回顾人工智能状态监测和故障诊断方法对感应电动机滚动轴承

文摘

故障检测与诊断(FDD)以及状态监测(CM)和旋转机械(RM)早期诊断至关重要,以防止严重损坏的基础设施在工业环境中。重要的,有价值的工业设备需要持续的监控来提高安全性、可靠性和可用性和降低维护成本的现代工业系统和应用程序。然而,感应电动机(IM)已广泛应用于一些工业过程,因为它是便宜,可靠和健壮。滚动轴承被认为是我的主要组成部分。毫无疑问,这个基本的组件的任何故障会导致严重的故障IM和整个工业体系。因此,目前很多方法基于不同技术作为故障预测和诊断滚动轴承的IM的元素。此外,这些技术包括信号/图像处理、智能诊断、数据融合、数据挖掘和专家系统对时间和频率以及时频域。人工智能(AI)技术已经证明他们的重要性在每一个领域的数字技术。工业机器、自动化和过程是人工智能的网络边界适应。有非常发达的文献已经接近使用信号和数据处理技术的问题。 However, the key contribution of this work is to present an extensive review of CM and FDD of the IM, especially for rolling elements bearings, based on artificial intelligent (AI) methods. This study highlights the advantages and performance limitations of each method. Finally, challenges and future trends are also highlighted.

1。介绍

许多行业已经采取了若干措施在他们开车去优化可靠性、可用性和安全性降低现代工业系统和应用程序的维护成本,这是至关重要的过程(1,2]。因此,状态维修(CBM)获得了一个重要的角色在一个工业的世界(3,4]。然而,煤层气是早期应用以达到维护决策通过CM收集的数据5]。此外,状态监测(CM)和旋转机械的故障检测和诊断(FDD) (RM) [6,7)最近获得了巨大的关注8,9]。因此,厘米和FDD成为最重要和关键的方面(即工业生活。、系统设计和维护)10]。CM和FDD的主要目的是跟进机械健康和剩余使用寿命(原则)在现代工业机械(11,12]。然而,预测卫生监测)方法是重要保证所需机械的健康状态(13,14]。因此,厘米和FDD帮助,以保证机械设备的健康状态15,16]。图1显示了一个典型的煤层气的主要组件(17]。CM方法分为两组,侵入性和非侵入性的方法。一方面,外来厘米被认为是简单和基本的技术。另一方面,很难实现。为了克服这一挑战,高度使用无创性CM方法现在(18]。

工业系统和应用程序的关键组件(19- - - - - -21),旋转机械,如电机、变速箱、风力涡轮机、发电机,发动机,是至关重要的设备在现代工业应用(22]。这些重要的机器必须高效运行,准确的说,和安全23]。由于这一问题的关键性和重要性,发表了一些分析和研究在过去的几年中,许多不同的方法研究了改善CM和FDD旋转机械(24,25]。一般来说,传统的CM和FDD方法(如模型和信号以及基于数据的方法)(26- - - - - -29日)需要手动提取可诊断信息从原始数据30.]。往下,模式识别模型使用的特征向量分类开发过程(31日]。这个场景需要经验知识和复杂的特征提取方法(32,33]。为了解决这个问题,人工智能(AI)方法和技术对CM和FDD RM (34- - - - - -39现在被广泛使用和应用[40,41]。

感应电动机(IM) (42- - - - - -49在工业过程和应用程序中是至关重要的50,51]。此外,IM是广泛使用,例如,采矿机械,汽车应用、水泵、鼓风机、粉丝,化工机械、电梯、压缩机、真空吸尘器、输送机起重机,发动机(52- - - - - -59]。图2总结了即时通讯的应用程序。

IM的所有部分(定子、轴承、酒吧和转子)受到压力,影响衰老,振动,操作时间长,持续监控和电动部队(60- - - - - -62年]。因此,任何失败的一部分我可能导致严重的故障机,这就增加了维护成本和导致重大损失63年,64年]。图3显示我的缺点及其比例。

滚动轴承(66年)被认为是旋转机械的重要组成部分[67年]。然而,在几个机电轴承使用应用程序,包括即时通讯、涡轮机、医疗设备、汽车和卡车、发动机、汽车工业和航空航天68年]。重要的是,这个基本的组件的任何故障会导致严重的旋转机械故障(69年]。滚动轴承故障可能由两个主要因素分类,断层的断层的位置和性质。位置分类,五个主要错误发生,包括不平衡轴的缺点,球的缺点,内套的缺点,外环的缺点,笼子里的缺点。自然类别,两个主要的缺点是,包括循环故障和非周期的故障(70年,71年]。

厘米,FDD轴承元素的RM的轴承广泛用于跟踪机器的操作条件(72年- - - - - -74年]。然而,厘米和FDD的主要任务是诊断错误和失败(75年,76年]。因此,任何故障都可能导致严重的故障,这就增加了维护成本和导致重大损失77年]。最近,各种方法的CM和FDD IM的讨论。此外,一些数据和基于模型的技术介绍了包括提供基于信号处理技术(78年,79年),基于图像处理技术(80年- - - - - -83年),智能技术(84年,85年),数据融合技术(86年- - - - - -90年),数据挖掘技术(91年- - - - - -96年),和专家系统技术(97年- - - - - -99年]。所有这些技术都使用具体分析开发FDD方法到达有效和准确的结果One hundred.,101年]。如图4,这些研究中使用的分析包括化学分析、电分析和力学分析,在更多的细节,温度分析(102年- - - - - -107年),振动分析108年- - - - - -112年),噪声分析113年,114年[],射频(RF)分析115年- - - - - -118年)、红外分析(119年- - - - - -124年[],电流和电压分析125年,126年[],电磁场分析127年- - - - - -129年)、石油分析(110年,130年- - - - - -132年[]、压力分析133年- - - - - -137年),超声波分析(138年- - - - - -140年),和声音及声发射分析(141年,142年]。图5显示了一个非侵入性的一般框图FDD旋转机械。作为一个例子,预处理阶段包括数据去噪和过滤。然而,大多数机电信号是非线性和非平稳的信号。因此,现在去噪技术进行了广泛的研究。然而,小波变换(WT),连续小波变换(CWT),离散小波变换(DWT),卡尔曼滤波,维纳滤波,经验模态分解(EMD),变分模式分解(VMD)和奇异值分解(圣)是一些常用的去噪技术143年]。表1显示了各种厘米之间的比较分析技术。

这项工作的主要目的是审查CM和FDD的IM,尤其是对滚动轴承元素,基于人工智能(AI)的方法。研究还指出了每种方法的优缺点。最后,在这个领域研究的挑战和可能的未来趋势的方向也在本文中给出。

剩下的纸被组织如下。首先,背景和总体介绍部分中讨论2。其次,AI厘米和FDD滚动轴承提出了部分3。最后,挑战和未来趋势进行了部分4。

2。背景和总体介绍

现在,我需要故障的早期检测是至关重要的。然而,为了增加即时通讯的可靠性,人工智能已被用于测量厘米的精度在初期阶段和FDD IM (144年]。图6显示所有大多数人工智能方法在CM和FDD。各种人工智能研究的CM和FDD IM最近报道。在[145年),一个聪明的FDD RM(即。,automotive engine) framework is introduced. Therefore, in the feature extraction stage, ensemble empirical mode decomposition (EEMD) is implemented followed by intrinsic mode functions (IMF) decomposition. The correlation coefficient (CC) along with singular value decomposition (SVD) is employed to eliminate the redundant IMF and to obtain fault features. To add a new layer of improvement, five single classifiers based on the probabilistic committee machine (PCM) and Bayesian learning machine are trained and used in the classification stage.

此外,(1)单一概率分类器(2)单一概率和贝叶斯机器,(3)pairwise-coupled,(4)两个分类器没有pairwise-coupling策略用于分类的进一步比较。因此,提出概率委员会机器故障诊断方法显示的优越性。在[146年),在线功能状态监测方法基于无监督特征学习(字典学习)在不同的操作条件下使用振动与声发射信号。这项工作也带来了字典距离和信号保真度驱动的异常检测方法和技术也进行了描述。此外,time-propagated特点以及使用稀疏近似的信号收到振动和声学排放。重要的是,三个案例研究的结果,即,the approximation accuracy, overall computational overhead, and the adaptation rate, are presented. As a result, under normal variation condition, the learned features change slowly in comparison with high-speed variation when a fault appears. In [147年),我设计的FDD系统多尺度熵和支持向量机(SVM)结合互信息算法。目的是为了检索所需的熵特性;技术和振动信号一样,样本熵,应用多尺度熵。重要的是,使用支持向量机分类器的熵特征向量。此外,这些SVM分类结果表明,基于熵技术能有效地诊断各种电动机故障(即。,轴承故障、定子故障和转子故障)。在[148年),一个多级FDD IM使用小波变换和希尔伯特变换的方法。此外,为特征提取阶段,希尔伯特变换(HT)和连续小波变换(CWT)应用先进信号处理技术来检索功能和特点从径向振动信号和检测转子,轴承,定子的缺点。重要的是,三个分类器是用于这项研究:神经网络(多层感知器),(径向基函数)神经网络和支持向量机。因此,在这项研究中,支持向量机的性能被发现是最好的与神经网络分类器相比,即。、延时和RBF分类器。在[149年复合FDD IM方法),使用SVM分类器引入变量操作条件。此外,使用径向振动和定子电流。四个电机条件提取和分类,包括健康的感应电动机,失调,不平衡转子和轴承故障。Kernel-nonlinear SVM以及采用高斯径向基函数。结果,基于SVM引导技术与特征数据融合具有多个分类能力和单一故障IM的不同操作条件具有良好的准确性(84.8 -100%)。在[150年),基于振动和电流监测的方法对电气和机械故障的预测在不同的操作条件下提出了即时通讯。此外,九机械和电气故障检测和使用多类支持向量机分类算法。在特征提取阶段,使用振动和电流信号的时域寻求统计特性。重要的是,MSVM训练使用径向基函数(RBF)的内核。因此,振动信号和机械故障,MSVM显示能力预测所有的缺点,但它不能预测基于电气故障电流信号。然而,支持向量机是比MSVM电气故障诊断。

最近,深度学习(151年- - - - - -153年)是广泛应用于CM和FDD IM。在[154年),一个自动FDD IM使用深度学习技术结合的方法与分类过程特征提取过程。此外,深层信念网络(DBN)为振动信号来检索关键特性。此外,限制了玻耳兹曼机(元)是用于构建和训练DBN使用一层pretraining算法。重要的是,该方法可以检测到故障直接从频率分布不需要传统的特征提取方法。此外,提高分类精度和减少训练误差,该方法可以学习多层高维数据表示和模型。在[155年),一个无监督特征稀疏autoencoder-based深层神经网络学习方法提出了感应电动机故障分类。此外,该方法检测和分类多个缺点,three-rotor断层(鞠躬,不平衡,转子酒吧),有缺陷的轴承,定子绕组故障。功能从稀疏autoencoder获得用于训练神经网络分类器。重要的是,该方法称为“辍学”是用来防止过度拟合训练过程。因此,SAE-based款方法显示学习能力好的结果的特征和分类的准确性FDD IM。为了避免复杂的传感器数据问题,深度学习技术是最近使用。在[156年),深度学习介绍了红外热图像(红外热成像)来检测各种机器条件。此外,卷积神经网络(NNs)工作。该方法至少6.67%的准确性比正常的方法。重要的是,它可以用于在线FDD和厘米时的访问是非常困难的,如在海上风力涡轮机。表2总结了人工智能研究的CM和FDD IM。

