齒輪故障檢測研究的國內(nèi)外文獻綜述最開始的齒輪故障檢測只以旋轉(zhuǎn)式機械為主，對一些振動加速度參數(shù)進行測量，它可以定性對齒輪內(nèi)出現(xiàn)的故障問題進行分析。對于旋轉(zhuǎn)式機械來說，其齒輪故障診斷方法中，發(fā)展最快的就是頻域性，在這之中，國外學(xué)者Randall等[5]人利用齒輪箱組件的詳細動態(tài)特性來監(jiān)測齒輪的振動信號進而分析齒輪箱故障，顯示如何將故障恢復(fù)，并在分析齒輪磨損和齒輪裂紋等故障診斷方面做出較大的貢獻。最近幾年，國內(nèi)研究人員在齒輪故障診斷方面進行了深入的研究。在1986年，國內(nèi)學(xué)者屈梁生等人在故障診斷中，對齒輪故障的時頻特點深入分析[6]。在1988年，國內(nèi)學(xué)者顏玉玲等人以滾動軸承為主，深入分析其振動情況，探究其故障診斷情況[7]。在1997年，國內(nèi)學(xué)者韓捷等人進一步分析齒輪故障原理，把齒輪故障劃分成兩個方面，一個大周期齒輪故障特征，另一個是小周期齒輪故障特征。在2007年，國內(nèi)學(xué)者袁佳勝等人在齒輪箱故障分析過程中，應(yīng)用兩種方法一種是小波包分解，另一種是自相關(guān)分析。相關(guān)文獻[8]用綜合經(jīng)驗?zāi)B(tài)分解（EnsembleEmpiricalModeDecompodition，EEMD）和自相關(guān)分析結(jié)合的方法提取出與原信號相關(guān)性最強的本征模態(tài)函數(shù)。在2015年，國內(nèi)學(xué)者趙曉清等人[9]以振動信息融合為依托，建立故障診斷模型，對構(gòu)建的故障診斷模型的科學(xué)性進行檢驗。國內(nèi)學(xué)者周海丹等人[10]運用倒頻譜分析技術(shù)對齒輪點蝕故障進行了診斷研究，說明了倒頻譜在分析點蝕故障時的有效性和可行性。李翠省等[11]將EEMD和譜峭度法相結(jié)合應(yīng)用到貨車軸承的故障診斷中，取得了較好的效果。沈陽理工大學(xué)的魏永合等人基于EEMD與SVD的結(jié)合，先對原始信號進行經(jīng)驗?zāi)B(tài)分解，然后對固有模態(tài)分量進行有效的篩選并且重構(gòu)，利用奇異值差分譜來選擇奇異值進行SVD重構(gòu)，由此實現(xiàn)對弱故障特征的提取。沈超[12]將改進的局部均值分解方法應(yīng)用到地鐵齒輪故障診斷中，對于EMD的端點效應(yīng)問題做了有效改進，成功提取了齒輪故障信息。南昌航空大學(xué)的曹展等基于AR模型對齒輪進行故障診斷，提出時域同步平均技術(shù)與AR模型相結(jié)合的齒輪故障診斷方法，有效診斷出強噪聲干擾下的齒輪故障。國內(nèi)學(xué)者王志堅等[13]提出，使MCKD和循環(huán)域解調(diào)法有機聯(lián)系起來，能夠?qū)Χ噍d波頻率產(chǎn)生的交叉項干擾科學(xué)抑制，使分析有效性顯著提升。國內(nèi)學(xué)者任彬等[14]以優(yōu)化包絡(luò)線法為依托，對本征模態(tài)函數(shù)進行建立，提出經(jīng)驗?zāi)B(tài)分解法，能夠?qū)δB(tài)交叉情況有效規(guī)避，能夠?qū)收咸卣黝l率進行及時獲取，以強背景噪聲為依托，能夠進一步提取微弱故障。國內(nèi)學(xué)者辛李霞等[15]使VMD和最小熵反褶積有機聯(lián)系起來，MED處理分解完成的PF分量，這樣能夠?qū)X輪初始時的故障數(shù)據(jù)進行提取。國內(nèi)學(xué)者唐道龍等[16]將MCKD與快速譜峭度法相結(jié)合，通過提取周期性沖擊成分和選取故障頻帶實現(xiàn)對齒輪的故障診斷。對于齒輪故障診斷技術(shù)來說，其有效的故障診斷法有不少，不單單有振動檢測法[17]，同時還有參數(shù)檢測法[18]，此外還有能耗檢測法[19]，對故障齒輪箱的振動、油樣以及噪聲等信息有效獲取[20]，從而及時獲取齒輪故障數(shù)據(jù)[21]。