基于L-峭度的轴承故障诊断，刘绍鹏，侯澍旻，Kurtosis (峭度)被广泛应用监测机械设备故障信号。但是，峭度对于随机冲击非常敏感。信号中只要存在有随机冲击，峭度值就变得很大。�

为了有效地识别滚动轴承的不同失效模式，本文提出了一种基于小波包分解和连续隐马尔可夫模型的滚动轴承故障预测方法。 首先利用小波包分解对滚动轴承的振动信号进行处理，以提取出能量特征，然后将提取出的特征作为连续隐马尔可夫模型的输入。 训练了大量样本以估计不同轴承故障的连续隐马尔可夫模型的参数。 一旦达到该学习阶段，便会在第二阶段中利用生成的模型来连续评估滚动轴承的当前健康状态，并通过计算监视不同CHMM数据的概率来评估故障模式。 测试结果表明，该方法可以准确预测滚动轴承的故障，并评估滚动轴承的损坏状态。

静压气体轴承的气膜压力分布，程序比较简单。

轴承matlab代码滚动轴承故障检测，不使用CNN 概述 这段代码是bla bla bla bla 依存关系 keras tidyverse 剧本 data_import.R ：用于从数据集中读取matlab文件并将其转换为整齐CSV的文件 数据集 该数据集来自Case Western Reserve University（CWRU）轴承数据中心，网址为： 由于原始文件保存在matlab扩展上，因此使用data_import.R脚本转换了数据集R tidy。 该脚本需要一个文件夹组织，例如： D：/ datasets / bearing_fault_cwru / 12k驱动端轴承故障数据 球 1.0。垫 1.1。垫 ... 3.3。垫 内 普通的 外层3 外层6 外层12 重命名原始文件名以适合以下模式abmat表示此文件的破坏大小为a ，负载为b 。

12k Drive End Bearing Fault data---DE驱动端12k数据集。

12k Fan End Bearing Fault Data凯斯西储大学轴承数据风扇端12k的数据集。

Bearing contact analysis Referance, including the ball and roller bearings

轴承_故障_CWRU 来自CWRU数据集的10类分类。 作为我的硕士论文的一部分创建，题目为“轴承故障分类的深度学习算法”。 所有代码都使用Tensorflow库和Keras API在Python中完成。 标记为“分类”的情况。 这些代码包含卷积神经网络（CNN）形式的深度神经网络（DNN）。 CNN基础结构取自 基本代码结构在漂亮的文章 #cwru #bearingfault #keras #tensorflow #deeplearning #cnn

Keras_bearing_fault_diagnosis 基于CNN的轴承故障识别 1.简介 本科毕设，基于凯斯西储大学公开轴承数据集建立的CNN轴承故障识别模型。 记录相关过程的博客： 数据集： 2.环境 Windows+anaconda 3.框架 Keras 4.依赖 tensorflow;keras;numpy;scipy;os;sklearn;matplotlib 5.说明 cnn_1D.py 构建基础的CNN模型 lstm_diagnosis.py 构建基础的LSTM模型 cnn_diagnosis 论文代码 cnn_valid.py 测试不同全连接层数、卷积层数选择最优模型 preprocess.py 数据预处理（预处理代码来自 ） images文件夹 保存模型流程图； data文件夹 保存数据集； logs文件夹 保存日志

辛辛那提数据的说明文件，包含所用数据采集的传感器的布设以及对应图片，以及数据所对应的的轴承测试周期、数据长度、最后形成的故障类型