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

_并联全桥隔离DC-DC变换器开路故障诊断.PDF

_基于三相电流残差的功率管多管开路故障诊断.PDF

_基于正交紧支复小波的动车组变流器功率器件故障诊断.PDF

Hilbert包络谱分析和Haar小波分析和数学形态学分析相对于时域无量纲参数分析、FFT分析方法，可以更好的观测出故障信号频率，分析故障类型。

SOM神经网络的数据分类--柴油机故障诊断.zip

300P15离心泵振动故障诊断及对策.zip

故障诊断与容错控制课程设计报告\00 源程序代码--请先阅读Read Me文件 故障诊断与容错控制课程设计报告\01 故障诊断与容错控制课程设计报告-电子版

采用EEMD算法对故障信号进行分解，然后提取各imf分量的能量熵，用于机械故障诊断，包含所有文件和数据可运行。

为了快速准确地识别轴承故障,研究了轴承振动信号时域特征和小波包能量特征提取方法,通过实验分析最终选择的轴承故障特征为无量纲时域特征和小波包能量特征,并采用"一对多"支持向量机分类算法对轴承的正常、外圈故障、内圈故障和滚动体故障四类数据进行了故障诊断实验,诊断准确率为96%。