一、Hilbert-Huang变换在滚动轴承故障诊断中的应用（论文文献综述）
姚峰林,谢长开,吕世宁,杨浩,孟哲[1]（2021）在《基于小波包变换和ELM的滚动轴承故障诊断研究》文中进行了进一步梳理为了准确诊断滚动轴承故障,降低滚动轴承故障对设备运行的影响,提出了一种基于小波包变换分析与极限学习机相结合的滚动轴承故障诊断方法。首先,通过小波包变换对轴承振动信号进行消噪处理,采用均方根差和平滑度法为指标筛选出合适的小波基函数,用以对原始信号进行消噪处理。然后以信号的8种特征作为指标对消噪后的信号进行特征值提取,并通过时域、频域信息图对轴承故障进行先验诊断。最后将提取的特征值作为样本通过极限学习机的方法对轴承故障类别进行分类、诊断。研究表明,该方法能够准确地对轴承故障类别进行诊断,为轴承的故障诊断提供了新的思路。
郭文孝[2]（2021）在《基于张量分解的旋转机械复合故障智能诊断方法研究》文中研究说明机械工业是国民经济发展的基础性、战略性支柱产业。国家“十四五”规划纲要中更加确定了机械装备的重要性:关键大型机械装备的研发与技术创新占据核心地位。而在机械装备中,旋转机械是构成各机械装备尤其是大型装备（例如:煤矿井下采煤、破碎、输送等装备）的主要动力源和核心。旋转机械的故障类型同样占据着机械装备故障的绝大多数范畴。机械装备能否正常运行主要取决于旋转机械的可靠性以及故障率。因此开展旋转机械故障的智能诊断方法的研究具有重要意义。现有文献中关于旋转机械的状态监测、检测和故障诊断的研究方法很多,例如,神经网络方法、支持向量机方法、遗传算法、Hilbert-Huang变换等方法。虽然这些理论研究方法相对成熟,但由于实际机械设备的工作环境一般都比较恶劣,从而导致其在使用中产生的不同信号相互干扰,且这些信号有着复杂的耦合特征以及很强的非线性,从而使得故障特征提取准确性不足,无法反映故障类型,而且在故障发生的初期无法诊断出故障。旋转机械在实际故障诊断和监测中的这些问题亟待解决。本文针对旋转机械在实际故障诊断、状态监测和检测过程中,信号干扰严重、特征提取准确性不足、初期故障难以检测的问题,以煤矿机械中使用的滚动轴承和齿轮箱为研究对象,基于张量分解方法,分别对现有的智能寻优算法、小波变换和神经网络法进行改进,提出适用于复杂环境下旋转机械信号降噪、特征提取和故障初期诊断方法。论文主要研究内容如下:（1）针对故障诊断中采集的数据异构、混杂、量纲不一的问题开展研究。常用的张量分解方法（CP分解、Tucker分解、HOSVD分解、HT分解、TT分解、TC分解、TTr1分解等）无法有效地剔除掉张量中的无效信息。分解中需要选择一个合适的秩1项的数量,这个数量值如果选择较小会导致原始张量的有用信息丢失,另一方面这个数量值如果选择过大会导致计算效率降低。为了提高TTr1分解的特征提取能力和对噪声的抗干扰能力,挖掘张量中的全局信息,去掉张量的冗余特征,提出了一种自适应滤波截断的张量重构方法。该方法能根据重构参数,计算全局奇异值,综合衡量其对原始张量贡献高低,自适应的设置滤波因子,去除对原始张量贡献较低的全局奇异值,消除其中干扰信息,保留张量的重要结构信息。（2）针对在复杂工况下振动信号的复杂性、非平稳性的问题开展研究。用多通道对数据监测所采集的原始信号主体分量来源于旋转机械中,其余分量多包含环境噪声等无用信息,而所采集的多通道信号在同一振动方向上存在结构和内容的相似性,说明主体分量中蕴含有设备的故障信息。为了有效提取采集信号的主体分量,结合张量分解方法能捕捉高维数据的结构相似性和内容相似性,最大程度的挖掘潜在信息,提出了一个基于TTr1FS的旋转机械特征提取方法。