【《滾動軸承故障診斷中的智能算法比較研究》12000字】

11滾動軸承故障診斷中的智能算法比較研究國西儲大學(xué)軸承數(shù)據(jù)中心1。關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；滾動軸承；故障分析；深度學(xué)習(xí)第一章引言 2 21.2軸承故障診斷歷史 31.3軸承故障診斷方法研究現(xiàn)狀 4 5 6 72.1滾動軸承的結(jié)構(gòu) 72.1.1滾動軸承的特性 72.1.2滾動軸承的基本特點(diǎn) 82.2滾動軸承的地位與作用 92.3滾動軸承的負(fù)荷與壽命 3.1卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu) 3.2卷積神經(jīng)網(wǎng)絡(luò)的傳導(dǎo)過程 224.1實(shí)驗(yàn)裝置介紹 4.2實(shí)驗(yàn)結(jié)果與分析 第一章引言的作用，特別是作為機(jī)械設(shè)備領(lǐng)域中的關(guān)鍵旋轉(zhuǎn)設(shè)備(李明宇，張浩然，2022)。密切關(guān)系。這種軸承的特征表現(xiàn)為摩擦小，效率高，潤滑方便等優(yōu)點(diǎn)[2,目前在重的生命財(cái)產(chǎn)損失，導(dǎo)致重大傷亡?-6,引起各種嚴(yán)重的社會不滿(王思遠(yuǎn)，趙子逸，2023)。效的可能性增加。統(tǒng)計(jì)分析發(fā)現(xiàn)大約有20%的齒輪箱故障都和軸承失效有關(guān)9。 年11月，蘭州鐵路局1479次火車出軌事故導(dǎo)致很多人員傷亡，調(diào)查結(jié)果發(fā)現(xiàn)其慮引發(fā)嚴(yán)重的共振。最后，所有機(jī)組被摧毀。損失高達(dá)50億日元11。2011年地致扶梯滑落。事故中有一人死亡，多人受傷。2006年，安陽鋼鐵公司吐絲機(jī)軸33方法，而有效的預(yù)防事故出現(xiàn)(陳逸飛，劉俊杰，2021)。旋轉(zhuǎn)機(jī)械由于經(jīng)常作為動力傳遞動能，憑這些跡設(shè)備狀態(tài)。在各種旋轉(zhuǎn)機(jī)械設(shè)備中[121,滾動軸承發(fā)揮重要作用，其和設(shè)備安全運(yùn)行存在密切關(guān)系，將旋轉(zhuǎn)零件連接起來而為設(shè)備運(yùn)行提供支持(孫博宇，周澤楷，2021)。由此可以推知滾動軸承通常在高溫、變速環(huán)境中工作。另外，諸如加工誤差、不對中、潤滑不良等外部因素也會使軸承表面受到不同程度地?fù)p機(jī)械設(shè)備故障診斷相關(guān)的研究起步于上個(gè)世紀(jì)60年代，阿波羅計(jì)劃由于機(jī)學(xué)探究，并將結(jié)果運(yùn)用到了諸多能源領(lǐng)域(鄭明哲，黃俊熙，2023)。本文研究產(chǎn)帶來一定的安全保障。上世紀(jì)70年代，日本高校、研究機(jī)構(gòu)及部分企業(yè)開始現(xiàn)如今，隨著“智能維護(hù)系統(tǒng)(IMS)中心”的成立，美國密歇根大學(xué)在故障領(lǐng)域 與發(fā)達(dá)國家相比，我國在該領(lǐng)域發(fā)展起步較晚。最早源于上個(gè)世紀(jì)80年代44的首屆設(shè)備診斷技術(shù)大會。隨著我國加大故障診斷領(lǐng)域的研究力度，與此相關(guān)的成果也大量出現(xiàn)，在實(shí)際應(yīng)用中取得良好的效果(郭子瑜，梁俊逸，2020)[181?；谝延谐晒赏茖?dǎo)出相關(guān)結(jié)果清華學(xué)者在研究過程中具體分析了風(fēng)機(jī)設(shè)備的故障診斷問題，且制定出與此相關(guān)的方案，在應(yīng)用過程中取得良好效果。