【《基于卷积神经网络的轴承故障诊断研究》7900字（论文）】

基于卷积神经网络的轴承故障诊断研究第一章引言轴承是旋转机械钟最容易发生故障的部件之一。原因是与机械设备的其他零件相比，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，并且长期处于高转速、高负荷等恶劣的工作条件[7,8]。据统计，大约30％的旋转设备故障\20％的齿轮箱故障和44％的电动机故障是由轴承故障引起的[9]。滚动轴承与其他连接的零件接触紧密，其失效将导致机械设备故障，甚至发生灾难性事故。1991年11月，兰州铁路局1479次火车出轨事故是由于保持架碎裂，阻碍了轴承的运行，造成大量人员伤亡和重大财产损失。1992年，日本关西电力公司海南电厂进行过载测试时，由于相关人员的疏忽，发电机组轴承出现故障，导致整个机组产生强烈共振。最后，所有机组被摧毁。事故造成的直接经济损失高达50亿日元[11]。2011年7月5日，地铁4号线动物园站的自动扶梯发生设备故障。自动扶梯的驱动主机由于固定部件损坏，导致驱动链脱落，使自动扶梯滑落，最终导致踩踏事故。事故中有一人死亡，多人受伤。2006年6月，安阳钢铁公司高速线材轧制线的吐丝机轴承断裂，导致整条生产线停产检修，给公司造成了巨大的经济损失。2013年8月，深圳罗湖区发生一起电梯滑梯事故。发现原因是电梯限速器轴承的损坏，导致电梯迅速坠落，造成了不良的社会影响[10]。痛苦的教训提醒着我们，要重视故障诊断技术的研究，在操作过程中及时发现并排除故障，防止事故的发生。旋转机械由于经常作为动力传递动能，因此在动力、石化、航运等领域广泛应用于现代工业设备，其质量和运行状态对整个机械设备系统有很大的影响。在各种旋转机械设备中[12]，滚动轴承是必不可少的关键组件。它起固定零件和连接相关旋转零件的作用，因此广泛用于旋转机械和其他设备。由于旋转机械设备中的特殊位置，滚动轴承通常在高温、变速和可变负载等恶劣环境中工作。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，因此滚动轴承也是最易损坏的机械零件之一[13,14]。如果滚动轴承发生故障，靠近它的其他零件也会受到影响，这将改变整个旋转机械的运行状态，并最终降低旋转机械的可靠性，甚至造成严重的生产事故。因此，滚动轴承相关检测、诊断与识别技术的研究是设备故障诊断领域不可缺少的部分。故障诊断研究具有很大的市场潜力，具有社会和经济效益。第二章滚动轴承滚动轴承是将运转的轴与轴座之间的\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"滑动摩擦变为\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"滚动摩擦，从而减少\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"摩擦损失的一种精密的机械元件。滚动轴承一般由\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"内圈、\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"外圈、\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"滚动体和\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"保持架四部分组成，内圈的作用是与轴相配合并与轴一起旋转；外圈作用是与\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"轴承座相配合，起支撑作用；滚动体是借助于保持架均匀的将滚动体分布在内圈和外圈之间，其形状大小和数量直接影响着滚动轴承的使用性能和寿命；保持架能使滚动体均匀分布，引导滚动体旋转起润滑作用。2.1滚动轴承的结构滚动轴承的结构由5部分组成：外圈、内圈、滚动体、保持架、润滑剂。\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"外圈装在轴承座孔内，一般不转动。\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"内圈装在轴颈上，随轴转动。滚动体是滚动轴承的核心元件。\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"保持架将滚动体均匀隔开，避免摩擦。\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"润滑剂也被认为是滚动轴承第五大件，它主要起润滑、冷却、清洗等作用。2.1.1滚动轴承的特性专业化、先进性、自动化是滚动轴承的三大特性。滚动轴承的专业化体现在轴承零件加工中，大量采用轴承专用设备。如钢球加工采用磨球机、\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"研磨机等设备。专业化的特点还体现在轴承零件的生产上，如专业生产钢球的钢球公司、专业生产\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"微型轴承的微型轴承厂等。滚动轴承的先进性体现在由于轴承生产的大批量规模要求，使得其使用先进的机床、工装和工艺成为可能。如\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"数控机床、三爪浮动卡盘及保护气氛热处理等。滚动轴承的自动化体现在轴承生产的专业化为其生产自动化提供了条件。