基于粒子群优化的形态滤波方法的铁路车辆轴承故障诊断

文摘

随着高速铁路的快速发展,铁路车辆故障诊断已成为越来越重要,以确保操作安全。曼氏金融是一种非线性信号处理方法,可以提取调制信号通过重塑分析错误的信息。然而,运营商和结构元素的选择(SE)纷繁确定最佳曼氏金融解决方案不同的轴承故障信号。本文介绍了粒子群优化(PSO)优化MF几个古典MF运营商之间的影响和不同SE参数。该方法应用算法来选择最好的结果对曼氏金融适应度函数采用峰度。一组轴承与额外的干扰信号分析了轮轨兴奋来验证该方法的有效性。结果表明,该方法能够获得优化的解决方案,准确地提取故障信息。此外,轴转动频率和轮轨干扰减少了该方法。

1。介绍

近年来,随着高速铁路的迅速发展,世界各地,各种各样的铁路事故的发生不断增加(1]。铁路车辆的失败往往造成巨大的人员伤亡和经济损失。因此,铁路车辆的安全得到了越来越多的注意力从政府、产业和学术界。轴箱轴承,支持车辆的重量和遭受各种负载从车轮转向架的设置或其他组件,是一个关键的滚动组件保证铁路车辆的安全操作(2]。因此,轴箱轴承的故障诊断是至关重要的操作安全的铁路车辆(3]。振动信号通常应用于旋转机械故障诊断,因为它的便利和效率。然而,轴箱轴承的振动测量受到强烈干扰铁路车辆系统中的其他组件,如不规则轨道和车轮缺陷(4]。此外,这种干扰,尤其是轮轨兴奋,通常是占主导地位的轴箱轴承振动信号,这就增加了困难的诊断5]。因此,分析轴箱轴承信号变得有意义和具有挑战性的话题。

到目前为止,有两种流行的使用领域已深入研究在旋转机械故障诊断。一个是提取共振乐队冲动兴奋的地方或机械的分布缺陷,包括经验模态分解(EMD) [6),实证小波变换(易)7),快kurtogram [8),和变分模式分解(VMD) [9]。这种方法的目的是窄频带分析和帮助进一步过程表现的更好。另一种方法,如包络分析(10[],平方包络分析11)、快速光谱相关性(12[],循环平稳分析方法往往较难13),专注于解调或揭示了故障信号模式基于假设冲动兴奋的缺陷通常被认为是作为一个调幅和准周期的信号。

作为替代方法,形态学滤波器(MF)带来了一些近年来讨论轴承故障诊断。形态滤波器实质上是一个非线性信号运营商整合,设计方法和应用数学形态学相关(14]。根据数学形态学理论,分析信号是一组在欧几里得空间。MF被视为一组操作变换的图像分析信号,它提供了一个定量描述的几何特征。MF最初是用于分析二进制和灰度级图像,然后应用在周期信号Nikolaou作为信封式信号处理工具(15]。周期性影响的典型响应模式兴奋通过轴承缺陷包括调幅。由于振动信号的振动振幅对时间,曼氏金融可以视为一个非线性一维信号处理工具。MF的想法是建立一个数据集,称为结构元素(SE),设计形态运营商修改的形状分析信号的周期脉冲激动的旋转机械缺陷可以从分析信号解调(16]。与固定在曼氏金融研究早期,single-scale MF SE参数普遍采用。这种方法受到一些短缺,包括先验知识的要求和不完整的脉冲特征提取(17]。之后,为了提高MF的性能,介绍了多尺度的MF概念的基础上从MF结果与各种SE参数优化。几个研究应用MF运营商方法的各种类型轴承故障诊断(18- - - - - -20.),但看来不同的曼氏金融运营商将产生不同的影响在不同的轴承振动信号由于各种干扰噪声。此外,建设本身是另一个重要因素影响MF的性能。是复杂和耗时的同时选择最优物流运营商和SE在应用MF新轴承故障信号。