通过连续小波变换方法建立基于时间、频率和通道的三个不同维度表示的张量数据,运用TTr1对数据进行分解,分别获得左奇异值矩阵、奇异值矩阵和右奇异值矩阵。采用基于概率密度函数的正值优化器智能算法,寻找目标函数式重构参数最优值。采用自适应滤波截断的张量重构方法,结合左奇异值矩阵、奇异值矩阵和右奇异值矩阵,获得重构张量。最后,对重构张量采用连续小波逆变换,获得不同通道的时域信号。通过实验与其他方法的对比,验证所提方法的可行性和优势。（3）传统的智能诊断方法主要依赖于先验知识,面对海量的异构数据,所提取振动信号的特征通常包含了无用的噪声和测量误差,难以获得可区分的数据。针对该等问题开展研究,结合张量分解与重构方法在挖掘故障信号的潜在信息对提高故障识别准确度所具有的优势,提出了一种基于同步提取变换的张量低秩分解的智能诊断方法。通过同步提取变换构建三维的高阶张量,运用TTr1对高阶张量进行分解,采用智能优化算法求解最优重构函数。对张量进行重构操作,获得新的张量。最后,利用10折交叉验证的方法,采用Alex Net神经网络进行旋转机械智能诊断的训练和测试,提高了信号特征提取的准确性和效率。公共数据集和实验数据被用于验证所提方法的优势,结果表明所提方法在滚动轴承等旋转机械故障诊断方面具有较大的优势。（4）旋转机械在发生初期故障时会出现复杂的力学行为,在不均衡力学环境中,其它零部件会出现疲劳,进一步发展成微弱故障和显着故障。同时它们的振动信号相互耦合,在强噪环境和复杂的传递路径情况下,导致微弱故障被噪声淹没,进一步出现漏诊断或误诊断的现象。针对该问题开展研究,结合张量分解能挖掘信号的潜在信息并能提取无关噪声的特点,提出了一种复合多尺度样本熵的张量分解故障诊断方法。通过将张量分解与经验模态分解、张量分解与集合经验模态分解、张量分解与互补经验模态分解和张量分解与变分模态分解相结合,利用复合多尺度样本熵,挖掘本征模态函数中表征旋转机械的故障的冲击信号进行实验对比。实验证明了该方法的有效性。
李宝志,倪洪启,宋红伟[3]（2021）在《基于改进HHT变换法的波纹补偿器振动信号分析》文中研究指明传统的振动信号时频分析方法并不具备自适应的分解特性,为了解决波纹补偿器产生的非线性、非平稳振动信号处理困难的问题,引入一种新的时频分析方法应用到波纹补偿器振动信号分析中,这就是"希尔伯特-黄"变换法（HHT变换法）。但所测信号中存在干扰成分或者噪声时,会出现单IMF（固有模态函数）中会含有不同频率的信号成分或同频率成分,被分解到完全不同的IMF中,产生叠加误差干扰IMF分量的准确性。为此,提出了一种基于小波降噪的改进HHT振动信号分析方法,利用小波降噪克服EMD分解（经验模态分解）的模式混淆问题,从而克服HHT变换法原有的不足,提高振动信号分析的准确性。
于广宇[4]（2021）在《基于小波分析与EMD分解的球磨机齿轮齿面故障诊断研究》文中进行了进一步梳理球磨机的传动系统是其运行关键部分。随着运行时间的增加,其传动系统的关键零部件--大小齿轮的齿面若发生点蚀、胶合、塑性变形等故障会大大影响传动效率从而会影响设备生产效率,甚至发生安全事故。为贯彻安全生产方针,本文以某矿业公司的球磨机齿轮齿面为主要研究对象,挑选出5种不同故障等级的齿轮在实验条件下安装运行,采集齿轮振动数据。对小波分析与EMD分解两种信号处理方法思路进行研究,通过算例得出两种方法结合研究的可行性结论。基于两种信号处理方法对振动信号进行特征提取,分析计算标定出更为精准的齿轮故障等级标准,做为球磨机齿轮齿面故障诊断定量与定性的判断依据。最后通过现场故障案例进行验证,将两种方法结合的信号处理方法与常用故障诊断方法进行诊断效果对比。