一个新的智能变速条件下旋转机械故障诊断方法,使用红外温度记录

文摘

小说系统框架,基于红外测温术——(红外热成像)方法,对旋转机械故障诊断的非平稳运行条件下提出了。在这个框架中,红外热成像技术首先应用于获得温度记录器。然后,故障特征提取使用bag-of-visual-word (BoVW)红外热成像图像。最后,支持向量机(SVM)是用来自动识别旋转机械的故障模式。了该方法的有效性评估使用实验室实验信号的旋转机械。诊断结果表明,该IRT-based在旋转机械故障分类方法具有一定优势的非平稳运行条件下与传统相比vibration-based方法。

1。介绍

监测健康状况,预测可能的缺点可以旋转机械安全操作的重要性。为了达到这个目的,振动信号是最常用的信号资源和最广泛应用的方法1- - - - - -7]。最近的进展vibration-based故障诊断可以从裁判了。8- - - - - -11]。然而,vibration-based方法面临挑战时,旋转机械变速条件下运行(12- - - - - -14因为获得的振动信号代表复杂的非平稳特征,如调频、调幅、和相位调制,导致故障频率检测的困难。此外,它是不允许安装振动传感器在机械由于成本、环境和空间限制(15]。为了克服这些缺陷,最可行的方式是找到替代信号源实现旋转机械的健康监测器。

快速测量和仪器的先进技术发展故障诊断带来便利。如今,各种传感器开发了在故障诊断领域,包括声学传感器(9,16),声发射传感器(17),电流传感器(18),和旋转编码器15]。然而,这些传感器都有自己的局限性在真实的应用程序9]。因此,另一个信号源,可以避免上述传感器的共同缺陷可能导致一场革命的健康状况监测机械设备非平稳的运行条件下。如今,红外温度记录(红外热成像)技术在故障诊断领域引发了越来越多的关注(9,19- - - - - -22]。IRT-based方法被认为是一种很有前途的非侵入性诊断技术的各种故障,保证安全操作(23]。

温度采集的红外热成像是一种非接触技术,已广泛应用于航空航天(24)、医疗(25),冷冻干燥法(26,文化遗产27),和节能28,29日]。最近的研究也表明,红外热成像图像包含丰富的诊断信息(24,30.,31日]。Glowacz等人利用面积法的选择状态(MoASoS)基于红外热成像图像来识别不同的单相感应电动机定子故障(32]。詹森等人采用三个特性(标准差的温度、基尼系数和光明的时刻)从红外热成像图像中提取故障特征。支持向量机(SVM)是用来自动识别滚动轴承的故障模式(33]。哈里斯的詹森等人提出了一个基于离散小波变换的集成方法,特征选择的工具,使用红外热成像图像和两个分类器(34]。

与传统vibration-based方法相比,IRT-based故障诊断方法主要有一些优势。首先,IRT-based方法easy-of-setup的优点,非接触、不干扰。它不会造成表面损伤的主题作品。第二,IRT-based方法具有高可伸缩性的优势。高清红外热成像摄像机可以同步监视多个对象。然而,几乎一个加速度计可以监控整个大型设备由于长过渡路径的限制。第三个也是最重要的是,红外热成像免疫的影响不稳定运行的操作。然而,vibration-based方法很难处理振动信号与沉重的强烈的噪声,特别是当他们在非平稳的运行条件下工作。此外,先验知识是免费IRT-based故障诊断方法。旋转机械的运作,局部损伤时,会激发产生的高温摩擦。 This would cause that the IRT images represent different characteristics; thereby, the IRT image-based method can be used to diagnose the various faults of rotating machinery.