我的轴承是一个关键组件。因此,健壮和智能厘米和FDD方法是高度需要加强检测、诊断、监测和预后功能。

3所示。人工智能在CM和FDD IM的滚动轴承

轴承故障被认为是大多数错误在我164年- - - - - -166年]。在[167年四种分类方法,提出了智能厘米和FDD的滚动轴承。此外,准确性、时间消耗、可理解性和维护能力的智能方法如基于SVM的粒子群优化(PSO-SVM),K最近邻居算法(资讯),基于规则的方法遏制基于MLEM2算法和概率神经网络(并)进行了讨论。因此,PSO-SVM排名第一的准确性其次是疟疾,但PSO-SVM和疟疾行动需要更多的编程工作。此外,疟疾行动显示最好的解释和减少。在[168年),一个自适应方法的健康监测旋转轴承使用介绍了振动信号。该方法应用经验模式decomposition-self-organizing地图(EMD-SOM)找到信心值(CV)和寻找故障的退化。因此,基于SOM的在线状态监测技术显示高能力,尤其是对计算资源有限的情况下。

3.1。贝叶斯网络

贝叶斯网络(169年,170年)是一种概率统计模型,它使用一个有向无环图(DAG)寻求条件的依赖关系。这个模型显示了直接表示变量之间的因果关系。目前,贝叶斯网络是广泛使用171年]在几个应用程序中,如特征提取和分类的机器学习算法,数据挖掘和数据处理、语音处理、生物信息学、错误控制编码,应承担的医学应用、工业诊断,无线传感器网络(172年- - - - - -174年]。作为FDD的ML算法即时通讯故障,应用贝叶斯网络。在[175年),不同操作条件的轴承FDD方法提出了基于声学信号。决策树(降维)应用于提取的描述性统计特征向量在特征提取阶段。接下来,使用贝叶斯分类器在分类阶段。在[170年),轴承故障的诊断方法在旋转机械的基础上,非本地的贝叶斯方法介绍了利用振动信号。在细节,利用EMD将振动信号分解成货币基金,然后使用相关系数选择适当的货币。香农能量熵首先寻求有用的统计特性和使用特性。最后,一个非本地的贝叶斯分类器(NNBC)是用来发现之间的独立功能。另外,为了比较分类结果,反向传播神经网络,正常的朴素贝叶斯分类器,内核采用朴素贝叶斯分类器。重要的是,在这个研究中,NNB分类器显示优势与其他分类器相比,包括神经网络和正常的NB。

3.2。支持向量机

支持向量机(SVM) (176年,177年)使用监督机器学习模型以及统计和预测分类和回归分析的方法。支持向量机用于解决大数据和多畴的分类问题在现代工业环境中(178年]。支持向量机也被用作厘米和FDD即时通讯的方法。随后,在179年),轴承故障检测方案提出了使用IM的振动信号。支持向量机和连续小波变换(CWT)一起使用。结果,使用支持向量机类,该方案实现简单,快速和高准确。使用另一个基于ANN技术需要复杂的过程反复试验获得一个最优的解决方案。然而,使用混合CWT-SVM技术给出了有前景的结果(快速有效)。在[180年),轴承的FDD方法我介绍了基于斯托克变换和支持向量机。此外,在特征提取阶段,斯托克变换技术用于定子电流信号在时间和频率域检索功能。然后,费舍尔得分排名是用来选择高级特性。重要的是,在分类和位置错误阶段,使用支持向量机。这之后,比较结果与另一个分类器也适用。值得注意的是,通过使用ANN与效率77.78%而使用支持向量机分类器实现与效率91.667%。在[181年滚动轴承,multi-FDD方法采用正交监督线性局部切空间排列(OSLLTSA)和最小二乘支持向量机(二)提出。此外,振动信号进行了分析,并使用EMD崩溃。此外,自回归(AR)系数和瞬时振幅夏侬熵应用于寻求固有模态函数的统计特性(货币)。之后,OSLLTSA技术适用于尺寸最小化故障特征的获得一个低维向量。重要的是,采用回归模型的使用特征向量作为输入。此外,为生物选择组件是基于增强粒子群优化(EPSO)。结果,在这项研究中,基于生物OSLLTSA技术给好的结果对于小样本容量的问题。在[182年),机器条件基于小波支持向量机预测方法提出了利用振动信号。为了提高建模过程,应用小波变换和支持向量机。此外,SVM-WT degradation-prediction模型是用来减少不规则特征和振动信号的复杂性。重要的是,比较结果,神经网络(NN)方法也使用。由于本研究研究,WT-SVM模型显示最好的结果比神经网络和单一的支持向量机模型。在[183年),滚动体轴承的FDD方法涉及使用增强的多尺度模糊熵(IMFE),地方平均分解(LMD),拉普拉斯算子的分数(LS)和改进的基于支持向量机的二叉树(ISVM-BT)提出。此外,当地的意思是分解应用于复杂的振动信号分解为一系列的产品功能(PFs)。尤其是改进的多尺度模糊熵是用来评估的复杂性和相似的信号。重要的是,美联储获得特性ISVM-BT分类器。有趣的是,IMFE-ISVM方法显示的稳定和高性能分析离散和小的时间单位系列的样品。在[184年),一个层次模糊熵和FDD的二叉树支持向量机技术介绍了滚动轴承。例如,一个分层模糊熵方法是应用特性检索过程。得到故障特征向量的排序规模因素,拉普拉斯算子的分数(LS)方法也可以使用。重要的是,美联储获得特征向量是一种改进的基于支持向量机的二叉树分类器(ISVM-BT)。ISVM-BT提出基于分层模糊熵方法显示出良好的性能诊断滚动轴承不同条件和清规戒律的。

3.3。人工神经网络(ANN)

近年来,人工神经网络(ANN) [185年,186年在工业应用中得到了极大的关注187年,188年]。此外,神经网络是用于数据处理和分类。相应地,人工智能自适应FDD系统启发从遗传算法(GA)和最近邻(NN)提出了189年]。红外测温术(红外热成像)是用于诊断各种条件的轴承滚子的元素。在特征提取阶段找到近似系数,一个二维离散小波变换(2 d-dwt)和香农熵。此外,应用GA和最近邻寻找美联储的选择系数直方图作为特征空间选择的输入方法。成本效益,无触点,nonintrusiveness应用这种方法的主要优点。多层感知器(MLP) [190年)是一种多层fee-forward神经网络使用监督学习。作者在125年呈现一个FDD轴承故障识别方法基于ANN的IM。此外,提出了模式识别的方法,使用两个电流传感器。因此,多层感知器(MLP)与一个和两个隐藏层。结果,两个隐藏层的延时不适合轴承故障识别。两个隐藏层延时显示精度相对较低,表明较高的计算成本与一个隐藏层延时。

在[191年),一个智能在线方法采用基于经验模态分解和安技术自动FDD提出了滚动轴承的振动信号。此外,基于EMD的能量熵特征检索方法。最重要的固有模式函数(首先选择通过应用数学分析。然后,给出了选择特征输入到安对轴承缺陷进行分类。重要的是,提出EMD-ANN方法能有效地检测轴承缺陷和评估轴承的强度性能下降。因此,该方法可以被视为一个专家系统诊断和预后。在[192年),滚子轴承的故障发现和变速箱使用多个传感器和卷积神经网络。这项工作的主要贡献是实现健壮的诊断准确性通过应用数据融合和CNN技术。此外,特征自动提取不应用任何手动特征提取和选择过程。因此,CNN-data融合显示技术带来优越的诊断性能与手工特征提取技术。

3.4。安和支持向量机相结合

为了达到高的诊断性能,结合安和SVM厘米和FDD技术提出了(193年]。在更多的细节,根据194年),一个FDD滚动体轴承采用统计的方法提出了利用振动信号特征提取方法。这里,使用先进的信号处理工具获得的统计特性和中心极限理论。重要的是,输出特征向量(统计特征向量)是美联储作为分类器的输入向量分类不同类型的错误使用安和支持向量机。因此,在这项研究中,作者认为,安和SVM不能提供一个分析保证FDD分类器的准确性。此外,在[195年),一个FDD的球轴承使用安和支持向量机方法的介绍。此外,振动信号的特征在时域使用统计技术进行检索。这后,安和应用支持向量机在分类阶段。这项工作的重要发现是,FDD的准确性基于SVM的分类器相对高于基于ANN的分类器在环境检测和预测故障的组合轴承组件。在[196年),FDD的滚珠轴承提出了利用振动信号。相应地,多尺度排列熵和小波介绍了基于ANN方法。此外,应用多尺度排列熵方法寻求的最佳小波一个特征选择的过程。分类阶段,在这种方法中,两种人工智能技术,安和支持向量机。由于本研究研究中,安和SVM,连同排列熵,给出相同的分类的结果。

3.5。去噪

噪,也用作FDD技术(197年]。然而,在(198年),一个增强的实时FDD方案轴承厘米基于去噪(NF)分类器使用提出了振动信号。首先,两个信号处理技术实现信号从时域和频域和时间域包括波谱分析参考函数和峰度比参考功能。其次,一个自适应NF分类器。重要的是,通过考虑到未来状态,基于集成NF的模型显示的能力提高诊断的可靠性。

