【《卷积神经网络在轴承故障诊断中的应用与优化》12000字】

11卷积神经网络在轴承故障诊断中的应用与优化滚动轴承故障诊断是机械设备停机维修中的一个重要环节，也是导致旋转机械失灵与故障的最主要原因之一。而随着机器运行工况下检测方法和技术不断发展，对故障特征信息进行提取与分析已成为必然趋势。而在深度学习不断发展的今天，卷积神经网络模型成为分析滚动轴承故障准确率最高的模型。本文通过建立一维卷积神经网络，对滚动轴承的故障进行诊断。滚动轴承的故障数据来自美国西储大学轴承数据中心1]。关键词：卷积神经网络；滚动轴承；故障分析；深度学习目录 21.1研究背景 21.2轴承故障诊断历史 31.3轴承故障诊断方法研究现状 41.3.1国外发展现状 51.3.2国内发展现状 6第二章滚动轴承 72.1滚动轴承的结构 72.1.1滚动轴承的特性 72.1.2滚动轴承的基本特点 82.2滚动轴承的地位与作用 92.3滚动轴承的负荷与寿命 第三章基于卷积神经网络的轴承故障诊断流程 3.1卷积神经网络的基本结构 3.2卷积神经网络的传导过程 第四章案例结果与分析 224.1实验装置介绍 4.2实验结果与分析 20 23参考文献 23第一章引言随着现代工业文明的发展，机械设备越来越精密，结构越来越复杂，功能越来越完善，自动化程度越来越高。精密设备在人们的日常生活和工作中起着重要的作用，特别是作为机械设备领域中的关键旋转设备(林哲宏、赵文辉、宋承志，2022)。其中，连接设备旋转部件和固定部件的轴承，特别是滚动轴承和设备的性能存在密切关系。这种轴承的特征表现为摩擦小，效率高，润滑方便等优点[21,目前在交通、化工、航空航天工业中都获得应用。在设备的运行中，轴承在支持轴承的运行和传递动力方面起着重要的作用，被称为“机械的关节”[4]。因此，一旦发生轴承故障事故，就会连锁反应而引发各种不良影响，一些情况下还会导致严重的生命财产损失，导致重大伤亡5-61,引起各种严重的社会不满(高宇轴承在应用过程中容易出现故障，和其他零件相比，轴承由于承受冲击的能力较弱而受到各种交变应力的影响，高转速、高负荷等恶劣条件[7,8也导致其失效的可能性增加。统计分析发现大约有20%的齿轮箱故障都和轴承失效有关91。滚动轴承与其他连接的零件接触紧密，其失效很容易导致故障和事故。1991年11月，兰州铁路局1479次火车出轨事故导致很多人员伤亡，调查结果发现其主要原因为轴承故障。上世纪九十年代日本关西电力公司海在运行过程中由于人为因素影响，机组轴承出现故障，这在某种程度上彰显了引发严重的共振。最后，所有机组被摧毁。损失高达50亿日元!1。2011年地铁4号线自动扶梯出现故障，其中的固定部件损坏，在固定和连接失效情况下导致扶梯滑落。事故中有一人死亡，多人受伤。2006年，安阳钢铁公司吐丝机轴承断裂，引发生产线故障，进入导致明显的经济损失。深圳罗湖区电梯滑梯事故出现后，调查结果表明主要是33因为限速器轴承故障导致的，事故引发很不利社会影响[101。因而很有必要加大故障诊断技术的研究，采取各种高效的应对和控制方法，而有效的预防事故出现旋转机械由于经常作为动力传递动能，这在某种程度上标明因此在动力、石化、航运等领域广泛应用于现代工业设备，其质量和运行状态会明显的影响到设备状态。在各种旋转机械设备中[121,滚动轴承发挥重要作用，其和设备安全运行存在密切关系，将旋转零件连接起来而为设备运行提供支持(罗毅和、唐昱泽、李浩然，2021)。这在某种程度上凸显了滚动轴承通常在高温、变速环境中工作。另外，诸如加工误差、不对中、润滑不良等外部因素也会使轴承表面受到不同程度地损坏，因此滚动轴承出现损坏的可能性很高，因而应针对性的进行处理(张影响，这将改变整个旋转机械的运行状态，并最终降低旋转机械应用性能，从中不难发现且导致各类型的事故。因而在机械设备故障检测领域，滚动轴承的检测、诊断是其中的最重要内容，表现出很高的市场潜力和应用价值。机械设备故障诊断是一门工程技术学科，基本方法为信号处理方法及模式识机械设备故障诊断相关的研究起步于上个世纪60年代，阿波罗计划由于机械设备故障原因频频失败，为此美国政府管理部门设置专业的机械故障预防小组[16]。