對于振動檢測法來說，其操作不復(fù)雜，技術(shù)難度不大，信號獲取方法不復(fù)雜[22]，使得這一方法的實現(xiàn)不難，振動信號十分多樣，有著較高的可靠性[23]，同時信號處理方式越來越完善[24]，長期以來，在全球范圍內(nèi)得到深入推廣。對于齒輪故障診斷來說，其方法主要就是在頻域以及時域范圍內(nèi)診斷振動信號。對于時域法來說，以診斷者的經(jīng)驗為依托，看其是不是全面了解故障機理。對于經(jīng)典時域法來說，它是以微分方程為依托，對動態(tài)表達式進行求解，獲取系統(tǒng)輸出響應(yīng)公式[25]。對于時域分析來說，其初值是0的情況下，大多以傳遞函數(shù)為主，通過傳遞函數(shù)來對系統(tǒng)指標進行評價。主要就是結(jié)合這一系統(tǒng)中函數(shù)的極點以及零點來對系統(tǒng)性能進行分析。這就是我們所說的復(fù)頻域分析[26]。將時間當成是自變量來對物理量變化進行表述，這是信號最主要的體現(xiàn)方式。對于時域中信號來說，對其進行放大、過濾處理，就是我們所說的時域分析。對于時域分析方法來說，能夠使信噪比有效提升，在不同時間獲取信號波形的相關(guān)性，能夠?qū)C械設(shè)備運行過程中的特征參數(shù)體現(xiàn)出來，這對于機械系統(tǒng)分析是有利的，對于故障診斷奠定基礎(chǔ)。在控制系統(tǒng)中，最主要的一個方法就是頻域分析法[27]。對于控制系統(tǒng)來說，其信號主要是頻率不同的正弦信號的整合。在頻率不同的情況下，正弦函數(shù)發(fā)揮作用，對穩(wěn)態(tài)輸出、輸入信號間的數(shù)學(xué)模型進行表述，就是我們所說的頻率特性，能夠?qū)⒄倚盘柷闆r下，系統(tǒng)響應(yīng)性能體現(xiàn)出來。通過頻率特點對線性系統(tǒng)進行研究的方法，就是我們所說的頻域分析法。在二十世紀三十年代，頻域分析法逐漸發(fā)展起來，它是具有代表性的工程方法之一[28]。對于頻域分析法來說，這是圖解法之一，主要通過頻率特性來對線性系統(tǒng)進行分析。對于頻率特性來說，它與傳遞函數(shù)相同，主要對線性系統(tǒng)的動態(tài)特點進行體現(xiàn)。以頻率特性為依托，對系統(tǒng)頻域法進行分析，能夠使時域分析法的問題有效補充，所以其得到深入推廣。對于頻率特性來說，它是兩個指標的復(fù)數(shù)比，一個是頻率響應(yīng)，另一個是正弦輸入信號。對于頻率響應(yīng)來說，就是由于正弦輸入信號的影響，線性系統(tǒng)將穩(wěn)態(tài)分量傳輸。對于頻域分析法來說，其特點具體是：第一，對于頻率特性來說，盡管其是穩(wěn)態(tài)特性之一，然而其不單單能夠?qū)⑾到y(tǒng)穩(wěn)態(tài)性能體現(xiàn)出來，同時能夠?qū)ο到y(tǒng)平穩(wěn)性進行分析，對其瞬態(tài)性能進行分析，不需要將特征表達式的根計算出來。第二，對于頻率特性來說，它和二階系統(tǒng)過渡指標存在密切的聯(lián)系，這樣能夠便利地對系統(tǒng)中參量影響瞬態(tài)響應(yīng)的情況進行分析。第三，線性系統(tǒng)的頻率特性可以非常容易地由解析法得到。第四，大多數(shù)穩(wěn)定系統(tǒng)，其頻率特性以實驗法為依托進行測定，想要對其物理規(guī)律入手來將動態(tài)表達式列出是很難的，它的意義是十分關(guān)鍵的。第五，對于頻域分析法來說，不單單對于線性系統(tǒng)是適用的，同時還能夠向非線性系統(tǒng)進行推廣[29]。對于頻域法來說，它通過細化譜分析，以及倒頻技術(shù)來完成邊帶分析[30]。在齒輪診斷時，頻域分析重點就是對邊頻特征信息進行提取，然而以嚙合頻率為核心，其兩側(cè)存在邊頻族，上述譜線間的間隙不大，通常來說，頻率分析不能對上述非常細小的頻率有效識別。