上海交大則設(shè)置國家級重點(diǎn)實(shí)驗(yàn)室進(jìn)行故障診斷和檢測相關(guān)研究(謝思遠(yuǎn)，程宇墨，2019)。近些年來，我國在工程中開始廣泛的應(yīng)用故障診斷相關(guān)技術(shù)，在應(yīng)用中取得良好的效果。如對環(huán)境惡劣條件下的振動信號采集后進(jìn)行綜合分析，而確定出設(shè)備故障相關(guān)情況；北京化工大學(xué)提出了機(jī)械故障自愈理論(韓逸飛，曹俊杰，為當(dāng)前機(jī)械故障診斷領(lǐng)域主流方法。其中，按照該理論框架進(jìn)行細(xì)致研究可得出振動信號分析法最為流行。但由于目前機(jī)械設(shè)備的一體化程度較高，導(dǎo)致零部件之間振動信號耦合嚴(yán)重。當(dāng)軸承故障情況下對應(yīng)的信號也出現(xiàn)明顯變化，開始變得非平穩(wěn)且非線性(彭博宇，曾澤楷，2022)[26.27]。因此，對軸承進(jìn)行故障診斷，從頻率復(fù)雜的振動信號中提取目標(biāo)信號是此方面的研究重點(diǎn)。為此，國內(nèi)外近些年來，基于智能故障診斷方法的滾動軸承故障診斷也受到各界學(xué)者的關(guān)注。智能故障診斷方法能自動提取特征，于此特定狀態(tài)之下很容易推斷出這個(gè)特點(diǎn)是與傳統(tǒng)基于振動信號分析方法的本質(zhì)區(qū)別(許軒，蔣子豪，2018)。滾動軸承智能診斷過程可選擇不同的方法，在其中應(yīng)用比例較高的如監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)。其中，監(jiān)督學(xué)習(xí)這一類別在其他領(lǐng)域發(fā)展較為成熟。其輸入為帶有標(biāo)簽的數(shù)據(jù)集，利用模型提取信號特征。將模型參數(shù)訓(xùn)練至最優(yōu)后，將測試集輸入模型，在此類條件基礎(chǔ)上可以推知其變化即可將測試信號進(jìn)行模式識別(呂明哲，譚俊熙，2023)。從數(shù)據(jù)集大小來說，相較于傳統(tǒng)方法，智能診斷方法可處理海量數(shù)據(jù)，且結(jié)果更為準(zhǔn)備，但美中不足之處在于模型自動提取的特征難以解釋。機(jī)器學(xué)習(xí)在各個(gè)領(lǐng)域大放異彩，這也將滾動軸承的故障診斷向智能化推進(jìn)(徐宇航，55過，不滿足實(shí)際的應(yīng)用要求(蘇博瑜，唐俊逸，2020)。第二階段：基于頻譜分析的診斷方法。其后的研究過程中Cooley為高效的高的應(yīng)用價(jià)值(呂思遠(yuǎn)，魏墨，2019)。也為故障診斷領(lǐng)域頻譜分析技術(shù)的應(yīng)用直被廣泛的應(yīng)用(馬飛，肖俊杰，2021)。第四階段：基于共振解調(diào)的診斷方法。上世紀(jì)七十年代D.R.Harting在研究部位也可基于包絡(luò)分析方法確定出，有明顯的優(yōu)勢(方博宇，宋澤楷，2022)。系統(tǒng)在機(jī)車軸承檢測中取得好性能優(yōu)勢(張宇軒，李子豪，2018)。日本三菱的66MHMS機(jī)械檢測系統(tǒng)則可以對振動設(shè)備的故障進(jìn)行高效檢測。俄羅斯DREAM不斷擴(kuò)大(楊明哲，劉俊熙，2023)。好的滿足應(yīng)用要求。宋晨曦，馮依娜39則具體分析軋鋼機(jī)軸承的特征，而研發(fā)出一種MDS系列軋鋼機(jī)軸承故障診斷系統(tǒng)，對其性能進(jìn)行仿真分析，結(jié)果發(fā)現(xiàn)國內(nèi)學(xué)者在研究過程中大量的吸收和引進(jìn)國外的技術(shù)和設(shè)備，經(jīng)過不斷創(chuàng)于已有成果可推導(dǎo)出相關(guān)結(jié)果對原始信號進(jìn)行處理時(shí)先采集確定出其中平穩(wěn)成77等人將EMD和譜峭度法結(jié)合起來進(jìn)行此方面的檢測，在具體處理過程中先基于EMD降噪方法進(jìn)行原始信號的處理而得到共振帶，按照出故障相關(guān)情況。