随后，英国成立了机械维护中心，其以保证机械正常运转为中心来进行科学探究，并将结果运用到了诸多能源领域(陈思远、吴东升、王俊豪，2023)。这在某个角度上证明了英国公司对机械故障预防的关注，为企业生产带来一定的安全保障。上世纪70年代，日本高校、研究机构及部分企业开始致力于机械故障诊断的机理研究及应用研究。同时，欧洲诸多国家也成立故障诊断研究中心。如上世纪七十年代法国电力管理部门针对汽轮发电机组状态监测。现如今，随着“智能维护系统(IMS)中心”的成立，美国密歇根大学在故障领域大放异彩。法国贡皮埃捏技术大学在基于振动信号故障诊断领域也取得一定成果(崔子聪、徐佳豪、杨润泽，2023)[171。与发达国家相比，我国在该领域发展起步较晚。最早源于上个世纪80年代44的首届设备诊断技术大会。随着我国加大故障诊断领域的研究力度，与此相关的成果也大量出现，在实际应用中取得良好的效果(谢凌峰、董冠宇、孙睿障诊断问题，且制定出与此相关的方案，在应用过程中取得良好效果。上海交大则设置国家级重点实验室进行故障诊断和检测相关研究(王子豪、宋晨昊、林俊浩，2023)。近些年来，我国在工程中开始广泛的应用故障诊断相关技术，在应用中取得良好的效果。如对环境恶劣条件下的振动信号采集后进行综合分析，而确定出设备故障相关情况；北京化工大学提出了机械故障自愈理论(贾俊杰、彭宇为当前机械故障诊断领域主流方法。其中，从这些数据中显现振动信号分析法最为流行。但由于目前机械设备的一体化程度较高，导致零部件之间振动信号耦合严重。当轴承故障情况下对应的信号也出现明显变化，开始变得非平稳且非线性杂的振动信号中提取目标信号是此方面的研究重点。为此，国内外众多学者提出等，但依旧具有许多难以弥补的缺陷。近些年来，基于智能故障诊断方法的滚动轴承故障诊断也受到各界学者的关注。智能故障诊断方法能自动提取特征，这明显体现出特征这个特点是与传统基于振动信号分析方法的本质区别(李泽和、许凌云、郑晨星，2诊断过程可选择不同的方法，在其中应用比例较高的如监督学习、半监督学习。其中，监督学习这一类别在其他领域发展较为成熟。其输入为带有标签的数据集，利用模型提取信号特征。将模型参数训练至最优后，将测试集输入模型，在其中能看出即可将测试信号进行模式识别(邹宇凡、大小来说，相较于传统方法，智能诊断方法可处理海量数据，且结果更为准备，但美中不足之处在于模型自动提取的特征难以解释。机器学习在各个领域大放异1.3轴承故障诊断方法研究现状55上世纪六十年代国外相关滚动轴承的运行状态检测研究开始起步，其后发现过程中各种高性能的检测技术和方法也被大量的提出，滚动轴承故障诊断性能水平不断提升，可很好的满足复杂条件下的应用要求。滚动轴承故障诊断技术在不断的发展演化基础上目前已经很成熟，这在某种程度上彰显了其发展历程如下第一阶段：基于信号变化的诊断方法。与此相关的研究起步于上世纪六十年代，当时Tallian³5研究振动信号峰值与标准信号的差异情况，且据此来对这种故障进行检测分析。受到信号处理技术相关因素的制约，这种技术的诊断效率不第二阶段：基于频谱分析的诊断方法。其后的研究过程中Cooley为高效的对这种信号进行处理，而提出了快速傅里叶变换技术，在信号处理方面表现出很高的应用价值(马天宇、邓文浩、杨俊杰，202的应用打下良好的基础1361。原始振动数据中一般存在噪音干扰，这样在故障较小时不满足应用要求，检测结果的精确性低。第三阶段：基于冲击脉冲的诊断方法。瑞典学者在针对滚动轴承表面损伤相关的脉冲信号研究时设计出一种脉冲计，这样可以高效的进行信号分析而确定出滚动轴承的故障1371。这种方法的灵活性高，在滚动轴承的早期故障诊断方面一直被广泛的应用(陈志伟、李天昊、吴昕宇，202第四阶段：基于共振解调的诊断方法。上世纪七十年代D.R.Harting在研究根据实际的经验可知这种方法对轴承的早期轻微损伤可高效的决策，同时故障的部位也可基于包络分析方法确定出，有明显的优势(何子怡、赵乐然、黄明和，2023)。