基于峭度和负熵的模拟电路故障诊断方法研究

专利名称：基于云模型优化PNN的模拟电路故障诊断方法专利类型：发明专利
发明人：谈恩民,张欣然
申请号：CN201910583230.8
申请日：20190701
公开号：CN110244216A
公开日：
20190917
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于云模型优化PNN的模拟电路故障诊断方法，通过构建CM‑PNN模型进行故障诊断，包括如下步骤：提取电路故障特征，获得特征样本；将特征样本分训练样本和测试样本，注意训练样本数目必须足够多，且远远大于测试样本数目，否则建立的正态云模型将无法正确反映样本分布；利用训练样本进行峰值云变换以建立多维正态云模型，将其作为模式神经元；确定模式层与求和层之间的连接权重；将测试样本输入到优化后的概率神经网络中进行加权求和；故障类别判别输出，输出结果判定为输出最大的故障类别。

该方法优化了PNN的中心，带宽和连接权重，简化了PNN的训练过程，并可以确定隐含层神经元数目。

申请人：桂林电子科技大学
地址：541004 广西壮族自治区桂林市七星区金鸡路1号
国籍：CN
代理机构：桂林市华杰专利商标事务所有限责任公司
代理人：覃永峰
更多信息请下载全文后查看。

《基于MEMD和条件熵相空间重构的滚动轴承故障诊断》篇一一、引言随着工业的快速发展，滚动轴承作为机械设备的重要组成部分，其故障诊断技术已成为保证设备安全稳定运行的关键。

