[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。

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

Research and Application of Bearing Fault Diagnosis Based on Deep Encoder Classification Model

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包和经验模态分解(Empirical Mode Decomposition,简称EMD)的滚动轴承故障诊断方法。该方法用小波包对振动信号进行预处理,用Hilbert变换求重构信号的包络,采用EMD方法将包络信号分解为若干个IMF分量,让故障信息得到凸显,然后根据某个分量的频谱,判断滚动轴承的故障类型。实验结果表明,比传统的时频分析方法,该方法能够更有效地提取轴承故障特征,诊断轴承故障。

针对滚动轴承极易损伤，振动信号表现出非线性、非平稳性等特点，提出一种基于局部特征尺度分解(LCD)和改进支持向量机(SVM)的滚动轴承故障诊断算法。首先对采集到的轴承振动信号进行LCD，分解得到一系列内禀尺度分量(ISC)，通过与经验模态分解(EMD)对比研究，证明了LCD方法的优越性；然后计算所有分量的能量熵值，提取出轴承信号的敏感特征集，输入到经过遗传算法(GA)进行参数优选后的SVM识别模型进行轴承状态的诊断识别。实验研究表明，基于LCD和改进SVM的轴承诊断算法能较好地提取出轴承故障特征信息，对4种轴承状态的识别率高达90%，是一种较为有效的轴承故障诊断方法。

滚动轴承是应用最为广泛、也是最易损坏的机械设备关键零部件之一，其状态影响着整个设备的稳定运行。因此，滚动轴承的状态监测和故障诊断一直为大家所重视。而将声发射技术应用于滚动轴承的状态监测与故障诊断，是当前研究的一个热点。 本文以声发射技术为手段，对基于声发射技术的滚动轴承状态监测与故障诊断进行了理论和实验研究，着重对滚动轴承点蚀故障的声发射诊断方法进行了详细研究。研究工作主要包括以下三个方面： 1、滚动轴承声发射信号的参数分析。采用了振铃计数、均方根、信号幅度、峭度系数等典型声发射参数对不同工况下（不同载荷、转速、故障尺寸及传播途径）滚动轴承声发射的特征及传播特性进行了分析，得出了各参数对工况变化的反应趋势及敏感性。 2、Morlet连续小波变换的参数选择。针对连续小波变换的尺度和基小波波形参数选择，提出基于遗传算法的优化选取方法，参数的优化选择有效提高了Morlet连续小波尺度谱对滚动轴承声发射信号分析的时频性能。 3、滚动轴承声发射信号的波形分析。在连续小波变换参数优化选取的基础上，对不同工况下滚动滚动轴承声发射信号进行时频分析，并结合希尔伯特谱分析,详细地分析了滚动轴承声发射的时频特性，提出了时频特征；另外，利用离散小波变换，进一步定量分析了信号时频分布。

基于小波变换的信号奇异性检测原理,提出了信号奇异点的定位及奇异性程度的检测方法,并利用Matlab仿真平台,对故障信号实例进行了仿真和分析。仿真结果表明,与传统的Fourier分析方法相比,该方法是一种简单、有效的检测方法,特别在非平稳信号的监测和机械故障诊断领域。利用此方法可以比较精确地判断出信号发生的奇异点时刻以及奇异程度的大小,并且边缘效应要小得多。

区分3个工况，DE端数据按照2048个点一个样本，128个点步长进行滑窗取值获得，而后使用小波变换形成时频图，图片大小192×192

- main为wdcnn卷积神经网络主文件，运行它就可以得出结果- preprocess为预处理文件，主要实现制作数据集的功能- 日志文件保存在logs里面，通过启动tensorboard查看

基于emd的滚动轴承故障诊断驱动计数端的内圈故障，故障明显，基于EMD的包络解调有效风扇计数端的内圈故障，故障效果不好，基于EMD的包络解调不是很有效基础计数端的内圈故障，故障效果不好，基于EMD的包络解调无效，只能看到转频，故障频率不明显