目录
往期精彩内容：
1 工作室实验平台介绍
2 轴承故障诊断教程—数据集
3 轴承故障诊断教程—算法模型
3.1 振动分析方法
3.2 频域特征提取
3.3 时域特征提取
3.4 模型基础的机器学习方法
3.5 深度学习方法
3.6 时频域融合方法
3.7 信号重构方法
3.8 基于统计学的方法
3.9 其他类型方法
4 轴承故障诊断教程—代码全家桶教程
4.1 凯斯西储大学（CWRU）轴承故障诊代码——全家桶
4.2 轴承故障诊断—创新模型全家桶
往期精彩内容：
Python-凯斯西储大学（CWRU）轴承数据解读与分类处理
Python轴承故障诊断 (一)短时傅里叶变换STFT
Python轴承故障诊断 (二)连续小波变换CWT_pyts 小波变换 故障-CSDN博客
Python轴承故障诊断 (三)经验模态分解EMD_轴承诊断 pytorch-CSDN博客
Pytorch-LSTM轴承故障一维信号分类(一)_cwru数据集pytorch训练-CSDN博客
Pytorch-CNN轴承故障一维信号分类(二)-CSDN博客
Pytorch-Transformer轴承故障一维信号分类(三)-CSDN博客
Python轴承故障诊断 (四)基于EMD-CNN的故障分类-CSDN博客
Python轴承故障诊断 (五)基于EMD-LSTM的故障分类-CSDN博客
Python轴承故障诊断 (六)基于EMD-Transformer的故障分类-CSDN博客
Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类-CSDN博客
Python轴承故障诊断 (八)基于EMD-CNN-GRU并行模型的故障分类-CSDN博客
基于FFT + CNN - BiGRU-Attention 时域、频域特征注意力融合的轴承故障识别模型-CSDN博客
基于FFT + CNN - Transformer 时域、频域特征融合的轴承故障识别模型-CSDN博客
大甩卖-（CWRU）轴承故障诊数据集和代码全家桶-CSDN博客
Python轴承故障诊断 (九)基于VMD+CNN-BiLSTM的故障分类-CSDN博客
Python轴承故障诊断 (十)基于VMD+CNN-Transfromer的故障分类-CSDN博客
Python轴承故障诊断 (11)基于VMD+CNN-BiGRU-Attenion的故障分类-CSDN博客
交叉注意力融合时域、频域特征的FFT + CNN -BiLSTM-CrossAttention轴承故障识别模型-CSDN博客
交叉注意力融合时域、频域特征的FFT + CNN-Transformer-CrossAttention轴承故障识别模型-CSDN博客
轴承故障诊断 (12)基于交叉注意力特征融合的VMD+CNN-BiLSTM-CrossAttention故障识别模型-CSDN博客
1 工作室实验平台介绍
实验模拟平台如下所示：
数据轴承齿轮箱故障模拟试验台的基本构成
PT500PRO轴承齿轮箱故障模拟试验台主要由设备基础底板平台，三相异步变频电机，联轴器，轴承动平衡转子盘组件，两级传动直齿轮箱，扭矩转速仪，行星齿轮箱，可编程磁粉加载器，触控屏操作单元，PLC，变频器，磁粉加载控制单元，通讯模块组成。
2 轴承故障诊断教程—数据集
数据集介绍
凯斯西储大学轴承数据的详细介绍可以参考下文：
Python-凯斯西储大学（CWRU）轴承数据解读与分类处理_cwru数据集时域图-CSDN博客
航天发动机轴承故障数据集，参考论文介绍：
(PDF) Inter-shaft Bearing Fault Diagnosis Based on Aero-engine System: A Benchmarking Dataset Study (researchgate.net)
3 轴承故障诊断教程—算法模型
3.1 振动分析方法
3.1.1 傅里叶变换及其变体，短时傅里叶变换、快速傅里叶变换等
短时傅里叶变换，参考教程：
Python轴承故障诊断 (一)短时傅里叶变换STFT
快速傅里叶变换，参考教程：
基于FFT + CNN - BiGRU-Attention 时域、频域特征注意力融合的轴承故障识别模型
3.1.2 小波变换及其变体，参考教程：
Python轴承故障诊断 (二)连续小波变换CWT
