PHM深度学习 PHM中的深度学习，故障诊断中的深度学习，剩余使用寿命预测中的深度学习 该存储库的目的是收集PHM领域中深度学习的应用研究，收集和组织开源算法资源，并为研究人员提供学习和交流的平台。 文件 每周纸快递 2020年 | 评论论文 Dalzochio，J.等人，《机器学习和工业4.0中预测性维护的推理：当前状态和挑战》。 工业计算机，2020年。123：第。 103298. Zhao，Z.等人，《旋转机械智能诊断的深度学习算法：开源基准研究》。 ISA Transactions，2020年。 Jiao，J.，et al。，卷积神经网络在机器故障诊断中的全面综述。 神经计算，2020年。 Singh，J.等人，滚动轴承PHM的机器学习算法的系统综述：基本原理，概念和应用。 测量科学与技术，2020年。 Liu，Z. and L. Zhang，大型风力涡轮机轴承的故障模式，状态

rolling-bear-fault-diagnosis-based-wavelet-time-frequency-map-and-CNN The wavelet time-frequency map is obtained from the original vibration signal, and then input into CNN to realize fault diagnosis, the test set has the highest diagnostic accuracy 在matlab和pytorch0.4下，通过matlab对原始振动信号求取小波时频图，然后输入进pytorchCNN实现故障诊断，测试集诊断精度最高达99.5%。代码出售的、出售的、出售的，需要的加qq2919218574.详细见我的博客： 小波时频数据为：链接: 提取码: xhqz

基于深度学习的机械故障诊断 CNN用于机械故障诊断 这些代码用于两篇论文：“基于基于原始传感信号的卷积神经网络的滚动轴承故障智能诊断”（paper_1）和“基于以振动信号的二维表示作为输入的基于卷积神经网络的轴承故障诊断”（paper_2） ）。 先决条件，Matlab 2013a，Python 2.7.11，Tensorflow（在ubuntu14.04中更好）。 首先，您应该运行image_matrix.m来准备自己的数据。 其次，应该使用disorder_images.py和input_bear_data.py将数据变形为张量流的输入格式。 最后，您可以选择为paper_1运行mnist_b.py或mnist_c.py，为paper_2运行mnist_2d.py。 如果大家对以上研究兴趣，可以进一步参考我的这两篇论文：针对原始振动信号具有良好抗噪和域自适应能力的故障诊断新的深

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

永磁同步电机内部故障分析，方红伟，，提出了一种考虑饱和现象的磁路耦合分析法，分析了永磁同步发电机的定子绕组匝间短路和转子偏心综合故障。谐波电流被用以分析一台

Data-driven Design of Fault Diagnosis and Fault-tolerant Control Systems 2014 杜伊斯堡埃森大学 丁教授

系统性能和产品质量要求的不断提高和成本效率的不断提高，技术过程的复杂性和自动化程度不断提高。这一发展需要更多的系统安全性和可靠性。今天，围绕自动系统设计的一个最关键的问题是系统的可靠性。提高系统可靠性和可靠性的传统方法是提高单个系统组件（如传感器、执行器、控制器或计算机）的质量、可靠性和鲁棒性。即使如此，也无法保证系统的无故障运行。因此，过程监控和故障诊断正成为现代自动控制系统的组成部分，并且通常由立法机构规定。自20世纪70年代初开始，基于模型的故障诊断技术得到了显著的发展。在工业过程和自动控制系统中的大量成功应用证明了其在动态系统故障检测中的有效性。如今，基于模型的故障诊断系统已完全集成到车辆控制系统、机器人、运输系统、电力系统、制造业公共关系中。

Steven Ding_Model-based Fault Diagnosis Techniques 故障诊断经典参考资料