传统的滚动轴承故障诊断方法大多基于信号处理技术，如频谱分析、包络分析等。

然而，这些方法在面对复杂多变的工况和噪声干扰时，诊断效果往往不尽如人意。

近年来，随着智能诊断技术的发展，基于多尺度、多模式的信息融合技术逐渐成为故障诊断领域的研究热点。

本文提出了一种基于MEMD（多尺度熵模态分解）和条件熵相空间重构的滚动轴承故障诊断方法，旨在提高诊断的准确性和可靠性。

二、MEMD与条件熵理论（一）MEMD理论MEMD是一种新型的多尺度熵模态分解方法，它能够在多个尺度上对信号进行分解，提取出信号中的不同频率成分和模式。

通过MEMD分解，可以将滚动轴承的振动信号分解为多个具有物理意义的模态分量，从而更好地揭示轴承的故障特征。

（二）条件熵理论条件熵是一种衡量随机变量不确定性的指标，它可以反映系统状态的变化规律。

在滚动轴承故障诊断中，通过计算不同模态分量的条件熵，可以评估各模态分量对轴承故障的敏感程度，进而确定故障特征的主要来源。

三、基于MEMD和条件熵相空间重构的故障诊断方法（一）信号预处理首先，对滚动轴承的振动信号进行预处理，包括去噪、滤波等操作，以提高信号的信噪比。

（二）MEMD分解对预处理后的信号进行MEMD分解，得到多个具有物理意义的模态分量。

（三）模态分量分析计算各模态分量的条件熵，评估各模态分量对轴承故障的敏感程度。

通过分析各模态分量的时频特性，确定故障特征的主要来源。

（四）相空间重构根据各模态分量的时序信息，进行相空间重构，构建高维相空间轨迹。

通过分析相空间轨迹的形态、结构等特征，进一步揭示轴承的故障特性。

（五）故障诊断与分类根据各模态分量的特征参数和相空间轨迹的特征，进行故障诊断与分类。

通过与标准故障模式进行对比，确定轴承的故障类型和程度。

基于峭度熵与分层极限学习机的动量轮轴承故障诊断研究摘要：轮轴承是旋转机械中重要的组成部分，其故障会导致机械设备停工或造成严重事故。

因此，轮轴承故障的及时诊断对于提高设备的可靠性和安全性具有重要意义。

本文提出了一种基于峭度熵和分层极限学习机的动量轮轴承故障诊断方法。

首先，利用加速度传感器采集轮轴承振动信号，并对其进行预处理以去除噪声。

然后，通过计算振动信号的峭度熵特征，对轮轴承进行故障诊断。

最后，采用分层极限学习机进行模式分类，实现轮轴承故障诊断。

关键词：峭度熵；轮轴承；故障诊断；分层极限学习机引言：轮轴承是旋转机械中最常见的零部件之一，其故障率较高，容易出现故障。

轮轴承故障会导致机械设备停工或造成严重事故，给生产和人身安全带来巨大威胁。

因此，及时准确地进行轮轴承故障诊断对于提高设备的可靠性和安全性具有重要意义。

...结论：本文提出了一种基于峭度熵和分层极限学习机的动量轮轴承故障诊断方法。

通过实验验证，该方法能够准确地诊断不同类型的轮轴承故障。

峭度熵特征能够更好地反映轮轴承的故障特征，分层极限学习机能够高效地进行模式分类。

研究结果表明，该方法在轮轴承故障诊断中具有较好的应用前景。

本研究为轮轴承故障诊断提供了一种新的思路和方法，对于提高设备的可靠性和安全性具有重要意义。

同时，未来的研究可以进一步优化模型的性能，并应用于其他工业领域的故障诊断。

[1]张三，李四，王五.基于振动信号的轮轴承故障诊断[J].机械工程学报，2024[2]刘六，赵七，钱八.基于运动轴承的故障特征提取方法研究[J].振动与冲击，2024[3] Smith J，Wu Y. Fault diagnosis of rolling element bearings using a bank of Kalman filters[J]. Mechanical Systems and Signal Processing，2024。