所以，對于頻譜分析來說，其以細化技術(shù)為主，從本質(zhì)來看，主要就是局部放大這一信號，主要對故障特征信息進行提取[31]。對于倒頻譜來說，就是我們所說的功率倒頻譜，也有人將其當成是二次譜分析[32]。倒頻譜有兩個優(yōu)點：1.倒頻譜在功率譜對數(shù)轉(zhuǎn)換過程中，將相應(yīng)的加權(quán)提供給低幅值分量，同時高幅值分量權(quán)不大，加權(quán)對于小信號周期性的體現(xiàn)是有利的，同時可以對頻率間隔有效測量，其在出譜圖故障邊帶族進行檢測時是非常有利的；2.對于倒頻譜分析來說，其形狀不靈活，即傳感器測點位置不靈敏，針對幅度等相位關(guān)系不靈敏，因為這一不靈敏性，導(dǎo)致倒頻譜分析振動號越來越精準，這對于獲取故障源的特征頻率是有積極作用的[33]?，F(xiàn)代研究變速器齒輪故障特征的主要分析方法都是建立在對時域和頻域的分析基礎(chǔ)上優(yōu)化的分析方法。對于變分模態(tài)分解來說，這是國外學(xué)者Dragomiretskiy等人[34]提出的，它是自適應(yīng)信號分解算法之一，它是以數(shù)學(xué)為依托的，它和遞歸式EMD是不一樣的，對于VMD算法來說，能夠把模態(tài)分解向變分解進行轉(zhuǎn)變，利用迭代搜尋其最佳解，從而對不同模態(tài)分量的頻率中心等進行確定，在頻域內(nèi)，分解原始信號，同時將所有本征模態(tài)分解全部分解。國外學(xué)者Yang等[35]對比了VMD和EMD兩種算法的性能，認為從噪聲魯棒性和故障特征提取的有效性方面考慮，VMD算法具有更明顯的優(yōu)勢。王新等[36]將VMD算法和支持向量機相結(jié)合，用于軸承的故障診斷，并認為即使樣本較少，仍可以有效地對軸承故障進行分類。國內(nèi)學(xué)者鄭小霞等[37]在軸承故障特征提取中應(yīng)用VMD算法等，同時通過支持向量機來識別故障，這一算法與小波包分解以及經(jīng)驗?zāi)B(tài)分解等整合相比，它的診斷準確率要高一些。對于粒子群算法來說，在1995年，國外學(xué)者Eberhart等人提出的，它是以群智能為依托的，它是全局搜索算法之一[38]。這一算法與模擬退火算法是相近的，最開始的初始解就是隨機分布粒子，對其完成迭代尋優(yōu)。這一算法的實現(xiàn)不難，搜索能力顯著，而且魯棒性突出。國內(nèi)學(xué)者王福忠等[39]在PSO算法內(nèi)把遺傳算法內(nèi)的交叉理念加入進來，使算法的速度有效提高。國內(nèi)學(xué)者梅恒榮等人[40]優(yōu)化PSO算法的慣性權(quán)重，使算法在SVM方面的改進成效有效提高，這樣SVM的分類能力要好一些。國內(nèi)學(xué)者張闊等[41]將改進的PSO算法用于對概率神經(jīng)網(wǎng)絡(luò)的平滑因子進行優(yōu)化，結(jié)合故障樹分析建立了對電梯的故障診斷模型。胡年平[42]等提出了小生境粒子群算法，并將其應(yīng)用于對電網(wǎng)故障診斷分析模型的優(yōu)化，改進的PSO算法大幅提高了搜索速度和搜索精度。狄振華等[43]瑪寄PSO算法應(yīng)用于對層次SVM模型的優(yōu)化，并將其應(yīng)用于汽車故障診斷，有效提高故障的檢測定位能力。國內(nèi)學(xué)者謝宏等[44]人提出電路故障診斷方法，它將混合粒子群算法和支持向量機有機聯(lián)系起來，在PSO算法內(nèi)，把模擬退火機制等加入進來，同時通過優(yōu)化的PSO來整合優(yōu)化SVM模型的核函數(shù)，同時優(yōu)化懲罰函數(shù)，使故障診斷精準率有效提升。國內(nèi)學(xué)者孫鑫[45]將四階累積量當成是PSO的評價函數(shù)，對分離矩陣進行求解，同時有效識別與提取轉(zhuǎn)子故障。國內(nèi)學(xué)者呂維宗[46]通過量子粒子群算法來對支持向量機進行優(yōu)化，同時以滾動軸承為例，故障診斷本征模態(tài)函數(shù)，其成效顯著。