具体工作如下:（1）对两种常用信号处理方法的研究思路进行剖析,通过其他相关方向的研究算例,指出两种信号处理方法结果的可行性、有效性和不足之处,进一步分析两种方法结合起来进行故障判断的准确性。（2）根据球磨机的设备参数和运行工况构建实验环境,将三台实验球磨机按运行时间进行多次、多坐标测量,基于国家标准规范出适合现场运行的球磨机齿轮振动标准。随后挑选出5种不同故障等级的齿轮作为实验对象,以相同输入的条件进行运行实验,采集不同程度的振动信号。（3）利用小波分析与EMD分解两种信号处理技术,使用5种不同程度故障等级的齿轮进行10组故障模拟实验,对采集球磨机运行过程中的振动信号进行分析,得到振动信号的一级高频小波系数、二级高频小波系数以及一级IMF函数的均方根值,三者对齿轮齿面故障呈现出较为敏感的特征模式。最后利用该结果绘制特征提取结果变化率曲线,得到诊断效果对比结论。将两种方法结合的诊断方法代入故障案例进行故障分析,通过对比发现前者诊断更精确,效果更好。
郄旭亮[5]（2021）在《结合Duffing系统和Bi-LSTM网络的轴承弱故障诊断研究》文中研究表明轴承广泛应用于机械装备中,轴承的运转将直接影响相关设备的运转状况、寿命及所加工产品的精度。当运行的轴承出现严重故障会导致意外停机或事故。本文以诊断轴承弱故障为主要研究内容,以期尽早发现和诊断轴承弱故障。论文选用对噪声不敏感的Holmes型Duffing系统来诊断轴承弱故障,通过计算得到Duffing系统的两个Lyapunov指数,根据指数的正、负特性来精确判断系统的运动状态。调整Duffing系统内置策动力的幅值,使得系统的运动状态发生跳变,从而确定Duffing系统的混沌阈值。经研究发现振动信号的初相角有时会引起Duffing系统的误判,通过移相法改变振动信号的初相角,之后再分别激励Duffing系统,可有效地避免Duffing系统产生误判。用广义时间尺度变换,增大Duffing系统的时间尺度,相当于降低了振动信号的频率,信号的其它属性不变,使得Duffing系统也可用于检测高频振动信号。至此,完成了 Duffing系统的改进,为后续利用Bi-LSTM网络诊断轴承弱故障提供了必要的数据。选择能实现双向传播的Bi-LSTM网络,完成轴承弱故障诊断。利用注意力机制优化Bi-LSTM网络,突出了轴承振动信号中的特征信息,提高了利用Bi-LSTM网络诊断轴承弱故障的有效性。添加Dropout技术优化Bi-LSTM网络,按照设置的概率对Bi-LSTM网络中的部分神经元进行失效处理,避免了 Bi-LSTM网络出现过拟合问题,并降低了Bi-LSTM网络的计算量。利用四组不同频率的仿真振动信号,激励Duffing系统,将得到的Duffing相平面数据制作成训练集和测试集。利用训练集训练Bi-LSTM网络,再利用Bi-LSTM网络诊断测试集,完成仿真实验。首先实验验证了弱故障诊断方法的有效性,再实验验证了注意力机制和Dropout技术的加入能有效提高利用Bi-LSTM网络诊断轴承弱故障的准确性。结合Duffing系统和Bi-LSTM网络诊断实测信号,分别诊断凯斯西储大学的探伤测试数据和XJTU-SY轴承数据集,发现准确率分别达到89.38%和87.67%。通过将凯斯西储大学的探伤测试数据制作成训练集,将XJTU-SY轴承数据集制作成测试集,利用训练集训练Bi-LSTM网络进而诊断测试集,发现Bi-LSTM网络的诊断准确率达到85.87%。通过正交试验,完成对Bi-LSTM网络中的最优参数的选取,计算得到最优的网络参数,在该参数条件下,Bi-LSTM网络诊断轴承弱故障的准确率达到91.97%。本文所提出的结合Duffing系统和Bi-LSTM网络诊断轴承弱故障的方法为诊断轴承弱故障提供了新思路。
