滚动轴承是机械中应用最广泛的一种通用机械部件，轴承特定的使用环境造成其寿命的随机性较大，目前还无法准确预测其寿命。因此，轴承故障诊断就显得非常重要。本文对滚动轴承的振动数据分别在时域和频域进行了分析，由神经网络处理，对结果采用“判决区间+举手表决”方式，获得最终判断结果。

讨论了Hilbert变换的基本原理，以及基于Hilbert变换的包络解调方法在轴承故障诊断中的应用。实践表明：对于具有调制现象的滚动轴承故障诊断，基于Hilbert变换的包络解调方法，具有明显的诊断意义，是一种可靠的诊断方法。

针对人为加工的滚动轴承点蚀故障数据难以模拟真实疲劳失效过程的问题,提出将滚动轴承强化寿命试验的轴承疲劳失效过程数据作为故障诊断数据,结合经验模态分解(Em-pirical Mode Decomposition,EMD)与共振解调技术对真实疲劳失效的滚动轴承进行故障诊断.依托经验模态分解的自适应性,有效的将携带故障信息的高频调制信号从原信号中分离出来,实现了信号的带通滤波;利用Hilbert变换进行解调分析得到包含故障特征信息的低频包络信号,经过频谱分析后实现对疲劳失效滚动轴承故障特征提取和故障辨识.实验结

基于小波和相关分析的滚动轴承故障诊断研究，李雅梅，陈明霞，滚动轴承是旋转机械设备中应用得最为广泛的一种通用机械部件。在研究小波变换消噪的原理以及循环自相关函数分析理论的基础上，对

滚动轴承是工业应用系统中的重要部件,其引发的故障是引起机器设备失效的重要原因。Hilbert变换基于滚动轴承故障引发的高频固有振动,提取包络信号。通过包络信号进行频谱分析从而提取滚动轴承的故障特征信息。通过采集内圈故障、外圈故障的滚动轴承振动信号,采用Hilbert变换对轴承的振动信号进行了分析,验证了Hilbert包络解调技术在滚动轴承故障诊断中的有效性。

针对直接运用快速傅里叶变换（FFT）无法有效提取具有非线性非平稳特性的滚动轴承振动信号故障特征频率的问题，提出了一种基于经验模式分解和峭度指标的Hilbert包络解调方法。首先对滚动轴承的振动信号进行了经验模式分解（EMD），得到了包含轴承故障特征信息的各阶本征模态函数（IMF），再计算各阶IMF的峭度值，选取了峭度值较大的几阶IMF分量重构信号，并对重构信号进行了Hilbert包络解调分析，从而获得了滚动轴承的准确故障特征信息。分别对仿真模拟信号和实际滚动轴承发生内圈故障的振动信号进行了分析，清晰地得到

峰峰值+均方差+峭度+波形因子+裕度因子

本文主要介绍如何使用python搭建：一个基于深度学习的**滚动轴承故障诊断**系统

介绍了小波包分析的基本理论,并以滚动轴承为研究对象,将小波包分析应用于轴承的故障诊断。首先用小波包分解的方法提取分解频带的能量在时间域上的分布,得到能量谱图,然后通过包络分析得到信号的功率谱,由此可判断出轴承的故障位置。

针对强背景噪声下滚动轴承的非线性、非平稳故障特征提取不足的问题，提出了融合概率主成分分析(PPCA)及1.5维Teager能量谱的故障特征分析方法。首先对信号进行概率主成分分析，通过对信号降维重构信号，提取信号故障特征主成分，去除强背景噪声干扰；然后对重构信号进行1.5维能量谱分析，从而获得轴承故障特征谱信息。利用所提方法对滚动轴承模拟数据及实验数据进行分析，结果表明与集合经验模态分解(EEMD)包络谱相比，采用PPCA与1.5维能量谱的分析方法在进行滚动轴承故障高阶倍频提取时具有一定的优势。