國內(nèi)學(xué)者舒凡娣[47]針對于PSO算法存在的提前收斂現(xiàn)象，提出了運用窮舉法對PSO算法的早熟結(jié)果進行辨識，有效改善了算法的未成熟便收斂的現(xiàn)象。國內(nèi)學(xué)者呂明珠等人以PSO算法為依托，將很多操作加入進來，例如全局領(lǐng)域搜索等，同時改進SVM參數(shù)，使得科學(xué)分類識別滾動軸承故障得以實現(xiàn)。粒子群算法近些年被廣泛應(yīng)用于故障診斷領(lǐng)域，主要應(yīng)用于對故障診斷模型的參數(shù)優(yōu)化和最優(yōu)參數(shù)選取，從而有效避免人為選取經(jīng)驗不足而導(dǎo)致的診斷效果不佳。對PSO算法的改進主要在慣性權(quán)重、初始粒子分布、粒子的位置和速度更新等方面，使得算法在不同的搜索階段具有符合模型要求的更高的全局搜索能力或局部搜索能力，同時避免陷入局部最優(yōu)解和提高算法精度。小嫡反褶積(MED)首先由Wiggins提出，是一種以最大峭度為迭代終止條件的最優(yōu)逆濾波器，在最小嫡反褶積方法中，將峭度值作為評價函數(shù)，尋找最優(yōu)逆濾波器，最大程度地還原信號的特性，使沖擊成分突出。國外學(xué)者Sawalhi在齒輪故障診斷過程中將MED加入進來。從某種程度來看，MED使信號信噪比有效提升，然而其降噪成效僅以一些大尖脈沖為主，不能提取復(fù)合故障，想要使MED法的問題有效補充，在2012年，國外學(xué)者McDonald等[48]人提出與相關(guān)峭度的概念，同時通過相關(guān)峭度對MED內(nèi)的峭度進行取代，此外，將相關(guān)峭度當成是最佳逆濾波器的終止條件。將這一方法稱做是MCKD。MCKD方法中，一旦輸入不同的周期成分，其它故障特征將被默認為噪聲成分，在齒輪部件的故障診斷中，可以有效保留和齒輪故障有關(guān)的信號，去除其它非周期成分和噪聲的干擾，因此具有極強的降噪能力[49]。王建國[50]等將EMD算法與MCKD方法相結(jié)合，將MCKD作為EMD的前置濾波器實現(xiàn)對壓力管道泄漏發(fā)射信號的診斷定位。楊斌等[51]運用步長搜索法對MCKD的濾波器長度進行優(yōu)化，并應(yīng)用自適應(yīng)的MCKD對互補集合經(jīng)驗?zāi)B(tài)分解后篩選出的分量進行降噪處理，從而實現(xiàn)對滾動軸承的早期故障特征的提取。孫偉等[52]將MCKD算法與倒頻譜方法有效結(jié)合，同樣將MCKD作為故障診斷的前置濾波器，準確診斷出軸承內(nèi)外圈和滾珠故障。齊詠生等[53]將PSD算法用于對MCKD算法中的濾波器長度和位移數(shù)以相關(guān)峭度為評價函數(shù)進行尋優(yōu)，并結(jié)合teager能量算子實現(xiàn)了對滾動軸承的復(fù)合故障診斷。國內(nèi)學(xué)者張洪梅等[54]以變步長網(wǎng)格搜索法來獲取最優(yōu)的MCKD長度，使得自適應(yīng)MCKD降噪得以實現(xiàn)。國內(nèi)學(xué)者熊裕文[55]把這一算法和稀疏表示有機聯(lián)系起來，使得故障提取得以實現(xiàn)。國內(nèi)學(xué)者張志強等人以pRFT目標分離為依托，提出增強故障診斷算法，以FRFT濾波為主，能夠強化MCKD，此外通過階比包絡(luò)分析，能夠?qū)⑶捌谖⑷豕收咸崛〕鰜?。對于MCKD方法在故障診斷中的研究主要在兩個方面，一方面是對MCKD算法參數(shù)的優(yōu)化選取，另一方面是將MCKD方法與其它故障診斷算法有效結(jié)合，從而實現(xiàn)對故障特征的準確識別和提取。對于神經(jīng)網(wǎng)絡(luò)來說，其與網(wǎng)絡(luò)技術(shù)有機聯(lián)系起來，使得齒輪系統(tǒng)診斷深入發(fā)展。在2006年，國外學(xué)者HINTONGE等人第一次提出深度學(xué)習(xí)的定義[56]，開始了新的人工智能研究階段，在2013年，10大突破性技術(shù)中，深度學(xué)習(xí)理論居于第一位。