因此,一种新的方法结合MF和优化方法称为粒子群优化(PSO)算法。PSO是一个流行的优化算法(21- - - - - -23),发现最优解通过一组独立的个体之间的信息共享。算法已广泛地应用在许多领域尤其是在高维优化问题(24]。运用PSO在MF,选择最优曼氏金融运营商和SE参数可能更适用,更少的时间消耗。该方法的思想是建立一个选择方案,整体考虑众多运营商的性能和选择最好的曼氏金融运营商和SE轴承信号中提取最优故障模式。此外,验证该方法的有效性,几个测量轴承故障信号具有较强的干扰进行了分析。

本文的剩余内容组织如下:曼氏金融的原则和PSO只是召回部分2;介绍了该方法的细节和过程3;模拟信号分析方法的部分4;然后,一些轴箱的振动信号提供了铁路车辆来验证该方法的有效性;最后,总结是在最后一节。

2。理论背景

2.1。形态滤波器

形态滤波是一个纯粹的基于时间的和非线性的信号处理方法,修改的形状分析信号通过与结构元素的交互(SE)。曼氏金融操作符是影响过滤性能的关键因素之一,而指定SE和分析信号之间的交互模式。对于一维信号,两个非常基本的曼氏金融运营商被称为膨胀和侵蚀。让是一个原始的一维信号域范围 ,和一个SE表示在域 。扩张的表达式和侵蚀制定如下: 在哪里和和和分别表示膨胀和腐蚀。基于以上两个操作,另一个两个基本操作符,称为开启和关闭,进一步明确如下: 在哪里和和代表分别打开和关闭。曼氏金融的基本操作包括上面的四个运营商。然而,很明显,MF不能完全满足非线性信号的要求只有应用这些基本操作符。因此,越来越多的运营商提出延长MF的灵活性,并且在这篇文章中,一些经典的曼氏金融运营商,已普遍使用,收集和列在表中1(25,26]。为了简单,只有名字和这些操作符的表达式。

另一方面,SE的角色作为一个几何探测器匹配和统一的形状分析的信号。根据上述运算符表达式,MF的结果还取决于本身的建设。所需的波形,可以提炼出正确的只有当SE的形状和大小与分析信号。因此,参数,包括形状、长度和高度在一维信号的情况下,果断的MF的性能。

最常用的SE是平坦和三角形的形状为一维信号。建设这些SEs表所示2和3。显然,长度会影响建筑的平面和三角形SEs,而高度是另一个重要的参数来构造一个三角形SE。

2.2。粒子群优化

粒子群优化(PSO)是一种流行的全局优化算法,它的灵感来自于社会活动的鸟类的觅食。算法建立一组文章两个属性命名的位置和速度,代表粒子的方向和速度分别独立运动。同时,每个粒子迭代地探索自己的搜索域内最优解和股票与其他粒子个体最优位置在每个迭代中水平。根据收集的信息从粒子,当前最优位置和速度将被更新并反馈给相应的粒子。算法的详细流程介绍如下:

步骤1。用随机初始化一群粒子位置和速度。然后,计算每个粒子的初始健身价值。

步骤2。记录初始位置为当前最优位置的粒子和粒子之间的最佳位置的全局最优位置。个体最优位置被标记为在哪里表示粒子;和全局最优位置记录 。

步骤3。根据当前个体最优位置和全局最优位置,速度更新每个粒子的表明迭代的数量。更新之前定义的模式如下: 在哪里是称为惯性因素,和学习因素,和随机数字值在[0,1]。

步骤4。在获得更新的速度 ,粒子的位置调整如下:

第5步。计算适应度值和比较值前的水平。然后,更新和根据粒子与最好的健身价值。

步骤6。重复步骤3到步骤5,直到健身价值感到满意或迭代满足限制水平。

3所示。基于粒子群优化的形态滤波器

算法的优化能力优越,MF的选择算子和SE可以转换为参数优化问题。因此,基于粒子群优化的形态学滤波器(名为PSO-MF本文为简单起见)提出了。引入PSO-MF程序之前,一些考虑的结合PSO和MF应该解释道。

首先,考虑脉冲之间的时间差兴奋的轴承缺陷相对较短,特别是在高度运作(即速度。、高轴转速),足够长度的半圆形SE可能性高覆盖多个缺陷的冲动;因此,半圆的形状是不适合我们的情况。SE相似三角形的平面SE当高度接近或等于零;因此,三角形SE的形式被应用于该方法这两种形状的SE可以考虑。