夏均忠44則結(jié)合了EEMD能量熵和LS-SVM方法進(jìn)行故障檢測，在研究過程中先對采集的信號通過EEMD分解成若干固有模態(tài)分量，接著第二章滾動軸承計(jì)。保持架能使?jié)L動體均勻分布，也可滿足一定潤滑相關(guān)要求。這種情況進(jìn)行了綜合考慮從而更好的滿足加工相關(guān)要求，如鋼球加工采用磨球88型軸承的微型軸承廠等。這不難看出這是專業(yè)化的軸承的大規(guī)模生產(chǎn)過程中需要應(yīng)用到很多高性能的專業(yè)設(shè)備?，F(xiàn)代化的機(jī)滾動軸承的自動化生產(chǎn)過程中也用到很多專業(yè)滿足應(yīng)用要求。主軸承采用滾動軸承情況下對應(yīng)的節(jié)能率可達(dá)到30%,而大型球磨機(jī)使用滾動軸承也可以很好的滿足節(jié)能要求(史俊，范若琳，2021)。球磨機(jī)損問題，長時(shí)間使用后也可以維持精度，因而可很好的滿足應(yīng)用要求(賴澤凱，丁雨馨，2023);部分軸承具有自動調(diào)心的性能；既滿足大批量條件下的應(yīng)用要99鄒婉清，2020);在此背景下，本文針對原始數(shù)據(jù)的處理方式相較于以往的研究2.2滾動軸承的地位與作用用范圍不斷擴(kuò)大，在代工業(yè)中廣泛應(yīng)用(江浩然，熊夢婷，2018)。(1)在國民經(jīng)濟(jì)中一—滾動軸承發(fā)揮各方面的價(jià)值，如在機(jī)械工業(yè)的基礎(chǔ)心產(chǎn)業(yè)”,此外也和民眾生活水平密切相關(guān)。上世紀(jì)七十年代日本開始大力發(fā)展?jié)L動軸承，且將其當(dāng)做為機(jī)械工業(yè)的重點(diǎn)發(fā)展對象。我國也制定出11類特定振黎詩雅，2022)?！秶抑攸c(diǎn)鼓勵(lì)技術(shù)目錄中》,重點(diǎn)說明了轎車軸承、高速軸(2)在國防事業(yè)上—一這種軸承也和國家的軍事實(shí)力密切相關(guān)，導(dǎo)彈和飛(3)在技術(shù)地位上—一軸承鋼的相關(guān)要求高，本文研究背景下我們不可忽相關(guān)的領(lǐng)域也獲得應(yīng)用(廖子墨，常靜怡，2024)。為削弱外部環(huán)境對方案成效2.3滾動軸承的負(fù)荷與壽命也存在明顯的差異性，同一批次中90%在疲勞剝落前的總轉(zhuǎn)數(shù)就是軸承的額定壽命(段昊然，藍(lán)馨月，2019)。和額定壽命密切相關(guān)的為額定動載荷，也就是額定壽命為100萬轉(zhuǎn)情況下的荷。在實(shí)際的應(yīng)用過程中應(yīng)控制軸承的壽命和載荷都達(dá)到較高水平，這樣可提升其負(fù)荷能力，更好的滿足相關(guān)應(yīng)用要求。于此特定狀態(tài)之下很容易推斷出推力軸承的額定載荷是純軸向載荷。在實(shí)際的應(yīng)用過程中很多因素都會影響到額定負(fù)荷，為更好的滿足應(yīng)用要求，應(yīng)該將其換算成當(dāng)量負(fù)荷(雷景天，萬依柔，2021)。第三章基于卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷流程卷積神經(jīng)網(wǎng)絡(luò)是一種高性能人工智能工具，其主要的特征表現(xiàn)為引入了卷積結(jié)構(gòu)，可很好的滿足復(fù)雜條件下的決策要求，是深度學(xué)習(xí)的代表工具。