3.6。深层神经网络

最近,深层神经网络(199年- - - - - -203年)是高度厘米和FDD的旋转机械中使用。因此,在204年),分层诊断网络(淬火)方法使用深度学习(DL)技术对FDD滚动体轴承和使用提出了振动信号。此外,淬火是用于获得深层的信念网络(DBN)分级层发现该方法。重要的是,一个两层淬火采用两级诊断使用小波包能量特征。在第一层的故障诊断,而断层的强度或严重性测量淬火的第二层。作为对比过程中,反向传播神经网络(摘要)和支持向量机都是用于验证应用HDN-based技术的有效性。因此,淬火显示了故障定位的非常有前途的结果分类和故障严重程度识别。在[205年),一种改进的深度融合方法开发的FDD IM使用振动数据。此外,为了改善和提高机器学习的培训,深autoencoder构建与收缩autoencoder (CAE)和去噪autoencoder (DAE)。然后,保局投影(垂直距离)是用来获得深度特征向量和提高学习能力通过添加一个新图层的学习增强。此外,培训的智能故障检测和诊断,美联储深度融合特性的神经网络分类器(softmax)。重要的是,由于这种方法,该方法显示更多的有效性和鲁棒性与标准相比,CNN。在[206年),一个创新的DL方法介绍了基于深autoencoder特征学习的FDD旋转机械振动信号。在这项研究中,特征学习是增强使用的损失函数基于最大correntropy autoencoder深处。之后,鱼人工蜂群算法是用来得到最好的优化值深autoencoder信号的特性。因此,作者总结了他们的结论,说明该方法有效性和鲁棒性与其他学习方法相比。在[207年),旋转机械组件的FDD健康状态辨识方法通过堆叠去噪autoencoder (SDA)提出了利用振动信号。此外,SDA模型的训练和测试组。接下来,贪婪的传输规则训练是用于构建通过逐层场景深度层次结构。为了获得一个更好的鲁棒性和高阶特征,采用稀疏表示和数据的破坏。结果,SDA-based健康状态识别方法展示出了有前景的结果,特别是对环境噪声信号和工况波动。作者在208年)提出了一种深度学习FDD方法对滚动轴承使用声发射。此外,短时傅里叶变换)作为预处理阶段。然后,一个简单的谱矩阵用于优化DL网络,大内存存储检索(LAMSTAR)神经网络。这种方法的主要优点是,它处理不同的工作条件,解决大数据和手动特征提取问题。在[209年),分层自适应深卷积神经网络方法从一个增强算法轴承FDD使用提出了振动信号和严重程度的决心。此外,分层学习rate-adaptive深CNN (ADCNN)应用于处理大数据和使用作为可诊断信息的特征提取方法从几个大规模样本。此外,一个两层ADCNN发达;从第一层故障诊断模式,而第二层评价断层的大小。提出了自动特征提取模型显示非常准确的结果与基准的方法用于故障诊断,如传统DCNNs。在[210年),轴承FDD deep-learning-based混合特征模型的方法提出了利用振动信号。此外,该方法可以处理一些工作条件,多个故障,故障严重程度。为了达到一个有效和准确的诊断,多个清规戒律的缺点,混合技术包括稀疏堆叠autoencoder (SAE)和深层神经网络应用(款)。应用这种混合动力技术的主要优点是提取更多的可诊断振动信息的能力与多个裂纹尺寸。结果,该方法表明,它可以产生更好的结果在诊断轴承多清规戒律的缺陷比SVM和反向传播神经网络(摘要)。在[211年),FDD方法对齿轮和轴承系统基于深度的统计特征学习使用振动信号分析介绍。此外,时域分析和频域分析和时频域分析应用于获取振动信号的特征向量。作为深统计特性学习工具,Gaussian-Bernoulli和玻耳兹曼机(GRBMs)方法用于构建一个Gaussian-Bernoulli深玻耳兹曼机(同时)。该方法显示良好的分类性能(95.17%的变速箱和轴承系统)为91.75%。重要的是,与支持向量机分类器相比,GRBM基于深度学习模型的显示能力带来最好的错误分类率。在[212年),一个聪明的FDD基于深层神经网络工具的轴承和齿轮箱与巨大的振动数据。此外,该方法应用于不同的健康状况在不同的操作条件。为了克服传统的浅聪明FDD方法的缺陷(即。,安), deep neural networks (DNNs) are employed to seek the useful diagnostic data from the vibration signals and to approximate complex nonlinear functions. Importantly, this work also highlights the superiority diagnosis accuracy method and comparative analysis with the traditional approaches. In [213年),滚动轴承的方法基于改进的FDD回旋的深层信念网络提出了利用振动信号。此外,提高学习能力的特性,回旋的深层信念网络(CDBN)模型采用与高斯单位可见。因此,指数移动平均线(EMA)技术用于进一步提高整体系统的性能。重要的是,提出基于CDBN方法比正常的浅更健壮的和有效的方法。

在[214年),多通道深SVM分类(MDSVC)方法与同源FDD使用介绍了振动信号的特性。在这种方法中,时间和频率,以及小波方法,首先是分开的。对于每个模式,学习模式和不同的特性的不同表示,Gaussian-Bernoulli深玻耳兹曼机(同时)。最后,一个支持向量机分类器也用来将同时与不同的感官系统获得MDSVC方法的改进版本。重要的是,与传统代表深和浅的学习方法相比,提出的数据聚合DL-based方法实现最好的分类速度。在[215年厘米),一个功能学习模型和FDD轴承提出了基于卷积神经网络利用振动信号。此外,端到端机器学习系统开发。重要的是,与经典方法相比(即。,random forest classifier), the overall accuracy is six times better than the classical approaches. In [216年神经网络),一个深FDD方法使用滚动轴承的振动信号进行分析提出了。此外,时域、频域和时频域技术应用于获得特征向量。在这个研究,三个深层神经网络模型是采用滚动轴承的故障状态监测,包括深玻耳兹曼机、深层信念网络,autoencoders不利。重要的是,这些技术是高度可靠的分类精度(达到99%以上)。在[217年),深度学习启用FDD方法提出了滚动体轴承使用时频图像分析。此外,深层神经网络图像表示和时频分析技术(TF)一起使用。振动数据映射到为了画时频域相关的图像表示。短时傅里叶变换、小波变换和简要地变换作为特征提取的方法。重要的是,一个深卷积神经网络(CNN)应用在分类阶段。此外,提出了基于CNN架构显示高故障检测能力嘈杂的环境和减少可学的参数。在[218年),一个新的深残余上优于滚动轴承故障诊断方法在旋转机械振动信号。这个研究的主要贡献是提高整个深层神经网络的信息流。此外,CNN是采用特征提取和1 d卷积层是用来获得特征向量。此外,基本的神经网络,神经网络,堆叠autoencoders,卷积神经网络,深卷积神经网络也用于比较。结果,该方法可以有效地训练与分类精度高。在[219年),一个新的CNN基于LeNet-5 FDD方法提出了轴承振动信号。在这种方法中,振动信号分解成二维图像;因此,从转换后的图像提取的特征。因此,该方法显示数据驱动的故障诊断领域的潜力。然而,预测精度约为99%。

表3总结了人工智能算法用于FDD IM (193年,220年- - - - - -227年]。

作为本研究的结果,它可以显示,DL和ML算法可以使用IM作为轴承的智能诊断方法。传统手动ML算法提取特征,DL算法学习功能直接从输入数据。因此,人类不需要专业知识和先验知识(228年]。表4显示了一个比较轴承厘米和FDD DL和ML算法。重要的是,对于小数据集,传统ML算法比DL算法结果更好的准确性,然而,对于大数据集,DL算法比传统ML算法结果更好的精度。根据(144年),作为支持向量机之间的分类精度,然而,CNN,分类精度为81.96,86.25,和82.70,分别对小数据集,和83.04,87.85,和89.26,分别对大数据集。

4所示。挑战和未来趋势

智能厘米和FDD方法被认为是作为故障诊断发展的一个关键因素43,229年]。然而,这一领域仍然面临许多挑战35,230年,231年]。本节总结了人工智能方法的未来趋势和挑战在CM和滚动体轴承的FDD IM (232年- - - - - -235年]:(我)处理所有操作条件下,对噪声敏感,工作环境(室内/室外)时应该被考虑在高厘米和FDD方法是建立和发展。(2)受益于所有力量点为每个人工智能算法建立一种混合智能是至关重要的,在网上,大规模低成本、不干扰,厘米和FDD工业机械。(3)发展高精度传感器,具有成本效益的、快速、无线及节能特性是非常必要的。(iv)为了增加诊断性能,基于知识的智能系统应该进一步调查。(v)自动、在线、连续和无线诊断方法具有更好的检测能力基于物联网、专家系统和人工智能可能使用。(vi)复合故障和故障严重程度应该探索检测和诊断方法。(七)CM和FDD多电动机的系统必须提出。(八)集成和全面的CM和FDD系统来处理所有错误的IM和确定损伤程度和严重程度应该提出。(第九)工业物联网(IIoT)技术与人工智能很长应该用于开发高性能厘米和FDD方法。(x)大数据问题是如何从大数据中选择有用的诊断信息迅速得到不同的传感器。(十一)来自不同传感器的数据应该用于开发一个有效的异构的方法。(十二)我为了实现高可用性,降低维护成本,容错FDD和预后技术需要进一步研究。

