说明：模糊熵，为解决从信号中提取故障特征难的问题, 介绍了一种新的信号故障特征提取方法—— 多尺度熵( multi-scale entro py, 简称MSE) , 并将样本熵和多尺度熵分别应用于转子故障信号复杂性的度量, 以提取故障特征。试验数据 分析表明, 与样本熵相比, 多尺度熵更能有效地实现转子故...

特征熵提取 故障数据 多尺度模糊熵 多尺度-熵 故障度量

说明：循环平稳信号是一类特殊的非平稳信号，其统计特征具有随时间呈周期变化的特点。旋转机械由于周期运行方式其振动信号具有循环平稳特性，因此利用循环平稳分析方法能够提取出在平稳假设下所不能得到的隐藏故障特征信息，为有效地分离和识别旋转机械早期微弱故障特征提供可能。

振动 旋转故障 故障识别 循环平稳分析 循环平稳分离

说明：研究了电力电子电路中关键元器件，如电解电容、功率 MOSFET、功率二极管、电感等的失效机理及故障模型，分析了能够表征元器件失效的故障特征参数，并确定特征参数的阈值；通过分析元器件及电路在退化过程中电路各输出参数的变化情况，定义输出电压偏移率作为表征电路性能退化的特征参数。

性能退化 参数辨识 电力电子电路故障预测 故障 失效分析

说明：针对滚动轴承早期故障特征提取困难的问题，提出一种基于参数优化变分模态分解的轴承早期故障诊断方法。首先利用粒子群优化算法对变分模态分解算法的最佳影响参数组合进行搜索，搜索结束后根据所得结果设定变分模态分解算法的惩罚参数和分量个数，并利用参数优化变分模态分解算法对故障信号进行处理。

粒子群-轴承 优化故障诊断 粒子群--特征 粒子群-信号 轴承特征提取

说明：利用西储数据，进行滚动轴承的诊断，提取故障特征。

诊断 西储轴承 轴承故障诊断 轴承故障 故障诊断

说明：针对较大噪声工况下机械故障诊断中的齿轮故障特征提取。

trouble4gw 机械故障诊断 齿轮 preparexv4 MED算法

说明：基于特征方向法的故障诊断程序，毕业设计很好用的！

故障诊断程序 故障诊断 故障特征 故障诊断 毕业设计

说明：把HHT和神经网络结合起来，识别出是否故障。对于HHT变换，这里用到的是它的IMF分解，然后用能量理论来判别哪些模组是虚假分量，哪些是是真实分量。对于EMD分解后的谱进行特征提取 ，利用的理论基础就是模糊熵。计算出真实 分量的模糊熵，作为输入层；输出层为两个神经元，为0（故障 ）1（正常 （正常 ）...

EMD-特征提取 emd-熵 imf能量 分解-变换 故障特征

说明：自己编的改进谐波小波包实现程序，实现了信号经过谐波小波包变换后幅值不变，适合于机械故障特征提取。

小波包改进 故障特征提取 改进小波变换 fault-wavelet

说明：为了精准、稳定地提取滚动轴承故障特征，提出了基于变分模态分解和奇异值分解的特征提取方法，采用标准模糊C均值聚类(fuzzy C means clustering, FCM)进行故障识 别。对同一负荷下的已知故障信号进行变分模态分解，利用 奇异值分解技术进一步提取各模态特征，通过FCM形成标准聚类中心...

滚动轴承 分模态分解 奇异值分解 C均值聚类 FCM 分模态分解 奇异值分解