本文档主要针对滚动轴承故障分析过程、频谱分析、扰动频率计算以及轴承失效的九个阶段的介绍

从振动信号中提取故障特征是滚动轴承故障诊断的常用方法。提出了利用零空间追踪算法和包络谱分析进行滚动轴承故障诊断的方法。首先对轴承故障振动信号进行零空间追踪(Null Space Pursuit)分解,降低噪声的干扰,提取高能量成分。然后对高能量分量进行包络谱分析得到振动信号特征频率,与理论故障特征频率对比后确定故障类型。仿真和试验结果显示该方法能够成功提取特征频率,辨别轴承故障类型,具有一定的实际意义。

基于经验小波变换的滚动轴承故障诊断研究，徐明，谭继文，经验小波变换(EWT)作为一种新的自适应信号分解方法，通过在频域自适应构造带通滤波器组，构造正交小波函数，以提取具有紧支撑傅里�

1.包含完整的训练数据集 2.有单独的数据读取程序 3.训练效果好 4.python程序

1.里面有一片类似的轴承故障诊断论文 2.计算了VMD的能量熵和样本熵 3.做了多种数据集，包括单特征和多特征pca归一化 4.利用了粒子群算法优化SVM参数 5.python代码齐全

基于1DCNN-DS的滚动轴承故障诊断算法研究，杨振波，贾民平，卷积神经网络在旋转机械故障诊断领域已经取得较大的发展，可以将原始振动信号直接输入到深度学习模型中便可以诊断故障类别。然而

资源自带数据、模型，运行main.py可以直接跑出结果。 内容概要：资源里有详细介绍原理。 适合人群：具备一定python编程基础人员 能学到WHVG和GCN_GIN+的滚动轴承故障诊断流程 阅读建议：过查看注释，修改源码，添加断点，编译等，帮助自己充分理解源码。

针对现有煤矿旋转机械滚动轴承故障诊断方法存在信号有效特征提取不完全、故障诊断精度不高及效率低等问题，提出了一种基于小波包分解和粒子群优化BP神经网络的滚动轴承故障诊断方法。该方法包括信号特征提取和故障类型识别两部分：在信号特征提取部分，对采集的滚动轴承振动信号进行小波包分解，得到各子频带能量及信号总能量，经归一化处理后获得表征滚动轴承状态的特征向量；在故障类型识别部分，通过粒子群优化算法优化BP神经网络的初始权值和阈值，以加速网络收敛速度，避免陷入局部极小值。实验结果表明，该方法提高了滚动轴承故障诊断效率和准确率。

支持向量机(Support Vector Machine 简称SVM)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。

首先根据 Harr 小波理论，给出基于 Harr 小波的信号分解与重构算法；然后根据轴承元件之间滚动接触的速度关系建立的方程，求得滚动轴承的特征频率。