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

论文题目：基于卷积神经网络的轴承故障诊断算法研究_张伟 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 wdcnn.png为卷积神经网络的结构图像 我只实现了第三章的内容，剩下的没有做

Abnormal_Heart_Sound_Diagnosis：对心音数据库进行卷积长短期记忆（CNN-LSTM）评估，准确度达91％

基于知识图谱的医学诊断系统。Medical Diagnosis System Based on Knowledge Map.

The shortcomings of the existing single Finite State Machine (FSM) model and diagnosis method are given by analyzing the single FSM model and problem model. Then, according to the shortcomings of the current single FSM error model, a new state machine model and problem model are proposed, that is, t

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

Fault Detection and Diagnosis in Industrial Systems 是工业系统的故障检测与诊断的英文原版书籍，主要讲解了工业系统的故障检测与诊断

2014 KDD论文“Correlating Events with Time Series for Incident Diagnosis”的学习与讲解。