5。结论

重要的是,提高可靠性、可用性和安全性降低维护成本的现代工业系统和应用程序是至关重要的。因此,跟踪等机械的健康感应电动机(IM)是至关重要的。我的轴承是一个关键组件。因此,健壮和智能状态监测(CM)和故障检测和诊断(FDD)方法是高度需要加强检测、诊断、监测和预后功能。摘要一般描述性的智能诊断方法提出了滚动体轴承的IM。每种方法的优势和局限性突出显示。最后,挑战和未来趋势进行了讨论。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. a . Gonzalez-Muniz。迪亚兹,a . a . Cuadrado”DCNN旋转机械状态监测和故障检测及其贡献的理解机器自然,“Heliyon》第六卷,没有。2篇文章ID e03395 2020。视图:出版商的网站|谷歌学术搜索
2. a . Choudhary印度,d . Goyal r . k .党和s . Sehgal”状态监测感应电动机使用物联网(物联网)”机械工程的最新进展施普林格,页353 - 365年,柏林,德国,2020年。视图:谷歌学术搜索
3. g, t·林和李y, z . Wang”Time-reassigned multisynchrosqueezing变换旋转机械的轴承故障诊断”IEEE工业电子产品,p . 2020。视图:出版商的网站|谷歌学术搜索
4. g . y . Chen彭、朱z和美国,“一个新颖的基于注意机制的深度学习方法轴承剩余使用寿命预测,“应用软计算文章ID 105919卷,86年,2020年。视图:出版商的网站|谷歌学术搜索
5. 陈x, s . Wang b·乔问:陈,“基本的机械故障诊断方法的研究:过去、现在、和未来的趋势,”机械工程的前沿,13卷,不。2、264 - 291年,2018页。视图:出版商的网站|谷歌学术搜索
6. m . s .菅直人A·c·c·谭和j·马修,“回顾预后技术非平稳和非线性的旋转系统,”机械系统和信号处理卷,62 - 63页1,2015。视图:出版商的网站|谷歌学术搜索
7. 和p . l .歌曲,h . Wang Chen“机械智能诊断方法的顺序auto-reorganization直方图,”ISA事务卷,87年,第162 - 154页,2019年。视图:出版商的网站|谷歌学术搜索
8. m . c . Lu y Wang Ragulskis, y,“对旋转机械故障诊断:基于图像处理的方法,”《公共科学图书馆•综合》,11卷,不。10篇文章ID e0164111 2016。视图:出版商的网站|谷歌学术搜索
9. c·彼得斯,j·安东尼,j . Helsen”盲目过滤器根据包络频谱稀疏指标轴承和齿轮vibration-based状态监测,“机械系统和信号处理文章ID 106556卷,138年,2020年。视图:出版商的网站|谷歌学术搜索
10. w .钱,李s, p .咦,和k·张,“小说传递学习法对旋转机器的鲁棒故障诊断变量的工作条件下,“测量卷,138年,第525 - 514页,2019年。视图:出版商的网站|谷歌学术搜索
11. 严t . y . b . Wang Lei, n, l .郭,“反复卷积神经网络:一个新的框架,剩余使用寿命的预测机械、”Neurocomputing卷,379年,第129 - 117页,2020年。视图:出版商的网站|谷歌学术搜索
12. d•韦斯特拉特、大肠Droguett和m . Modarres“深度对抗的方法基于多传感器融合semi-supervised剩余使用寿命预测,“传感器,20卷,不。1,p。176年,2020。视图:出版商的网站|谷歌学术搜索
13. 大肠Lughofer和m . Sayed-Mouchaweh”开场白:预见性维护在动态系统中,”预见性维护动态系统施普林格,页1,柏林,德国,2019年。视图:谷歌学术搜索
14. 郑y”,根据剩余使用寿命预测前景熵与退化模型,”电气和计算机工程杂志》上文章ID 3203959卷,2019年,页1 - 11,2019。视图:出版商的网站|谷歌学术搜索
15. 刘x, y、m .贾”多尺度级联深信念网络对旋转机械故障的识别在各种工作条件下,“以知识为基础的系统文章ID 105484卷,193年,2020年。视图:出版商的网站|谷歌学术搜索
16. z . j . Liu, l .周和y . Shao, w . Yu”的统计特性调查剥落传播评估滚珠轴承,”机制和机器理论卷,131年,第350 - 336页,2019年。视图:出版商的网站|谷歌学术搜索
17. 诉t Tran和s。杨:“智能旋转机械状态维修平台。”专家系统与应用程序,39卷,不。3、2977 - 2988年,2012页。视图:出版商的网站|谷歌学术搜索
18. m . iran, r . i Nordin Saad v . s . Asirvadam, a . Alwadie和m .阿曼“评估在感应电动机状态监测的非侵入性的方法,”故障诊断和检测,87年,页2017。视图:出版商的网站|谷歌学术搜索
19. 黄c . l . d .徐h . Cai g . Li j . Du和l .江“基于上下文的服务匹配方法对工业系统的功能可靠性,”企业信息系统,13卷,不。2、196 - 218年,2019页。视图:出版商的网站|谷歌学术搜索
20. Mistry, s . Tanwar s Tyagi, n . Kumar“区块链5 g物联网工业自动化:系统回顾,解决方案,和挑战,”机械系统和信号处理文章ID 106382卷,135年,2020年。视图:出版商的网站|谷歌学术搜索
21. c·p·Gatica和m . Platzner适应性强的工业分析功能的实现edge-devices使用可重构体系结构,”机器学习对网络物理系统施普林格,页73 - 80年,柏林,德国,2020年。视图:谷歌学术搜索
22. j·l·Contreras-Hernandez d l . Almanza-Ojeda s莱德斯马et al .,“四元数信号分析感应电动机故障检测的算法,”IEEE工业电子产品,卷66,不。11日,第8850 - 8843页,2019年。视图:出版商的网站|谷歌学术搜索
23. f . g .连j . Zhang b . Chen禁令,z, h·李,“无线在线监测系统的设计和实验研究高温超导的机器,”IEEE应用超导卷,29号2、1 - 5,2019页。视图:出版商的网站|谷歌学术搜索
24. Muthanandan和k . a . b .也“旋转机械状态监测和评估,”旋转机械施普林格,页22页,柏林,德国,2019年。视图:谷歌学术搜索
25. a . Glowacz“单相感应电动机的故障诊断基于声学信号,”机械系统和信号处理卷,117年,第80 - 65页,2019年。视图:出版商的网站|谷歌学术搜索
26. m·冈萨雷斯o·萨尔加多,x埃尔南德斯,j . cro b . Pluymers w . Desmet,“基于模型的状态监测的指导rails在机电系统中,“机械系统和信号处理卷,120年,第641 - 630页,2019年。视图:出版商的网站|谷歌学术搜索
27. m . Khazaee A . Rezaniakolaie A Moosavian, l . Rosendahl“自治的远程状态监测的新方法旋转机器使用压电能量收集方法,”传感器和执行器:物理卷。295年,37-50,2019页。视图:出版商的网站|谷歌学术搜索
28. d . Crivelli赫特,A·克拉克·Borghesani z Peng和r·兰德尔“旋转机械状态监测与声发射:犯有行贿罪协作”智力资产通过集成和互操作性和当代振动工程技术施普林格,页119 - 128年,柏林,德国,2019年。视图:谷歌学术搜索
29. 陆g . t . Wang, p .严,“基于多传感器的旋转机械状态监测:多维时间序列分析的方法,”测量卷,134年,第335 - 326页,2019年。视图:出版商的网站|谷歌学术搜索
30. 诉Atamuradov k . Medjaher f . Camci:塞,p . Dersin和b . Lamoureux”机器健康指示器结构框架,故障诊断和预测,“信号处理系统杂志》上,卷92,不。6,591 - 609年,2020页。视图:出版商的网站|谷歌学术搜索
31. z . y . Wang Wei, j .杨”趋势特征提取和自适应密度峰值搜索智能故障诊断的机器,”IEEE工业信息,15卷,不。1,第115 - 105页,2019。视图:出版商的网站|谷歌学术搜索
32. h·b·罗h . Wang, b, f .彭,“机床基于深度学习的早期故障检测和动态识别、”IEEE工业电子产品,卷66,不。1,第518 - 509页,2019。视图:出版商的网站|谷歌学术搜索
33. g .江h .他j .燕和p .谢,“多尺度卷积神经网络对风力发电机齿轮箱的故障诊断,”IEEE工业电子产品,卷66,不。4、3196 - 3207年,2019页。视图:出版商的网站|谷歌学术搜索
34. h . Wang,陈平滚动轴承故障智能诊断方法使用可能性理论和神经网络,”计算机与工业工程,60卷,不。4、511 - 518年,2011页。视图:出版商的网站|谷歌学术搜索
35. 刘y和A . m .宝宝”,审查和比较的鼠笼式感应电动机故障检测和诊断方法:状态的艺术”ISA事务卷,70年,第409 - 400页,2017年。视图:出版商的网站|谷歌学术搜索
36. G.-Q。江,p .谢,x, m·陈,他问:“智能故障诊断旋转机械的基于无监督学习的多尺度表示,“中国机械工程杂志》上,30卷,不。6,1314 - 1324年,2017页。视图:出版商的网站|谷歌学术搜索
37. 高z, c . Cecati和s . x叮”故障诊断和容错techniques-Part我的调查:与基于模型的故障诊断和ieee方法,”IEEE工业电子产品,卷62,不。6,3757 - 3767年,2015页。视图:出版商的网站|谷歌学术搜索
38. z冯、m .梁和f .楚”最新进展在时频分析机械故障诊断的方法:回顾与应用程序示例中,“机械系统和信号处理,38卷,不。1,第205 - 165页,2013。视图:出版商的网站|谷歌学术搜索
39. a . Taheri-Garavand h·艾哈迈迪·m·Omid et al .,“一个聪明的方法来冷却散热器故障诊断基于红外热图像处理技术,”应用热工程卷,87年,第443 - 434页,2015年。视图:出版商的网站|谷歌学术搜索
40. b .彭h .夏马x,朱,z . Wang和j·张,“核电站混合智能状态监测方法,”年报的核能文章ID 107307卷,140年,2020年。视图:出版商的网站|谷歌学术搜索
41. p c . Wu江,c .叮,冯,t·陈,“聪明的旋转机械故障诊断的基于一维卷积神经网络,”计算机在工业领域卷。108年,61年53 - 2019页。视图:出版商的网站|谷歌学术搜索
42. y Merizalde、l . Hernandez-Callejo和o . Duque-Perez”艺术的状态和趋势的监测、检测和诊断故障的电动感应电动机,”能量,10卷,不。7,1056年,页2017。视图:出版商的网站|谷歌学术搜索
43. A . Choudhary d Goyal,示s . l . A阿库拉,“感应发动机的状态监测和故障诊断:审查,”档案在工程计算方法,26卷,不。4、1221 - 1238年,2018页。视图:出版商的网站|谷歌学术搜索
44. 美国南帝、h·a·Toliyat和李x”的状态监测和故障诊断电气motors-A审查,”IEEE能量转换,20卷,不。4、719 - 729年,2005页。视图:出版商的网站|谷歌学术搜索
45. 诉Choqueuse y Trachi,大肠Elbouchikhi, m·e·h·Benbouzid“感应机故障检测基于子空间谱估计,“IEEE工业电子产品,卷63,不。9日,第5651 - 5641页,2016年。视图:出版商的网站|谷歌学术搜索