第五阶段：基于计算机技术的诊断方法。这在一定意义上揭示了上世纪九十年代开始，在电子技术的发展带动下，故障诊断系统的性能水平显著提高，可更好的满足复杂条件下的故障检测要求。国外很多公司相继开发出基于计算机信息系统的设备状态监测设备，在应用过程中取得良好的效果。这在某种程度上标明如美国的REBAM系统在风机转子检测中广泛应用，丹麦B&K的COMPASS系66统在机车轴承检测中取得好性能优势(李国伟、邱子豪、周悦文，2的MHMS机械检测系统则可以对振动设备的故障进行高效检测。俄罗斯DREAM诊断系统在应用过程中也可以很好的满足轴承工况监测相关的要求，且检测的准确性和精度都有一定幅度提高。这在某种程度上凸显了基于计算机的轴承状态监测和诊断方法在应用过程中可方便的进行交互，较高的诊断精确率，因而目前其国内相关故障诊断技术研究起步较晚，不过在市场需求的促进作用下发展速度快，上世纪七十年代国内此领域的研究主要是引进国外的先进技术和经验，据此满足故障检测和诊断相关要求。其后发展过程中，相关故障诊断的研究不断增加，且提出了很多新的诊断技术和方法。例如，唐德尧研发出一种高性能的JK86411自动试验诊断系统，结果发现在铁路机车的滚动轴承故障诊断方面有明显的优势，从中不难发现可很好的满足应用要求。刘志泽、蔡文俊、赵书豪391则具体分析轧钢机轴承的特征，而研发出一种MDS系列轧钢机轴承故障诊断系统，对其性能进行仿真分析，结果发现可很好的满足实际应用要求。田睿泽、周凯宇、冯若旭等人[401基于计算机技术设计出一种滚动轴承状态监测与故障诊断系统，同时对其性能做了测试研究。尽管本文尚未完全挖掘这一部分的研究结论，但从现有成果来看，已展现出一定的指导意义。首先，初步结果为该领域提供了新颖的视角和洞见，有助于辨识关键因素及其互动机制，为后续深入研究打下了坚实基础。其次，这些发现揭示了若干潜在趋势和模式，能够为理论框架的构建提供实证依据，并激发更多的学术讨论与辩论。国内学者在研究过程中大量的吸收和引进国外的技术和设备，经过不断创新发展，这在某个角度上证明了且在一定的优化基础上建立起与此相关的理论体系。例如，万书亭等人[41在进行故障检测中应用了小波包和细化包络方法，这样可以对采集的故障信号处理而得到共振频带，提高了算法的应用性能。朱晓瑞、邓景然、钟浩宇[421等对滚珠轴承故障的特征具体分析，而应用了谱峭度法进行分析，且基于最大化原则进行判断，而设计出一种AR模型，从这些互动中理解对原始信号进行处理时先采集确定出其中平稳成分，使得故障特征信息强化，而77结合起来进行此方面的检测，在具体处理过程中先基于EMD分解成若干固有模态分量，接着筛选而得到含主特征信息的IMF分量确定出能第二章滚动轴承使滚动体均匀分布，也可满足一定润滑相关要求。88的厂家目前已经基本上保持专业分工，如专业生产微型轴承的微型轴承厂等。这在某种程度上反映出这是专业化的体现(韩天翔、冯子凡、陆佳辉，2023)轴承的大规模生产过程中需要应用到很多高性能的专业设备。现代化的机床、工装和工艺也都不同程度的应用，且热处理技术也很先进。这是先进性的体滚动轴承的自动化生产过程中也用到很多专业设备，相应的自动化水平很高。各种专用和非专用机床都不同程度的应用，此外还有各种装配自动线等。这是自动化的体现。2.1.2滚动轴承的基本特点滚动轴承在应用过程中可实现各方面的作用，研究发现其特征表现为摩擦力明显减小，且对应摩擦阻力的功耗大幅度降低，这在某种程度上标明可更好的满足应用要求。主轴承采用滚动轴承情况下对应的节能率可达到30%,而大型球磨机使用滚动轴承也可以很好的满足节能要求(王振宇、刘子睿、张雨磨机的能耗高，这在某种程度上凸显了因而这种情况下可显著的节约费用。滚动轴承具有维修方便，质量可靠的好处。在应用过程中选择这种轴承可避免巴氏合金材料的浪费，相应的管理和应用难度也显著降低，可更好的满足维修相关的要求，此外对供油、供水冷却方面的要求也降低。从中不难发现这种轴承的专业性高，因而质量往往得到保证，使用寿命长，可更好的满足球磨机使用厂除此之外，滚动轴承还具有其他优点。