李心元[6]（2021）在《基于共振稀疏分解的滚动轴承故障诊断方法研究》文中认为
冷佳[7]（2021）在《多特征融合CNN网络的旋转机械故障诊断研究》文中研究说明
刘子涵[8]（2021）在《噪声背景下基于时频分析的滚动轴承微弱故障诊断方法研究》文中研究说明
赵俊潇[9]（2021）在《基于稀疏表示的轴承-转子系统故障诊断》文中研究说明
胡天翔[10]（2021）在《某型航空发电机滚动轴承故障诊断系统的研究与实现》文中研究表明
二、Hilbert-Huang变换在滚动轴承故障诊断中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Hilbert-Huang变换在滚动轴承故障诊断中的应用（论文提纲范文）
（1）基于小波包变换和ELM的滚动轴承故障诊断研究（论文提纲范文）
| 0 引 言 |
| 1 相关理论 |
| 1.1 小波包变换 |
| 1.2 极限学习机 |
| 2 试验流程 |
| 2.1 数据采集 |
| 2.2 小波包处理 |
| 3 结果与分析 |
| 4 结 论 |
（2）基于张量分解的旋转机械复合故障智能诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景及意义 |
| 1.3 旋转机械故障智能诊断方法国内外研究现状及分析 |
| 1.3.1 基于先验知识传统机械故障诊断方法 |
| 1.3.2 基于机器学习的机械故障诊断方法 |
| 1.3.3 基于深度学习的机械故障诊断方法 |
| 1.4 张量分解研究现状及分析 |
| 1.5 本文主要内容及章节结构 |
| 1.5.1 本文主要内容 |
| 1.5.2 章节安排 |
| 2 张量分解与自适应滤波截断的张量重构方法研究 |
| 2.1 张量的定义 |
| 2.2 张量分解方法 |
| 2.2.1 CP分解方法 |
| 2.2.2 Tucker分解方法 |
| 2.2.3 HOSVD分解 |
| 2.2.4 HT分解 |
| 2.2.5 TT分解和TC分解 |
| 2.2.6 TTr1分解方法 |
| 2.3 自适应滤波截断的张量重构方法 |
| 2.3.1 张量重构方法 |
| 2.3.2 自适应滤波截断的张量重构方法流程 |
| 2.3.3 自适应滤波截断的张量重构算法 |
| 2.4 本章小结 |
| 3 基于TTr1FS的旋转机械特征提取方法研究 |
| 3.1 问题描述 |
| 3.2 张量数据构建 |
| 3.3 连续小波变换 |
| 3.4 连续小波逆变换 |
| 3.5 基于TTr1FS的旋转机械特征提取方法 |
| 3.5.1 TTr1分解与重构 |
| 3.5.2 低秩目标函数 |
| 3.5.3 初始种群的联合概率密度函数 |
| 3.5.4 基于TTr1FS的旋转机械特征提取方法 |
| 3.6 基于TTr1FS的仿真分析 |
| 3.7 基于TTr1FS的实验分析 |
| 3.8 本章小结 |
| 4 基于同步提取变换的张量低秩分解智能诊断方法研究 |
| 4.1 问题描述 |
| 4.2 同步提取变换 |
| 4.3 基于同步提取变换的张量低秩分解(SLID)智能诊断方法 |
| 4.3.1 基于Alex Net卷积神经网络的智能诊断方法 |
| 4.3.2 数据训练和测试方法 |
| 4.3.3 SLID智能诊断方法流程 |
| 4.4 基于SLID的实验分析 |
| 4.4.1 基于凯斯西储大学数据的SLID方法实验分析 |
| 4.4.2 基于煤矿机械数据的SLID方法实验分析 |
| 4.5 本章小结 |
