時間：所屬分類：學術成果常識瀏覽：1次
軸承故障診斷領域是從事機械故障診斷維修等人員研究的重點方向，也是很多作者參與職稱評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術價值比較高的相關學術文獻分享給大家，希望對大家撰寫論文有一定幫助。
軸承故障診斷領域學術文獻一、基于改進MOMEDA的變轉速滾動軸承故障診斷
摘要：多點最優最小熵解卷積調整(MOMEDA)方法作為一種非迭代解卷積算法已廣泛應用于旋轉機械故障特征提取和診斷。然而設備實際運行工況復雜多變，無法滿足MOMEDA需要準確先驗周期的要求。針對上述問題，提出了一種基于MOMEDA的改進方法。該方法根據脈沖在角度域的等角度分布特性，計算故障脈沖的時域間隔，消除了變轉速的影響。本文通過包絡諧波強度進一步突出了信號的準確循環調制階次。軸承仿真信號和實驗結果表明，該方法在變轉速情況下仍能實現滾動軸承故障脈沖的準確提取。
出處：《軸承》2022-08-23，頁數：8，作者：許偉
基金資助：上海市信息化發展專項資金資助項目(編號：201901028)
軸承故障診斷領域學術文獻二、麻雀算法參數優化VMD聯合K-SVD滾動軸承故障診斷
摘要：針對經典K-均值奇異值分解(K-means Singular Value Decomposition,K-SVD)易受噪聲干擾產生虛假原子，導致信號稀疏不徹底、故障特征識別困難的問題，提出基于麻雀算法優化變分模態分解(Variational Modal Decomposition,VMD)參數聯合K-SVD的滾動軸承故障診斷方法。首先引入包絡熵適應度函數指標并基于麻雀算法優化VMD的模態層數k和平衡因子α。其次利用平方包絡譜峭度指標遴選最優模態，以所選模態分量相空間構造Hankel矩陣進行K-SVD字典學習。最后對恢復至時間序列的稀疏重構信號進行包絡解調，提取軸承故障特征頻率。通過軸承故障仿真信號和全壽命實驗信號進行驗證，證明相較于經典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勢，有一定的工程應用價值。
出處：《噪聲與振動控制》2022-08-18，頁數：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計劃資助項目(202102AC080002); 國家自然科學基金資助項目(52065030);
軸承故障診斷領域學術文獻三、基于屬性描述的零樣本滾動軸承故障診斷
摘要：數據驅動方式是對故障診斷模型進行訓練的主要方法，然而因為機器運轉環境復雜，沒有可用的目標故障樣本供模型訓練而導致特征學習不充分的情況時有發生。針對這一問題，結合零樣本學習(zero-shot learning, ZSL)思想，從屬性描述的角度出發，提出了一種基于Xception網絡和卷積神經網絡(convolutional neural networks, CNN)的零樣本滾動軸承故障診斷方法，即X-CNN故障診斷模型。X-CNN模型首先使用Xception網絡對故障信號時頻圖進行特征提取;根據故障類別的屬性描述構建屬性矩陣，使用CNN對提取的特征進行屬性學習;最后通過屬性矩陣的相似度比較完成診斷工作。通過零樣本條件下的故障診斷試驗，證明了X-CNN故障診斷模型可以在不使用測試類樣本進行訓練的情況下完成滾動軸承故障診斷工作。
出處：《振動與沖擊》2022-08-15，頁數：11，作者：趙曉平，呂凱揚，邵凡，張中洋
基金資助： 國家自然科學基金(51505234;51575283);
學術文獻是可以作為參考文獻出現在自己所撰寫的論文中，需要注意是引用的文獻不宜太多，且引用的文獻最好是近幾年且貼合自己論文內容的文獻。