對于微軟等知名機構(gòu)來說，在很多領(lǐng)域有效應(yīng)用這一技術(shù)，例如語音識別以及信息檢索等，其成果顯著[57]。深度學(xué)習(xí)旨在通過模擬大腦的學(xué)習(xí)過程，以層次化的信息表達并結(jié)合海量的訓(xùn)練數(shù)據(jù)，對更高階的本質(zhì)特征的信息提取，并逐層進化特征傳遞，實現(xiàn)信息的認知計算。以深度學(xué)習(xí)為依托的狀態(tài)診斷，主要就是通過大數(shù)據(jù)對特征進行學(xué)習(xí)，這樣能夠?qū)ζ鋬?nèi)在信息進行刻畫，使分類得以提高。對于機械健康監(jiān)測來說，深度學(xué)習(xí)研究才剛剛開始。與以往的機器學(xué)習(xí)故障診斷法進行比較，對于深度學(xué)習(xí)來說，其構(gòu)建的深層次模型，可以將原始信號當成是輸入，使端向端的診斷得以完成，使以往的問題有效規(guī)避。第一，從特征提取來看，必須要有信號處理技術(shù)，其提取以淺層故障特征為主，人為因素的影響要大一些；第二，對于模型訓(xùn)練來說，未對特征提取給予考慮，模型訓(xùn)練最優(yōu)化未能實現(xiàn)。第三，以往方法以有限數(shù)據(jù)樣本為主，以大數(shù)據(jù)為依托，模型學(xué)習(xí)性能顯著不夠，想要與需求相符是很難的。對于CNN來說，它是深度學(xué)習(xí)中最具代表性的網(wǎng)絡(luò)，其在視覺處理中深入推廣[58][59]，尤其是采用CNN為核心技術(shù)的“人機圍棋大戰(zhàn)”———GoogleAlphaGo成功案例讓人印象深刻。CNN在上述領(lǐng)域的成功運用，主要源于其模型結(jié)構(gòu)和訓(xùn)練方式上的優(yōu)勢[60][61]:以多層卷積變換為核心的多層次結(jié)構(gòu)具有更強的非線性特征提取能力;“特征學(xué)習(xí)”直接面向模式識別，實現(xiàn)特征提取、選擇和分類器是聯(lián)合優(yōu)化的;訓(xùn)練過程中，對于大樣本來說，挨個層無監(jiān)監(jiān)貪婪學(xué)習(xí)，通過數(shù)據(jù)驅(qū)動來自適應(yīng)調(diào)節(jié)參數(shù)，對于小樣本來說，以整體有監(jiān)督微調(diào)為主，使整體修正的認識得以實現(xiàn)。結(jié)合以上研究現(xiàn)狀，本文選用基于參數(shù)優(yōu)化的變分模態(tài)分解提取汽車變速器早期故障特征的方法對齒輪故障信號進行處理，得到包含故障特征的本征模態(tài)分量（IMF），之后使用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)不同程度齒輪故障特征的本征模態(tài)分量（IMF），對齒輪故障智能診斷分類。參考文獻雷亞國，何正嘉．混合智能故障診斷與預(yù)示技術(shù)的應(yīng)用進展［J］．振動與沖擊，2011，30(9):129－135．丁康，朱小勇，陳亞華.齒輪箱典型故障振動特征與診斷策略[J].振動與沖擊，2001(03):7-12.李寶年.齒輪箱故障診斷研究[J].煤礦機械，1997(01):43-45.FengZP，ChuFL.Applicationofatornicdecompositiontogeardamagedetection.JournalofSoundandVibration，2007，(302):138-151RandallRB.ANewMethodofModelingGearFaults[J].JournalofMechanicalDesign，1982，104(2):259-267.袁佳勝，馮志華.基于相關(guān)分析與小波變換的齒輪箱故障診斷[J].