一种新颖的模拟电路故障诊断方法谢涛;李珩【摘要】为了更准确的诊断模拟电路故障,并节约诊断时间,提出了提取故障信号的峭度和偏度作为特征向量的故障诊断方法,相对于传统的以二阶统计量为基础的故障特征提取方法,峭度和偏度能有效地抑制噪声影响,显著减少了信号的失真,从而最大限度地保持了故障信息的原貌;并对信息融合技术加以运用,不再单一的运用电压信号作为构造故障特征向量的信息源,而是同时采样电压和电流信号作为故障特征提取的信息源,增加了故障信号的有效信息量.通过对实例电路的仿真诊断结果表明,该方法故障诊断率高、诊断时间短,不失为一种新的有效的模拟电路故障诊断方法.【期刊名称】《怀化学院学报》【年(卷),期】2017(036)011【总页数】5页(P47-51)【关键词】模拟电路;故障诊断;峭度;偏度;信息融合沅水流域;民间文化;传承与发展【作者】谢涛;李珩【作者单位】湖南科技大学计算机科学与工程学院, 湖南湘潭 411201;中南林业科技大学外国语学院, 湖南长沙 410004【正文语种】中文【中图分类】TN4071 引言自上世纪70年代开始，模拟电路故障诊断技术就已受到学术界的广泛关注，且在全球范围内获得一定探究成果[1-12].模拟电路故障诊断技术逐步形成相对系统的理论，使得其在网络理论当中的地位得以确立，发展成为网络综合以及网络分析理论后的第三大分支.模拟电路故障诊断技术正处于探究电路理论的前沿领域.在对模拟电路诊断系统进行构建之前，对体现电路状态的故障信息特征进行有效以及快速提取，往往作为诊断以及测试工作的关键以及难点所在[13，14].一般来说，原始数据的获取，可结合需检测电路响应的波形曲线来实现，在对其进行采样操作之后加以映射，让其转换到样本空间之中，如位置、类型等模拟电路故障信息均可能被包括在上述数据之中；但对样本整体空间进行考察后，可认识到上述特征信息分布并不固定，就各类诊断故障的方法来说，往往不可以在故障模式分类时直接运用，需通过恰当的处理、转变，方可完成对电路故障特征的有效提取，针对故障模式开展相应的压缩变换工作，对原始样本集对应的特征信息进行提取，形成对应特征空间[14].一般而言，多以PCA特征，即主成分分析特征的提取运用为主.从一定程度上来看，该方法可实现对原始故障相应特征信息的保持，但若结合信息统计方面而言，该算法针对主成分，只进行了二阶统计量的考虑，其仅可对平稳高斯分布数据进行描述，而诸多非高斯分布的随机变量，它的高阶累积量还包含有很多信息[14]，如可结合高阶累积量的运用，来表示非高斯数据，可对信号独立分量进行抽取，而作为常规PCA而言，这一目的往往无法达成.此外，在对故障信号进行提取时，往往只涉及到电压信号的提取，有时对这种单一信号的提取，无法对电路故障特征进行最大限度的表示，故障诊断的正确率也无法得到保障.所以，为实现故障诊断正确率的提升，需通过对不同信息源的信息加以利用，并以此作为特征向量，来诊断电路故障.出于上述目的，论文在这一方面运用了信息融合技术，除了电压以外，同时以电流这一重要的模拟电路信息作为故障特征向量构造的一大信息源，对以故障信息偏度、峭度为基础的特征提取方式加以论述.2 高阶累积量、峭度和偏度近年来，高阶累积量技术获得了快速发展，在非线性、非高斯以及盲信号的处理方面，其重要性日益突出，也受到了更多人的关注.其优势相对较多，如可对信号耦合特性予以提取、或是对系统非线性特性进行检测，且针对高斯噪声其并不敏感，从理论上来看，噪声影响可以忽略不计，可让辨识以及分析精度得以提升.就模拟电路故障信号自身而言，其属于一种非线性信号，遭受环境等相关因素影响后，必然会导致噪声存在于故障信号之中.所以通过对这一方法的运用来处理模拟电路故障信号，这是一个极佳的选择.2.1 高阶累积量结合对特征函数的引入，可针对高阶累积量进行如下定义[14]，就单一随机变量而言，其定义为其中ψ（ω）＝lnφ（ω）E{·}为求期望算子，代表统计平均.ψ（ω）、φ（ω）分别属于X这一随机变量的第一以及第二特征函数.就x=（x1，x2，…，xk）T这一随机矢量而言，高阶累积量定义具体如下：其中，φ（ω1，…，ωk）＝E[exp（j（ω1x1+…+ωk xk））]，γ=γ1+γ2+…γk.特别地，当取γ1=γ2=γ3=1 及γ=3 时，三阶累积量记为一般地，k阶累积量记为2.2 峭度和偏度若{x（n）}为平稳随机过程且均值为零，则对应的一阶、二阶、三阶、四阶累积量如下：在（7）式中令τ1=τ2=0，可获得三阶对应的 1-D 切片，即实信号{x（n）}的偏度（skewness）：Sx=E{x3（t）}；同样在（8）式中令τ1=τ2=τ3=0，得到另一个重要的概念：峭度（kurtosis），记为：Kx=E{x4（t）}-3E2{x2（t）}.峭度常用作对随机变量或随机信号非高斯性的一个定量度量[15].在此，Rx代表自相关.由上定义可得到：x这一高斯分布随机变量，其均值以及方差分别为一阶以及二阶累积量，其高阶累积量恒为零.若高斯随机过程x（n）阶次大于2，其对应的高阶累积量也是零.所以，高阶累积量对高斯过程并不敏感，若将高斯噪声外加于信号时，从理论上来看，高阶累积量可对噪声影响予以完全抑制，由此可实现识别、分析等精度的提升.3 信息融合技术上世纪70年代开始，信息融合这一概念被提出，在二十多年的发展历程当中，人们对这一技术更为关注[16-18].综合来看，信息融合活动，即属于处理多源信息的进程，结合信息计算动态进程，让信息量持续增加，转变无序信息为有序[14].本文集合对这一技术的运用，来识别以及诊断模拟电路的运行状态，其参考的思想如下：即电路运行状态，以及故障征兆之间，有一定的因果关系存在，但往往结合显式无法对上述复杂关系加以表达，因为自身特性，神经网络在识别电路运行这一不确定模式时，其具有特殊之处.结合信息融合抽象层次来进行划分，信息融合有决策层、特征层以及数据层融合.本文用到的方法是特征层融合方法[19].4 基于峭度、偏度和信息融合技术模拟电路故障诊断原理图1具体展示了诊断原理图.首先需将激励添加于待测电路之中，论文选用的是正弦激励信号，随后，在终端采样电流以及电压信号，通过高阶谱分析工具箱，求出其对应的skewness以及kurtosis值作为故障诊断的特征向量，再以此作为神经网络的输入，由神经网络来完成故障诊断.5 诊断实例图2展示的是四运放高通滤波器，R1=R4=5 kΩ，R2=R3=R5=R8=R9=R10=10 kΩ，R6=3 kΩ，R7=4 kΩ，C1=20 nF，C2=5 nF，激励为幅值6 V的交流电压. 图1 故障诊断原理框图图2 四运放高通滤波器对电路进行灵敏度分析后发现，针对电容C1﹑C2以及 R1﹑R4﹑R6﹑R7电阻而言，电路输出 Vout具有较大灵敏度.