在生产中大量采用全自动、半自动化专用和非\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"专用机床，且生产自动线逐步推广应用。如热处理自动线及\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"装配自动线等。2.1.2滚动轴承的基本特点滚动轴承具有节能显著的好处。由于滚动轴承自身运动的特点，使其\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"摩擦力远远小于\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"滑动轴承，可减少消耗在摩擦阻力的功耗，因此节能效果显著。从理论分析及生产实践中，主轴承采用滚动轴承的一般\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"小型球磨机节电达30%~35%，中型球磨机节电达15%~20%，\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"大型球磨机节电可达10%~20%。由于球磨机本身是生产中的耗能大户，这将意味着可节约一笔及其可观的费用。滚动轴承具有维修方便，质量可靠的好处。采用滚动轴承可以省去\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"巴氏合金材料的\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"熔炼、\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"浇铸及\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"刮瓦等一系列复杂其技术要求甚高的维修工艺过程以及供油、供水冷却系统，因此维修量大大减少。而且滚动轴承由于是由专业生产厂家制造，质量往往得到保证。也给球磨机使用厂家带来了方便。除此之外，滚动轴承还具有其他优点。滚动轴承\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"摩擦阻力小，功率消耗小，机械效率高，易起动；尺寸标准化，具有互换性，便于安装拆卸，维修方便；结构紧凑，重量轻，轴向尺寸更为缩小；精度高，负载大，磨损小，使用寿命长；部分轴承具有自动调心的性能；适用于大批量生产，质量稳定可靠，生产效率高；传动摩擦力矩比流体动压轴承低得多，因此摩擦温升与功耗较低；起动摩擦力矩仅略高于转动\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"摩擦力矩；轴承变形对载荷变化的敏感性小于流体动压轴承；只需要少量的润滑剂便能正常运行，运行时能够长时间提供润滑剂；轴向尺寸小于传统流体动压轴承；可以同时承受径向和推力组合载荷；在很大的载荷-速度范围内，独特的设计可以获得优良的性能；轴承性能对载荷、速度和运行速度的波动相对不敏感[45]。但是，滚动轴承还有一些缺点，如噪音大；\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"轴承座的结构比较复杂；成本较高；即使轴承润滑良好，安装正确，防尘防潮严密，运转正常，它们最终也会因为滚动接触表面的疲劳而失效。2.2滚动轴承的地位与作用滚动轴承是应用广泛的重要机械基础件，广泛应用于国民经济和国防事业各个领域。滚动轴承的发明历史非常久远。据在中国山西省永济县的考古文物发现，早在公元前221~207年（秦代），即已有了青铜制滚动轴承；据在意大利的尼米湖的考古文物发现，公元12~41年，也已有了青铜制滚动轴承。现代轴承工业的诞生，则是以1883年德国发明了世界上第一台磨球机，从此进入工业化生产钢球时代为标志。滚动轴承伴随着第二次工业革命时期的自行车、汽车等工业而蓬勃发展，在世界范围内，逐步成为一个专业性很强的工业产业，在现代工业中具有十分重要的地位和作用。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——滚动轴承被称为“工业的关节”。轴承工业作为机械工业的基础产业和骨干产业，其发展水平的高低，往往代表或制约着一个国家机械工业和其他相关产业的发展水平。在日本，人们常把轴承称作工业的食粮，轴承工业被称为“机械工业的核心产业”、“提高国民生活的基础产业“，受到日本政府振兴政策的保护与支持，是14个”特定机械工业“行业之一。在中国，滚动轴承是国家确定的11类特定振兴机械产品之一，有33家轴承企业被列为特定振兴产业。在国家新确定的520家重点企业中，轴承行业在占有6家。在《当前国家重点鼓励发展的产业、产品和技术目录中》，轿车轴承、铁路机车车辆、\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"精密轴承和\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"高速轴承制造被列入其中。（2）在国防事业上——滚动轴承是必备的军备物资。没有轴承，导弹不能升空、飞机不能上天、军舰不能出海、坦克无法出击……轴承在许多军事装备中，都是重要或者核心零部件；在战争中，轴承制造厂是敌对国列入重点打击的目标之一；冷战时期，轴承专用设备曾是西方国家对\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"社会主义国家实行经济封锁的禁运物资之一。至今，很多轴承产品和技术仍被许多军事大国列入技术封锁的范畴。（3）在技术地位上——轴承钢是各种合金钢中要求技术指标最多而且最严的钢种。世界公认，轴承钢的冶炼水平是一个国家冶金技术水平的标志。