IRT-based诊断方法有三个阶段:数据采集、特征提取和故障模式识别。其中,成功的关键一步是故障特征提取。摘要bag-of-visual-word (BoVW)是用于故障特征提取(35]。相比之下,vibration-based方法(36],BoVW预先形成更好的故障特征提取。在故障模式识别阶段,需要分类器来识别不同的旋转机械的故障模式。在本文中,一种广泛使用的多类识别方法称为支持向量机(SVM)是采用自动识别不同的健康状况。支持向量机被证明具有良好的性能在解决小样本、非线性分类问题(37,38]。最重要的是,一种新的旋转机械故障诊断方法,基于红外热成像,BoVW,提出了支持向量机。该方法已经被证明是有效的在各种旋转机械的故障诊断。

本文安排如下:在部分2的基本原则BoVW详细描述。支持向量机的理论是召回部分3。节4警报方法用于标识不同的旋转机械故障的类型。最后,部分5结论。我们注意到本文的短会议版本出现在2018年国际会议上传感、诊断,预测和控制39]。最初的会议论文没有解决这一问题的温度波动的红外热成像图像。这手稿解决了这个问题,提供了额外的分析分类精度由不同比例的训练样本。

2。故障特征提取基于Bag-of-Visual-Words (BoVW)

BoVW广泛应用于图像分类。它将图像转换为视觉单词,然后使用直方图来让视觉单词的出现频率的统计。这样的直方图被认为是热图像的特征来区分不同的旋转机械故障。BoVW可以通过两个步骤如下。首先,采用筛选方法获得的视觉单词的选择区域温度记录器。然后,获得的特征可以被编码为一个直方图,使视觉单词的出现频率的统计。图1显示BoVW算法的过程。

2.1。筛选特征提取

因为整个红外热成像图像的每个条件都非常相似,它们不是敏感旋转电机的各种故障。只有少数利益地区近红外热成像图像有用的测试轴承进行故障诊断。正是从热图像中提取特征,筛选提出了分区从整个红外热成像图像兴趣点(40]。筛选的详细描述如下。

在尺度空间的帮助下极端不同的高斯函数(41),它是有效的检测尺度空间稳定的兴趣点的位置。尺度空间 被定义为一个变尺度高斯函数的卷积吗 与原始图像 ,可以表示为哪一个 在哪里代表卷积。 代表一个点的红外热成像图像。

高斯函数 可以写成

通过卷积的尺度空间极端的使用 ,我们可以单独使用乘法指数两个尺度上的差异 ,可以写成 在哪里代表卷积。

当地的极端的函数可以通过准确的定位检测到感兴趣的点。在[方法后42),尺度空间函数的泰勒展开 可以通过情商。4)。

在情商。4),固有的可以作为筛选描述符提取故障信息。在真实的应用程序中,上述过程可以在开放源码进行计算机视觉库(OpenCV)环境。在接下来的研究中,我们设置特征向量的维数为128。

2.2。特征编码和直方图的一代

特征编码之前,代表多个类似的兴趣点称为生成词汇表使用 - - - - - -意味着集群(43]。首先,一组集群是由集群学习每个故障状态的特征提取到一个指定的词汇量的大小。然后,学习中心的集群定义为词汇。在这篇文章中,一组128 -维的向量的筛选功能 是给定的。通过 - - - - - -意味着集群,筛选向量划分为若干个不同, 最小化的星团内方总结错误(SSE),这是为制定 在哪里代表的平均向量 。

请注意,词汇量的大小被设置为1000更好的辨别能力。这个构造的词汇 ,提取的筛选功能是量子化的标签最近集群(44]。因此,一个图像是抽象的频率计数或直方图量化筛选功能 ,在哪里表示的频率视觉单词的图片。

3所示。支持向量机

支持向量机(SVM)已经被广泛接受在学术界和工业由于其良好的性能在解决小样本、非线性分类问题(37,38]。支持向量机是基于结构风险最小化的原则,这是能够找到最优分离超平面;因此,分类问题转化为线性可分的37]。在这项研究中,利用支持向量机来实现模式识别。