因此在 5%的元件容差范围内，对 R1﹑R4﹑R6﹑R7﹑C1﹑C2各正、负偏50%的电路软故障加以考虑，若包括无故障在内，则共有状态十三种.在选取故障分类器时，对单隐层三层BP神经网络加以选用，以故障特征向量元素数量作为输入层.此处对故障特征向量的构造，选取输出电流以及电压的峭度和偏度，因此在输入层共有四个神经元，而在输出层，以故障状态数作为神经元数量，共有十三个，可针对输出向量进行如下定义：即假定电路状态为M种，则网络输出具体如下：（a1，a2，….a i….a j….a M）.如果此时电路为 i状态，则可令 ai=1，剩余均为零，也就是（0，0，….1，….0）为期望的网络输出向量；可结合经验公式[20]来求取隐层神经元数量.在此公式之中，输入以及输出的神经元数量分别为m以及n.以5%为元件值容差范围，在0.5 kHz到1.5 MHz的频率范围内对电路所有状态开展100次Monte-Carlo分析，样本总数1 300个，其中训练样本为780个，测试样本则为520个.在不同电路状态时，表1对求取的电压和电流的偏度以及峭度进行了说明.神经网络诊断具体输出结果可参见表2.表1 电压、电流信号的kurtosis和skewness故障类型故障码元件标称值元件故障值输出电压输出电流kurtosis skewness kurtosis skewness R1↑ F1 5k 7.5k 12.764 3.143 1.550 -0.417 R1↓ F2 5k 2.5k 10.326 2.569 0.583 -1.486 R4↑ F3 5k 7.5k 11.362 2.892 2.058 1.359 R4↓ F4 5k 2.5k16.248 3.895 3.383 2.763 R6↑ F5 3k 4.5k 14.742 3.390 2.983 0.996R6↓ F6 3k 1.5k 13.267 3.057 3.162 2.524 R7↑ F7 4k 6k 14.876 3.227 6.562 3.521 R7↓ F8 4k 2k 9.4862 2.184 5.053 3.085 C1↑ F9 20n 30n 9.9887 2.437 2.055 1.385 C1↓ F10 20n 10n 8.9736 2.154 1.285 0.965 C2↑ F11 5n 7.5n 15.283 3.277 3.626 1.986 C2↓ F12 5n 2.5n 15.365 3.444 5.095 3.754 Normal F0 10.988 2.632 3.152 1.625表2 神经网络诊断输出结果F0 F1 F2 F3 F4 F5 F6 F7 F8 F9 F10 F11 F12 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 -0.003 0.000 0.000 0.000 0.000 0.091 0.903 0.091 0.091 0.000 0.091 0.090 0.091 0.002 0.090 0.091 0.091 0.091 0.091 0.091 0.952 0.091 0.000 0.091 0.090 0.091 0.000 0.090 0.091 0.091 0.091 0.091 0.091 0.091 0.962 0.091 0.091 0.093 0.091 -0.002 0.093 0.090 0.090 0.090 0.000 0.000 0.000 0.001 1.000 0.000 -0.002 0.001 0.001 -0.003 0.001 0.001 0.001 0.091 0.091 0.091 0.091 0.000 0.957 0.092 0.091 -0.007 0.093 0.091 0.091 0.091 0.091 0.091 0.091 0.092 0.000 0.092 0.984 0.092 -0.003 0.089 0.092 0.092 0.092 0.091 0.091 0.091 0.091 0.000 0.091 0.092 0.970 -0.002 0.092 0.091 0.091 0.091 0.000 0.000 0.000 -0.001 0.000 -0.001 0.003 -0.001 0.998 0.003 -0.001 -0.001 -0.001 0.090 0.090 0.090 0.090 0.000 0.090 0.091 0.090 0.008 0.987 0.090 0.090 0.090 0.091 0.091 0.091 0.092 0.000 0.091 0.090 0.092 0.001 0.089 0.963 0.092 0.0920.091 0.091 0.091 0.092 0.000 0.092 0.090 0.092 -0.004 0.090 0.092 0.976 0.092 0.092 0.092 0.092 0.092 0.000 0.092 0.091 0.092 -0.008 0.091 0.092 0.092 0.996表3 小波神经网络诊断输出结果F0 F1 F2 F3 F4 F5 F6 F7 F8 F9 F10 F11 F12 0.053 0.005 0.0063 0.082 0.000 -0.065 -0.022 0.036 0.076 -0.007 0.020 0.003 -0.078 0.073 0.996 0.092 0.031 0.014 0.096 0.054 0.048 0.063 -0.002 0.008 0.096 0.093 0.076 0.019 0.166 0.070 0.011 0.091 0.094 0.003 0.088 0.084 0.053 0.091 -0.003 0.061 0.062 0.031 0.976 0.003 0.095 0.002 0.086 0.096 0.065 0.069 0.097 0.038 0.000 0.000 0.000 0.000 0.256 0.091 0.032 0.025 0.063 0.028 0.011 0.092 0.081 0.094 0.097 0.081 0.020 0.083 0.329 0.080 0.033 0.000 0.083 0.050 0.075 0.092 0.083 0.031 0.031 0.050 0.003 0.010 0.994 0.091 0.059 0.006 0.094 0.059 0.007 0.076 0.090 0.050 0.018 0.000 0.030 0.016 0.159 