现有基于变分模态分解算法(VMD)的轴承故障诊断方法,由于其参数K需要依据先验知识预先设定,缺乏对K值最优设定的理论支撑,难以保证故障特征提取及故障诊断的精确性.针对上述问题,提出一种基于参数估计优化的VMD与多尺度熵(MSE)的石化装备轴承特征提取及诊断新方法.首先,针对VMD分解参数K的难以实现最优设定问题,利用局部均值分解(LMD)自适应分解分量的频率分布特征,构建一种实现K值有效估计的方法;其次,在VMD分解的基础上,提出一种MSE和线性判别分析(LDA)协同特征提取方法,完成特征模型构建;然后,针对轴承故障特征样本过少,利用支持向量机(SVM)对提取故障特征进行识别;最后,利用石化装备实验室仿真平台的轴承故障数据进行实验,验证算法的有效性和工程实用性.对比分析表明,所提出的算法可以很好地提取故障特征且故障识别精度较高,具有较好工程操作性和扩展性.

vmd分解matlab实现，变分模态分解，信号分解，可应用于各种信号的分解，以及入门学习的辅助材料，这是vmd方法提出者的原版代码

2014年，K. Dragomiretskiy and D. Zosso, Variational Mode Decomposition等人提出 Variational Mode Decomposition,(VMD).

VMD程序，用于轴承、齿轮等振动信号的分解、降噪和重构，实现故障诊断

粒子群算法优化vmd算法，极大提高算法的精确性和运行速度

vmd matlab代码变分模式分解 (VMD) 及其变体 原始 VMD 代码：VMD.m K. Dragomiretskiy, D. Zosso, Variational Mode Decomposition, IEEE Trans. on Signal Processing 多元变分模式分解代码：MVVMD.m N. Rehman, H. Aftab, Multivariate Variational Mode Decomposition, arXiv:1907.04509, 2019. 我们的作品：MVMD.p、STMVMD.p、MAC.p、MVMD.pyd、STMVMD.pyd。 现在只有 Matlab R2016a 的 pcodes 和 Python 3.6.5 的 pydcodes 可用。 请注意：我们只允许使用这些程序来验证我们的论文“多维变分模式分解及其短时对应物”。 除非另行通知，否则不允许用于其他目的。 如果您对以上代码有任何疑问，请联系我。 输入和参数： 信号 - 要分解的时域信号 alpha - 数据保真度约束的平衡参数 tau - 双上升的时间步长（选择 0

极乐净土mmd动作数据 来源http://mmd.xiaolindraw.com 请勿用于商业用途！

一种非线性信号分析方法-变分模态分解算法（VMD）源代码及测试代码

经验模态分解，变分模特分解matlab代码，可直接运行 内含emd代码、vmd代码、emd vmd比较三种代码

基于PSO_VMD_MCKD方法的风机轴承微弱故障诊断。为实现 VMD 和 MCKD 的参数自适应选择，采用粒子群优化算法对两种算法中的参数进行优化，确定适应度函数为包络谱峰值因子。该资源中包括了频谱函数和求包络谱函数。