滚动轴承摩擦阻力小，效率高，适用性强，且表现出很强的互换性优势，这在某个角度上证明了在应用过程中可方便地安装和维护；轴向尺寸更为缩小；运行时不容易出现磨损问题，长时间使用后也可以维持精度，因而可很好的满足应用要求(高永涛、李俊琦、刘瑾瑜，2023);部分轴承具有自动调心的性能；既满足大批量条件下的应用要求，同时适用性范围也明显扩大；从这些互动中理解传动摩擦力矩比流体动压轴承低得多，这样在运行过程中不容易出现升温的问题，摩擦性能良好；起动摩擦力矩仅略高于转动摩擦力矩；从这些数据中显现在一定载荷条件下不会产生明显的变形，敏感性降低；少量的润滑剂便就可长时间高效运行，且可靠性也大幅度改善；轴向尺寸小于传统流体动压轴承(魏子和、赵宇航、郑浩泽，2023);为了确保研究结论的稳健99性和公信力，本文首先广泛收集并仔细审查了国内外相关领域的经典及最新文献，以此搭建了一个坚实的研究基础。这不仅帮助本文确定了研究问题的独特价值，也保证了本文的研究是在充分掌握现有知识的前提下进行的。本文选用了多种来源的第一手和第二手资料，如相关文献、官方统计等，这些资料因其权威性、时效性和代表性而被选用，以确保能从不同视角全面反映研究主题的真实面貌。相应的承载能力强，可承受复杂的载荷作用力；在很大的载荷-速度范围内，这明显体现出特征和其同类型的轴承相比性能明显的提升；轴承性能对载荷、速度但是，滚动轴承的缺陷也是很明显的。表现为噪音大；成本较高；在良好的润滑和安装情况下，长时间运行后也容易因为接触疲劳而失效。2.2滚动轴承的地位与作用在其中能看出滚动轴承的应用范围广，在国民经济和国防事业各个领域都表现出较高的应用价值。滚动轴承相关的研究和应用很早就开始了，考古文物发现，早在公元前二百多年前已经出现了青铜制滚动轴承；而意大利和古希腊也在公元前一世纪出现了青铜滚动轴承。工业革命后，这在一定意义上揭示了现代轴承工业开始正式出现，十九世纪七十年代德国研发出磨球机，这也为钢球的大规模生产和应用打下良好的基础。自行车、汽车行业的促进下，滚动轴承的需求不断增加，相应的应用范滚动轴承的重要性主要体现在以下几个方面：(1)在国民经济中一—滚动轴承发挥各方面的价值，如在机械工业的基础产业中都广泛的应用，其使用水平既反映出一个国家机械工业能力，也总体上决定了国家的工业竞争力。这在某种程度上标明轴承工业被称为“机械工业的核心产业”,此外也和民众生活水平密切相关。上世纪七十年代日本开始大力发展滚动轴承，且将其当做为机械工业的重点发展对象。我国也制定出11类特定振兴机械产品发展计划，很多高性能的滚动轴承加工设备也被研发出。这在某种程度上凸显了在国家新确定的520家重点企业中，与此相关的企业数量也不断增加(郭辰逸，何佳怡，2023)。《国家重点鼓励技术目录中》,重点说明了轿车轴承、高速轴承，这对此行业的发展和应用有重要意义。(2)在国防事业上一一这种轴承也和国家的军事实力密切相关，导弹和飞发达国家对轴承产品和技术也进行严格的封锁和(3)在技术地位上—一轴承钢的相关要求高，这在某个角度上证明了也是现，其后发展过程中建立起国标ISO281:1963。2.3滚动轴承的负荷与寿命性，同一批次中90%在疲劳剥落前的总转数就是轴承的远，2023)。和额定寿命密切相关的为额定动载荷，也就是额定寿命为100万转情况下的是纯轴向载荷。在实际的应用过程中很多因素都会影响到额定负荷，为更好的满第三章基于卷积神经网络的轴承故障诊断流程3.1卷积神经网络的基本结构(1)基本单位神经元主要是用于模拟生物神经元的结构和特性。其结构如图3-1所示。221411图3-1典型的神经元结构到达时，它乘以权重值。这在一定意义上揭示了如果神经元有3个输入，则它有3个权重值，并且权重会在训练期间进行调整。这在某种程度上反映出然后将乘积与偏置之和输入到激活函数中得到输出活性值a。其计算公式如式(3-1)(2)卷积层卷积层(ConvLayer)通过与映射区域进行卷积来提取相应的特征。其作用是将输入数据缩小而方便处理，这在某种程度上标明且不会导致丢失重要的信息。