其次,原始算法的位置不能代表运营商,同时SE长度和SE高度,所以PSO的维度定义为类型的运营商,这样每个维度对应是曼氏金融运营商之一。此外,一个粒子的位置在PSO-MF包含两个参数本身的高度和长度的不同领域,分别。

第三,考虑到周期性和pseudostationarity轴承故障信号的峰度,已广泛应用于轴承诊断,应用PSO-MF的健身价值的指数。峰度是一个指数来反映数据集的分布特征(27]。一般来说,较高的峰度值,信号被认为是携带更多的期刊信息处理方面的轴承信号(28]。

根据上面的讨论中,PSO-MF程序定义如下:

步骤1。构建多维粒子群。每个维度表示为曼氏金融运营商 在哪里表示维度(即。操作符),代表相应的曼氏金融运营商, SE的高度吗和长度的 ,在这T是两个脉冲之间的理论滞后兴奋的轴承缺陷。

步骤2。每个粒子的随机属性的值;然后,计算初始健身价值根据峰度制定以下方程: 在哪里显示数据集的平均值。记录每个粒子的初始位置 ,粒子的位置和最大峰度在每个维度记录 ,在哪里和表明群体大小。摘要群大小指定为20。

步骤3。介绍和在方程(3)获得一个新的更新粒子速度的模式如下: 和更新每个粒子的位置: 在哪里在这在该方法是迭代次数,价值100。此外,学习因素和惯性因子主要算法的计算成本,但PSO-MF的对最终结果的影响是有限的。该方法的参数值按照选择的文献[29日),和 。

步骤4。曼氏金融操作的峰度计算每个粒子,然后比较值前的水平。更新和根据粒子的最大峰度。

第5步。后重复步骤3和4,直到迭代满足限制,将获得每个维度的最佳解决方案。选择尺寸与最大峰度PSO-MF的最终输出。

步骤6。应用选择算子和SE PSO-MF轴承故障信号,然后观察其波形或频谱如果必要的。
为了使该方法的更清楚的了解,PSO-MF的流程图如图所示1。

4所示。模拟

旋转机械的实际系统通常遭受各种已知或未知的干扰导致很多信号组件不能解释。因此,模拟轴承故障振动信号是首先构建来验证PSO-MF与某些信号组件的有效性。模拟信号表示如下: 在哪里代表一个shaft-rotational干扰传播从轮轨兴奋,和形成冲动兴奋的一个外环缺陷在不同的共振频率,然后呢是一个白色的高斯白噪声,限幅的比例−5分贝。的制定是单个自由度的脉冲响应:质-弹 在哪里表明脉冲的振幅,结构阻尼系数,表示共振频率的脉冲,代表的单位阶跃响应。的共振频率 , ,和设置为500 Hz, 2000 Hz, 3500 Hz,分别和轴旋转和外圈故障的频率是10.29赫兹和83.33赫兹。此外,10 dB中分别添加的轻微的声音 , ,和的干扰信号收集系统。图2阐述了波形的 , ,和 ,的振幅作为最大的自脉冲分配的轮轨通常占主导地位。

波形、频谱和包络谱描绘在图3。轮轨的冲动兴奋可以找到明显的波形。然而,冲动的轴承缺陷模糊。通过观察信封,轴旋转和其相应的谐波的频率是显性的,而故障频率及其2^nd4^th阶谐波的干扰下能被探测到的轴旋转和噪音。

PSO-MF应用到模拟信号后,每个操作符的SE优化参数得到的输出操作符计算根据方程(6)。表4列出了运营商的峰度。操作员(在这种情况下,蓝芽)和运营商之间最高的峰态被认为是最优的解决方案。自曼氏金融业务计划的不同,我们只收集了16个典型运营商该方法。

收集到的经营者的最优结果分别如图所示4。根据图4蓝芽,六个操作(包括毫克、DIF,加盖,GCO&OC,和MGPO)能够检测的故障特征频率的性能。别人有很强的干扰或未能揭示故障频率。在这个模拟的案例中,该方法选择的运营商是蓝芽,这是最好的执行运营商之一,有效地提取故障频率及其谐波。

