利用深度神经网络学习的特征进行多类轴承故障分类 该存储库包含提交给的论文的代码，该论文使用已学习的数据驱动功能进行故障诊断。 无需手动计算特征，而是通过深度神经网络从数据中学习特征。 然后将这些学习到的功能与SVM一起用于故障分类。 还提出了一种解释数据驱动功能的经验方法。 该论文已被接受并将出现在会议记录中。 数据： 我们使用公开可用的。 该数据集实际上是为预后应用准备的。 但是，我们将其用于故障诊断任务。 我们考虑四种故障类型：正常故障，内部故障，外部故障和球形故障。 原始数据是在几个月内收集的，直到其中一个轴承发生故障。 因此，对于正常情况，我们已在实验开始时收集了数据。 同样，对于错误情况，我们已在实验结束时获取了数据，该数据更接近发生错误的时间点。 我们实验中使用的文件的详细信息可以在下面找到。 提取后，包含原始数据的压缩文件提供了三个文件夹：1st_test，2nd_tes

通过电动机与滚动轴承之间建立的函数关系将振动信号转变成谐波分量,进而对谐波分量分析。对这种非平稳信号首先进行经验模态分析(EMD),然后通过改进LMS算法自适应滤波器分离噪音,最后再运用希尔伯特变换得到故障轴承频谱图。通过仿真实验证明该方法可以消除大部分的噪音和低频干扰,且易于实现,最终获得符合故障诊断要求的振动信号。

基于1DCNN的轴承故障诊断，在CWRU数据集上进行验证，下载即可跑通，可作为baseline。同时具有抗噪实验功能，能输出各个混淆矩阵、训练时间和测试时间。 有详细注释，同时可讲解代码。 参考毕业论文《基于卷积神经网络的轴承故障诊断算法研究_张伟》 参考github: https://github.com/AaronCosmos/wdcnn_bearning_fault_diagnosis

一个模型+主程序，然后里面还有CWRU轴承的数据，直接可以运行。 想修改模型可以在model.py里修改，这样就可以拿来自己搞点东西。

为解决异步电机故障轴承振动信号易受噪音影响信噪比较小的缺点,提出了一种新的故障诊断方法。首先,采用小波分析方法对测得的原始信号进行去噪,并根据频率对原始信号进行频带划分;其次,用经验模式分解(EMD)方法对小波包分解重构得到的低频段信号进行分解,获得若干固有内在模函数(IMF);最后,采用傅里叶变换对各个IMF函数进行时频分析获得频谱图,进而提取故障频率,根据故障频率和故障类型的对应关系得出最后的诊断结果。实验表明,该方法能有效地提取出故障特征频率,方便地判断出故障类型。对比分析了傅里叶变换和小波变换与本方法的优缺点,为滚动轴承的早期故障诊断提供了一个新的思路。

一维卷积网络对轴承故障诊断，程序语言为python，在tensorflow2.3.1，python3.6上运行

MATLAB的轴承故障时域特征和频域特征提取

提出了基于神经网络的滚动轴承故障诊断方法。以滚动轴承小波分解后的能量信息作为特征, 通过神经网络作为分类器对滚动轴承故障进行识别经过实验表明, 该方法对于滚动轴承的故障诊断具有一定的应用价值, 并可方便地推广到其他类似的诊断领域

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。

这是关于计算轴承内圈、外圈、滚动体故障频率的代码，亲测有效