网络中往往有多个卷积层，第一个卷积层在处理过程中主要的作用为采集低级特征，与此相关的特征如渐变方向，边缘等(刘瑾瑜，张雪丽，2023)。通过添加卷积层，网络也可以适应高级特征。通常不同层卷积核的大小设置为不同，这在某种程度上凸显了这样可以提高网络的特征提取能力。本文同样对结论进行了复审，首先从理论角度确保研究结果与现有学术体系相契合。本文仔细对比了本研究的主要发现与领域内广泛认可的理论，以检验其合理性和逻辑严谨性。这一过程不仅验证了研究结论得到现有理论的支持，还在某些方面提出了新的见解或补充，从而丰富和完善了相关理论架构。其次，在实证分析中，本文重新审视原始数据，采用多种统计方法和技术进行交叉验证，并引入外部数据集作为参考样本，力求消除任何可能影响结论准确性的偏差，确保研究结果的真实性和广泛适用在实际的实现过程中，为了减小不必要的操作与开销，一般用互相关运算来替代繁琐的卷积运算。轴承信号序列与卷积核的互相关计算公式如式(2)所式中w为卷积核，x为信号序列，m为卷积核的宽度，其宽度要远小于信号序列的长度。一维卷积的示例如图3-2所示，从中不难发现所使用的卷积核参数为[1,0,-1],卷积后输出信号序列长度1变为了5,计算公式如(3-3)所示。⊗(3)激活层激活函数中常用的包括Sigmoid,TanH、整流线性单元(ReLU),其表达式分别如式(3-4)、(3-5)和(3-6)所示。这三种常见的激活函数图形如图3-3所示。(a)ReLu(4)池化层池化有两种类型：其中包括最大池化和平均池化池化的功能相对有限。“最大池化”的性能要比“平均池化”好得多。两者的表达式分别如式(3-7)和(3-8)所示。进行特征选择。其示例如图3-4所示。(5)全连接层以权重值。如果神经元有3个输入，则它有3个权重值，并且权重会在训练期间输出活性值a其计算公式如式(3-9)所示。矩阵，通过Softmax函数计算后变为[88%,12%,0%]这样的概率矩阵，值越大表示(6)损失函数通过计算最大概率的对数的负数来衡量输出的好坏，其计算公式如式(3-10)所示。这部分内容的创新主要体现在视角的选择上，首先表现在对研究问题的独特切入点。本研究超越了传统研究中较为狭隘的角度，从宏观和微观两个层面同时入手，既关注总体趋势也重视个体特性，为理解复杂现象提供了新的思考路径。这种双重角度不仅增强了对研究对象内部机制的理解，也为解决实际问题提出了更加具体的建议。式中f(zk)是Softmax层输出的最大概率。接着图3-5Softmax层的示例，Softmax输出的结果是[88%,12%,0%]概率矩阵，则损失为-log0.88=0.056。分析公式可以看出，最大概率越大，损失越接近于0,网络输出结果就越准确(邓晓宇，冯雪儿，2023)。基于一维卷积神经网络的滚动轴承故障诊断算法流程如图3-6所示，具体步骤为：采集振动信号进行一定的组合而形成数据集，划分训练集和测试集；对前者进行标记，确定出对应标签(每一种故障信号对应一个故障标签),输入到采集滚动轴承的一维振动信号采集滚动轴承的一维振动信号不同程度故障数据全寿命周期数据采样窗创建样本数据集时域特征变化趋势划分样本部分组织为训练样本大尺度卷积层部分组织为测试样本训练阶段更深层次的多尺度卷积层IDCNN模型前向传播IDCNN模型调优训练好的IDCNN模型结构输出诊断结果测试阶段N差值满足设计要求Y第四章案例结果与分析本文使用了美国西储大学轴承数据中心的轴承试验装置[88]。RockwellScienceCenter曾经完成了一次成功的滚动轴承故障检测试验，并公开分享他们采集到的轴承振动测试信号数据，这在某种程度上反映出该实验数据得到了业界的高度认可，并被多次用于验证各种轴承故障诊断技术(朱文杰，崔怡君，2023本文采用该组数据进行验证。该滚动轴承故障诊断实验系统的主要组成包括电动机、扭矩仪、功率计，相关的组成和连接情况如下图4-1。在实验过程中通过传感器采集载荷功率和转速相关的信息，同时确定出扭矩载荷。这在某种程度上标明由测试轴承支持对应的转子，且在此位置设置单点故障进行故障模拟，而设置的故障直径包括7、14、21、28mils。