一组样本集 ,在哪里样本数据,是样本的类别。寻找最优分离超平面可以写入以下功能和约束在情商。6)。 在哪里表示向量和重量代表偏差向量。

为了保证更高的分类精度,优化问题可以重写使用一个放松的因素 在情商。7)。 在哪里表示惩罚因子和代表偏差向量。

算法的复杂性和分类精度之间的矛盾可以通过调整参数得到缓解 。因此,优化问题可进一步写成 在哪里 和是内积操作。因此,最终的分类结果可以估计一个决策函数在情商。9)。

注意,核函数在支持向量机中起着至关重要的作用;径向基函数(RBF)内核采用本文由于其普遍应用和良好的性能45]。 在哪里 ,和和内核参数。值得注意的是参数,惩罚参数和内核参数支持向量机,通过遗传算法(GA)优化算法为每个多类支持向量机方法。的范围和是设置为(0.1,1000)和(0.001,10)根据文献[46]。

4所示。实验验证

显示了该方法的有效性,我们进行了一系列的实验在实验室实验称为SpectraQuest机械故障模拟器(MFS)。MFS(如图2(一个)和3(一个))由一个驱动电机测试轴承和转子,和数据采集系统。测试轴承MB ER-12K(如图2)。来模拟不同的轴承故障,5故障类型的轴承,包括正常的,球的错(BF),外环故障(ORF),内套断层(IRF)和组合故障(CF)。不平衡状态实现了通过增加重量,显示在图2 (b)。MFS的设置参数表提供1。在实验过程中,热图像收集使用两个热相机鹰- 1384,叫相机1和相机2,如图3(一个)。热的布局摄像头如图3 (b);我们可以发现相机1侧重于局部地区接近测试轴承和相机2是用来扫描整个旋转电机。热成像摄像机的参数设置是列在表中2。加速度计也安装在轴承座的情况下采集的振动信号进行比较的目的。采样频率是12800 hz,转速线性加速从900转到3000转。在实验中,十个健康条件设计,包括正常,男朋友,ORF, CF, IRF、不平衡故障(联合国),外环故障与不平衡故障(ORFUN),内套断层与不平衡故障(IRFUN),结合断层与不平衡故障(CFUN),并与不平衡故障(BFUN)球的错。对于每一个健康状况,我们收集热图像使用两个热相机后变速条件下算法的详细步骤1。

在这个实验中,有100个样本在每个健康的条件。因此,总共有1000个样本。显示的优越性提出IRT-based方法,只有6%的样本在训练过程中使用。剩余的样本用于测试该方法的性能。训练样本和测试样本的详细数据如表所示3。

热图像采集从相机1和相机2在十岁以下健康状况数据所示4和5,分别。然而,很难识别通过直接观察温度记录器的健康状况。这可以归因于这样一个事实:每个健康状况的热图像之间的差异非常小。

首先,采用筛选算法从红外热成像图像中提取故障特征。然后,我们编码功能。最后,获得BoVW特性作为支持向量机分类器的输入自动识别健康状况。本文的两个红外热成像图像利用收购从相机1和相机2 IRT-based验证的方法。分类结果如图6和7,分别。从数据6和7,我们可以看到,没有更进一步的测试样品和使用温度仪的测试精度达到100%获得从相机1,如图6。然而,九个测试样本分类错误的使用摄像头的图像采集2最终测试精度为99.04%。它表明相机1更敏感的各种错误与照相机2进行比较。同时,测试精度使用热图像两个摄像头都超过99.0%,这意味着该IRT-based方法可以有效地分类的十大错误在非平稳的运行条件下旋转机械。