46. d . m . Seera c·p·Lim Ishak领导,和h·辛格,“应用模糊神经网络min-max感应电动机故障检测和诊断,”神经计算和应用,23卷,不。S1, 191 - 200年,2012页。视图:出版商的网站|谷歌学术搜索
47. 答:中s。杨,D.-S。顾,B.-K。崔“智能故障诊断系统的感应电动机暂态电流信号的基础上,“机电一体化,19卷,不。5,680 - 689年,2009页。视图:出版商的网站|谷歌学术搜索
48. b . v . Gopal和e . Shivakumar神经模糊控制器的设计和仿真间接矢量控制感应电动机驱动,”数据分析和学习施普林格,页155 - 167年,柏林,德国,2019年。视图:谷歌学术搜索
49. n . Rajeswaran m . Lakshmi Swarupa t Sanjeeva Rao和k . Chetaswi”混合人工智能基于svpwm电压源逆变器的感应电动机故障诊断,”今天材料:诉讼,5卷,不。1,第571 - 565页,2018。视图:出版商的网站|谷歌学术搜索
50. p . Majumdar p . Mishra s Sarkar s Das,“基于状态空间模型感应电动机定子绕组inter-turn故障检测技术,”先进的计算机、通信和控制施普林格,页225 - 236年,柏林,德国,2019年。视图:谷歌学术搜索
51. p . Donolo c . Pezzani g . Bossio c·德·安吉洛和m . Donolo“降额的感应电动机由于电能质量问题考虑电动机效率类,“IEEE行业应用,56个卷,2020年。视图:谷歌学术搜索
52. 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
53. 答:a . z迪亚布A.-H。m . -赛义德·h·h·a·穆罕默德,y s穆罕默德,“文献综述感应电动机驱动器”发展自适应速度观察家对感应电机系统稳定,页7日至18日,施普林格,柏林,德国,2020年。视图:出版商的网站|谷歌学术搜索
54. m·m·斯托·m·r·Resende其子a.s.。答:路易斯,j . c . g . Justino g·g·罗德里格斯和b·j·卡多佐球场,”一个简单的转矩估计量为在职美联储确定逆变器感应电动机效率,”IEEE行业应用,56个卷,2020年。视图:谷歌学术搜索
55. g . Cirrincione诉事务r·r·库马尔·m·Cirrincione和e . Pasero”增长曲线成分分析(GCCA)定子感应机故障检测,”神经动力学方法的信号交流施普林格,页235 - 244年,柏林,德国,2020年。视图:谷歌学术搜索
56. m·j·艾克塔和r·k·Behera”分布式逆变器的空间矢量调制美联储为电动汽车感应电机驱动应用程序中,“IEEE新兴和选定的主题在电力电子杂志》上,p . 2020。视图:出版商的网站|谷歌学术搜索
57. m·斯托c·利马b·卡多佐l . de米兰达,其子a.s.。路易斯和c·马丁内斯,“检测电动机的离心泵的气核估计转矩的分析,“IEEE行业应用,2020年。视图:谷歌学术搜索
58. s . k . Gundewar p v凯恩,“模糊FMEA分析感应电动机和概述诊断技术以减少失败的风险,”可靠性、安全性和风险评估基于风险的技术施普林格,页927 - 939年,柏林,德国,2020年。视图:谷歌学术搜索
59. s . Perumandla p·阿帕德海耶,a . Jayalaxmi, j . p . Nasam”基于三角载波调制频率的空间矢量脉宽调制技术传播感应电动机噪声频谱,”程序的决策科学的进步,图像处理、安全与计算机视觉Allahbabad,页470 - 480年,北方邦,2020年8月。视图:谷歌学术搜索
60. j·k·贾殷、美国Ghosh和s . Maity”并发PI控制器设计为间接矢量控制感应电动机,”亚洲杂志的控制,22卷,不。1,第142 - 130页,2020。视图:出版商的网站|谷歌学术搜索
61. w·f·戈。n . da Silva t·d·洛佩斯,a . Goedtel和r·h·c·帕拉西奥斯”应用程序的智能工具来检测和分类了三相感应电动机转子酒吧由一个逆变器,”专业电力的应用,10卷,不。5,430 - 439年,2016页。视图:出版商的网站|谷歌学术搜索
62. a . Glowacz w . Glowacz j . Kozik et al .,“恶化的三相感应电动机使用振动信号检测,”测量科学评论,19卷,不。6,241 - 249年,2019页。视图:出版商的网站|谷歌学术搜索
63. r . s . b .江p . k . Wong关,y, j·李,“一个有效的故障诊断方法基于增量的三相感应电动机广泛学习和非负矩阵分解,“IEEE访问7卷,第17790 - 17780页,2019年。视图:出版商的网站|谷歌学术搜索
64. m·巴德里·皮莱和p .激怒,“小说原位效率估计算法对三相感应电动机操作以扭曲的不平衡电压,”IEEE行业应用,53卷,不。6,5338 - 5347年,2017页。视图:出版商的网站|谷歌学术搜索
65. k . s . Gaeid h·w·萍,“小波感应电动机的故障诊断和宽容:复习一下,”国际物理科学杂志》上》第六卷,没有。3、358 - 376年,2011页。视图:谷歌学术搜索
66. j .刘”的动态建模方法rotor-roller轴承箱系统局部故障包括额外的兴奋区,“杂志的声音和振动文章ID 115144卷,469年,2020年。视图:出版商的网站|谷歌学术搜索
67. y . j . Ma j . Wu风扇,x,“基于LMD的滚动轴承故障特征提取和包络解调,”数学问题在工程429185卷,2015篇文章ID, 1-13, 2015页。视图:出版商的网站|谷歌学术搜索
68. f .徐黄z, f·杨,d . Wang和k·l·崔”构建一个健康指标滚子轴承使用堆叠auto-encoder指数函数消除脑震荡,”应用软计算文章ID 106119卷,89年,2020年。视图:出版商的网站|谷歌学术搜索
69. y, j·李、陈z和j .郭”研究滚动轴承在线可靠性分析基于振动信息处理”计算机与电气工程卷,69年,第851 - 842页,2018年。视图:出版商的网站|谷歌学术搜索
70. l . Frosini和大肠低音部”,定子电流和电机效率指标为不同类型的感应电动机轴承故障,”IEEE工业电子产品卷,57号1,第251 - 244页,2009。视图:出版商的网站|谷歌学术搜索
71. 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,2017页。视图:出版商的网站|谷歌学术搜索
72. 沙玛,m . Amarnath, p .灰质核”特征提取和故障严重程度分类在滚珠轴承,”振动与控制杂志》上,22卷,不。1,第192 - 176页,2016。视图:出版商的网站|谷歌学术搜索
73. a . k . Choudhary和d·a·汗”,介绍机械系统的调节监控,”软计算在机电系统的状态监测和诊断施普林格,页205 - 230年,柏林,德国,2020年。视图:谷歌学术搜索
74. m . Cerrada R.-V。桑切斯,c . et al .,“审查在滚动轴承数据驱动的故障严重程度评估,”机械系统和信号处理卷,99年,第196 - 169页,2018年。视图:出版商的网站|谷歌学术搜索
75. 李x, y张,l .高,w . Chen和p·李,“智能故障诊断旋转机械使用新的合奏深auto-encoder方法,”测量文章ID 107232卷,151年,2020年。视图:出版商的网站|谷歌学术搜索
76. x赵、m .贾和m .林”深拉普拉斯算子Auto-encoder及其应用到旋转机械的故障诊断不平衡”测量文章ID 107320卷,152年,2020年。视图:出版商的网站|谷歌学术搜索
77. p . j . Tavner“审查”旋转电机的状态监测,专业电力的应用,卷2,不。4、215 - 247年,2008页。视图:出版商的网站|谷歌学术搜索
78. s . a . McInerny和y戴”,轴承故障检测的基本振动信号处理”,IEEE教育,46卷,不。1,第156 - 149页,2003。视图:出版商的网站|谷歌学术搜索
79. m·e·h·Benbouzid h . Nejjari r . Beguenane和m·维埃拉”感应电动机不对称故障检测使用先进的信号处理技术,”IEEE能量转换,14卷,不。2、147 - 152年,1999页。视图:出版商的网站|谷歌学术搜索
80. 杜塔,s . k .朋友美国Mukhopadhyay, r·森,“数字图像处理在刀具状态监测中的应用:复习一下,”CIRP制造科学与技术杂志》上》第六卷,没有。3、212 - 232年,2013页。视图:出版商的网站|谷歌学术搜索
81. a . y . c . Nee y s . Wong x问:李,和c . Reisdorf”刀具状态监测用激光散射模式。”材料加工技术杂志》上,卷63,不。1 - 3、205 - 210年,1997页。视图:出版商的网站|谷歌学术搜索
82. m . Castejon大肠圣保罗,j·巴雷罗和l·k·埃尔南德斯,”在线刀具磨损监测利用数字图像的几何描述符,“国际机床制造杂志》上卷,47号12 - 13,1847 - 1853年,2007页。视图:出版商的网站|谷歌学术搜索
83. a . k . Al-Musawi f . Anayi, m . Packianather“三相感应电动机故障检测热图像分割的基础上,“红外物理与技术文章ID 103140卷,104年,2020年。视图:出版商的网站|谷歌学术搜索
84. s。杨、t·汉和裴伟伟。黄”,旋转机械故障诊断的基于多支持向量机,”机械科学与技术杂志》上,19卷,不。3、846 - 859年,2005页。视图:出版商的网站|谷歌学术搜索
85. y . d . Nyanteh s·k·斯利瓦斯塔瓦,c . s . Edrington和d . a .必须“人工智能的应用在永磁同步机、定子绕组故障诊断”电力系统研究卷,103年,第213 - 201页,2013年。视图:出版商的网站|谷歌学术搜索
86. l l。江,H.-k。阴,X.-j。李,S.-w。唐”,旋转机械故障诊断的基于多传感器信息融合使用SVM和时域特性,”冲击和振动文章ID 418178卷,2014年,页1 - 8,2014。视图:出版商的网站|谷歌学术搜索
87. e·阿亚兹a . Ozturk sŞeker, b . r . Upadhyaya”基于连续小波变换的故障检测和传感器融合在电动马达,”强迫——国际期刊在电气和电子工程计算和数学,28卷,不。2、454 - 470年,2009页。视图:出版商的网站|谷歌学术搜索
88. x刘、马l . j .马修“机械故障诊断基于模糊测度和模糊积分数据融合技术,”机械系统和信号处理,23卷,不。3、690 - 700年,2009页。视图:出版商的网站|谷歌学术搜索
89. 妞妞,t·汉,s。杨,a . c . c . Tan“电动机故障诊断多智能决策融合,”机械系统和信号处理,21卷,不。3、1285 - 1299年,2007页。视图:出版商的网站|谷歌学术搜索
90. c . Li R.-V。桑切斯,g .国家m . Cerrada d·卡布瑞拉和r . e . Vasquez“齿轮箱故障诊断的基于随机森林深处融合声学和振动信号,”机械系统和信号处理卷,76 - 77,283 - 293年,2016页。视图:出版商的网站|谷歌学术搜索
91. b .阿訇,h·艾哈迈迪,r . Labbafi”应用程序的数据挖掘和特征提取由人工神经网络智能故障诊断k在最近的邻居。《电机(ICEM), 2010第十九国际会议,页1 - 7,罗马,意大利,2010年9月。视图:出版商的网站|谷歌学术搜索
92. A . Purarjomandlangrudi A . h . Ghapanchi和m . Esmalifalak”故障诊断的数据挖掘方法:应用程序的异常检测算法,”测量,55卷,第352 - 343页,2014年。视图:出版商的网站|谷歌学术搜索
