针对滚动轴承故障诊断中普遍存在的小样本学习问题，采用支持向量机实现轴承故障的模式识别。为了解决时域统计参数对于轴承故障的多分类效果较差的问题，引入小波包分解（Wavelet packet decomposition，WPD）技术，提取振动信号各频带的能量系数构造特征向量，并采用Fisher比率法对特征向量进行优化选取；然后利用支持向量机（support vector machine，SVM）进行故障模式识别，并与小波包分解及时域统计参数的分类效果进行对比分析。结果表明：支持向量机是实现轴承故障模式识别的一

1、python程序 2、有数据集 3、里面进行了三种算法对比，遗传算法、粒子群算法和布谷鸟算法 4、有一篇类似论文

麻雀算法为2020年的新算法，这里用麻雀算法（SSA）优化支持向量机，并以滚动轴承故障诊断为例子，代码注释较全，适合新手，可以跑出来，本人亲自测试过，绝对可以。

1、python程序 2、利用CEEMDAN计算了多尺度熵MSE 3、有数据集可直接运行

针对滚动轴承振动信号的非平稳特征和现实中难以获得大量故障样本的实际情况，提出了基于变分模态 分解( Variational mode decomposition，VMD) 与支持向量机( Support vector machine，SVM) 相结合的滚动轴承故障诊断方法。 该方法融合了变分模态分解和支持向量机的优势，通过变分模态分解将滚动轴承振动信号分解成若干个本征模态函数分 量，轴承发生不同故障时，不同本征模态函数内的频带能量会发生变化，从包含有主要故障信息的模态分量中提取能量特 征作为SVM 的输入，判断轴承的工作状态和故障类型。试验结果表明，该方法在少量样本情况下仍能有效地对轴承的工