在中国，在不锈钢、高速钢、齿轮钢、阀门钢、弹簧钢等诸多特殊钢中，轴承钢是迄今需要颁发生产许可证的少数钢种之一。滚动轴承还是许多新材料如工程陶瓷、\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"工程塑料的重要应用领域。滚动轴承工业是最早开展标准化活动、最早采用可靠性技术的工业领域之一。早在1949年，就已建立了滚动轴承疲劳寿命与可靠性经典理论，1963年，又将其纳入了国际标准ISO281：1963。2.3滚动轴承的负荷与寿命滚动轴承中任一元件出现接触疲劳磨损前的运转总转数或在一定转速下的总工作时数，称为轴承寿滚动轴承的寿命参差很大，同一批生产的轴承在相同条件下运转，其寿命可相差数倍甚至数十倍。同一批轴承中的90%在疲劳剥落前能达到或超过的总转数（或工作时数）时称为\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"额定寿命。额定寿命为100万转时所能承受的载荷为额定动\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"负荷。承受载荷最大的滚动体与滚道接触处的塑性变形量之和达到万分之一滚动体直径时，所能承受的负荷为额定静负荷。额定负荷越大，轴承的负荷能力越强。\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"向心轴承的额定负荷是纯径向负荷，\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"推力轴承的额定载荷是纯\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"轴向载荷。轴承的实际负荷情况常与额定负荷不同，须换算成当量负荷。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卷积神经网络（ConvolutionalNeuralNetworks,CNN）是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络（Shift-InvariantArtificialNeuralNetworks,SIANN）”[45]。卷积神经网络主要由滤波级和分类级构成，属于多级神经网络(LeCunYoshuaetal.，2015)。卷积层，池化层和激活层等构成了网络的滤波级，主要用来进行输入信号的过滤及数据特征的提取。全连接层组成了网络的分类级，主要将提取到的特征进行分类归纳。通过不断的训练学习优化各层的参数，然后通过网络正常把输入数据与故障目标向量对应起来。（1）基本单位神经元（Neuron）是神经网络中最基本的单元，用来模拟生物神经元的结构和特性。其结构如图3-1所示。图3-1典型的神经元结构每一个神经元都拥有不同的权重（weight）和偏置（bias），当输入信号x到达时，它乘以权重值。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进行调整。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）所示。α=σ（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易于处理的形式，而不会丢失对获取良好预测至关重要的特征。网络中往往有多个卷积层，第一个卷积层一般负责捕获低级特征，例如渐变方向，边缘等。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，这样可以提高网络的特征提取能力。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）所示。yt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，所使用的卷积核参数为[1,0,-1]，卷积后输出信号序列长度l变为了5，计算公式如（3-3）所示。l=n−m+1（3-3）式中n为信号序列的长度，m为卷积核的宽度。图3-2一维卷积示例（3）激活层现代的神经网络模型通常使用非线性激活函数。它们使模型可以在网络的输入和输出之间创建复杂的映射，帮助网络学习和建模复杂的数据（例如图像，视频，音频和非线性或高维数据集），并提供准确的预测。常用的激活函数有Sigmoid，双曲正切（TanH）和整流线性单元（ReLU），其表达式分别如式（3-4）、（3-5）和（3-6）所示。α=Sigmoidα=TanHα=ReLU这三种常见的激活函数图形如图3-3所示。图3-3三种常见的激活函数图像（4）池化层池化层（PoolingLayer）也叫下采样层，其作用是选择合适的特征值作为下一层的传递，降低特征和参数数量，进而加快网络训练速度和防止数据过拟合。池化有两种类型：最大池化和平均池化。“最大池化”从内核覆盖的部分返回最大值。另一方面，“平均池化”从内核覆盖的部分返回所有值的平均值。通常最大池化还可以用作噪声抑制器。它丢弃了嘈杂的激活，并且还执行了降噪以及降维。而平均池化仅执行降维作为噪声抑制机制。因此，可以说“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。Ym,nYm,n式中,Rm,nd为所选池化区域。xi为局域图3-4一维最大池化运算示例（5）全连接层全连接层（FC）将最后一层池化的所有输出连接成一维特征向量，然后使用Softmax分类技术对其进行特征分类。Softmax的目的是使输出结果正规化，其计算公式如式（3-9）所示。Pi式中ix为全连接层的输出值。