3.1.3 时频分析方法
Python轴承故障诊断 (三)经验模态分解EMD
Python轴承故障诊断 (四)基于EMD-CNN的故障分类
Python轴承故障诊断 (五)基于EMD-LSTM的故障分类
Python轴承故障诊断 (六)基于EMD-Transformer的故障分类
Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类
Python轴承故障诊断 (八)基于EMD-CNN-GRU并行模型的故障分类
3.2 频域特征提取
-
频谱分析
-
能量谱分析
-
阶次分析
基于FFT + CNN - Transformer 时域、频域特征融合的轴承故障识别模型-CSDN博客
3.3 时域特征提取
-
峰值指标
-
方根幅值
-
脉冲计数
Pytorch-LSTM轴承故障一维信号分类(一)_cwru数据集pytorch训练-CSDN博客
Pytorch-CNN轴承故障一维信号分类(二)-CSDN博客
Pytorch-Transformer轴承故障一维信号分类(三)_transformer 一维数据-CSDN博客
3.4 模型基础的机器学习方法
-
支持向量机（SVM）
-
决策树
-
随机森林
-
朴素贝叶斯
3.5 深度学习方法
-
卷积神经网络（CNN）
-
长短时记忆网络（LSTM）
-
注意力机制
-
时域-频域深度学习模型
-
融合模型
-
创新模型
基于FFT + CNN - BiGRU-Attention 时域、频域特征注意力融合的轴承故障识别模型-CSDN博客
基于FFT + CNN - Transformer 时域、频域特征融合的轴承故障识别模型-CSDN博客
大甩卖-（CWRU）轴承故障诊数据集和代码全家桶-CSDN博客
Python轴承故障诊断 (九)基于VMD+CNN-BiLSTM的故障分类-CSDN博客
Python轴承故障诊断 (十)基于VMD+CNN-Transfromer的故障分类-CSDN博客
Python轴承故障诊断 (11)基于VMD+CNN-BiGRU-Attenion的故障分类-CSDN博客
交叉注意力融合时域、频域特征的FFT + CNN -BiLSTM-CrossAttention轴承故障识别模型-CSDN博客
交叉注意力融合时域、频域特征的FFT + CNN-Transformer-CrossAttention轴承故障识别模型-CSDN博客
3.6 时频域融合方法
-
瞬时频率分析
-
瞬时幅度分析
3.7 信号重构方法
-
经验模态分解（EMD）及其变体
-
零时域过零率（ZCR）
Python轴承故障诊断 (四)基于EMD-CNN的故障分类-CSDN博客
Python轴承故障诊断 (五)基于EMD-LSTM的故障分类-CSDN博客
Python轴承故障诊断 (六)基于EMD-Transformer的故障分类-CSDN博客
Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类-CSDN博客
Python轴承故障诊断 (八)基于EMD-CNN-GRU并行模型的故障分类-CSDN博客
基于FFT + CNN - BiGRU-Attention 时域、频域特征注意力融合的轴承故障识别模型-CSDN博客
基于FFT + CNN - Transformer 时域、频域特征融合的轴承故障识别模型-CSDN博客
大甩卖-（CWRU）轴承故障诊数据集和代码全家桶-CSDN博客
Python轴承故障诊断 (九)基于VMD+CNN-BiLSTM的故障分类-CSDN博客
Python轴承故障诊断 (十)基于VMD+CNN-Transfromer的故障分类-CSDN博客
Python轴承故障诊断 (11)基于VMD+CNN-BiGRU-Attenion的故障分类-CSDN博客
3.8 基于统计学的方法
均方根（RMS）
-
峭度（Kurtosis）
-
偏度（Skewness）
-
主成分分析（PCA）
-
自适应滤波算法
3.9 其他类型方法
-
故障诊断专家系统
-
有监督学习方法
-
各种优化算法
4 轴承故障诊断教程—代码全家桶教程
4.1 凯斯西储大学（CWRU）轴承故障诊代码——全家桶
4.2 轴承故障诊断—创新模型全家桶
