轴承故障诊断领域是从事机械故障诊断维修等人员研究的重点方向，也是很多作者参与职称评定撰写论文的重要选题之一。下面本文给大家筛选了几篇学术价值比较高的相关学术文献分享给大家，希望对大家撰写论文有一定帮助。
轴承故障诊断领域学术文献一、基于改进MOMEDA的变转速滚动轴承故障诊断
摘要：多点最优最小熵解卷积调整(MOMEDA)方法作为一种非迭代解卷积算法已广泛应用于旋转机械故障特征提取和诊断。然而设备实际运行工况复杂多变，无法满足MOMEDA需要准确先验周期的要求。针对上述问题，提出了一种基于MOMEDA的改进方法。该方法根据脉冲在角度域的等角度分布特性，计算故障脉冲的时域间隔，消除了变转速的影响。本文通过包络谐波强度进一步突出了信号的准确循环调制阶次。轴承仿真信号和实验结果表明，该方法在变转速情况下仍能实现滚动轴承故障脉冲的准确提取。
出处：《轴承》2022-08-23，页数：8，作者：许伟
基金资助：上海市信息化发展专项资金资助项目(编号：201901028)
轴承故障诊断领域学术文献二、麻雀算法参数优化VMD联合K-SVD滚动轴承故障诊断
摘要：针对经典K-均值奇异值分解(K-means Singular Value Decomposition,K-SVD)易受噪声干扰产生虚假原子，导致信号稀疏不彻底、故障特征识别困难的问题，提出基于麻雀算法优化变分模态分解(Variational Modal Decomposition,VMD)参数联合K-SVD的滚动轴承故障诊断方法。首先引入包络熵适应度函数指标并基于麻雀算法优化VMD的模态层数k和平衡因子α。其次利用平方包络谱峭度指标遴选最优模态，以所选模态分量相空间构造Hankel矩阵进行K-SVD字典学习。最后对恢复至时间序列的稀疏重构信号进行包络解调，提取轴承故障特征频率。通过轴承故障仿真信号和全寿命实验信号进行验证，证明相较于经典K-SVD算法，所提方法在低信噪比条件下在轴承故障特征提取方面具有优势，有一定的工程应用价值。
出处：《噪声与振动控制》2022-08-18，页数：7，作者：褚惟; 王贵勇; 刘韬; 王振亚
基金资助：云南省重大科技专项计划资助项目(202102AC080002); 国家自然科学基金资助项目(52065030);
轴承故障诊断领域学术文献三、基于属性描述的零样本滚动轴承故障诊断
摘要：数据驱动方式是对故障诊断模型进行训练的主要方法，然而因为机器运转环境复杂，没有可用的目标故障样本供模型训练而导致特征学习不充分的情况时有发生。针对这一问题，结合零样本学习(zero-shot learning, ZSL)思想，从属性描述的角度出发，提出了一种基于Xception网络和卷积神经网络(convolutional neural networks, CNN)的零样本滚动轴承故障诊断方法，即X-CNN故障诊断模型。X-CNN模型首先使用Xception网络对故障信号时频图进行特征提取;根据故障类别的属性描述构建属性矩阵，使用CNN对提取的特征进行属性学习;最后通过属性矩阵的相似度比较完成诊断工作。通过零样本条件下的故障诊断试验，证明了X-CNN故障诊断模型可以在不使用测试类样本进行训练的情况下完成滚动轴承故障诊断工作。
出处：《振动与冲击》2022-08-15，页数：11，作者：赵晓平，吕凯扬，邵凡，张中洋
基金资助： 国家自然科学基金(51505234;51575283);
学术文献是可以作为参考文献出现在自己所撰写的论文中，需要注意是引用的文献不宜太多，且引用的文献最好是近几年且贴合自己论文内容的文献。