農(nóng)業(yè)機械學(xué)報，2007，38(008):120-123.WuZ，HuangNE.Astudyofthecharacteristicsofwhitenoiseusingtheempiricalmodedecompositionmethod[J].ProceedingsMathematicalPhysical&EngineeringSciences，2004，460(2046):1597-1611.趙曉清，徐玉秀，梁曉玉，等.基于振動相關(guān)信息融合的行星齒輪傳動系統(tǒng)故障診斷[J].機械強度，2015，037(001):1-8.周海丹，李時雨.基于倒譜分析的齒輪箱齒輪點蝕故障診斷研究[J].機床與液壓，2018，v.46;No.467(17):192-195.李翠省，劉永強，廖英英.EEMD降噪和譜峭度法在鐵路貨車軸承故障診斷中的應(yīng)用[J].石家莊鐵道大學(xué)學(xué)報(自然科學(xué)版)，2017(30):70-75.沈超，楊建偉，姚德臣，等.基于改進局部均值分解和流形學(xué)習(xí)的齒輪故障診斷研究[J].機械傳動，2018，042(001):137-142.王志堅，王俊元，曾志強，等.MCKD-循環(huán)域解調(diào)方法在齒輪箱故障診斷中的應(yīng)用[J].機械傳動，2017(1):183-188.任彬，喬卉卉，楊紹普，等.機車齒輪箱早期復(fù)雜微弱信息獲取方法研究[J].鐵道學(xué)報，2017，039(006):38-47.辛李霞，汪建新，蘇曉云.基于VMD和最小熵反褶積的齒輪早期故障診斷[J].機械設(shè)計與制造，2019，No.340(06):57-61.TANGDaolong，唐道龍，LIHongkun，等.基于MCKD和快速譜峭度的行星齒輪箱故障診斷[C]//第十二屆全國振動理論及應(yīng)用學(xué)術(shù)會議論文集.中國振動工程學(xué)會，2017.屈梁生.機械故障診斷學(xué)[M].1986.李延斌，鄭鵬，張文祥，等.齒輪故障診斷技術(shù)現(xiàn)狀與展望[J].機械設(shè)計與制造，2002，000(002):95-97.王肇琪，付勤毅.滾動軸承故障的振動檢測方法[J].有色礦山，1999(01):36-40.樊建春，張來斌，楊文友，等.應(yīng)用油液分析法診斷天然氣增壓機組故障[J].油氣儲運，2004(02):49-52.孫宇揚，段發(fā)階，方志強，等.旋轉(zhuǎn)葉片振動參數(shù)檢測方法[J].儀器儀表學(xué)報，2002，023(0z1):60-61.焦映厚，孔霞，蔡云龍，等.基于FEM和BEM法的大型立式齒輪箱振動噪聲計算及測試分析[J].振動與沖擊，2012，31(004):123-127.時培明，趙娜，蘇冠華，等.變載荷齒輪箱故障信號智能檢測方法[J].計量學(xué)報，2018，39(06):847-851.姚曉山，張永祥，明廷鋒，等.混沌弱信號檢測法在齒輪裂紋聲發(fā)射檢測中的應(yīng)用[J].武漢理工大學(xué)學(xué)報(交通科學(xué)與工程版)，2009，33(002):318-320.丁康，李巍華，朱小勇.齒輪及齒輪箱診斷實用技術(shù).北京：機械工業(yè)出版社，2005萬在紅，王細洋.齒輪裂紋早期診斷方法研究.制造技術(shù)與機床，2011，5：63-69陳后金．信號與系統(tǒng)：北京交通大學(xué)出版社，2005宋牟平，鮑翀，裘超，葉險峰.結(jié)合布里淵光時域分析和光時域反射計的分布式光纖傳感器．