在这个模拟的案例中,PSO-MF的输出是表现最好的运营商之一。它初步证明该方法有效地选择最好的解决方案在几个运营商和相应的SE(某些运营商以同样的性能可能共存,但它不需要完全认出他们)。为了进一步证明该方法的性能,一组测量数据被用于下一章。

5。实验:轴箱轴承的故障诊断

本文的实验是由西南交通大学进行了钻井平台上运行(SWJTU)和CRRC公司。试验装置如图5(a)轴箱支持测试轮设置在操作和被迫由静载荷。加速器是安装在轴箱的表面,如图5(b)两种类型的轴承缺陷,包括外环和滚动体故障,手动是数据的证明5(c)和5(d)。铁路车辆轴承的类型通常是采用双列圆锥滚子轴承;因此,内套错很难没有严重损伤轴承。另外,内套错误的数据由凯斯西储大学(CWRU)被应用于我们的实验数据集已被广泛研究和试验装置的细节可以从(称为30.,31日])。此外,试验台的振动环境比实际操作更简单,而进行的一个实验有缺陷的轴承在实际操作是危险的乘客和非常昂贵。或者,一组正常数据,测量的轴箱CRH车辆在实际操作过程中,添加了试验台数据作为有色噪声从轮轨系统。信号的采样频率从CWRU 12 kHz,尽管SWJTU的信号和实际操作都是由10千赫采样。信号从CWRU downsampled 10 kHz时合成星型套断层和实际操作信号。

外环的特征频率的理论计算,内座圈和滚动体表示如下(32]: 在哪里轴旋转频率和吗 , , ,和表明辊数量,辊直径、节圆直径,分别和接触角。工作状态和相应的故障频率表中列出5。注意,内套的速度是一个近似的速度根据车轮直径比从SWJTU信号。

在接下来的实验情况下,所有运营商的频率谱将作证的有效性提出了选择方案。此外,三种流行的诊断方法,包括包络分析(EA)、增强包络谱(ee)和自相关谱(AC),应用于与该方法的性能。

5.1。外环的情况下错

第一个实验是利用收集到的数据从轴承外环的错。收集的数据从实际操作(称为操作信号本文简洁)从数据分段均匀大约78 km / h的速度匹配的速度测试平台(由于试验条件的限制,速度是最近似均匀速度100公里/小时)。图6演示了操作的波形信号,测试数据,合成信号,其相应的频谱。有一个占主导地位的50赫兹频率图6(d)称为电源频率。此外,三个就能大致地观察到的低频共振乐队乐队似乎更占主导地位。

应用PSO-MF合成数据后,每个经营者的最优解的峰度是获得并记录如表所示6。PSO-MF在这种情况下的输出是蓝芽。过滤后的信号的频率谱图中演示了7。大多数运营商未能提取故障频率除了毫克,DIF,蓝芽和搭配。MG和蓝芽有最好的信封性能的证据清晰谐波频率。之间的更好的性能评估是无限期MG和蓝芽的相对振幅1^圣谐波的蓝芽是略高于毫克;然而,MG是相对较低的干扰噪声。因此,蓝芽MG的表演,被认为是相等的。

最优解决方案通过PSO-MF收购后,光谱,如图8,其他的信号处理方法进行了上面提到的。包络谱图所示8 (b),其中故障频率的谐波是模糊的。增强的包络谱和自相关谱比包络谱有更好的性能,因为越明显的谐波和启示的4^th谐波。PSO-MF的结果无疑是最好的提取故障信息的清晰和足够的检测故障频率和其相应的谐波。因此,在这种情况下,PSO-MF证明实现故障信息更准确和有效地与其他三种方法进行比较。

5.2。滚动体故障的情况

滚动的数据元素被PSO-MF其次分析。操作的速度信号是58公里/小时的速度尽可能的测试平台。操作的波形信号,测试数据和合成数据进行描述,如图9(一)-9(c),合成信号的频谱图所示9(d)遭受相同的功率频率干扰外环故障信号。利用PSO-MF故障信号后,每个维度表中列出的峰度值7。最高的运营商峰度是蓝芽,蓝色的阴影。