93. j·布莱尔和a . Shirkhodaie”的诊断和预后轴承使用数据挖掘和数字可视化技术在系统理论中,“美国第33东南部研讨会俄亥俄大学,页395 - 399年,雅典,哦,美国,2001年。视图:谷歌学术搜索
94. j·d·他r . Ruoyu Li Junda朱,和m . Zade“基于数据挖掘的全陶瓷轴承故障诊断系统使用AE传感器,”IEEE神经网络,22卷,不。12日,第2031 - 2022页,2011年。视图:出版商的网站|谷歌学术搜索
95. d .他r·李和j·朱,“塑料轴承故障诊断基于一个两步的数据挖掘方法,”IEEE工业电子产品,60卷,不。8,3429 - 3440年,2013页。视图:谷歌学术搜索
96. 张a Verma z, a . Kusiak”建模和预测齿轮箱故障的数据挖掘算法,”太阳能工程杂志》上,卷135,不。第三条ID 031007, 2013。视图:出版商的网站|谷歌学术搜索
97. 杨b、d . Lim和a . Tan“疤:旋转机械振动故障诊断的专家系统使用决策树和决策表,“专家系统与应用程序,28卷,不。4、735 - 742年,2005页。视图:出版商的网站|谷歌学术搜索
98. j。吴,m . r .呗,F.-C。苏,C.-W。黄”,专家系统在旋转机械故障诊断使用自适应订单跟踪算法,”专家系统与应用程序,36卷,不。3、5424 - 5431年,2009页。视图:出版商的网站|谷歌学术搜索
99. t Berredjem和m . Benidir轴承故障诊断依靠一种改进的模糊专家系统使用范围重叠和相似方法,”专家系统与应用程序卷,108年,第142 - 134页,2018年。视图:出版商的网站|谷歌学术搜索
100. j . Liu和y邵”,概述动态建模和分析的滚动轴承局部和分布式的缺点,”非线性动力学,卷93,不。4、1765 - 1798年,2018页。视图:出版商的网站|谷歌学术搜索
101. j . Liu和y邵,“刚性转子轴承系统动态建模与局部缺陷考虑附加变形在锋利的边缘,“杂志的声音和振动卷,398年,第102 - 84页,2017年。视图:出版商的网站|谷歌学术搜索
102. d . d . Reigosa j·m·格雷罗州a . b . Diez和f . Briz“转子温度估计双馈感应机使用旋转高频信号注入,“IEEE行业应用,53卷,不。4、3652 - 3662年,2017页。视图:出版商的网站|谷歌学术搜索
103. a·默罕默德和美国Djurovic定子绕组内部热使用原位监测和分析光纤光栅传感技术,”IEEE能量转换,33卷,不。3、1508 - 1518年,2018页。视图:出版商的网站|谷歌学术搜索
104. z赵,f, y关,j .徐和x元,”方法和实验温度的协同监控基于特征点倾斜垫轴承、”摩擦学国际卷,114年,第83 - 77页,2017年。视图:出版商的网站|谷歌学术搜索
105. l . b . Visnadi和h·f·德卡斯特罗轴承间隙的影响,油温稳定阈值的不确定性圆柱轴承、杂志”机制和机器理论卷,134年,页57 - 73,2019。视图:出版商的网站|谷歌学术搜索
106. s . Bagavathiappan比比Lahiri, t·萨拉瓦南j .菲利普和t .贾古玛“红外温度记录状态监测-评估”红外物理与技术卷,60 - 55,2013页。视图:出版商的网站|谷歌学术搜索
107. y j .刘邵和t . c . Lim“滚珠轴承的振动分析与局部缺陷应用分段响应函数,“机制和机器理论,56个卷,第169 - 156页,2012年。视图:出版商的网站|谷歌学术搜索
108. t . y .吴邦国委员长和y l .钟”失调诊断旋转机械的振动分析通过混合EEMD和EMD方法,”智能材料和结构,18卷,不。9篇文章ID 095004 2009。视图:出版商的网站|谷歌学术搜索
109. h . y .江和陈平AE信号和振动信号的分析和敏感性评价低速旋转机械的故障诊断,”应用力学和材料卷,128 - 129,79 - 84年,2011页。视图:出版商的网站|谷歌学术搜索
110. t·h·Loutas d . Roulias e .保利和诉Kostopoulos”结合使用振动、声发射和石油碎片朝一个更有效的在线监测旋转机械的状态监测,“机械系统和信号处理,25卷,不。4、1339 - 1352年,2011页。视图:出版商的网站|谷歌学术搜索
111. a . Medoued m . Mordjaoui y Soufi, d . Sayad“感应电机轴承故障诊断基于轴向振动的解析信号,”国际期刊的氢能源第41卷。。29日,第12695 - 12688页,2016年。视图:出版商的网站|谷歌学术搜索
112. j·k·Sinha和k . Elbhbah”未来的旋转机械振动状态监测为基础的可能性,”机械系统和信号处理,34卷,不。1 - 2、231 - 240年,2013页。视图:出版商的网站|谷歌学术搜索
113. g·k . Chaturved d·w·托马斯,“自适应降噪和状态监测。”杂志的声音和振动,卷76,不。3、391 - 405年,1981页。视图:出版商的网站|谷歌学术搜索
114. w·m·t . Wang Liang j . Li Cheng和c·李,“轴承故障诊断在未知的变速齿轮降噪和旋转边带识别,”机械系统和信号处理卷,62 - 63年的30 53,2015页。视图:出版商的网站|谷歌学术搜索
115. b . Lu和v c . Gungor“在线和远程机动能源使用无线传感器网络监测和故障诊断,”IEEE工业电子产品卷,56号11日,第4659 - 4651页,2009年。视图:出版商的网站|谷歌学术搜索
116. k . s . Cheng汤姆,l·托马斯,m . Pecht”无线传感器系统预测和健康管理”IEEE传感器杂志,10卷,不。4、856 - 862年,2010页。视图:出版商的网站|谷歌学术搜索
117. j . Timperley”隐患识别通过中性射频监控大型旋转机器,”IEEE电力设备和系统,卷102,不。3、693 - 698年,1983页。视图:出版商的网站|谷歌学术搜索
118. j·亨森和c·雷斯特雷波”设备、系统和方法自适应射频传感在电弧故障检测,”2008年,谷歌的专利。视图:谷歌学术搜索
119. A . Agoston c Schneidhofer:多尔,b . Jakoby”的概念油状态监测、红外传感器系统”e &我Elektrotechnik informationstechnik,卷125,不。3、71 - 75年,2008页。视图:出版商的网站|谷歌学术搜索
120. a . r . Caneca m·f·皮门特尔·r·k·h·Galvao et al .,“评估红外光谱学和多元技术监控柴油发动机润滑油的使用情况,”Talanta,卷70,不。2、344 - 352年,2006页。视图:出版商的网站|谷歌学术搜索
121. m . s . Jadin和s . Taib”最新进展在诊断电气设备的可靠性通过使用红外温度记录,“红外物理与技术,55卷,不。4、236 - 245年,2012页。视图:出版商的网站|谷歌学术搜索
122. s Bagavathiappan t·萨拉瓦南n . p .乔治j·菲利普·t·贾古玛和b . Raj”状态监测的排气系统鼓风机使用红外温度记录,“洞察力——无损检测和状态监测,50卷,不。9日,第515 - 512页,2008年。视图:出版商的网站|谷歌学术搜索
123. n . Utami y Tamsir, a . Pharmatrisanti h . Gumilang b . Cahyono和r . Siregar”评估变压器根据红外温度记录结果,条件”《IEEE 9日国际会议,页1055 - 1058,中国,2009。视图:谷歌学术搜索
124. a . s . n . Huda和美国Taib特性选择适合监控电气设备的热条件使用红外温度记录,“红外物理与技术卷,61年,第191 - 184页,2013年。视图:出版商的网站|谷歌学术搜索
125. t·d·洛佩斯,a . Goedtel r·h·c·帕拉西奥斯w·f·戈和r . m . de Souza”轴承故障识别的三相感应电动机基地两个电流传感器的策略,”软计算,21卷,不。22日,第6685 - 6673页,2016年。视图:出版商的网站|谷歌学术搜索
126. d·迪亚洛m·e·h·Benbouzid d·哈马德和x皮埃尔,”在一个感应电机驱动器故障检测和诊断:模式识别方法基于concordia定子电流矢量,”IEEE能量转换,20卷,不。3、512 - 519年,2005页。视图:出版商的网站|谷歌学术搜索
127. n·m·罗斯科·m·d·贾德,“收获能量磁场状态监测传感器,”IEEE传感器杂志,13卷,不。6,2263 - 2270年,2013页。视图:出版商的网站|谷歌学术搜索
128. s . Poyhonen m . Negrea p .木星,a . Arkkio和h . Hyotyniemi”磁场数值分析和信号处理电机的故障诊断,”强迫——国际期刊在电气和电子工程计算和数学,22卷,不。4、969 - 981年,2003页。视图:出版商的网站|谷歌学术搜索
129. j . a . Farooq a Djerdir, a . Miraoui”分析建模方法在永磁无刷电机磁铁检测缺陷,”IEEE磁学,44卷,不。12日,第4604 - 4599页,2008年。视图:出版商的网站|谷歌学术搜索
130. 冯,风扇,j .毛和y .谢,“预测刺激变速箱的磨损磨屑浓度在线监测,“穿卷,336 - 337 1 - 8,2015页。视图:出版商的网站|谷歌学术搜索
131. a . Agoston c Otsch, b . Jakoby”为机油粘度传感器状态监视应用程序和解释的结果,“传感器和执行器:物理,卷121,不。2、327 - 332年,2005页。视图:出版商的网站|谷歌学术搜索
132. s .库马尔·s·穆克吉和n . m . Mishra“在线状态监测机油”,工业润滑和摩擦学卷,57号6,260 - 267年,2005页。视图:出版商的网站|谷歌学术搜索
133. s . m . Schultheis c . a . Lickteig和r . Parchewsky“往复式压缩机状态监测,”《第36个涡轮机研讨会美国圣安东尼奥,TX, 2007年6月。视图:谷歌学术搜索
134. m . Elhaj m . Almrabet m . Rgeai, Ehtiwesh,“结合实际使用IAS的往复式压缩机状态监测方法和动态压力,”世界科学院、工程和技术,卷63,不。39岁,186 - 192年,2010页。视图:谷歌学术搜索
135. y高,问:张先生,x,“小波分析对液压泵的健康诊断压力,”交易的ASAE,46卷,不。4 p。969年,2003年。视图:出版商的网站|谷歌学术搜索
136. h .太阳,r·肖w·刘,f . Wang”年代特征分析和压力脉动与偏差值选定导流叶片,”流体工程,卷135,不。5、文章ID 051101, 2013。视图:出版商的网站|谷歌学术搜索
137. e . Mucchi g . Dalpiaz, a·费尔南德斯▽林康,齿轮泵的“弹性动态分析。第一部分:压力分布和齿轮偏心。”机械系统和信号处理,24卷,不。7,2160 - 2179年,2010页。视图:出版商的网站|谷歌学术搜索
138. a·c·c·e . y . Kim Tan j .马修和b . s .杨“低速轴承的状态监测:超声波技术的比较研究和振动测量,”澳大利亚机械工程杂志》上,5卷,不。2、177 - 189年,2008页。视图:出版商的网站|谷歌学术搜索
139. b . w . j . Zhang时候,r . s . Dwyer-Joyce”监测润滑膜失败在滚珠轴承使用超声波,”摩擦学学报,卷128,不。3、612 - 618年,2006页。视图:出版商的网站|谷歌学术搜索