此外,我们调查的分类结果提出IRT-based方法由不同比例的训练样本。我们为每个实验,减少随机性的20倍。那么平均得到训练和测试精度及其相应的使用积极的误差标准差表示。图8说明了诊断结果使用两个摄像头的热图像。我们可以观察到测试精度及其标准差增加训练样本的比例的上升下降。在图8(一个)用摄影机,看到该方法1进行旋转机械的十大健康状况测试精度94.55%使用只有2%的样本进行训练。测试精度达到100% 0站偏差使用训练样本从相机1的比例仅为6%。然而,从图8 (b)可以看出,该方法与照相机2达到100.00%需要20%的样本进行训练。这表明该IRT-based方法与相机相机1执行比2,仍然具有很高的测试精度甚至在缺乏训练样本的情况。

与此同时,我们测试了测试的准确性100%使用交叉验证(CV)方法47]。摘要翻简历方案用于实验时使用相机1培训比例达到6%。实验使用照相机2,10倍的简历计划培训时使用比例达到20%。对于每个简历计划,训练数据集随机分为若干个子集。验证每个子集的支持向量机分类器训练使用另一个子集。重复了几次,SVM的出错率计算的平均错误率获得在每个测试褶皱。结果在表4。我们可以发现,平均训练精度和错误率的相机1 99.88%和0.0010,分别。对于使用照相机2的实验,训练精度和其相应的平均错误率分别为99.91%和0.0012,分别。这验证我们提出的方法具有良好的性能在各种旋转机械的故障识别。

给我们提出IRT-based故障诊断方法的优越性,我们比较该方法与报道vibration-based方法(36]。图9显示时域波形的旋转机械变速条件下。从图9,很难识别波形的健康状况。这可能归因于复杂的动力学响应引起的不同转速(48]。

然后,结合小波能量夏侬熵用于从原始振动信号中提取故障特征和支持向量机用于识别10健康状况。注意,vibration-based方法使用33%的样本训练(36]。使用vibration-based方法分类的结果显示在图中10。可以看出vibration-based方法达到测试准确率79.11%(530/670),这是远低于该IRT-based方法。这表明,该方法可以获得较高的测试精度和较少的训练样本。

显示的优越性在故障特征提取方法,二维和三维预测用于可视化与主成分分析(PCA),如数据绘制11(一)和11分别(b)。从图11可以看出,每组样本的集群使用IRT-based方法和具有明显的边界。然而,在图12,每组样本的边界是模糊的使用vibration-based方法。

5。结论

摘要IRT-based方法开发变速条件下各种旋转机械故障诊断。IRT-based方法已经被证明是有价值的非接触、不干扰,灵敏度高,各种缺点。IRT-based方法的有效性验证了识别十旋转机械故障类型的故障。与传统vibration-based方法相比,实验结果表明,该方法使不同速度的影响,提供了一种替代的方法对旋转机械变速条件下的健康监测。

为未来的调查有两种可能的方向。首先,结合红外热成像图像和振动可能更有效。第二,这个主要研究只是证明了IRT-based方法的有效性。但是,计算效率需要进一步提高。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

支持的研究是国家自然科学基金资助下的中国51805434,部分由中国博士后创新人才计划,中国,在格兰特BX20180257,部分博士后科学基金,中国在2018年授予m641021,和部分重点研究项目,陕西省,在格兰特2019 kw - 017。