据此来描述出故障的严重性，同时还设置各类型故障，主要包括内上凸显了在进行信号采集时.将一个5000Hz的加速计设置在申机的端罩子上.通过记录仪采集试验轴承在各种条件下的转动和振动信息，进行信息采集，设置的采样频率为12kHz。图4-1实验装置平台组成：(1)一个1.5KW(2马力)的电动机(图左侧);(2)一个扭矩传感器/译码器；(3)一个功率测试计(图右侧);(4)电子控制器(图中没显示)。本次实验研究过程中对比分析而选择了12K频率条件下的轴承故障数据，在运行过程中电机近似转速为1797转每分钟，设置的故障直径分为0.17、0.35、根据实验相关要求选择了6205-2RSJEMSKF深沟球轴承。SKF表示为斯凯轴承的规格为如表4-1所示。内圈直径外圈直径厚度滚动体直径节径轴承的故障频率(转动频率Hz的倍数)如表4-2所示。内圈故障外圈故障保持架故障4.2实验结果与分析本次实验采用keras框架。共600组数据，其中500组数据用来训练卷积神经网络，100组数据用来验证训练结果。随着500次训练的进行，可以明显看到精度(accuracy)在不断提高，损失由图4-2可知，训练到第五百次时，精度已经很接近1。由python显示的运行结果(图4-4)来看，最后的验证精度(val_accuracy)可达0.9759183526039124,验证损失(val_loss)可达0.13909408311293434。这说明基于卷积神经网络进行滚动轴承故障检测，可以达到极高的准确度。>..]·ETA:θs·loss:0.0391·accuracy:0588B/5888[[0.12152346891626342,0.9789795875549316,0-12152346891626342,0.9789795875549316,e.12152346891626342,8.97897958Processfinishedwithex图4-4运行结果第五章结论轴承是现代工业文明中不可或缺的重要零部件，一旦发生事故，便会带来十分严重的损失。因此，各国技术人员和学者在对轴承故障诊断的研究过程中，投入了大量的时间和精力，开发出了多种多样的轴承故障诊断方法和技术，特别是在人工智能技术得到广泛运用的年代，轴承故障诊断技术的进展也突飞猛进，形成了成套的诊断系统和软件。在不同的设备和诊断领域上，各种轴承诊断方法均取得了十分不错的成果。卷积神经网络作为深度学习的代表，具有极强的性能。用它来检测滚动轴承故障，可以达到极高的准确度。本文提出的基于卷积神经的滚动轴承故障检测模型准确度可以达到97.59%。这对比以前的滚动轴承故障诊断方式，具有更高的优越性。参考文献[1]ANONYM.ThecasewesternreserveOL].(2015-10-11)./bearingdatacenter/-data-file(accessed11October2015).[3]林哲宏、赵文辉、宋承志.基于深度学习的滚动轴承故障诊断研究综述[J].设备管理与维[4]JiangL,ShiTL,etal.Faultanalysis[J].JournalofVibrationandControl,2014,20(3):470-480.technique[J].ProceedingsoftheInstitutionofMechanicalEngineers,PartO:JournalofRiskandReliability,2015,229(2):105-11[6]XuJ,TongSG,etal.Theamatchingforrollingbearingfaultdiagnosis[J].ProceedingsoftheInstitutionofMechanicalEngineers,PartC:JournalofMechanicalEngineeringScience,2015(17):32[8]邓明煜、郑泽涛、梁佳俊，etal,ApplicationofHilbert-HuangTransformtoacousticemissionsigprocess[J].Measurement,2021,47(1):14-21.