严如强团队2019年文章UnsupervisedDeepTransferLearningforIntelligentFaultDiagnosis-AnOpenSourceandComparativeStudy用于智能故障诊断的无监督深度迁移学习：开放源代码和比较研究 关键词：无监督深度学习；智能故障诊断；开源研究 1.介绍 2.简要回顾 3.算法评估 4.基于UDTL的智能故障诊断应用 5.数据集 6.数据预处理和拆分 7.评估方法 8.评价结果 9.进一步讨论 10.结论 附录A：测试结果

为了实现对逆变器电路故障位置快速精确定位,减少停工检修时间,提高运行效率,提出一种基于BP神经网络的变频器逆变电路开关器件开路故障诊断方法。使用MATLAB对逆变电路建模和仿真,从输出电压波形直接采样提取故障信号特征。根据故障特征和诊断目标,建立三层神经网络故障模型,确定神经元数目和传输函数。将故障特征信号作为BP神经网络的输入,通过Levenberg Marquardt算法实现对神经网络的训练,用训练后的神经网络模型实现对变频器逆变电路的故障诊断。结果表明:直接波形采样实现简单;可实现1只或2只IGBT同时开路故障准确定位;所提出的故障诊断模型诊断准确率高。

基于小波包能量谱与CNN的滚动轴承故障诊断方法，用的matlab

对机电系统进行音频信号的故障诊断研究，传统的音频信号处理方法大多采用滤 波降噪的方式，针对其中的不足，拟采用独立分量分析（ICA）的盲源分离方法。该方法只依据传感器采集的观测混合信号，就能恢复各个机械部件产生的声源信号，从而准确地对各个振源进行状态监测和故障诊断

基于小波变换的滚动轴承故障诊断,振动信号中的高频部分对诊断结果有一定影响,为克服此影响,首先运用小波包对SKF型滚动轴承故障信号进行预处理,以此为特征向量结合概率神经网络去验证模型的实用性和可行性。分析结果表明,小波包与概率神经网络相结合的故障诊断方法可以有效的应用于滚动轴承故障诊断。

分别用小波分解、小波包分解和EMD分解处理滚动轴承故障数据,并结合Hilbert变换进行包络谱分析实现滚动轴承故障诊断。对滚动轴承故障数据进行小波阈值降噪。小波阈值降噪后分别进行小波分解、小波包分解和EMD分解。分别求出小波分解、小波包分解和EMD分解后各个频带的能量谱。再根据能量谱确定故障频带范围并对其进行信号重构。采用Hilbert变换对重构信号进行包络谱分析实现滚动轴承故障诊断。通过对滚动轴承内圈故障信号的分析验证了小波分解、小波包分解和EMD分解结合Hilbert变换进行包络谱分析的滚动轴承故障诊断方法的有效性。

matlab程序，应用灰色关联方法进行变压器油色谱故障诊断程序，能跑通。

简单的CNN网络，用来做故障诊断分类

用MATLAB实现，基于PNN BP RBF 三种神经网络进行的电网故障诊断，用1 0 标注，同时给出利用神经网络函数 和手编两种方法，给出模型

本书是关于模拟电路检修的专著。作者Bob Pease是模拟电路设计界的传奇人物。在多年的实际工作中，他总结了一系列的技术与方法，大大提高了模拟电路诊断与检修的速度，把通常让人头疼的问题变得简单有趣。本书介绍了作者关于模拟电路的富于哲理的观点和认识，给出了常用的简易测试设备制作和使用方法，讲述了各种设备和元器件的特性和优缺点，并从真实电路出发引导读者逐步深入了解模拟电路检修的过程和方法。