| 5 基于复合多尺度样本熵的张量分解故障诊断方法研究 |
| 5.1 问题描述 |
| 5.2 变分模态分解方法 |
| 5.3 不同信号处理方法的仿真分析和比较 |
| 5.4 特征提取方法 |
| 5.4.1 样本熵 |
| 5.4.2 多尺度样本熵 |
| 5.4.3 复合多尺度样本熵 |
| 5.5 复合多尺度样本熵的张量分解故障诊断方法 |
| 5.6 基于煤矿机械数据的VMDCMSE方法实验分析 |
| 5.7 本章小结 |
| 6 总结及展望 |
| 6.1 论文工作总结 |
| 6.2 主要创新点 |
| 6.3 工作展望 |
| 参考文献 |
| 附录 Ⅰ 缩略词表 |
| 附录 Ⅱ 张量的运算及性质 |
| 攻读博士期间发表的论文及所取得的研究成果 |
| 致谢 |
（4）基于小波分析与EMD分解的球磨机齿轮齿面故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 综述 |
| 1.1 研究背景 |
| 1.2 球磨机齿轮齿面故障诊断研究意义 |
| 1.3 球磨机齿轮齿面故障诊断发展现状 |
| 1.4 论文的研究思路与主要内容 |
| 第二章 基于零部件特征信号处理方法研究 |
| 2.1 基于小波分析的信号处理方法 |
| 2.2 基于经验模态分解的信号处理方法 |
| 2.3 本章小结 |
| 第三章 球磨机齿轮齿面故障诊断 |
| 3.1 球磨机工作原理和设备参数 |
| 3.2 球磨机齿轮齿面特征信号的采集 |
| 3.3 球磨机齿轮齿面故障实验 |
| 3.4 球磨机齿轮齿面振动信号处理方法 |
| 3.5 球磨机齿轮齿面的故障诊断效果 |
| 3.6 本章小结 |
| 第四章 总结与展望 |
| 4.1 总结 |
| 4.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间科研情况 |
（5）结合Duffing系统和Bi-LSTM网络的轴承弱故障诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 1.绪论 |
| 1.1 课题的背景及意义 |
| 1.2 轴承故障诊断的发展历程及研究现状 |
| 1.2.1 轴承故障诊断的发展历程 |
| 1.2.2 轴承故障诊断的研究现状 |
| 1.3 轴承弱故障诊断的研究现状 |
| 1.4 Duffing系统和Bi-LSTM网络技术的结合及应用 |
| 1.5 本文主要研究内容及结构安排 |
| 2.Duffing系统数学模型及其优化 |
| 2.1 Duffing系统及其分类 |
| 2.1.1 Duffing振子的产生和类型 |
| 2.1.2 轴承弱故障诊断中Duffing振子类型的选择 |
| 2.2 Duffing系统混沌阈值的确定方法 |
| 2.2.1 Duffing系统状态的判别方法 |
| 2.2.2 混沌判据Lyapunov指数 |
| 2.2.3 基于Jacobian方法的Lyapunov指数求解算法 |
| 2.2.4 Duffing系统混沌阈值的确定 |
| 2.3 误判现象及其解决方案 |
| 2.3.1 误判现象的分析 |
| 2.3.2 移相法解决Duffing系统的误判现象 |
| 2.4 利用广义时间尺度变换改进Duffing系统 |
| 2.4.1 传统Duffing系统在故障诊断中的不足 |
| 2.4.2 Duffing系统的改进 |
| 2.4.3 改进后Duffing系统的适应性研究 |
| 2.5 本章小结 |
| 3.利用LSTM网络诊断轴承弱故障 |
| 3.1 基于LSTM网络诊断轴承弱故障的方法 |
