[1]王国法, 刘峰, 孟祥军, 等.煤矿智能化初级阶段研究与实践[J].煤炭科学技术, 2019, 47(08):1-36
[2]王国法, 赵国瑞, 任怀伟.智慧煤矿与智能化开采关键核心技术分析[J].煤炭学报, 2019, 44(1):34-41
[3]边疆.采煤机常见故障分析及研究[J].西部探矿工程, 2019, 31(10):119-120
[4]李建中.采煤机械状态监测与故障诊断的探讨[[J].矿山机械, 1998, (05):16-17
[5]周久华.神东矿区采煤机故障统计与原因分析[J].煤炭科学技术, 2015, 43(S2):139-143
[6]杨宏晖, 闫孝伟, 盛美萍.机器学习与振动信号处理[M].北京: 电子工业出版社, 2021.
[7]唐德尧.基于故障机理分析的故障诊断技术的应用和发展[J].中国设备工程, 2012, (01):9-11
[8]张志刚, 陈巧云, 马俊.基于小波包和聚类的采煤机齿轮故障诊断[J].煤矿机械, 2020, 41(09):183-186
[9]王振乾.电牵引滚筒式采煤机轴承失效分析[J].轴承, 2014, (12):37-40
[10]安琦, 顾大强.机械设计[M]. 北京: 科学出版社, 2016.
[11]田帅, 张超, 张辉.风电机组主轴轴承典型故障的建模与仿真分析[J].现代电子技术, 2021, 44(21):120-123
[12]李明, 李建宁.基于动力学建模的矿山机械滚动轴承故障频率识别[J].世界有色金属, 2018, (20):283-284
[13]牛蔺楷, 曹宏瑞, 何正嘉.滚动球轴承损伤故障动力学建模与仿真[J].中国科技论文, 2014, 9(08):902-907
[14]东亚斌, 廖明夫, 高琦.滚动体具有局部缺陷滚动轴承的动力学分析[J].重型机械, 2012, (03):148-152
[15]王凯, 剡昌锋, 王风涛, 等.深沟球轴承复合故障动力学特征[J].哈尔滨工业大学学报, 2020, 52(01):133-140
[16]马辉, 李鸿飞, 俞昆, 等.含局部故障的滚动轴承动力学建模及振动分析[J].东北大学学报自然科学版, 2020, 41(03):343-348
[17]王震, 杨正伟, 何浩浩, 等.非规则轴承故障的动力学建模与仿真[J].北京航空航天大学学报, 2021, 47(08):1580-1593
[18]李云龙, 李志农, 陶俊勇, 等.考虑渐进变形和润滑剂的滚动轴承外圈单点故障动力学模型[J].轴承, 2021, (09):14-19
[19]张金萍, 李奕江, 李允公, 等.滚动轴承磨损状态的Adams仿真与实验研究[J].机械设计与制造, 2019, (06):112-115
[20]罗茂林, 郭瑜, 伍星.考虑冲击力的球轴承外圈剥落缺陷双冲击现象动力学建模[J].振动与冲击, 2019, 38(14):48-54
[21]黄文涛, 董振振, 孔繁朝.引入撞击力的滚动轴承内圈故障振动模型[J].振动与冲击, 2016, 35(17):121-126
[22]张荣华, 曹莉, 周建星, 等.行星齿轮传动的齿面动态磨损特性[J].西安交通大学学报, 2021, 55(08):42-49
[23]赵鑫, 张秀华, 溥江.齿面点蚀对齿轮啮合刚度影响分析[J].机械强度, 2020, 42(06):1424-1429
[24]谢福起, 巫世晶, 李小勇, 等.含齿根裂纹风电行星齿轮传动系统动态特性研究[J].计算机集成制造系统, 2022, :-
[25]陈材, 石全, 尤志锋, 等.典型齿轮传动系统断齿毁伤效应仿真与分析[J].现代制造工程, 2019, (10):90-93
[26]范志锋.基于ADAMS的两级行星轮系几何偏心故障特性研究[J].制造技术与机床, 2020, (10):59-63
[27]万志国, 贺王鹏, 廖楠楠, 等.齿根裂纹与齿面剥落故障的振动响应机理研究[J].西安电子科技大学学报, 2021, 48(06):131-137
[28]李习科, 汪建, 陈涛, 等.含耦合损伤的直齿轮传动系统振动特性分析[J].机械传动, 2019, 43(11):95-101
[29]王永坚, 陈景锋, 杨小明.基于油液分析的船舶尾轴承状态监测与故障诊断[J].集美大学学报自然科学版, 2014, 19(04):285-290
[30]况福明, 周新聪, 冯伟, 等.风机油液监测理化指标及光谱元素的灰色关联分析[J].润滑与密封, 2016, 41(12):112-116
[31]赵新泽, 张少庆, 赵美云, 等.原子光谱分析法在大型闸门启闭机液压系统故障诊断中的应用[J].液压与气动, 2012, (09):73-75