引用

1. l . Ciabattoni f . Ferracuti a亦不屑,a . Monteriu”统计光谱分析旋转机械的故障诊断,”IEEE工业电子产品,卷65,不。5,4301 - 4310年,2018页。视图:出版商的网站|谷歌学术搜索
2. 撒母耳和d·j·p·d·松树,”回顾vibration-based直升机传输技术诊断,”杂志的声音和振动,卷282,不。1 - 2、475 - 508年,2005页。视图:出版商的网站|谷歌学术搜索
3. k .梁:秦、黄d傅y,和l .胡“卷积递归神经网络故障诊断的高速列车转向架,”复杂性ID 4501952条,卷。2018年,13页,2018。视图:谷歌学术搜索
4. x梁、m . j .左和z,“齿轮箱的动态建模的缺点:审查。”机械系统和信号处理卷,98年,第876 - 852页,2018年。视图:出版商的网站|谷歌学术搜索
5. w·毛l .他y燕,j .王”在线连续预测轴承不平衡故障诊断的极端的学习机器,”机械系统和信号处理卷,83年,第473 - 450页,2017年。视图:出版商的网站|谷歌学术搜索
6. z z,刘、c .疯和m . Pecht“基于特征的旋转机械故障诊断方法学习的热图像,”IEEE访问7卷,第12359 - 12348页,2019年。视图:出版商的网站|谷歌学术搜索
7. j . x y . Li顾,d .甄m .徐和a .球”评估齿轮箱状态监测用红外热图像应用卷积神经网络,”传感器,19卷,不。9,2205年,页2019。视图:出版商的网站|谷歌学术搜索
8. 陈x, l .彭g . Cheng和c罗,“退化状态识别研究基于多尺度信息维度的行星齿轮SSD和CNN,“复杂性卷。2019年,12页,2019。视图:谷歌学术搜索
9. a . Glowacz和z Glowacz”诊断的三相感应电动机使用热成像,”红外物理与技术,卷81,7 - 16,2017页。视图:出版商的网站|谷歌学术搜索
10. z冯和m . j .左”行星齿轮箱振动信号的故障诊断模型,”杂志的声音和振动,卷331,不。22日,第4939 - 4919页,2012年。视图:出版商的网站|谷歌学术搜索
11. y s . Si x Wang Wei, y,”优化的多尺度排列熵及其应用在复合旋转机械的故障诊断,”熵,21卷,不。2,p。170年,2019年。视图:出版商的网站|谷歌学术搜索
12. w·f·j . Wang Cheng俏,l .曲“多尺度滤波重建对风力发电机齿轮箱故障诊断在调速和嘈杂的情况下,“IEEE工业电子产品,卷65,不。5,4268 - 4278年,2018页。视图:出版商的网站|谷歌学术搜索
13. a . b .明w·张,z .秦,f·楚,“滚动轴承故障特征提取和增强在不同速度条件下,“机械系统和信号处理卷,76 - 77,367 - 379年,2016页。视图:出版商的网站|谷歌学术搜索
14. c . Mishra a . k . Samantaray, g . Chakraborty“滚动轴承缺陷诊断下变速操作通过角同步平均小波de-noised估计,“机械系统和信号处理卷,72 - 73,206 - 222年,2016页。视图:出版商的网站|谷歌学术搜索
15. m .赵和j·林”,使用旋转编码器的旋转机械健康评估,”IEEE工业电子产品,卷65,不。3、2548 - 2556年,2018页。视图:出版商的网站|谷歌学术搜索
16. a . Glowacz”声信号的故障诊断的加载同步电动机使用SMOFS-25-EXPANDED和选择的分类器,”Tehnički Vjesnik,23卷,不。5,1365 - 1372年,2016页。视图:谷歌学术搜索
17. p . a . Delgado-Arredondo d . Morinigo-Sotelo r . a . Osornio-Rios j·g . Avina-Cervantes h . Rostro-Gonzalez和r·d·j . Romero-Troncoso”方法在感应电动机故障检测通过声音和振动信号,”机械系统和信号处理卷,83年,第589 - 568页,2017年。视图:出版商的网站|谷歌学术搜索
18. m . Blodt p•格b存在,g . Rostaing”模型在感应电动机轴承损坏检测使用定子电流监测,“IEEE工业电子产品,55卷,不。4、1813 - 1822年,2008页。视图:出版商的网站|谷歌学术搜索