通常情况下，神经网络的输出可以是任意值，但任意值的输出不利于解释结果，所以Softmax层将例如输出值是[3,1,-3]这样的矩阵，通过Softmax函数计算后变为[88%,12%,0%]这样的概率矩阵，值越大表示概率越大。这样做不仅可以找到最大概率的分类，而且还可以知道各个分类计算的概率值。Softmax层具体的计算过程如图3-5所示。图3-5Softmax计算流程示例图（6）损失函数损失函数（Lossfunction）又叫目标函数，损失就是实际计算值与期望值之间的偏差，神经网络训练的最终目的是将损失最小化，所以需要选择合适的损失函数。本文研究的故障分类的问题，因此选择分类交叉熵损失函数来量化当前网络的优劣。交叉熵损失（CrossEntropyError）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。Loss=−logfz式中fzk是Softmax层输出的最大概率。接着图3-5Softmax层3.2卷积神经网络的传导过程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:采集轴承的振动信号构建试验数据集，划分训练集和测试集;将训练集的信号样本提前做好对应标签(每一种故障信号对应一个故障标签)，输入到1DCNN进行模型训练[46]。图3-61DCNN故障诊断流图

第四章案例结果与分析4.1实验装置介绍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，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。本文采用该组数据进行验证。该滚动轴承故障诊断实验装置由一个扭矩仪、一个功率计、一个三相感应电动机等组成，如图4-1所示，载荷功率和转速通过传感器测得。通过控制功率计可以得到期望的扭矩载荷。电动机驱动端的转子由测试轴承（即诊断对象）支撑，并在测试轴承中通过放电加工设置了单点故障，故障直径包括7mils、14mils、21mils和28mils（即故障严重程度），故障类型包括内圈故障（Innerracefault）、滚动体故障（Ballfault）和外圈故障（Outerracefault）。电动机驱动端罩壳上安装有一个带宽高达5000Hz的加速计，并通过一个记录仪采集试验轴承在不同工作状态下的振动数据，其中设置采样频率为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（图中间连接处）；（3）一个功率测试计（图右侧）；（4）电子控制器(图中没显示)。本次实验采用12K采样频率下的驱动端轴承故障数据，电机载荷马力为0，电机近似转速为1797r/min，故障直径分为0.1778mm、0.3556mm、0.5334mm、0.7112mm。轴承的型号为6205-2RSJEMSKF深沟球轴承。其中：2RS是双面密封，JEM无意义，SKF（SvenskaKullager-Fabriken）是斯凯孚公司（总部所在地:瑞典哥德堡），NTN是日本公司。Z=9（滚动体9个）。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25mm52mm15mm7.94mm39.04mm表4-1轴承的规格轴承的故障频率（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滚动体故障5.41523.58480.398284.7135表4-2轴承的故障频率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（loss）在不断降低，如图4-2、图4-3所示。图4-2训练精度与验证精度图4-3训练损失与验证损失由图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。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.Thecasewesternreserveuniversitybearingdatacenter[EB/ OL].(2015-10-11)./bearingdatacenter/pages/download -data-file(accessed11October2015)．[2]申世英.滚动轴承故障预测关键技术研究[D].沈阳:沈阳理工大学,2014.[3]张雪英，栾忠权，刘秀丽.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 修，2017(18):130-133.[4]JiangL,ShiTL,etal.FaultdiagnosisofrollingbearingsbasedonMarginal Fisheranalysis[J].JournalofVibrationandControl,2014,20(3):470-480.[5]VanHeckeB,etal.Bearingfaultdiagnosisbasedonanewacousticemissionsensor technique[J].ProceedingsoftheInstitutionofMechanicalEngineers,PartO: JournalofRiskandReliability,2015,229(2):105-118．[6]XuJ,TongSG,etal.Theapplicationoftime-frequencyreconstructionand correlationmatchingforrollingbearingfaultdiagnosis[J].Proceedingsofthe InstitutionofMechanicalEngineers,PartC:JournalofMechanicalEngineering Science,2015(17):3291-3295．