代码文档： 数据集： 凯斯西储大学（CWRU）的轴承故障诊断数据集，划分为4个工况和数据集（A,B,C,D）进行验证。 项目介绍： README.md。 cwru.py： 定义数据集加载函数。 experimentAB.ipynb：实验A和实验B代码。 experimentC.ipynb：实验C代码 experimentD.ipynb：实验D代码 metadata.txt： 在cwru.py文件中使用。 models.py： 定义几率模型和WDCNN模型的加载函数。 siamese.py： 定义几率输入数据的init、几率模型训练和几率模型测试函数。 utils.py： 定义一些实用函数。 tmp： 保存训练后的模型和测试结果。

CSDN佛怒唐莲上传的视频均有对应的完整代码，皆可运行，亲测可用，适合小白； 1、代码压缩包内容 主函数：main.m； 调用函数：其他m文件；无需运行 运行结果效果图； 2、代码运行版本 Matlab 2019b；若运行有误，根据提示修改；若不会，私信博主； 3、运行操作步骤 步骤一：将所有文件放到Matlab的当前文件夹中； 步骤二：双击打开main.m文件； 步骤三：点击运行，等程序运行完得到结果； 4、仿真咨询 如需其他服务，可私信博主或扫描博客文章底部QQ名片； 4.1 博客或资源的完整代码提供 4.2 期刊或参考文献复现 4.3 Matlab程序定制 4.4 科研合作

带式输送机传动滚筒轴承发生故障时,特别是早期故障,其振动信号中隐含的脉冲故障信息很微弱,且常被淹没在强烈的噪音中,直接做频谱分析或包络分析,很难提取其故障特征。最小熵解卷积(Minimum Entropy Deconvolution,MED)通过最优滤波器对轴承微弱故障信号进行最优滤波,提高了信号的信噪比,然后对滤波后的信号进行包络解调分析,能够提取出信号中隐含的故障特征。将该方法应用于带式输送机传动滚筒中的滚动轴承故障诊断,成功提取出了轴承内圈的早期微弱点蚀故障特征。对FIR滤波器阶数L的选择进行了分析,以确保最优的MED解卷积效果。仿真与应用验证了最小熵解卷积方法在滚动轴承故障诊断的有效性和优点。

滚动轴承故障诊断MATLAB程序：快速谱峭度、谱峭度+包络谱分析 滚动轴承故障诊断是机械工程领域的一个重要研究方向。滚动轴承是一种常见的机械元件，用于支撑和转动机械装置中的轴。然而，由于长时间使用或其他原因，滚动轴承可能会出现故障，例如磨损、裂纹或松动等。因此，及时准确地诊断滚动轴承的故障非常重要，以避免设备损坏或生产中断。 MATLAB是一种强大的科学计算和数据分析工具，广泛应用于工程、科学和技术领域。它提供了丰富的函数和工具箱，可以用于信号处理、数据分析、图像处理等各种任务。在滚动轴承故障诊断中，MATLAB可以用于处理和分析滚动轴承的振动信号，以提取特征并判断是否存在故障。 快速谱峭度和谱峭度+包络谱分析是滚动轴承故障诊断中常用的方法之一。快速谱峭度是一种用于检测信号中频率成分变化的方法，可以帮助确定滚动轴承是否存在故障。谱峭度+包络谱分析结合了快速谱峭度和包络谱分析，可以更准确地识别滚动轴承的故障类型和程度。 总之，滚动轴承故障诊断是一个重要的领域，通过使用MATLAB编写的程序和快速谱峭度、谱峭度+包络谱分析等方法，可以帮助工程师和技术人员及时准确地诊断滚动轴承的

针对传统煤矿电机滚动轴承故障诊断信号噪声大和诊断效率低等问题,提出了一种基于经验模态分解和形态滤波的轴承故障诊断方法。仿真结果验证了所提方法的可行性和有效性。

提出了一种基于小波域阈值降噪和改进Hilbert-Huang变换的滚动轴承的振动信号分析方法。利用小波域阈值消噪的方法对振动信号进行降噪,采用基于包络极值延拓和相关系数法的HHT方法得到信号的Hilbert谱和Hilbert边际谱,根据谱图幅值特性判断轴承的状态。该方法能够有效地提取信号特征,具有良好的诊断效果。

滚动轴承故障诊断MATLAB程序：快速谱峭度、谱峭度+包络谱分析

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包和经验模态分解(Empirical Mode Decomposition,简称EMD)的滚动轴承故障诊断方法。该方法用小波包对振动信号进行预处理,用Hilbert变换求重构信号的包络,采用EMD方法将包络信号分解为若干个IMF分量,让故障信息得到凸显,然后根据某个分量的频谱,判断滚动轴承的故障类型。实验结果表明,比传统的时频分析方法,该方法能够更有效地提取轴承故障特征,诊断轴承故障。

针对滚动轴承极易损伤，振动信号表现出非线性、非平稳性等特点，提出一种基于局部特征尺度分解(LCD)和改进支持向量机(SVM)的滚动轴承故障诊断算法。首先对采集到的轴承振动信号进行LCD，分解得到一系列内禀尺度分量(ISC)，通过与经验模态分解(EMD)对比研究，证明了LCD方法的优越性；然后计算所有分量的能量熵值，提取出轴承信号的敏感特征集，输入到经过遗传算法(GA)进行参数优选后的SVM识别模型进行轴承状态的诊断识别。实验研究表明，基于LCD和改进SVM的轴承诊断算法能较好地提取出轴承故障特征信息，对4种轴承状态的识别率高达90%，是一种较为有效的轴承故障诊断方法。