140. n h . Abu-Zahra和g . Yu”逐渐磨损监测将插入使用小波分析超声波,”国际机床制造杂志》上,43卷,不。4、337 - 343年,2003页。视图:出版商的网站|谷歌学术搜索
141. 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
142. b . Van Hecke j . Yoon和d .他“低速轴承故障诊断使用声发射传感器,”应用声学卷。105年,35-44,2016页。视图:出版商的网站|谷歌学术搜索
143. x, y贾庆林,g . Li b·李和k .他“价值为机械振动信号去噪算法使用光谱图像小波变换和去趋势波动分析,“机械系统和信号处理107202卷,149篇文章ID。视图:出版商的网站|谷歌学术搜索
144. s e . Pandarakone y美津浓,h .中村”之间的比较研究机器学习算法和人工智能神经网络检测小调感应电动机轴承故障,”能量,12卷,不。11,2105年,页2019。视图:出版商的网站|谷歌学术搜索
145. 黄永发。钟,p . k . Wong和Z.-X。杨:“旋转机械故障诊断的基于多个概率分类器,”机械系统和信号处理卷,108年,第114 - 99页,2018年。视图:出版商的网站|谷歌学术搜索
146. Martin-del-Campo和f . Sandin“在线功能学习旋转机械的状态监测,“人工智能技术的工程应用卷,64年,第196 - 187页,2017年。视图:出版商的网站|谷歌学术搜索
147. 锅,t·汉a·c·c·谭和t·r·林”的感应电动机故障诊断系统基于多尺度熵和互信息算法,支持向量机”冲击和振动卷,2016年,页1 - 12,2016。视图:出版商的网站|谷歌学术搜索
148. p .东部赫拉和p .将多层次的感应电动机故障诊断使用希尔伯特和小波变换,“应用软计算,30卷,第352 - 341页,2015年。视图:出版商的网站|谷歌学术搜索
149. j·d·Martinez-Morales e . r . Palacios-Hernandez和d Campos-Delgado,“有效诊断在感应电动机通过支持向量机分类变量操作条件,”电气工程,卷100,不。1,59 - 73年,2016页。视图:出版商的网站|谷歌学术搜索
150. p . Gangsar r .女子,“振动的比较调查预测和电流监测感应电动机的机械和电气故障multiclass-support向量机算法的基础上,“机械系统和信号处理卷,94年,第481 - 464页,2017年。视图:出版商的网站|谷歌学术搜索
151. p . Tamilselvan和p . Wang”故障诊断使用基于深层信念学习健康状态分类,“可靠性工程和系统安全卷,115年,第135 - 124页,2013年。视图:出版商的网站|谷歌学术搜索
152. 海尔宾g和m . Ritter“深度学习在风力发电机故障检测。”可再生能源和可持续能源的评论卷,98年,第198 - 189页,2018年。视图:出版商的网站|谷歌学术搜索
153. 张曹p, s和j .唐”Preprocessing-free齿轮故障诊断使用小型数据集与深卷积神经网络学习,转移”IEEE访问》第六卷,第26253 - 26241页,2018年。视图:出版商的网站|谷歌学术搜索
154. S.-Y。邵,W.-J。太阳,R.-Q。燕,p . Wang和r . x高,“深学习方法对制造业的感应电动机故障诊断,”中国机械工程杂志》上,30卷,不。6,1347 - 1356年,2017页。视图:出版商的网站|谷歌学术搜索
155. w .太阳,邵,r·赵r .严张x, x陈,“稀疏auto-encoder-based深感应电动机故障分类的神经网络方法,”测量卷,89年,第178 - 171页,2016年。视图:出版商的网站|谷歌学术搜索
156. o .詹森,r . Van de机器人瓦力,m . Loccufier和s . Van Hoecke“深度学习基于红外热图像机器健康监测,“IEEE / ASME举办,23卷,不。1,第159 - 151页,2018。视图:出版商的网站|谷歌学术搜索
157. f . Cipollini l . Oneto a Coraddu, s . Savio”感应电动机轴承监测无监督深度学习,”数据功能的发现和应用,3卷,不。1,p。2019。视图:出版商的网站|谷歌学术搜索
158. s . s . Udmale s·k·辛格,s . g . Bhirud”基于kurtogram轴承数据分析和深度学习序列模型,”测量卷,145年,第677 - 665页,2019年。视图:出版商的网站|谷歌学术搜索
159. h . r . Zhang道,吴l . y .关,“转移学习对轴承故障诊断神经网络在改变工作条件,”IEEE访问5卷,第14357 - 14347页,2017年。视图:出版商的网站|谷歌学术搜索
160. m·j·哈桑·m·m·m·伊斯兰教,和人类。金,“声光谱成像和转移学习变速条件下可靠的轴承故障诊断,”测量卷,138年,第631 - 620页,2019年。视图:出版商的网站|谷歌学术搜索
161. 江z . Wu h . k .赵,x,“一种自适应深转移学习轴承故障诊断的方法,”测量,第151卷,第107227页,2020年。视图:出版商的网站|谷歌学术搜索
162. c .沈x Wang m .夏d . Wang j .朱和z朱,“多尺度深内部类转移学习轴承故障诊断,”可靠性工程和系统安全可靠性工程和系统安全文章ID 107050卷,202年,2020年。视图:出版商的网站|谷歌学术搜索
163. 他m .他和d,“一个新的混合深度信号处理方法对轴承故障诊断使用振动信号,”Neurocomputing卷,396年,第555 - 542页,2020年。视图:出版商的网站|谷歌学术搜索
164. A .劳纳-库比劳、美国Perinpanayagam和m . Esperon-Miguez”回顾基于物理模型在预测:应用旋转机械的齿轮和轴承,”机械工程的发展,8卷,不。8篇文章ID 168781401666466, 2016。视图:出版商的网站|谷歌学术搜索
165. r·b·兰德尔·j·安东尼,“滚动轴承diagnostics-A教程中,“机械系统和信号处理,25卷,不。2、485 - 520年,2011页。视图:出版商的网站|谷歌学术搜索
166. d . Abboud j·安东尼,s . Sieg-Zieba和m . Eltabach“包络分析变速旋转机械振动的条件:一个全面的治疗,”机械系统和信号处理卷,84年,第226 - 200页,2017年。视图:出版商的网站|谷歌学术搜索
167. d .窦和美国周”,比较四种直接分类方法的智能旋转机械的故障诊断,”应用软计算,46卷,第468 - 459页,2016年。视图:出版商的网站|谷歌学术搜索
168. 香港,z周、大肠f.t.和w·王,“健康趋势预测的一种自适应方法旋转轴承,”数字信号处理,35卷,第123 - 117页,2014年。视图:出版商的网站|谷歌学术搜索
169. m·g·唐f·汗,“动态过程故障检测和诊断基于隐马尔可夫和贝叶斯网络模型相结合的方法,”化学工程科学卷,201年,第96 - 82页,2019年。视图:谷歌学术搜索
170. m . y Asr m . m . Ettefagh r . Hassannejad和s . n .哈”的组合在旋转机械故障诊断non-naive贝叶斯方法,”机械系统和信号处理卷。85年,56 - 70,2017页。视图:出版商的网站|谷歌学术搜索
171. 即本高加在“贝叶斯网络”,百科全书的统计数据的质量和可靠性,1卷,2008年。视图:出版商的网站|谷歌学术搜索
172. 聂,m .郑,问:,“深回归贝叶斯网络及其应用:概率为计算机视觉深度学习,”IEEE信号处理杂志,35卷,不。1,第111 - 101页,2018。视图:出版商的网站|谷歌学术搜索
173. r . Agrahari”应用程序的贝叶斯网络模型在预测类型的血液恶性肿瘤,”科学报告,8卷,不。1,p。6951年,2018。视图:出版商的网站|谷歌学术搜索
174. 顾x z z . Wang Wang, s .他和z燕,”特征选择冷水机组故障诊断的基于贝叶斯网络领域应用的角度来看,“应用热工程卷,129年,第683 - 674页,2018年。视图:出版商的网站|谷歌学术搜索
175. h·库马尔,诉Sugumaran和m . Amarnath”故障诊断轴承通过声音信号的使用统计特性和贝叶斯分类器,”《振动工程与技术,4卷,不。2、87 - 96年,2016页。视图:谷歌学术搜索
176. 梁张x, y, j .周和y藏,“一种新型轴承故障诊断模型集成排列熵,合奏经验模态分解和优化的支持向量机,”测量卷,69年,第179 - 164页,2015年。视图:出版商的网站|谷歌学术搜索
177. b . f . Chen唐、t .歌曲和l·李”故障诊断研究构成基于multi-kernel滚柱轴承与混沌粒子群优化支持向量机,”测量47卷,第590 - 576页,2014年。视图:出版商的网站|谷歌学术搜索
178. s . Suthaharan“支持向量机”机器学习模型和算法对大数据的分类施普林格,页207 - 235年,柏林,德国,2016年。视图:谷歌学术搜索
179. p .东部赫拉和p .将感应电动机轴承故障检测,利用小波和支持向量机(svm),“应用软计算,11卷,不。6,4203 - 4211年,2011页。视图:出版商的网站|谷歌学术搜索
180. m·辛格和a·g·Shaik轴承故障检测、分类和位置在三相感应电动机基于斯托克变换和支持向量机,”测量卷,131年,第533 - 524页,2019年。视图:出版商的网站|谷歌学术搜索
181. z苏,b . Tang和秦y, z . Liu”为旋转机械故障诊断构成基于正交监督线性局部切空间排列和最小二乘支持向量机,”Neurocomputing卷,157年,第222 - 208页,2015年。视图:出版商的网站|谷歌学术搜索
182. y s . Liu, c, h, h·张,“机械状态预测基于小波支持向量机,”《智能制造,28卷,不。4、1045 - 1055年,2015页。视图:出版商的网站|谷歌学术搜索
183. m . y . Li徐,r . Wang和w·黄”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,”杂志的声音和振动卷,360年,第299 - 277页,2016年。视图:出版商的网站|谷歌学术搜索
184. 赵h . m . y . Li徐,w·黄”分层模糊熵和基于改进支持向量机的二叉树方法对滚动轴承故障诊断,”机制和机器理论卷,98年,第132 - 114页,2016年。视图:出版商的网站|谷歌学术搜索
185. p·a·施密德a·斯坦尼克j .太阳和h·f·克纳普,”神经网络和先进算法的智能监控行业,”汽车电子组件和系统应用程序施普林格,页173 - 183年,柏林,德国,2019年。视图:谷歌学术搜索
186. 王z, y, k . Wang”故障诊断和预后使用小波包分解,傅里叶变换和人工神经网络,”《智能制造,24卷,不。6,1213 - 1227年,2013页。视图:出版商的网站|谷歌学术搜索
187. 耿z, y, c .李韩y y崔,b . Yu,“能源石化产业优化和预测建模:一种改进的基于cross-feature卷积神经网络,”能源,第194卷,第116851页,2020年。视图:出版商的网站|谷歌学术搜索
188. D.-K。Bui, t . n .阮t . d .非政府组织,和h . Nguyen-Xuan“人工神经网络(ANN)专家系统增强electromagnetism-based萤火虫算法(脂肪酸)预测建筑的能源消耗,”能源文章ID 116370卷,190年,2020年。视图:出版商的网站|谷歌学术搜索
