本文提出一种新的智能故障诊断方法,基于统计分析,提出了一种改进的距离的评价技术和适应性类神经模糊推论系统(简称ANFIS)。该方法包括三个阶段。　-This paper presents a new approach to intelligent fault diagnosis based on statistics analysis, an improved distance evaluation technique and adaptive neuro-fuzzy inference s

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，采用海明贴近度对测试样本进行分类，并通过计算分类系数和“卜均模糊嫡对分类性能进行评价，将该方法 应用于滚动轴承变负荷故障诊断。通过与基于经验模态分解的特征提取方法对比，该方法对标准FCM

matlab振动试验数据分析，信号获取：测量获取设备的信号（振动、转速、过程参等）。信号分析：从信号中提取反映设备运行状态和故障的特征值。故障诊断：根据信号特征信息，对故障进行诊断（专家诊断、智能自动诊断）和预测(Matlab vibration test data analysis, signal acquisition: Measurement and acquisition of equipment signals (vibration, speed, process parameters