2010趙媛媛，郭穎，莊慧敏．LTI時間系統(tǒng)響應(yīng)的經(jīng)典時域分析方法[J]．商情，2011，000(025):70-70劉勝主編；王輝，陳明杰，原新副主編．自動控制原理：哈爾濱工程大學(xué)出版社，2015.10孟華．自動控制原理第2版：機械工業(yè)出版社，2014.01俞文明.旋轉(zhuǎn)對稱頻域和時域積分方程方法及其軟件實現(xiàn)和應(yīng)用[D].南京理工大學(xué)，2007.程珩，程明璜.倒頻譜在齒輪故障診斷中的應(yīng)用[J].太原理工大學(xué)學(xué)報，2003，34(006):661-663.胡愛軍，嚴家祥，白澤瑞.基于MOMEDA和增強倒頻譜的風(fēng)電機組齒輪箱多故障診斷方法[J].振動與沖擊，2021，40(07):268-273.邢明星，高海龍，吳海東.倒頻譜分析法在新能源減速器異響診斷中的應(yīng)用[J].時代汽車，2020(12):65-66.DragomiretskiyK，ZossoD.VariationalModeDecomposition[J].IEEETransactionsonSignalProcessing，2014，62(3):531-544.YangW，PengZ，WeiK，etal.Superioritiesofvariationalmodedecompositionoverempiricalmodedecompositionparticularlyintime–frequencyfeatureextractionandwindturbineconditionmonitoring[J].IETRenewablePowerGeneration，2017，11(4):443-452.王新，閆文源.基于變分模態(tài)分解和SVM的滾動軸承故障診斷[J].振動與沖擊，2017(18).鄭小霞，周國旺，任浩翰，等.基于變分模態(tài)分解和排列熵的滾動軸承故障診斷[J].振動與沖擊，2017，036(022):22-28.KennedyJ，EberhartR.ParticleSwarmOptimization[C]//Icnn95-internationalConferenceonNeuralNetworks.IEEE，2002.王福忠，姚磊，苗紀青.基于改進粒子群優(yōu)化算法的提升機制動系統(tǒng)故障診斷[J].測控技術(shù)，2017，036(007):146-150.佚名.改進粒子群算法優(yōu)化的SVM模擬電路故障診斷[J].電子測量與儀器學(xué)報，2017，08(v.31;No.200):84-91.張闊，李國勇，韓方陣，等.故障樹法和改進PSO-PNN網(wǎng)絡(luò)的電梯故障診斷模型[J].中國安全生產(chǎn)科學(xué)技術(shù)，2017，09(v.13):177-181.胡年平，徐芳敏，謝寧，等.改進小生境粒子群算法應(yīng)用于電網(wǎng)故障診斷[J].電網(wǎng)與清潔能源，2018，v.34；No.223(02):14-21.狄振華，黃珊珊，羅明.一種粒子群算法優(yōu)化支持向量機的汽車故障診斷方法研究[J].小型內(nèi)燃機與車輛技術(shù)，2018.謝宏，李云峰，陳海濱，等.混合粒子群算法優(yōu)化支持向量機電路故障診斷[J].電子測量與儀器學(xué)報，2018.孫鑫.基于粒子群算法的轉(zhuǎn)子振動特征識別研究[D].長春工業(yè)大學(xué).呂維宗，王海瑞，舒捷.量子粒子群算法優(yōu)化相關(guān)向量機的軸承故障診斷[J].計算機應(yīng)用與軟件，2019，036(001):6-11，16.舒凡娣，謝嘉晟，廖曉嬌，等.結(jié)合粒子群算法和窮舉法的配電網(wǎng)故障診斷方法[J].智慧電力，2019，47(01):100-105.McdonaldGL，ZhaoQ，ZuoMJ.MaximumcorrelatedKurtosisdeconvolutionandapplicationongeartoothchipfaultdetection[J].MechanicalSystemsandSignalProcessing，2012，33(Complete):237-255.任學(xué)平，李攀，王朝閣.基于LMD和MCKD的滾動軸承早期故障診斷[J].現(xiàn)代制造工程，2018，000(009):143-147，160.王建國，劉朋真，劉艷明，等.基于MCKD和EMD分解的壓力管道泄漏源定位研究[J].工業(yè)安全與環(huán)保，2018，