针对齿轮实测信号因受噪声干扰而不能准确反映故障特征的问题，提出将自适应局部迭代滤波应用到齿轮故障识别中，与样本熵、灰色关联度相结合实现齿轮的故障识别。利用自适应局部迭代滤波将齿轮非平稳信号分解为有限个平稳的本质模态函数，通过计算各本质模态函数的样本熵，发现以齿轮系统的转频信号对应的本质模态函数的样本熵为界，前几个本质模态函数的样本熵能表征不同故障类型的特征；计算齿轮系统正常、齿面轻度磨损、齿面中度磨损和断齿4种工况下多个训练样本的样本熵的平均值，将其作为对应工况标准故障模式的参考值；计算待检测样本的样本熵与各状态下训练样本的样本熵平均值之间的灰色关联度，与待识别样本灰色关联度最大的标准故障模式即被认为是待识别样本的故障类型。实例分析结果表明，通过自适应迭代滤波能有效抑制模态混叠现象，发现明显的齿轮转频信号，而采用集合经验模式分解（EEMD）方法进行信号分解后，模态混叠现象比较明显，且在EEMD的分解结果中基本看不出齿轮的转频分量；4种工况的样本熵曲线形状存在明显差异，说明样本熵能有效表征齿轮故障特征的变化；灰色关联度方法能有效地将4种不同的故障类型进行分类识别，分类识别性能优于BP神经

风险树 人工智能用于树木故障识别和风险量化 步骤1：标记输入数据 输入为图像（当前为3024 x 4032像素）。 这些当前保存在本地，无法在远程上访问。 通过电子邮件发送给协作者以进行数据访问。 要执行标记，请运行process-image-files 。 当前框架假定theraw图像位于data/raw/Pictures for AI 。 步骤2：预处理图像 在此步骤中，我们执行图像大小调整和数据增强（随机裁剪，水平翻转-概率为50％）。 用户可以为原始图像集指定扩展因子。 例如，如果原始集中有500张图像，并且为预处理功能指定了5的扩展因子，则最终的扩展集将包含2500张图像。 最终，针对4个分类方案和用户指定的分辨率（例如64 x 64 px，128 x 128 px等）生成图像训练集。还执行单热矢量编码。 每组图像和标签都作为元组数组保存在二进制.npy文件中。 步骤3：CNN超

对小波变换的时频分析特征进行了详细研究,将其应用到配电网常见故障的识别中。在MATLAB/SIMULINK下搭建了系统仿真模型,对发生不同故障时的电流信息进行了特征提取,结果证明基于小波变换的方法不仅能对故障类型进行判别,而且还能准确确定出故障发生的时间。

本代码是基于PCA的数据监测和故障识别，训练集数据和测试集数据是随机生成的数据，测试集是在训练集的基础上添加的噪音当作故障数据，开发环境为python。