這種網(wǎng)絡(luò)有很多種，可基于其階層結(jié)構(gòu)對輸入信息的特征進(jìn)行劃分，于此特定狀態(tài)之下很容易推斷出因而也被稱作為“平移不變?nèi)斯ど窠?jīng)網(wǎng)絡(luò)”[45。卷積神經(jīng)網(wǎng)絡(luò)的組成結(jié)構(gòu)一般是固定的，主要組成部分包括濾波級和分類級。因而從屬性分析可知，可將其看作為一種多級神經(jīng)網(wǎng)絡(luò)(LeCunYoshuaetal.,2015)(龍澤楷，侯雅琳，2023)。卷積層，池化層和激活層等構(gòu)成了網(wǎng)絡(luò)的濾波級，在應(yīng)用過程中可提取輸入信號的過濾及數(shù)據(jù)特征。本文研究背景下我們對這種情況進(jìn)行了綜合考慮這種網(wǎng)絡(luò)在分類過程中主要應(yīng)用到全連接層。且基于一定的標(biāo)準(zhǔn)劃分提取到的特征。通過不斷的訓(xùn)練學(xué)習(xí)優(yōu)化各層的參數(shù)，然后通過網(wǎng)絡(luò)正常把輸入數(shù)據(jù)與故障目標(biāo)向量對應(yīng)起來。(1)基本單位神經(jīng)元主要是用于模擬生物神經(jīng)元的結(jié)構(gòu)和特性。其結(jié)構(gòu)如圖3-1所示。221411每一個(gè)神經(jīng)元都擁有不同的權(quán)重(weight)和偏置(bias),當(dāng)輸入信號x到達(dá)時(shí)，它乘以權(quán)重值?，F(xiàn)有結(jié)果表明了可以推出如果神經(jīng)元有3個(gè)輸入，則它有3個(gè)權(quán)重值，并且權(quán)重會在訓(xùn)練期間進(jìn)行調(diào)整。這不難看出然后將乘積與偏置之和輸入到激活函數(shù)中得到輸出活性值a。其計(jì)算公式如式(3-1)所示(賀天佑，龔若曦，2020)。(2)卷積層卷積層(ConvLayer)通過與映射區(qū)域進(jìn)行卷積來提取相應(yīng)的特征。其作用級特征，與此相關(guān)的特征如漸變方向，邊緣等(譚睿，文靜怡，2022)。通過添在實(shí)際的實(shí)現(xiàn)過程中，為了減小不必要的操作與開銷，一般用互相關(guān)運(yùn)算來替代繁瑣的卷積運(yùn)算。軸承信號序列與卷積核的互相關(guān)計(jì)算公式如式(2)所示(喬俊杰，章雪柔，2018)。序列的長度。一維卷積的示例如圖3-2所示，以這種狀態(tài)為背景所使用的卷積核參數(shù)為[1,0,-1],卷積后輸出信號序列長度1變?yōu)榱?,計(jì)算公式如(3-3)所示。式中m為卷積核的寬度，n為信號序列的長度(賴逸凡，邱語嫣，2024)。1?(3)激活層現(xiàn)代的神經(jīng)網(wǎng)絡(luò)模型中為更好的滿足應(yīng)用要求，主要引入非線性激活函數(shù)，這種激活函數(shù)的優(yōu)勢表現(xiàn)為可以進(jìn)行組合而形成復(fù)雜的映射，本文研究背景下我們不可忽視這種情況的存在有利于提高網(wǎng)絡(luò)的性能和應(yīng)用價(jià)值，如在圖像，視頻，音頻相關(guān)的處理中都可應(yīng)用，并提供準(zhǔn)確的預(yù)測(方景輝，葉婉婷，2021)。激活函數(shù)中常用的包括Sigmoid,TanH、整流線性單元(ReLU),其表達(dá)式分別如式(3-4)、(3-5)和(3-6)所示。這三種常見的激活函數(shù)圖形如圖3-3所示。(a)ReLu(b)Sigmoid池化有兩種類型：其中包括最大池化和平均池化中主要是從內(nèi)核覆蓋的部分返回最大值(邱昊天，孟雨菲，2019)。而后者則進(jìn)細(xì)致研究可得出而平均池化的功能相對有限。“最大池化”的性能要比“平均池化”好得多。兩者的表達(dá)式分別如式(3-7)和(3-8)所示。進(jìn)行特征選擇。其示例如圖3-4所示。