[32]李臻, 荆双喜, 冷军发, 等.油液分析技术在采煤机故障诊断中的应用[J].矿山机械, 2003, (03):16-18
[33]谢晓梅, 梁国宏.铁谱分析在煤矿大型设备中的应用[J].能源与节能, 2016, (10):184-185
[34]李娟, 王飞雪.油液监测技术在神东矿区的应用[J].陕西煤炭, 2019, 38(03):117-121
[35]孙富成, 宋文渊, 滕红智, 等.基于红外热图像的变速箱轴承状态监测与故障诊断[J].电光与控制, 2017, 24(07):113-117
[36]宓为建, 沈晴, 刘园, 等.基于红外热成像技术的发动机故障诊断[J].上海海事大学学报, 2016, 37(04):65-69
[37]刘慧舟, 胡瑾秋, 张来斌, 等.基于红外热成像与的压裂装备故障精准识别及预警[J].中国石油大学学报自然科学版, 2021, 45(01):158-166
[38]戴邵武, 陈强强, 丁宇.基于时域特征的滚动轴承寿命预测[J].计算机测量与控制, 2019, 27(10):60-63
[39]段蛟龙, 许春雨, 宋建成, 等.基于振动模型的采煤机摇臂齿轮局部故障频谱分析[J].工矿自动化, 2016, 42(07):34-39
[40]任贵粉, 刘增力, 孙伟栋.机械故障诊断技术研究综述[J].农业装备与车辆工程, 2021, 59(02):69-73
[41]包文杰, 涂晓彤, 李富才, 等.参数化的短时傅里叶变换及齿轮箱故障诊断[J].振动. 测试与诊断, 2020, 40(02):272-277
[42]朱亚军, 胡建钦, 李武, 等.基于频域窗函数的短时傅里叶变换及其在机械冲击特征提取中的应用[J].机床与液压, 2021, 49(18):177-182
[43]邓郁旭.基于小波分析和改进神经网络的采煤机截割部传动系统故障诊断[J].煤矿机械, 2021, 42(06):180-183
[44]华伟.基于多小波变换的矿用齿轮箱故障诊断研究[D].北京: 中国矿业大学(北京), 2017.
[45]王金福, 李富才.机械故障诊断技术中的信号处理方法:时频分析[J].噪声与振动控制, 2013, 33(03):198-202
[46]刘旭南, 赵丽娟, 付东波, 等.采煤机截割部传动系统故障信号小波包分解方法研究[J].振动与冲击, 2019, 38(14):169-175
[47]张思思, 刘玉波.改进与边际谱结合的齿轮箱故障诊断方法[J].煤炭技术, 2021, 40(11):220-223
[48]李力, 倪松松.基于改进小波去噪预处理和的采煤机齿轮箱故障诊断[J].中南大学学报自然科学版, 2016, 47(10):3394-3400
[49]郝尚清, 庞新宇, 王雪松, 等.基于盲源分离的采煤机摇臂轴承故障诊断方法[J].煤炭学报, 2015, 40(11):2509-2513
[50]郝少鹏, 赵登山, 赵占奎, 等.基于双谱分析的滚动轴承故障诊断[J].电子技术与软件工程, 2019, (11):132-133
[51]周小龙, 张耀娟, 王尧, 等.VMD的AR模型和关联维数在齿轮故障特征提取中的应用[J].制造技术与机床, 2021, (01):91-95
[52]崔德健.基于分形网格维数的采煤机故障诊断[J].传感器世界, 2013, 19(10):18-20
[53]郝如江, 卢文秀, 褚福磊.声发射检测技术用于滚动轴承故障诊断的研究综述[J].振动与冲击, 2008, (03):75-79
[54]关贞珍, 郑海起, 叶明慧.基于振动图像纹理特征识别的轴承故障程度诊断方法研究[J].振动与冲击, 2013, 32(05):127-131
[55]方伟中.基于改进神经网络的采煤机截割部传动系统故障监测与诊断[J].煤矿机械, 2020, 41(07):153-156
[56]赵凡超, 戴石良, 房华伟, 等.基于改进集成多隐层小波极限学习神经网络的滚动轴承故障识别研究[J].机电工程, 2021, 38(09):1152-1159
[57]贺岩松, 黄毅, 徐中明, 等.基于小波奇异熵与神经网络的电机轴承故障识别[J].振动与冲击, 2017, 36(10):217-223
[58]冯东华, 贾海龙.基于能谱熵和概率神经网络的采煤机摇臂齿轮故障诊断[J].煤矿机械, 2014, 35(07):276-278
[59]刘冲.基于优化支持向量机的采煤机故障诊断技术[J].山东农业大学学报自然科学版, 2015, 46(01):132-135
