采用一维CNN神经网络算法，对西储大学轴承数据集分为10中故障类型进行故障识别，最终准确率很高；同时算法结构灵活，可以自定制网络及优化器，满足多张故障数据集。

针对包络分析中带宽和中心频率依靠经验估计的缺陷,应用一种快速峭度图算法自动为包络谱分析提供最佳带宽和中心频率。快速峭度图算法借鉴了二进小波分解算法,先将原始信号经过FIR滤波器将信号进行分解,然后在各个频段上计算信号的谱峭度值,并根据快速峭度图的结果得到最佳中心频率和带宽,最后进行包络谱分析。实验证明该方法可以更有效地诊断滚动轴承故障。

计算阶次跟踪（computed order tracking），用于振动信号分析，故障诊断等，适用于变转速数据的阶次分析，matlab

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.

IMF_BEARING() 对采样频率为 'Fs' 的信号 'y' 进行经验模式分解。 'l' 提到第 l 个 imf，将绘制其 FFT 图。 该函数返回IMF和所有IMF的FFT。 该功能主要用于通过基于振动的轴承故障诊断对旋转设备进行状态监测。 该函数在一个图中绘制了所有 IMF，还绘制了 l 提到的 IMF 的 FFT。 例子： [y，Fs] = wavread（'Hum.wav'）; l=2； imf_bearing(y(1:10000),Fs,l); 感谢您的下载。别忘了评分或评论

故障轴承的振动信号是非平稳信号，传统的非平稳信号分析手段存在许多不足；BP网络能够出色地解决传统识别模式难以解决的复杂问题。提出了经验模态分解（EMD）与BP神经网络相结合的滚动轴承故障诊断方法。采用EMD方法对振动信号进行分解，得到组成信号的多个内禀模态分量（IMF），提取重要的IMF分量的能量作为信号的特征量；采用BP网络作为模式分类器，对轴承的故障类型进行分类。经试验数据分析证明，该方法能够准确地对轴承故障进行诊断。

基于机器学习的航天器滚动轴承故障诊断分析.pdf

迁移学习，故障诊断，近期发表的期刊论文

随着现代制造业朝着大型化、柔性化、智能化发展，保障生产设备的安全运转越发重要。提出了基于PCA-SVM算法的轴承故障诊断分析模型。该模型提取轴承振动信号的时域指标参数，并运用主成分分析法（PCA）对指标参数进行优化和选择，利用降维思想，将多参数转化为综合参数，将综合特征值作为支持向量机（SVM）分类器的输入向量训练分类模型，最后运用测试集进行故障诊断实验，实验表明PCA-SVM模型可以帮助提高模型分类效率和精度，快速排查定位轴承故障，从而降低由故障导致的生产问题，减少经济损失。

滚动轴承是旋转机械的关键部件，容易发生损坏，30%的旋转机械故障是由滚动轴承故障引起的，须对轴承故障进行检测以保证设备可靠运行。当滚动轴承元件出现疲劳损伤、磨损、腐蚀、断裂、划痕、擦伤、胶合等故障时，其在工作过程中会产生复杂的振动，傅里叶变换能够很好的检查故障信号的出现位置。