针对轴承振动信号非线性、非平稳性和故障特征微弱性的特点,以及工程实际中难以获得大量故障样本的情况,提出了一种基于多尺度排列熵和支持向量机的轴承故障诊断新方法。该方法首先对轴承不同运行状态下的振动信号进行多尺度排列熵特征提取,然后通过距离评估技术从原始多尺度排列熵特征中选取敏感特征,最后将敏感特征输入到采用遗传算法优化的支持向量机中,实现对轴承不同运行状态的自动识别。对实验数据分析的结果表明,该方法可以精细地获取故障信息,从大量原始特征中选择出敏感特征,有效地实现滚动轴承故障状态的诊断。

基于WDCNN的轴承故障诊断（含tsne可视化）

基于MATLAB的GUI设计了一个简易版的轴承故障诊断系统，该系统的主要有以下几个功能：1、可以作为GUI界面学习的一个例程（含详细源码）；2、可以基于西储大学的数据熟悉信号的常见分析手段（FFT/时域波形）；3、可以自动选取西储大学的数据进行分析，只需要输入文件名序号即可;4、可以作为毕业设计中软件设计的一部分（某一章节），增加学术工作量，使得算法成果展示更生动。5、软件左上角有放大、缩小、标注数据等功能。

针对BP神经网络训练过程易陷入局部极值导致训练误差收敛速度慢的问题，提出将具有全局寻优的萤火虫算法，结合BP算法共同训练神经网络。在本质上，萤火虫BP神经网络利用萤火虫算法对神经网络进行早期训练，避开局部极值点，得到优化后的神经网络初始权值后，利用BP算法的局部寻优特性对网络做进一步精细训练。轴承故障实验表明，萤火虫BP神经网络的训练误差收敛速度相比BP神经网络、萤火虫神经网络显著提升，故障识别率最高达到99.47%。

十分详细，适合新手学习

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

1、有数据集 2、有随机森林分类、决策树、KNN、朴素贝叶斯的简单对比 3、可直接运行

采用一种处理非平稳信号的新方法—希尔伯特-黄变换HHT（Hilbert-Huang Transform）来进行滚动轴承故障特征的提取。将信号先进行小波包降噪处理，然后用HHT进行信号故障特征提取。通过实验仿真和轴承故障诊断实例，对比没有进行小波包降噪而直接进行HHT的结果，证明了此方法在轴承故障诊断中的有效性。

matlab精度检验代码 DiagnosisDL2TF 使用TensorFlow建立简单的轴承故障诊断模型 1、数据来源及介绍 轴承、轴、齿轮是旋转机械重要组成部分，为了验证深度学习在旋转装备故障分类识别的有效性，本文选取凯斯西储大学轴承数据库(Case Western Reserve University, CWRU)[9]为验证数据。CWRU实验装置如图 4‑1所示。轴承通过电火花加工设置成四种尺寸的故障直径，分别为0.007、0.014、0.021、0.028英寸。实验中使用加速度传感器采集振动信号，传感器分别被放置在电机驱动端与风扇端。由于驱动端采集到的振动信号数据全面，并且收到其他部件和环境噪声的干扰较少，因此本文选取驱动端采集的振动信号作为实验数据。实验数据包括4种轴承状态下采集到的振动信号，分别为正常状态（Normal，N）、滚珠故障状态（Ball Fault，BF）、外圈故障状态（Outer Race Fault，ORF）以及内圈故障状态（Inner Race Fault，IRF），每种状态下采集到的信号又按照故障直径与负载的大小进行分类，其中故障直径分别为0.007、

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。