曼氏金融操作的光谱如图10。滚动元素旋转轴承罩在轴承的旋转操作,和滚动体缺陷的频率由轴承罩的频率调制。轴承罩的频率通常是远低于滚动体的频率;因此,滚动体的频谱的频率由家庭通常表现为故障频率和转动频率的频率间隔的笼子里。根据图10有效的运营商MG DIF,蓝芽,加盖红点的圆圈表示的频率家庭滚动体故障。在这些运营商中,加盖略比其他有效的性能运营商因为一些故障频率家庭相对模糊。选择PSO-MF(蓝芽)是well-performed运营商之一,这验证了该优化方案的有效性。

图10显示了PSO-MF的光谱,信封,加强信封,和自相关。的光谱PSO-MF放大如图(11日)红色矩形表示轴承罩的频率。注意,滚动体通过频率的谐波出现双滚动体缺陷产生以来的理论频率两个脉冲的影响内外旋转在一个时期。很明显,信封,增强的包络谱和自相关频谱未能识别的模式下的滚动体缺陷大量干扰电源频率和轮轨兴奋。

5.3。内套的情况下错

第三个病例是CWRU内套的数据。操作信号的速度是246公里/小时。波形如图12自干扰测试数据极低,和操作信号的振幅调整是压倒性的。合成数据的光谱图所示12(d)。

处理PSO-MF故障信号后,收集运营商获得的峰度值如表所示8。在这种情况下的输出PSO-MF是搭配的。相应的优化每个操作符的输出如图13,红色三角形指示转动频率的频率调制。它可以发现毫克,DIF,蓝芽,加盖,G_CO&OC能够揭示了内圈故障模式。PSO-WTH的输出是搭配,最充分的模式与清晰的特性和调制频率。

进一步比较在EA、ee和AC如图14。图(14日)显示的放大输出的频谱PSO-MF,和内套频率及其谐波能清晰观察。此外,由于内套缺陷与轴旋转,旋转频率调制的轴旋转,周围出现故障频率间隔的轴旋转频率,由PSO-MF明显暴露。相反,信封,增强包络谱和自相关谱不能实现故障信息的强烈干扰下操作信号。

6。讨论

6.1。收集到的运营商的选择和性能

迄今为止,SE的运营商和形状不同的提议,在许多研究证实,使所有操作符的完整集合变得非常困难和费时。该方法的目的是建立一个解决方案为每个特定的信号选择问题;因此,只有选择一些典型的运营商。是可以接受和适用于添加一些新兴运营商进入该方法可能希望提高曼氏金融的影响。声称的介绍,不同的运营商可能适合不同类型的信号,所有故障信号的最佳运营商几乎不存在。在我们的案例中,一些运营商(如形态学梯度,黑色的上流社会的,白色的上流社会的,和差分滤波器)稳定有效,一些运营商(CO&OC梯度和形态学梯度产品操作)主要功能虽然一些运营商不工作的数据。注意,输出如图4,7,10,13不足以判断这些算子的性能但只有支持PSO-MF在处理不同的轴承故障信号。

6.2。操作的阶段和速度信号

有一些约束的现场试验操作车辆,统一的操作速度是很难完全匹配的速度测试平台。不同的速度会造成信号的相位差与有限的长度。然而,根据我们的实验分析,干预的操作信号并不能消除轴承故障的模式,但只有提高了诊断的困难。考虑到相位差,操作信号包含轮轨兴奋被添加为一组彩色噪声;因此,相应的操作信号的分析被忽略,这样故障模式的启示可以更突出。

7所示。结论

本文改进形态学滤波器的性能在铁路车辆轴承诊断缺陷,提出了基于粒子群优化的形态滤波器。该方法的主要思想是首先设置多个维度代表一些典型运营商和搜索最优解的每个维度的索引峰度,然后选择最好的解决方案在不同的维度。选择方案和诊断性能验证了一组轴承故障信号的分析加上轮轨干扰。可以在PSO-MF找到一些特征。首先,优化方案能够选择最佳的解决方案(或最好的解决方案之一)收集到的运营商之一。其次,通过应用峰度作为适应度函数,优化解决方案的MF减少轴旋转的干扰或轮轨兴奋。第三,PSO-MF拥有先进的故障诊断性能情况下沉重的有色噪声。尽管PSO-MF对轴承的性能诊断的铁路车辆很好,还有很多需要改进的地方。只有SE扁平的形状和三角形被认为是在该方法,和更多的形状变异可以被认为是在未来的工作。PSO-MF是耗时的计算; the improvement of the calculation speed of PSO will largely enhance the efficiency of PSO-MF. With the continuous collection of operators, it will be interesting to compare with as many operators as possible when analyzing the bearing fault signal.