19. h, s . Sfarra f . Sarasini et al .,“光学和机械激发温度记录basalt-carbon混合纤维增强复合材料,对影响反应”IEEE工业信息,14卷,不。2、514 - 522年,2018页。视图:出版商的网站|谷歌学术搜索
20. m·库希拉和银行业m . m . Gutten”诊断电气设备通过thermovision。”Przeglad Elektrotechniczny卷,87年,第317 - 313页,2011年。视图:谷歌学术搜索
21. j·a·r·Nunez l . m .委拉斯开兹l·a·m·埃尔南德斯r . j . r . Troncoso和r . a . Osornio-Rios”低成本thermographic分析感应电动机轴承故障检测,”科学与工业研究杂志》上,卷75,不。7,412 - 415年,2016页。视图:谷歌学术搜索
22. h, s . Sfarra k Saluja et al .,“非破坏性调查画在画布上的连续波太赫兹成像和flash温度记录,“杂志的无损评价,36卷,不。2,p。2017名。视图:谷歌学术搜索
23. a·g·Garcia-Ramirez l . a . Morales-Hernandez r . a . Osornio-Rios a . Garcia-Perez和r . j . Romero-Troncoso”Thermographic技术补充MCSA在感应电动机故障检测,”21国际会议的程序电子机器,ICEM 2014,页1940 - 1945,德国,2014年9月。视图:谷歌学术搜索
24. f . Ciampa p Mahmoodi、f·平托和m . Meo”最新进展在主动红外热成像无损检测的航空航天部件,“传感器,18卷,不。2,货号。609年,2018年。视图:谷歌学术搜索
25. p . Rathmann c . Chalopin d . Halama p . Giri j . Meixensberger d·林德纳,“动态红外温度记录(污垢)评估皮肤血液灌注的头颅成形术:一个定性的概念与标准视频吲哚菁绿血管造影(ICGA),“国际计算机辅助放射学杂志和手术,13卷,不。3、479 - 490年,2018页。视图:出版商的网站|谷歌学术搜索
26. b . j . Goncalves Lago a . m ., a . a . Machado t . m . Giarola m·e·普拉多和j . v . de Resende“红外(IR)温度记录应用于冷冻干燥凝胶模型的解决方案添加乙醇和航空代理,“《食品工程卷,221年,第87 - 77页,2018年。视图:出版商的网站|谷歌学术搜索
27. y姚明,s . Sfarra s Laguela et al .,“活跃的温度记录测试和数据分析的保护板画,”国际热科学杂志》上卷,126年,第151 - 143页,2018年。视图:出版商的网站|谷歌学术搜索
28. s . Sfarra a . Cicone b . Yousefi c . Ibarra-Castanedo s Perilli x Maldague,“改善建筑热桥通过现场检测的红外温度记录:创新的数学工具的潜力,”能源和建筑卷,182年,第171 - 159页,2019年。视图:出版商的网站|谷歌学术搜索
29. h, s . Sfarra f . Sarasini et al .,“影响造型和后验无损评价甘蔗蔗渣的均匀颗粒板,“杂志的无损评价,37卷,不。1,货号。6、2018。视图:谷歌学术搜索
30. a . Laborda a·罗宾逊,s . Wang y,和p·里德,“疲劳评估的多层涂层使用锁定温度记录,“材料和腐蚀卷,141年,第373 - 361页,2018年。视图:出版商的网站|谷歌学术搜索
31. s . a . Grammatikos e . z . Kordatos t . e . Matikas和a . s . Paipetis”的疲劳反应保税维修航空航天复合材料使用温度记录,“复合结构卷,188年,第469 - 461页,2018年。视图:出版商的网站|谷歌学术搜索
32. a . Glowacz和z Glowacz”,单相感应电动机的定子故障诊断使用热图像,MoASoS选择分类器,”测量卷,93年,第93 - 86页,2016年。视图:出版商的网站|谷歌学术搜索