6(5)全連接層行特征分類。Softmax的目的是使輸出結(jié)果正規(guī)化，在此類條件基礎(chǔ)上可以推知其變化當(dāng)輸入信號x到達(dá)時(shí)，它乘以權(quán)重值。如果神經(jīng)元有3個(gè)輸入，則它有3個(gè)權(quán)重值，并且權(quán)重會在訓(xùn)練期間進(jìn)行調(diào)整(林軒，江雅琴，2022)。然后將乘積與偏置之和輸入到激活函數(shù)中得到輸出活性值a其計(jì)算公式如式(3-9)所示。況進(jìn)行了綜合考慮而且還可以知道各個(gè)分類計(jì)算的概率值。算過程如圖3-5所示(賀澤宇，傅夢琪，2020)。(6)損失函數(shù)損失函數(shù)(Lossfunction)又叫目標(biāo)函數(shù)，損失就是實(shí)際計(jì)算值與期望值之?dāng)?shù)來量化當(dāng)前網(wǎng)絡(luò)的優(yōu)劣(程天佑，呂芝和，2023)。交叉熵?fù)p失(CrossEntropyError)通過計(jì)算最大概率的對數(shù)的負(fù)數(shù)來衡量輸出的好壞，其計(jì)算公式如式 (3-10)所示。此方案的檢測工作本文從理論探討與Softmax輸出的結(jié)果是[88%,12%,0%]概率公式可以看出，最大概率越大，損失越接近于0,網(wǎng)絡(luò)輸出結(jié)果就越準(zhǔn)確(陸子謙，蘇怡，2018)。3.2卷積神經(jīng)網(wǎng)絡(luò)的傳導(dǎo)過程基于一維卷積神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷算法流程如圖3-6所示，具體步者進(jìn)行標(biāo)記，確定出對應(yīng)標(biāo)簽(每一種故障信號對應(yīng)一個(gè)故障標(biāo)簽),輸入到采集滾動軸承的一維振動信號采集滾動軸承的一維振動信號不同程度故障數(shù)據(jù)全壽命周期數(shù)據(jù)采樣窗創(chuàng)建樣本數(shù)據(jù)集時(shí)域特征變化趨勢劃分樣本部分組織為訓(xùn)練樣本大尺度卷積層部分組織為測試樣本訓(xùn)練階段更深層次的多尺度卷積層IDCNN模型前向傳播IDCNN模型調(diào)優(yōu)模型結(jié)構(gòu)輸出診斷結(jié)果測試階段設(shè)計(jì)要求Y1DCNN模型結(jié)構(gòu)圖3-61DCNN故障診斷流圖第四章案例結(jié)果與分析4.1實(shí)驗(yàn)裝置介紹本文使用了美國西儲大學(xué)軸承數(shù)據(jù)中心的軸承試驗(yàn)裝置88]。Rockwell采集到的軸承振動測試信號數(shù)據(jù)，這不難看出該實(shí)驗(yàn)數(shù)據(jù)得到了業(yè)界的高度認(rèn)可，并被多次用于驗(yàn)證各種軸承故障診斷技術(shù)(秦俊熙，許雪柔，2024)。本文圈故障、滾動體故障、外圈故障三種類型(羅景辰，韓依娜，2021)。由此可以推知在進(jìn)行信號采集時(shí)，將一個(gè)5000Hz的加速計(jì)設(shè)置在電機(jī)的端罩子上，通過樣頻率為12kHz。(1)一個(gè)1.5KW(2馬力)的電動機(jī)(圖左側(cè));(2)一個(gè)扭矩傳感器/譯碼器；(3)一個(gè)功率測試計(jì)(圖右側(cè));(4)電子控制器(圖中沒顯示)。本次實(shí)驗(yàn)研究過程中對比分析而選擇了12K頻率條件下的軸承故障數(shù)據(jù)，在運(yùn)行過程中電機(jī)近似轉(zhuǎn)速為1797轉(zhuǎn)每分鐘，設(shè)置的故障直徑分為0.17、0.35、根據(jù)實(shí)驗(yàn)相關(guān)要求選擇了6205-2RSJEMSKF深溝球軸承。SKF孚公司(唐浩然，夏清婉，2019)。