数据可用性

本文使用两个数据集:一个从SWJTU进行CRRC是保密的;另一个数据集是CWRU开放,并给出网站下载数据的引用。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由科学技术部的中华人民共和国在下列资金项目:中国国家重点研究和发展规划先进轨道交通(批准号2017 yfb1201004)。

引用

1. 林黄c . j . j .叮,y黄”小说集成CEEMDAN轮对轴承故障诊断方法,定期细分矩阵,和圣言,“冲击和振动卷,2018篇文章ID 1382726, 18页,2018年。视图:出版商的网站|谷歌学术搜索
2. 黄y . j .林、刘z和w·吴”修改后的尺度空间引导变分模态分解为高速铁路轴承故障诊断”杂志的声音和振动卷,444年,第234 - 216页,2019年。视图:出版商的网站|谷歌学术搜索
3. j .叮”轮对轴承的故障检测高速列车使用冲击响应卷积sparse-coding技术,”测量卷,117年,第124 - 108页,2018年。视图:出版商的网站|谷歌学术搜索
4. l .徐和w·翟”小说模式确定跟踪的amplitude-wavelength限制违规行为伴随着铁路vehicle-track动态可靠性评估,”机械系统和信号处理卷,86年,第277 - 260页,2017年。视图:出版商的网站|谷歌学术搜索
5. l .徐w .翟,j .高,“全球vehicle-track交互灵敏度分析:特别注意追踪违规行为,”计算和非线性动力学杂志》上,13卷,不。第三条ID 031007, 2018。视图:出版商的网站|谷歌学术搜索
6. h .赵,m .太阳,w·邓,x,“一种新的特征提取方法基于EEMD电动机轴承和多尺度模糊熵,”熵,19卷,不。1,2017。视图:谷歌学术搜索
7. j . z . Liu叮,j·林和y黄”滚动轴承故障diagnosis-optimized经验小波变换尺度空间表示,“冲击和振动卷,2018篇文章ID 2749689, 22页,2018年。视图:出版商的网站|谷歌学术搜索
8. kurtogram的j·安东尼,“快速计算瞬态故障的检测,“机械系统和信号处理,21卷,不。1,第124 - 108页,2007。视图:出版商的网站|谷歌学术搜索
9. w . s .陈董x, z Peng,和g .孟”非线性啁啾模式分解:变分法”,IEEE信号处理,卷65,不。22日,第6037 - 6024页,2017年。视图:出版商的网站|谷歌学术搜索
10. w·杜,x, z . Wang l . Wang和g·罗,“最优货币选择基于包络分析柱塞泵的轴承故障诊断”冲击和振动卷,2016篇文章ID 1248626、8页,2016。视图:出版商的网站|谷歌学术搜索
11. y l . Li崔,r·陈,x,“最佳SES选择基于奇异值分解和初期的轴承故障诊断中的应用,”冲击和振动ID 8067416条,卷。2018年,13页,2018。视图:出版商的网站|谷歌学术搜索
12. sncf的g . j .鑫,n . Hamzaoui“快速计算光谱的相关性,”机械系统和信号处理卷,92年,第277 - 248页,2017年。视图:出版商的网站|谷歌学术搜索
13. z冯和f·楚”,周期平稳分析齿轮箱和轴承故障诊断冲击和振动文章ID 542472卷,2015年,12页,2015。视图:出版商的网站|谷歌学术搜索
14. p . Maragos和r·谢弗,”形态filters-Part我:集论的分析和关系线性移不变的过滤器,”IEEE声学,演讲,和信号处理,35卷,不。8,1153 - 1169年,1987页。视图:谷歌学术搜索
15. n . g . Nlkolaou和中情局Antoniadis”,应用形态运营商作为冲动型周期信号的包络提取器,”机械系统和信号处理,17卷,不。6,1147 - 1162年,2003页。视图:出版商的网站|谷歌学术搜索