[60]S.Zgarni, H.Keskes, A.Braham. Nested SVDD in DAG SVM for induction motor condition monitoring[J].Engineering Applications Artifical Intelligence, 2018, (71):210-215
[61]LI Yongbo, XU Minqiang, ZHAO Haiyang, et al.Hierarchical fuzzy entropy and improved support vector machine based binary tree approach for rolling bearing fault diagnosis[J].Mechanism and Machine Theory, 2016, (98):114-132
[62]马金英, 孟良, 许同乐, 等.基于的遗传径向基神经网络轴承故障诊断研究[J].机床与液压, 2021, 49(18):188-192
[63]张培林, 钱林方, 曹建军, 等.基于蚁群算法的支持向量机参数优化[J].南京理工大学学报自然科学版, 2009, 33(04):464-468
[64]任众, 张铁山.粒子群优化的支持向量机在截割部行星齿轮减速器故障诊断中的应用[J].机械强度, 2018, 40(06):1293-1296
[65]张宁, 魏秀业, 郭小勇, 等.基于改进鱼群算法优化神经网络的轴承故障诊断研究[J].轴承, 2019, (05):44-48
[66]黄英双, 曹辉.改进人工蜂群算法优化支持向量机及应用[J].计算机应用与软件, 2021, 38(02):258-263
[67]毛君, 郭浩, 陈洪月.基于改进萤火虫算法神经网络的刮板输送机减速器故障诊断[J].机械强度, 2019, 41(03):544-550
[68]姚武军, 孙文, 曹菊英.基于EEMD和KNN的滚动轴承故障诊断研究[J].信息技术与信息化, 2020, (06):112-115
[69]Chuan Li, Rene-vinicio Sanchez, Grover Zurita, et al.Gearbox fault diagnosis based on deep random forest fusion of acoustic and vibratory[J]. Mechanical Systems and Signal Processing, 2016, :76-77
[70]毛君, 郭浩, 陈洪月.基于深度自编码网络的采煤机截割部减速器故障诊断[J].煤炭科学技术, 2019, 47(11):123-128
[71]谢娜, 闫顺礼.基于改进深度置信网络的采煤机摇臂传动系统故障诊断研究[J].煤矿机械, 2020, 41(04):153-155
[72]包从望, 江伟, 刘永志, 等.基于卷积神经网络的采煤机截割部减速器故障诊断研究[J].机电工程, 2021, 38(10):1317-1323
[73]李长文, 程泽银, 张小刚, 等.基于深度残差网络的采煤机摇臂齿轮故障诊断[J].工矿自动化, 2021, 47(03):71-78
[74]CHEN Zhuyun, Konstantinos G, LI Weihua.Intelligent fault diagnosis for rotary machinery using transferable convolutional neural network[J].IEEE Transactions on Industrial Informatics, 2020, 16(1):339-349
[75]WANG Xu, SHEN Changqing, XIA Min, et al.Multi-scale deep intra-class transfer learning for bearing fault diagnosis[J].Reliability Engineering & System Safety, 2020, (202):107050-107056
[76]LI Xiang, ZHANG Wei, DING Qian.Multi-layer domain adaptation method for rolling bearing fault diagnosis[J].Signal Processing, 2019, (157):180-197
[77]刘杰, 王昌达, 武秋敏, 等.改进的生成对抗网络在轴承故障诊断中的应用[J].噪声与振动控制, 2021, 41(02):89-92 |