軸承的規(guī)格為如表4-1所示。內(nèi)圈直徑外圈直徑厚度滾動體直徑節(jié)徑軸承的故障頻率(轉(zhuǎn)動頻率Hz的倍數(shù))如表4-2所示。內(nèi)圈故障外圈故障保持架故障本次實(shí)驗(yàn)采用keras框架。共600組數(shù)據(jù)，其中500組數(shù)據(jù)用來訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，100組數(shù)據(jù)用來驗(yàn)證訓(xùn)練結(jié)果。隨著500次訓(xùn)練的進(jìn)行，可以明顯看到精度(accuracy)在不斷提高，損失(loss)在不斷降低，如圖4-2、圖4-3所示(馮宇，袁語嫣，2022)。圖4-3訓(xùn)練損失與驗(yàn)證損失由圖4-2可知，訓(xùn)練到第五百次時(shí)，精度已經(jīng)很接近1。由python顯示的運(yùn)行結(jié)果(圖4-4)來看，最后的驗(yàn)證精度(val_accuracy)可達(dá)0.9759183526039124,驗(yàn)證損失(val_loss)可達(dá)0.13909408311293434。這說明基于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行滾動軸承故障檢測，可以達(dá)到極高的準(zhǔn)確度。651ms/step-Loss:日.0371-accuracy:8.9916-val1oss:日.1215-valLa0-12152346891626342,8.9789795875549316,0.12152346891626342,8.97897958755493云圖4-4運(yùn)行結(jié)果第五章結(jié)論軸承是現(xiàn)代工業(yè)文明中不可或缺的重要零部件，一旦發(fā)生事故，便會帶來十分嚴(yán)重的損失。因此，各國技術(shù)人員和學(xué)者在對軸承故障診斷的研究過程中，投入了大量的時(shí)間和精力，開發(fā)出了多種多樣的軸承故障診斷方法和技術(shù)，特別是在人工智能技術(shù)得到廣泛運(yùn)用的年代，軸承故障診斷技術(shù)的進(jìn)展也突飛猛進(jìn)，形成了成套的診斷系統(tǒng)和軟件。在不同的設(shè)備和診斷領(lǐng)域上，各種軸承診斷方法均取得了十分不錯(cuò)的成果。卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的代表，具有極強(qiáng)的性能。用它來檢測滾動軸承故障，可以達(dá)到極高的準(zhǔn)確度。本文提出的基于卷積神經(jīng)的滾動軸承故障檢測模型準(zhǔn)確度可以達(dá)到97.59%。這對比以前的滾動軸承故障診斷方式，具有更高的優(yōu)越性。[1]ANONYM.ThecasewesternreserveuniversityOL].(2015-10-11)./bearingdatacenter/-data-file(accessed11Octob2022(18):130-133.[4]JiangL,ShiTL,etal.Faultdanalysis[J].JournalofVibrationandControl,2014,20(3):470-480.technique[J].ProceedingsoftheInstitutionofMechanicalEngineers,PartO:JournalofRiskandReliability,2015,229(2):105-11[6]XuJ,TongSG,etal.Tmatchingforrollingbearingfaultdiagnosis[J].ProceedingsoftheInstitutionofMechanicalEngineers,PartC:JournalofMechanicalEngineeringScience,2015(17):3291-32burnfeatureextractioninsurfacegrindingprocess[J].