| 3.1.1 利用LSTM网络诊断轴承弱故障的原理 |
| 3.1.2 LSTM网络的前向传播 |
| 3.1.3 LSTM网络的反向传播 |
| 3.1.4 LSTM网络的梯度更新 |
| 3.2 Bi-LSTM网络的优化 |
| 3.2.1 基于Bi-LSTM网络诊断轴承弱故障的原理 |
| 3.2.2 利用注意力机制提高Bi-LSTM网络的诊断准确率 |
| 3.2.3 利用Dropout技术解决过拟合现象 |
| 3.3 基于Bi-LSTM网络的轴承弱故障诊断方法验证 |
| 3.4 本章小结 |
| 4.Duffing系统与Bi-LSTM网络技术的结合 |
| 4.1 利用Duffing系统和 Bi-LSTM 网络进弱故障诊断的方法 |
| 4.2 利用Duffing系统和Bi-LSTM网络进行弱故障诊断的流程 |
| 4.3 利用仿真信号验证弱故障诊断方法 |
| 4.3.1 仿真信号的制备 |
| 4.3.2 仿真信号训练集和测试集的制作 |
| 4.3.3 利用Bi-LSTM网络诊断仿真信号 |
| 4.3.4 利用优化的Bi-LSTM网络诊断仿真信号 |
| 4.4 本章小结 |
| 5.实测轴承弱故障振动信号的诊断 |
| 5.1 实测数据简介 |
| 5.1.1 凯斯西储大学探伤测试数据 |
| 5.1.2 XJTU-SY轴承数据集 |
| 5.1.3 轴承的故障特征频率 |
| 5.1.4 实验设置 |
| 5.1.5 实测数据训练集和测试集的制作 |
| 5.2 利用Bi-LSTM网络诊断轴承弱故障振动实测信号 |
| 5.2.1 利用Bi-LSTM网络诊断凯斯西储大学的轴承数据 |
| 5.2.2 利用Bi-LSTM网络诊断XJTU-SY轴承数据 |
| 5.3 结合Duffing系统和Bi-LSTM网络方法的通用性实验 |
| 5.4 正交试验 |
| 5.4.1 实验设置 |
| 5.4.2 结果分析 |
| 5.5 计算次数对Bi-LSTM网络的影响 |
| 5.6 本章小结 |
| 6.结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间主要研究成果 |
四、Hilbert-Huang变换在滚动轴承故障诊断中的应用（论文参考文献）
- [1]基于小波包变换和ELM的滚动轴承故障诊断研究[J]. 姚峰林,谢长开,吕世宁,杨浩,孟哲. 安全与环境学报, 2021
- [2]基于张量分解的旋转机械复合故障智能诊断方法研究[D]. 郭文孝. 中北大学, 2021
- [3]基于改进HHT变换法的波纹补偿器振动信号分析[A]. 李宝志,倪洪启,宋红伟. 压力容器先进技术——第十届全国压力容器学术会议论文集（下）, 2021
- [4]基于小波分析与EMD分解的球磨机齿轮齿面故障诊断研究[D]. 于广宇. 广西大学, 2021(12)
- [5]结合Duffing系统和Bi-LSTM网络的轴承弱故障诊断研究[D]. 郄旭亮. 西安理工大学, 2021(01)
- [6]基于共振稀疏分解的滚动轴承故障诊断方法研究[D]. 李心元. 石家庄铁道大学, 2021
- [7]多特征融合CNN网络的旋转机械故障诊断研究[D]. 冷佳. 江苏科技大学, 2021
- [8]噪声背景下基于时频分析的滚动轴承微弱故障诊断方法研究[D]. 刘子涵. 燕山大学, 2021
- [9]基于稀疏表示的轴承-转子系统故障诊断[D]. 赵俊潇. 哈尔滨工业大学, 2021
- [10]某型航空发电机滚动轴承故障诊断系统的研究与实现[D]. 胡天翔. 中国民用航空飞行学院, 2021