DeepConvolutionalTransferLearningNetworkANewMethodforIntelligentFaultDiagnosisofMachineswithUnlabeledData(深度卷积迁移学习网络：一种新的无标记机器故障智能诊断方法) 雷亚国团队2018年文章。 机械智能故障诊断的成功依赖于两个条件。1)含有故障信息的有标签数据是可用的。2)训练和测试数据是从相同的概率分布中获取的。然而，对于大部分机械，很难获得大量的有标签数据。此外，尽管一些机械可以获取有标签数据，但是由于数据分布的差异，用这些有标签数据训练的智能故障诊断方法可能无法对从其他机械获得的无标

基于主元分析的TE过程的故障诊断技术(Matlab代码) 基于主元分析的TE过程的故障诊断技术(Matlab代码)

汽车电气系统故障诊断分析

移动计算环境的复杂性、网络条件多样性,便携设备有限的资源、弱连接性、安全漏洞等因素,使得系统中故障发生的可能性增加,有效地感知、隔离、恢复故障可提高系统容错性能。该文针对具有中心结点类的移动计算环境,运用互测比较的方法,通过小区中的移动结点和移动支持站进行交互测试来获取故障征兆信息;基于概率诊断方法对检测结果进行评估,运用不同的处理策略来诊断故障结点集。对算法性能进行了理论分析和仿真实验,结果表明:算法能够满足移动计算环境下结点故障感知要求,具有较高的可诊断性和较低的时间、通信开销。

机械故障诊断学：第一部分是第1章绪论,主要是说明工况监视与故障诊断的意义、发展概况、研究和系统设计的指导思想;第二部分即第1篇第2~第5章,主要是说明信号检测与特征信号处理方法的原理,旨在为读者在工程实践中能正确

为实现对滚动轴承工作状态的监测，提出了一种基于 Lab VIEW 的滚动轴承故障诊断系统的设计方案，给出了滚动轴承振动信号的采集与故障诊断方法，在 Lab VIEW 的诊断平台下进行信号处理与分析，然后结合滚动轴承故障诊断理论与信号分析结果来对该轴承运行状态进行判断。最后利用旋转机械振动及故障模拟试验平台对该系统进行验证，验证结果体现了该系统具有可行性和适用性。

局部均值分解算法，用于多分量信号的自适应分解，用于脑电信号处理、故障诊断等方面。局部均值分解算法，用于多分量信号的自适应分解，用于脑电信号处理、故障诊断等方面。 (LMD method)局部均值分解算法，用于多分量信号的自适应分解，用于脑电信号处理、故障诊断等方面。 (LMD method)

时域统计参数，峭度的C代码，DSP可用，用于机械故障诊断和状态检测等

输入数据描述：轴承故障数据，故障有十类，利用滑动窗口进行数据采样，一个样本大小为1024，每类故障有1000个样本，总共10000个样本，输入数据形式为10000x1024，相当于1024个变量，标签采用one-hot编码， 参数调整：gamma：惩罚参数（自己调参），kernel：核函数（自己选择） sigma：核函数宽度（自己调参）

针对线性奇异摄动系统, 提出一种基于 PI (proportional integral)观测器的故障诊断和最优容错控制方法. 基.于奇异摄动系统相关理论和矩阵变换技术, 给出 PI 全维观测器存在的条件, 该观测器可以观测系统的快慢状态和.故障系统的状态. 在估测到系统状态的基础上进一步考虑最优性, 应用最优控制理论, 设计状态反馈控制器, 提出基.于PI观测器的故障诊断器和最优容错控制器的设计方法. 最后的数值算例验证了所提出方法的可行性和正确性.