189. 张y, z霍r . Sath, l .蜀”自适应故障诊断的滚子轴承使用红外热图像,”Proceeedings第43届年会的IEEE工业电子协会(IECON)2017年,北京,中国。视图:谷歌学术搜索
190. a . v . Joshi“感知器神经网络,”机器学习和人工智能页43-51 Springer,柏林,德国,2020年。视图:谷歌学术搜索
191. j·本·阿里,n . Fnaiech l . Saidi b . Chebel-Morello和f . Fnaiech”应用经验模态分解和人工神经网络自动轴承故障诊断基于振动信号,”应用声学卷。89年,16-27,2015页。视图:出版商的网站|谷歌学术搜索
192. l·m·夏t . Li, l . Liu和c w . de Silva“对旋转机械故障诊断使用多个传感器和卷积神经网络,”IEEE / ASME举办,23卷,不。1,第110 - 101页,2018。视图:出版商的网站|谷歌学术搜索
193. p . Agrawal和p .贾”,轴承故障的诊断和分类使用人工神经网络和支持向量机,”杂志的机构工程师(印度):C系列,卷101,不。1,第72 - 61页,2020。视图:出版商的网站|谷歌学术搜索
194. 江朱w·李,z, f, g, g·陈,“旋转机械故障诊断的一种新颖的统计特征提取和评价方法,”机械系统和信号处理50-51卷,第426 - 414页,2015年。视图:出版商的网站|谷歌学术搜索
195. p . k .钙结核,s . c·沙玛,s . p . Harsha”故障诊断的滚珠轴承使用机器学习方法,“专家系统与应用程序,38卷,不。3、1876 - 1886年,2011页。视图:出版商的网站|谷歌学术搜索
196. 诉Vakharia、诉古普塔和p .灰质核“基于多尺度熵排列方式为球轴承的故障诊断,选择小波”振动与控制杂志》上,21卷,不。16,3123 - 3131年,2015页。视图:出版商的网站|谷歌学术搜索
197. k . Gowthami和l . Kalaivani感应电动机轴承故障分类使用自适应神经模糊推理系统,”第五届国际会议上电能系统的程序(冰)2019年,页1 - 6,北京,中国。视图:谷歌学术搜索
198. l·杰·w·王,f . Golnaraghi”一个增强诊断轴承状态监测方案,“IEEE仪表和测量卷,59号2、309 - 321年,2010页。视图:出版商的网站|谷歌学术搜索
199. 汗s和t . Yairi”,审查深度学习的应用系统健康管理,“机械系统和信号处理卷,107年,第265 - 241页,2018年。视图:出版商的网站|谷歌学术搜索
200. 赵r, r, z . Chen毛k, p . Wang和r . x高,“深度学习及其应用机械健康监测,“机械系统和信号处理卷,115年,第237 - 213页,2019年。视图:出版商的网站|谷歌学术搜索
201. m . Bach-Andersen b Rømer-Odgaard, o . Winther“深度学习自动化动力传动系统故障检测,”风能,21卷,不。1,29-41,2018页。视图:出版商的网站|谷歌学术搜索
202. D.-T。黄平君周宏儒。康”,基于深度学习的轴承故障诊断的一项调查,“Neurocomputing卷,335年,第335 - 327页,2019年。视图:出版商的网站|谷歌学术搜索
203. w·戴,z, c罗,j .江h .张问:苗,“旋转机械故障诊断的基于强化学习和平滑指数的倒数,”IEEE传感器杂志,20卷,不。15日,第8315 - 8307页,2020年。视图:出版商的网站|谷歌学术搜索
204. m·甘朱和c, c . Wang”建设层次诊断网络基于深度学习及其应用在滚动轴承的故障模式识别,”机械系统和信号处理卷,72 - 73,92 - 104年,2016页。视图:出版商的网站|谷歌学术搜索
205. h .邵h .江、f . Wang和h .赵”一个增强深特征融合的旋转机械故障诊断的方法,”以知识为基础的系统卷,119年,第220 - 200页,2017年。视图:出版商的网站|谷歌学术搜索
206. h .邵h .江、h·赵和f . Wang”小说深autoencoder特性为旋转机械故障诊断学习方法,“机械系统和信号处理卷,95年,第204 - 187页,2017年。视图:出版商的网站|谷歌学术搜索
207. c . Lu Z.-Y。王,w l。秦,j .马”故障诊断旋转机械组件使用堆叠去噪autoencoder-based健康状态识别、”信号处理卷,130年,第388 - 377页,2017年。视图:出版商的网站|谷歌学术搜索
208. 他m .他和d,“深度为轴承故障诊断,基于学习的方法”IEEE行业应用,53卷,不。3、3057 - 3065年,2017页。视图:出版商的网站|谷歌学术搜索
209. 郭x l·陈,c .沈”分层自适应深卷积神经网络及其应用于轴承故障诊断,”测量卷,93年,第502 - 490页,2016年。视图:出版商的网站|谷歌学术搜索
210. m·索学术界。金和人类。金”,一个混合动力特性模型和deep-learning-based轴承故障诊断,”传感器,17卷,不。12,2876页,2017年。视图:出版商的网站|谷歌学术搜索
211. c . Li R.-V。桑切斯,g .国家、m . Cerrada和d·卡布瑞拉”对旋转机械故障诊断使用振动测量深度的统计特性学习,”传感器,16卷,不。6,895年,页2016。视图:出版商的网站|谷歌学术搜索
212. f·贾,j·林、周x, y Lei, n . Lu”深层神经网络:一个有前途的工具故障特征挖掘和智能诊断旋转机械的大量数据,”机械系统和信号处理卷,72 - 73,303 - 315年,2016页。视图:出版商的网站|谷歌学术搜索
213. h .邵h .江h·张,w .段t梁,和吴,“滚动轴承故障特征学习使用改进的卷积深层信念网络和压缩传感、”机械系统和信号处理卷,100年,第765 - 743页,2018年。视图:出版商的网站|谷歌学术搜索
214. c . Li R.-V。桑切斯,g .国家m . Cerrada d·卡布瑞拉和r . e . Vasquez,“多通道深支持向量分类与同源的特性及其应用于齿轮箱故障诊断,”Neurocomputing卷,168年,第127 - 119页,2015年。视图:出版商的网站|谷歌学术搜索
215. o .詹森,诉Slavkovikj b Vervisch et al .,“基于卷积神经网络对旋转机械故障检测,”杂志的声音和振动卷,377年,第345 - 331页,2016年。视图:出版商的网站|谷歌学术搜索
216. 邓,陈x, z . Chen R.-V c . Li。桑切斯,h .秦“深神经为基础的网络滚动轴承故障诊断,”微电子的可靠性卷,75年,第333 - 327页,2017年。视图:出版商的网站|谷歌学术搜索
217. d .是a . Ferrada e . l . Droguett诉Meruane和m . Modarres“深度学习使故障诊断滚动轴承,使用时频图像分析”冲击和振动卷,2017篇文章ID 5067651, 1卷,2017页。视图:出版商的网站|谷歌学术搜索
218. w·张、李x和问:叮,“深残余上优于旋转机械故障诊断方法,”ISA事务,第95卷,第295页,2019年。视图:出版商的网站|谷歌学术搜索
219. l·l·温x Li高,y,“一个新的卷积神经网络数据驱动的故障诊断方法,”IEEE工业电子产品,卷65,不。7,5990 - 5998年,2018页。视图:出版商的网站|谷歌学术搜索
220. j .郑朱j . g .陈z,歌曲,和z通用电气、“健壮的潜变量的动态贝叶斯网络建模和故障分类,“人工智能技术的工程应用,第89卷,第103475页,2020年。视图:出版商的网站|谷歌学术搜索
221. c段、诉马基斯和c·邓”两级贝叶斯机械设备的早期故障检测相关的失效模式,”可靠性工程和系统安全,第193卷,第106676页,2020年。视图:出版商的网站|谷歌学术搜索
222. b的歌,棕褐色,h·史,b .赵”故障检测和诊断通过标准化的k最近邻多模过程,”台湾化学工程师学会杂志》上卷,106年,页1 - 8,2020。视图:出版商的网站|谷歌学术搜索
223. 美国Jalali、h·甘地和m . Motamedi“智能状态监测的滚珠轴承故障的组合遗传算法和支持向量机,”杂志的无损评价,39卷,不。1、1 - 12,2020页。视图:出版商的网站|谷歌学术搜索
224. a . Ghosh G.-N。王,j·李,“小说自动机和基于神经网络的故障诊断系统PLC控制制造系统,”计算机与工业工程文章ID 106188卷,139年,2020年。视图:出版商的网站|谷歌学术搜索
225. a . s . Ahuja d s Ramteke, a . Parey”Vibration-based故障诊断的斜面和刺激变速箱使用连续小波变换和自适应神经模糊推理系统,”软计算在机电系统的状态监测和诊断施普林格,页473 - 496年,柏林,德国,2020年。视图:谷歌学术搜索
226. m·h·a·赛义德h . Wang, a·侯赛因和a·纳瓦兹,“基于深层神经网络在线故障监测和滑动窗口技术,”发展核能源文章ID 103236卷,121年,2020年。视图:出版商的网站|谷歌学术搜索
227. z l . Chen, j .曹,x,“小说结合非线性频谱和深度学习的方法对于复杂系统故障诊断,”测量文章ID 107190卷,151年,2020年。视图:出版商的网站|谷歌学术搜索
228. s, s, b . Wang和t . g . Habetler“深度学习算法对轴承故障diagnostics-A全面审查,”IEEE访问,8卷,第29881 - 29857页,2020年。视图:出版商的网站|谷歌学术搜索
229. b . r . Liu Yang e . f.t. x陈,“对旋转机械故障诊断的人工智能:复习一下,”机械系统和信号处理卷。108年,33-47,2018页。视图:出版商的网站|谷歌学术搜索
230. y Lei,李n, l .郭:李,t .燕和j·林,“机械健康预测:系统回顾从数据采集到原则预测,“机械系统和信号处理卷,104年,第834 - 799页,2018年。视图:出版商的网站|谷歌学术搜索
231. h . Henao G.-A。Capolino m . Fernandez-Cabanas et al .,“趋势对电机故障诊断:诊断技术的审查,”IEEE工业电子杂志,8卷,不。2,31-42,2014页。视图:出版商的网站|谷歌学术搜索
232. a . m . Alshorman o . Alshorman m . iran, a . Glowacz f·默罕默德和w·Caesarendra“Fuzzy-based容错控制全向移动机器人,”机器,8卷,不。3,55页,2020年。视图:出版商的网站|谷歌学术搜索
233. o . AlShorman b . AlShorman m . Alkhassaweneh, f . Alkahtani”的物联网医疗(IoMT)——基于远程健康监测通过可穿戴传感器:一个案例研究对糖尿病患者来说,“印尼的电气工程和计算机科学杂志》上,20卷,不。1,2020。视图:出版商的网站|谷歌学术搜索
234. o . AlShorman b AlShorman, f . Alkahtani”回顾基于可穿戴传感器监测日常身体活动管理2型糖尿病,”国际电气和计算机工程杂志》(IJECE),11卷,不。1,2021。视图:出版商的网站|谷歌学术搜索
235. o . AlShorman、b . AlShorman和m . Masadeh“人类活动回顾物理识别链使用传感器,”印尼《电气工程和信息学(IJEEI),8卷,不。3号,2020年。视图:谷歌学术搜索

版权

版权©2020年奥马尔AlShorman等。这是一个开放的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。