1 、MFPT数据集是由美国机械故障预防技术学会（MFPT）提供的轴承故障诊断领域权威数据集 ，涵盖正常及多种故障状态的滚动轴承振动信号 ，适用于故障特征分析 、机器学习模型训练及工业大数据验证 。
2、MFPT数据集是一个在特定领域有着重要应用的数据集 。它包含了丰富多样的数据信息。首先，数据来源广泛且具有针对性 ，经过精心收集和整理 。其中涵盖了多种类型的数据 ，比如文本数据，这些文本可能涉及到不同的主题和领域，为语言分析等任务提供了素材 。其次 ，该数据集在数据标注方面较为细致。
3 、MFPT数据集是一个在特定领域有着重要应用的数据集。它包含了丰富多样的数据信息 。首先 ，其数据来源广泛，涵盖了多个渠道 ，经过精心收集与整理 。从内容上看 ，它可能涉及多种类型的数据，比如图像数据 ，这些图像或许具有不同的分辨率 、色彩模式等 ，能为图像识别等相关研究提供样本。
4、**MFPT（机械故障预防技术学会）**的数据集由NRG Systems总工程师Eric Bechhoefer博士收集，适用于故障诊断研究 。 **德国Paderborn大学**的数据集较新 ，适合深度学习和高级分析 。 **FEMTO-ST轴承数据集** ，由FEMTO-ST研究所发布，用于PHM IEEE 2012数据挑战。
5、实验设计：使用CWRU 、MFPT 、JNU、PU四个公开轴承故障数据集 ，覆盖不同工况和故障类型 。开展三类实验：单数据集实验：验证模型在单一数据集上的基础性能 。单数据集跨工况实验：测试模型在不同工况下的适应性。全量及少量样本跨数据集实验：评估模型在小样本和跨数据集迁移场景下的表现 。
1 、EEMD-MPE-KPCA-BiLSTM、EEMD-MPE-BiLSTM 、EEMD-PE-BiLSTM是用于轴承故障识别与诊断的组合模型 ，通过EEMD信号分解 、熵特征提取、降维处理及BiLSTM分类实现高精度故障识别，其中EEMD-MPE-KPCA-BiLSTM在西安交大轴承数据集上表现最优 。
1 、东南大学齿轮箱故障诊断数据集包含轴承与齿轮数据，由电机 、电机控制器、行星齿轮箱、减速齿轮箱 、制动器和制动控制器等多个部分组成。数据集分为轴承数据集和齿轮箱数据集 ，每个文件夹下有10个文件 ，对应不同的故障类型和工况 。文件包含8列数据，表示8个通道信号 ，采样频率为5120Hz 。
2 、总结 ，东南大学齿轮箱数据集为神经元网络故障诊断提供了丰富数据，1D-CNN和2D-CNN模型在分类任务中表现优秀 ，而Transformer模型在分类任务上效果不佳。未来研究可能需要进一步优化模型结构或探索Transformer在故障诊断中的应用。
3、故障诊断方法概述本文提出一种基于豪猪优化算法（CPO）优化双向时间卷积神经网络（BiTCN）的轴承故障诊断方法 。该方法通过BiTCN提取时间序列的双向特征 ，结合CPO算法优化网络参数，提升诊断准确性与鲁棒性 。实验表明 ，其在公开数据集上的性能显著优于传统方法。
4 、特征鲁棒性：多尺度特征提取结合非线性降维 ，适应不同故障类型的复杂信号模式 。高精度分类：在轴承故障诊断中，该方法可达到95%以上的分类准确率 ，优于传统方法（如SVM 、BP神经网络） 。适用场景 复杂机械系统故障诊断（如轴承、齿轮箱）。信号非线性 、非平稳特性明显的场景 。
1 、对照组（EEMD-PE-LSTM与EEMD-MPE-LSTM）EEMD-PE-LSTM：计算效率高 ，但特征表达能力弱，适用于简单故障场景 。EEMD-MPE-LSTM：平衡了特征丰富度与计算复杂度，但未降维时可能需更多训练数据避免过拟合。
2、EEMD-MPE-KPCA-BiLSTM、EEMD-MPE-BiLSTM 、EEMD-PE-BiLSTM是用于轴承故障识别与诊断的组合模型 ，通过EEMD信号分解 、熵特征提取、降维处理及BiLSTM分类实现高精度故障识别 ，其中EEMD-MPE-KPCA-BiLSTM在西安交大轴承数据集上表现最优 。
3 、相比之下，CEEMDAN_LSTM和EEMD_LSTM模型的衡量指标值较大 ，说明其预测误差相对较大 。分解效果对比 从分解效果来看 ，CEEMDAN 、EMD和EEMD都能将股票价格数据分解为多个不同频率的成分。然而，在分解的精细度和稳定性上 ，三个方法存在差异 。