[9]孫博宇，周澤楷.基于譜峭度及原子分解的滾動軸承故障診斷方法研究[D].上[10]吳宇軒，徐豪.基于EEMD和最小二乘支持向量機(jī)的滾動軸承故障診斷方法研究[D].長春[11]鄭明哲，黃俊熙.電機(jī)軸承的智能故障診斷與性能退化趨勢預(yù)測[D].江南大學(xué)，2018.[13]郭子瑜，梁俊逸.滾動軸承故障特征提取與診斷方法研究[D].華北電力大學(xué)(北京),2016.[14]DingX,HeQ,LuoN.Afusionfeatureanditsimprovementbaprojectionsforrollingelementbearingfaultclassification[J].JournalVibration,2015,335:367-383.[15]謝思遠(yuǎn)，程宇墨.機(jī)械故障診斷理論與方法[M].西安交通大學(xué)出版社，2009.[16]韓逸飛，曹俊杰.基于小波降噪和經(jīng)驗(yàn)?zāi)B(tài)分解的滾動軸承故障診斷[D].哈爾濱工業(yè)大[17]彭博宇，曾澤楷.基于時(shí)頻分析的滾動軸承故障診斷方法研究[D].[18]許軒，蔣子豪.基于ESMD和SVM的滾動軸承故障診斷研究[D].2018.Processing,2011,25:[20]Carrasco,B.Charnley.TheapplicationofspectralkurtosisonAcousticEmissionProcessing,2011,25:266-284.[21]Tchakoua,R.Wamkeue,M.Ouhrouche,etal.WiState-of-the-ArtReview,NewTrends,andFutureChallenges[J].Energies,2014[22]Kharche,SV.Kshirsagar.ReviewofFaultDetectionBearing[J].InternationalJournalofInnovativeResearchinAdvancedEngineering,2014,1(5):[23]Sun,H.Windturbinefaultdetectionusingmultiwaveletdenoisingwiththedatthreshold[J].AppliedAcoustics,2014,77:122-129.[24]Ming,W.Zhang,ZY.Envelopecalculationofthemulticomponentthedeterministiccomponentcancellationinbearingfaultdiagnosis.Mechanical張宇軒，李子豪temsandSignalProcessing.20[25]Zimroz,W.Bartelmus,T.Barszcz,etal.Diagnosticsofbearingsinpresenceofstrongoperatingconditionsnon-stationarity-Aprocedureofload-dependentfeaturespProcessing,2014,46(1):16-27.[26]徐宇航，羅澤宇.經(jīng)驗(yàn)小波變換和支持向量機(jī)在滾動軸承故障診斷中的應(yīng)用研究[D].豪tem[J].InternationalJournalofEmergingTrendsinEn[29]Gabor,D.Theoryofcommunication[J].ElectricalEngineers-PartI:General,JournaloftheInstitutionof,1947,94(73):429-457.[31]Tang,B.Liu,W.T.Song.Wi