，选手需要使用机器学习技术判断轴承的工作状态。

适用于NSK轴承，及其他常规轴承型号选型。