[7]李卓彦，周强强，李志雄.滚动轴承故障诊断技术的研究[J].科技信 息,2008(36):114,131.[8]YangZ,YuZ,XieC,etal,ApplicationofHilbert-HuangTransformtoacoustic emissionsignalforburnfeatureextractioninsurfacegrinding process[J].Measurement,2014,47(1):14-21.[9]姜锐红.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:上海大学, 2014.[10]邵海贺.基于EEMD和最小二乘支持向量机的滚动轴承故障诊断方法研究[D].长春工业 大学,2016.[11]徐继亚.电机轴承的智能故障诊断与性能退化趋势预测[D].江南大学,2018.[12]韩捷,王宏超,陈宏,巩晓赟,王植申.滚动轴承故障的全矢小波分析[J].轴 承,2011(03):45-47.[13]邓飞跃.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.Afusionfeatureanditsimprovementbasedon localitypreservingprojectionsforrollingelementbearingfault classification[J].JournalofSoundandVibration,2015,335:367-383.[15]屈梁生,张西宁,沈玉娣.机械故障诊断理论与方法[M].西安交通大学出版社,2009.[16]徐明林.基于小波降噪和经验模态分解的滚动轴承故障诊断[D].哈尔滨工业大 学,2013.[17]赵怀山.基于时频分析的滚动轴承故障诊断方法研究[D].[18]王振华.基于ESMD和SVM的滚动轴承故障诊断研究[D].2018.[19]Kilundu,X.Chiementin,J.CyclostationarityofAcousticEmissions(AE)for monitoringbearingdefects[J].MechanicalSystemsandSignalProcessing,2011,25: 2061-2072.[20]Carrasco,B.Charnley.TheapplicationofspectralkurtosisonAcousticEmission andvibrationsfromadefectivebearing[J].MechanicalSystemsandSignal Processing,2011,25:266-284.[21]Tchakoua,R.Wamkeue,M.Ouhrouche,etal.WindTurbineConditionMonitoring: State-of-the-ArtReview,NewTrends,andFutureChallenges[J].Energies,2014,7: 2595-2630.[22]Kharche,SV.Kshirsagar.ReviewofFaultDetectioninRollingElement Bearing[J].InternationalJournalofInnovativeResearchinAdvanced Engineering,2014,1(5):2349-2163.[23]Sun,H.Windturbinefaultdetectionusingmultiwaveletdenoisingwiththe data-drivenblockthreshold[J].AppliedAcoustics,2014,77:122-129.[24]Ming,W.Zhang,ZY.Envelopecalculationofthemulticomponentsignalandits applicationtothedeterministiccomponentcancellationinbearingfault diagnosis.MechanicalSystemsandSignalProcessing.2015,50-51:70-100.[25]Zimroz,W.Bartelmus,T.Barszcz,etal.Diagnosticsofbearingsinpresenceof strongoperatingconditionsnon-stationarity-Aprocedureofload-dependent featuresprocessingwithapplicationtowindturbinebearings.Mechanical SystemsandSignalProcessing,2014,46(1):16-27.[26]栗蕴琦.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[D].[27]姜凯华,李东辉.基于分形学的故障诊断文献综述[J].变频器世界,2016(6):69-71.[28]Jayaswal,B.Agrawal.NewTrendsInWindTurbineConditionMonitoring System[J].InternationalJournalofEmergingTrendsinEngineeringand Development,2011,3(1):133-48.[29]Gabor,D.Theoryofcommunication[J].ElectricalEngineers-PartI: General,JournaloftheInstitution