[9]罗毅和、唐昱泽、李浩然.基于谱峭度及原子分解的滚动轴承故障诊断方法研究[D].上海：[10]张成栋、刘志远、黄睿智.基于EEMD和最小二乘支持向量机的滚动轴承故障诊断方法[11]陈思远、吴东升、王俊豪.电机轴承的智能故障诊断与性能退化趋势预测[D].江南大[13]谢凌峰、董冠宇、孙睿东.滚动轴承故障特征提取与诊断方法研究[D].华北电力大学(北京),2016.[14]DingX,HeQ,LuoN.Afusionfeatureanditsimprovementbaprojectionsforrollingelementbearingfaultclassification[J].JournalofSoundVibration,2015,335:367-383.[15]王子豪、宋晨昊、林俊浩.机械故障诊断理论与方法[M].西安交通大学出版社，2009.[16]贾俊杰、彭宇飞、蒋明宇.基于小波降噪和经验模态分解的滚动轴承故障诊断[D].哈尔滨[17]张思博、冯浩然、周志翔.基于时频分析的滚动轴承故障诊断方法研究[D].[18]李泽和、许凌云、郑晨星.基于ESMD和SVM的滚动轴承故障诊断研究[D].2018.[19]Kilundu,X.Chiementin,J.邓明煜、郑泽涛、梁佳俊lostationarityofAcousticEmissions(AE)formonitoringbearingdefects[J].Mechanical李国伟、邱子豪、周悦文temsandSignalProcessing,2011,25:2061-2072.[20]Carrasco,B.Charnley.TheapplicationofspectralkurtosisonAcousticEmissionvibrationsfromadefectivebearing[J].Mechanical李国伟、邱子豪、周悦文temsandSignalProcessing,2011,25:266-284.[21]Tchakoua,R.Wamkeue,M.Ouhrouche,etal.WindTurbineCondState-of-the-ArtReview,NewTrends,andFuture[22]Kharche,SV.Kshirsagar.ReviewofFaultDetectioninBearing[J].InternationalJournalofInnovativeResearchinAdvancedEngineering,2014,1(5):[23]Sun,H.Windturbinefaultdetectionusingmultiwaveletdenoisingwiththedata-dthreshold[J].AppliedAcoustics,2014,77:122-129.[24]Ming,W.Zhang,ZY.Envelopecalculationofthemulthedeterministiccomponentcancellationinbearingfaultdiagnosis.Mechanical李国伟、邱子豪、周悦文temsandSignalProcessing.2015,50-51:70-100.[25]Zimroz,W.Bartelmus,T.Barszcz,etal.Diagnosticsofbearingsinpresenceofstrongoperatingconditionsnon-stationarity-Aprocedureofload-dependentfeaturespProcessing,2014,46(1):16-27.[26]王柏林、刘凯文、郑智明.经验小波变换和支持向量机在滚动轴承故障诊断中的应用研究Development,2011,3(1):133-48.[29]Gabor,D.Theoryofcommunication[J].ElectricalEngineers-PartI:General,JInstit