33. o .詹森,r·舒尔茨诉Slavkovikj et al .,“基于热图像的旋转机械的故障诊断,”红外物理与技术卷,73年,第87 - 78页,2015年。视图:出版商的网站|谷歌学术搜索
34. a·m·d·哈里斯和s。阳,“智能故障诊断旋转机械使用红外热图像,”专家系统与应用程序,39卷,不。2、2082 - 2091年,2012页。视图:出版商的网站|谷歌学术搜索
35. h . k . Suh j . w . Hofstee IJsselmuiden j .和e . j . van Henten“甜菜和土豆志愿者分类使用Bag-of-Visual-Words模型、尺度不变特征变换,或加速健壮的特征描述符和作物行信息,“生物系统工程卷,166年,第226 - 210页,2018年。视图:出版商的网站|谷歌学术搜索
36. h·h·Bafroui和a . Ohadi”应用小波能量和香农熵特征提取的变速箱故障检测在不同速度条件下,“Neurocomputing卷,133年,第445 - 437页,2014年。视图:出版商的网站|谷歌学术搜索
37. h·德鲁克、d .吴和v . n . Vapnik”垃圾邮件分类支持向量机,”IEEE神经网络和学习系统,10卷,不。5,1048 - 1054年,1999页。视图:出版商的网站|谷歌学术搜索
38. v . n . Vapnik和a . y . Chervonenkis”一致收敛的充分必要条件经验意味着他们真正的价值,”Teoriya Veroyatnostei我Ee Primeneniya,26卷,不。3、543 - 563年,1981页。视图:谷歌学术搜索|MathSciNet
39. 李x, Si, y, y,”一个旋转机械的故障诊断方法在变速条件下基于红外温度记录,”学报2018年国际会议上传感、诊断、预测和控制(SDPC)34页,西安,中国,2018年8月。视图:出版商的网站|谷歌学术搜索
40. t . Lindeberg”尺度空间理论:一个基本的工具,分析结构在不同的尺度上,“应用统计学杂志》,21卷,不。1 - 2、225 - 270年,1994页。视图:出版商的网站|谷歌学术搜索
41. d·g·劳”,从当地的扇区特征对象识别,”学报》第七届IEEE计算机视觉国际会议(99年ICCV”),卷2,页1150 - 1157,Ieee, 1999年9月。视图:谷歌学术搜索
42. m·布朗和d·劳“不变的特性从兴趣点组,”2002年英国机器视觉研讨会论文集,第665 - 656页,2002年。视图:出版商的网站|谷歌学术搜索
43. d·亚瑟和s . Vassilvitskii“k - means + +:小心播种的优势,”学报ACM-SIAM研讨会上离散算法,第1035 - 1027页,2007年。视图:谷歌学术搜索|MathSciNet
44. d . nist和h . Stewenius“可伸缩的识别词汇树,”《IEEE计算机学会学报计算机视觉与模式识别会议(CVPR 06年),1卷,第2168 - 2161页,2006年6月。视图:出版商的网站|谷歌学术搜索
45. y . b . Li m .问:徐黄和w·h·r . x Wang“滚动轴承的故障诊断方案基于局部均值分解和改进的多尺度模糊熵,”杂志的声音和振动文章ID 12638卷,360年,第299 - 277页,2016年。视图:出版商的网站|谷歌学术搜索
46. A . Subasi”神经肌肉疾病的诊断决策支持系统使用DWT和进化支持向量机,”信号,图像和视频处理,9卷,不。2、399 - 408年,2015页。视图:出版商的网站|谷歌学术搜索
47. y . b . Li m .问:徐y,和w·h·黄”一种新的滚动轴承故障诊断方法基于多尺度排列熵和基于改进支持向量机的二叉树,”测量卷,77年,第94 - 80页,2016年。视图:出版商的网站|谷歌学术搜索
48. w . Bartelmus和r . Zimroz行星齿轮箱的振动状态监测在不同外部负载下,“机械系统和信号处理,23卷,不。1,第257 - 246页,2009。视图:出版商的网站|谷歌学术搜索

版权

版权©2019 Yongbo李等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。