16. f·迈耶和p . Maragos非线性尺度空间与形态水准表示,“杂志的视觉传达和图像表示,11卷,不。2、245 - 265年,2000页。视图:出版商的网站|谷歌学术搜索
17. c·李和m .梁连续量表数学morphology-based脉冲特性的最优规模的乐队解调轴承缺陷诊断,”杂志的声音和振动,卷331,不。26日,第5879 - 5864页,2012年。视图:出版商的网站|谷歌学术搜索
18. 李y、x梁和m . j .左“对角切片谱辅助最佳规模形态滤波器对滚动轴承故障诊断,”机械系统和信号处理卷,85年,第161 - 146页,2017年。视图:出版商的网站|谷歌学术搜索
19. l .孟j .香y中,w .歌曲,“滚动轴承的故障诊断基于第二代小波去噪和形态滤波器,”机械科学与技术杂志》上卷,29号8,3121 - 3129年,2015页。视图:出版商的网站|谷歌学术搜索
20. l .孟j ., y, y江,和h高,“使用形态filter-translation不变的小波混合故障诊断方法和改进的整体经验模态分解,“机械系统和信号处理50-51卷,第115 - 101页,2015年。视图:出版商的网站|谷歌学术搜索
21. h .赵j .郑、j .徐和w·邓“基于主成分分析的故障诊断方法和广泛的学习系统,”IEEE访问7卷,第99272 - 99263页,2019年。视图:出版商的网站|谷歌学术搜索
22. w·邓、j .徐和h .赵”一种改进的基于混合策略的蚁群优化算法的调度问题,“IEEE访问7卷,第20292 - 20281页,2019年。视图:出版商的网站|谷歌学术搜索
23. w·邓h .赵l .邹g . Li x,和d . Wu”小说协作优化算法在解决复杂的优化问题,“软计算,21卷,不。15日,第4398 - 4387页,2017年。视图:出版商的网站|谷歌学术搜索
24. w·邓h .赵x, j .熊m .太阳,和b·李,“研究一种改进的自适应PSO算法求解多目标门任务,”应用软计算59卷,第302 - 288页,2017年。视图:出版商的网站|谷歌学术搜索
25. 李y . m . j .左y . Chen和k .冯”一个增强的形态学梯度产品为轴承故障检测滤波器,”机械系统和信号处理卷,109年,第184 - 166页,2018年。视图:出版商的网站|谷歌学术搜索
26. g . j . Wang徐、张问:和l .梁”的应用改进的形态学滤波器脉冲衰减信号的提取,”机械系统和信号处理,23卷,不。1,第245 - 236页,2009。视图:出版商的网站|谷歌学术搜索
27. 人工智能n .出版社,“谱峰度 :应用旋转机械的振动监测和诊断,”机械系统和信号处理,20卷,不。2、308 - 331年,2006页。视图:谷歌学术搜索
28. w·a·史密斯,z粉丝,z, h·李和r·b·兰德尔”优化谱峰度为轴承诊断电磁干扰下,“机械系统和信号处理卷,75年,第394 - 371页,2016年。视图:出版商的网站|谷歌学术搜索
29. y程:周、w . Zhang和z . Wang“应用一种改进的最小熵反褶积的铁路滚动轴承故障诊断的方法,”杂志的声音和振动卷。425年,69年53 - 2018页。视图:出版商的网站|谷歌学术搜索
30. 凯斯西储大学轴承数据中心网站,http://csegroups.case.edu/bearingdatacenter/home。
31. w·a·史密斯和r·b·兰德尔“滚动轴承诊断使用凯斯西储大学的数据:一个基准研究,“机械系统和信号处理卷,64 - 65,100 - 131年,2015页。视图:出版商的网站|谷歌学术搜索
32. p .短评和j·d·史密斯,”模型振动产生的单点缺陷在滚动轴承,”杂志的声音和振动,卷96,不。1,第82 - 69页,1984。视图:出版商的网站|谷歌学术搜索

版权

版权©2019燕黄等。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。