時(shí)間：所屬分類：學(xué)術(shù)成果常識(shí)瀏覽：1次
軸承故障診斷領(lǐng)域是從事機(jī)械故障診斷維修等人員研究的重點(diǎn)方向，也是很多作者參與職稱評(píng)定撰寫論文的重要選題之一。下面本文給大家篩選了幾篇學(xué)術(shù)價(jià)值比較高的相關(guān)學(xué)術(shù)文獻(xiàn)分享給大家，希望對(duì)大家撰寫論文有一定幫助。
軸承故障診斷領(lǐng)域?qū)W術(shù)文獻(xiàn)一、基于改進(jìn)MOMEDA的變轉(zhuǎn)速滾動(dòng)軸承故障診斷
摘要：多點(diǎn)最優(yōu)最小熵解卷積調(diào)整(MOMEDA)方法作為一種非迭代解卷積算法已廣泛應(yīng)用于旋轉(zhuǎn)機(jī)械故障特征提取和診斷。然而設(shè)備實(shí)際運(yùn)行工況復(fù)雜多變，無(wú)法滿足MOMEDA需要準(zhǔn)確先驗(yàn)周期的要求。針對(duì)上述問(wèn)題，提出了一種基于MOMEDA的改進(jìn)方法。該方法根據(jù)脈沖在角度域的等角度分布特性，計(jì)算故障脈沖的時(shí)域間隔，消除了變轉(zhuǎn)速的影響。本文通過(guò)包絡(luò)諧波強(qiáng)度進(jìn)一步突出了信號(hào)的準(zhǔn)確循環(huán)調(diào)制階次。軸承仿真信號(hào)和實(shí)驗(yàn)結(jié)果表明，該方法在變轉(zhuǎn)速情況下仍能實(shí)現(xiàn)滾動(dòng)軸承故障脈沖的準(zhǔn)確提取。
出處：《軸承》2022-08-23，頁(yè)數(shù)：8，作者：許偉
基金資助：上海市信息化發(fā)展專項(xiàng)資金資助項(xiàng)目(編號(hào)：201901028)
軸承故障診斷領(lǐng)域?qū)W術(shù)文獻(xiàn)二、麻雀算法參數(shù)優(yōu)化VMD聯(lián)合K-SVD滾動(dòng)軸承故障診斷
摘要：針對(duì)經(jīng)典K-均值奇異值分解(K-means Singular Value Decomposition,K-SVD)易受噪聲干擾產(chǎn)生虛假原子，導(dǎo)致信號(hào)稀疏不徹底、故障特征識(shí)別困難的問(wèn)題，提出基于麻雀算法優(yōu)化變分模態(tài)分解(Variational Modal Decomposition,VMD)參數(shù)聯(lián)合K-SVD的滾動(dòng)軸承故障診斷方法。首先引入包絡(luò)熵適應(yīng)度函數(shù)指標(biāo)并基于麻雀算法優(yōu)化VMD的模態(tài)層數(shù)k和平衡因子α。其次利用平方包絡(luò)譜峭度指標(biāo)遴選最優(yōu)模態(tài)，以所選模態(tài)分量相空間構(gòu)造Hankel矩陣進(jìn)行K-SVD字典學(xué)習(xí)。最后對(duì)恢復(fù)至?xí)r間序列的稀疏重構(gòu)信號(hào)進(jìn)行包絡(luò)解調(diào)，提取軸承故障特征頻率。通過(guò)軸承故障仿真信號(hào)和全壽命實(shí)驗(yàn)信號(hào)進(jìn)行驗(yàn)證，證明相較于經(jīng)典K-SVD算法，所提方法在低信噪比條件下在軸承故障特征提取方面具有優(yōu)勢(shì)，有一定的工程應(yīng)用價(jià)值。
出處：《噪聲與振動(dòng)控制》2022-08-18，頁(yè)數(shù)：7，作者：褚惟; 王貴勇; 劉韜; 王振亞
基金資助：云南省重大科技專項(xiàng)計(jì)劃資助項(xiàng)目(202102AC080002); 國(guó)家自然科學(xué)基金資助項(xiàng)目(52065030);
軸承故障診斷領(lǐng)域?qū)W術(shù)文獻(xiàn)三、基于屬性描述的零樣本滾動(dòng)軸承故障診斷
摘要：數(shù)據(jù)驅(qū)動(dòng)方式是對(duì)故障診斷模型進(jìn)行訓(xùn)練的主要方法，然而因?yàn)闄C(jī)器運(yùn)轉(zhuǎn)環(huán)境復(fù)雜，沒(méi)有可用的目標(biāo)故障樣本供模型訓(xùn)練而導(dǎo)致特征學(xué)習(xí)不充分的情況時(shí)有發(fā)生。針對(duì)這一問(wèn)題，結(jié)合零樣本學(xué)習(xí)(zero-shot learning, ZSL)思想，從屬性描述的角度出發(fā)，提出了一種基于Xception網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)的零樣本滾動(dòng)軸承故障診斷方法，即X-CNN故障診斷模型。X-CNN模型首先使用Xception網(wǎng)絡(luò)對(duì)故障信號(hào)時(shí)頻圖進(jìn)行特征提取;根據(jù)故障類別的屬性描述構(gòu)建屬性矩陣，使用CNN對(duì)提取的特征進(jìn)行屬性學(xué)習(xí);最后通過(guò)屬性矩陣的相似度比較完成診斷工作。通過(guò)零樣本條件下的故障診斷試驗(yàn)，證明了X-CNN故障診斷模型可以在不使用測(cè)試類樣本進(jìn)行訓(xùn)練的情況下完成滾動(dòng)軸承故障診斷工作。
出處：《振動(dòng)與沖擊》2022-08-15，頁(yè)數(shù)：11，作者：趙曉平，呂凱揚(yáng)，邵凡，張中洋
基金資助： 國(guó)家自然科學(xué)基金(51505234;51575283);
學(xué)術(shù)文獻(xiàn)是可以作為參考文獻(xiàn)出現(xiàn)在自己所撰寫的論文中，需要注意是引用的文獻(xiàn)不宜太多，且引用的文獻(xiàn)最好是近幾年且貼合自己論文內(nèi)容的文獻(xiàn)。
