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。

基于VMD和1_5维Teager能量谱的滚动轴承故障特征提取_向玲

【MATLAB项目实战】基于Morlet小波变换的滚动轴承故障特征提取研究

人工智人-家居设计-基于Bayesian理论的电机滚动轴承故障的智能诊断研究.pdf

基于虚拟仪器技术的滚动轴承故障检测系统的研究

针对滚动轴承故障诊断中普遍存在的小样本学习问题，采用支持向量机实现轴承故障的模式识别。为了解决时域统计参数对于轴承故障的多分类效果较差的问题，引入小波包分解（Wavelet packet decomposition，WPD）技术，提取振动信号各频带的能量系数构造特征向量，并采用Fisher比率法对特征向量进行优化选取；然后利用支持向量机（support vector machine，SVM）进行故障模式识别，并与小波包分解及时域统计参数的分类效果进行对比分析。结果表明：支持向量机是实现轴承故障模式识别的一

包含matlab代码以及基于此代码的论文一篇。 代码主要实现对数据的多维特征提取，包括峰值裕度等多个时频域特征。然后将提取到的特征输入到BP神经网络中，从而将故障轴承数据与正常轴承数据分类。

【故障诊断分析】滚动轴承故障诊断系统含Matlab源码

内容如下： ①12k Drive End Bearing Fault Data # 12k驱动端故障数据 ②12k Fan End Bearing Fault Data # 12k风扇端故障数据 ③48k Drive End Bearing Fault Data # 48k驱动端故障数据 ④Normal Baseline Data # 正常数据 ⑤README.md ⑥说明文件_cn.doc # 说明文件（中文） ⑦说明文件_en.doc # 说明文件（英文原件） ---------- 数据格式：四种数据（①-④）均为.mat格式文件，详细数据说明建议阅读英文说明原件（⑦），建议首先使用Matlab对数据进行预处理。