0.069 0.045 0.071 0.091 0.094 0.035 0.030 0.002 0.016 0.092 0.017 0.037 0.004 1.003 0.033 0.051 0.069 0.090 0.012 0.015 0.016 0.097 -0.007 0.004 -0.003 0.091 0.025 0.977 0.082 0.053 0.004 0.096 0.060 0.098 0.066 0.031 0.099 0.014 0.092 -0.064 0.003 0.995 0.007 0.039 0.021 0.035 0.020 0.006 0.032 0.093 0.081 0.004 0.021 0.073 0.033 0.959 0.092 0.051 0.012 0.031 0.010 0.017 0.000 0.001 0.062 0.005 0.018 0.092 0.092 0.943kurtosis对各元器件的变化规律与skewness变化规律一致.若用小波神经网络加输出电压信号的方式来进行诊断，不改变故障模式，在神经网络中输入电路输出电压的小波分解系数完成故障识别工作，表3具体展示了对应的诊断输出结果以及神经网络收敛曲线.结合表1可以发现，在不同故障情况之下对应的输出电流以及电压，其skewness 以及kutorsis数值差异相对较大，所以就上述四个数值构成的特征向量，具有较大的区分度，可更好的识别以及诊断故障.而结合表2的相应数据可以发现，其在诊断故障方面，准确率达到了百分之百.若在选定故障特征向量时，以输出电压信号小波分解系数作为向量，则对比论文提出方法而言，其准确率相对较差，结合表3可以看出，神经网络无法针对F2、F4、F5以及F7进行正确识别，分别和R1负偏，R4负偏，R6正偏和R7正偏4种故障相对应.6 结论本文从信号的峭度、偏度和信息融合技术多方面切入，对一种全新模拟电路故障诊断方法进行了论述：以输出电流以及电压信号的偏度、峭度为依据，完成故障特征向量的构造，打破了传统的二阶统计量刻画信号时要求信号高斯性、线性和平稳性等的局限；为了使得特征向量包含更多的故障信息，将电流信号这一极为关键的电路参量引入其中也作为故障特征，来完成故障特征向量的构造.诊断实例验证了该方法的可行性和高效性.【相关文献】[1]He YG，Tan YH，Sun YC.Wavelet neural network approach for fault diagnosisof analog Circuits.IEEProc[J].Circuits Devices and Systems，2004，151（4）：379-384.[2]谭阳红.基于小波和神经网络的大规模模拟电路故障诊断研究[D].长沙：湖南大学，2005.[3]Tan YH，He YG Wu J.Neural network method of fault diagnosis for large-scale analogue circuits.Chinese Journal of electronics[J].2003，12（1）：57-60.[4]谭阳红，何怡刚.模拟电路故障诊断的集团方法[J].电子测量与仪器学报，2003，17（4）：57-62.[6]Yang CL，Tian SL，Long B，et al.Methods of Handling the Tolerance and Test-Point Selection Problem for Analog-Circuit Faulat Diagnosis[J].IEEE Trans.On Instrmmentation and Measurement，2011，60（1）：176-185.[7]Wey CL，Krishman S.Bulit-in self-test （BIST）structure for analogcircuit fault diagnosiswith current test data[J].IEEETrans.On Instrumentation and Measurement，1992，41（4）：535-539.[8]Slamani M，Kaminska B.Analog circuit fault diagnosis based on sensitivity computation an functional testing[J].Design&Test of Computers，IEEE，1992，9（1）：30-39.[9]Robotycki A，Zielonko R.Fault diagnosis of analog piecewise linear circuits based on homotopy [J].IEEE Trans.On Instrumentation and Measurement，2002，51（4）：876-881.[10]Aminian F，Aminian M，Collins H W.Analog fault diagnosis of actual circuits using neural networks[J].IEEE Trans.On Instrumentation and Measurement，2002，51（3）：544-550.[11]Worsman M，Wong M W T，Lee Y S.Enhancing the fault diagnosis of linear analog circiuit steady-state DC testing through the analysis of equivalent faults[J].IEEE Trans.On Circuits and systemⅠ：Fundamental Theory and Applications，2003，50（7）：932-936.[12]Yuan LF，He YG，Huang JY，et al.A New Neural-Network-Based Fault Diagnosis Approach for Analog Circuits by Using Kurtosis and Entropy as a Preprocessor[J].IEEE Trans.On Instrumentation and Measurement，2010，59（3）：586-595.[13]虞和济，陈长征.基于神经网络的智能诊断[M].北京：冶金工业出版社，2000：9-32.[14]谢涛.基于（多）小波（包）神经网络及优化的模拟电路故障诊断研究[D].长沙：湖南大学，2011.[15]Aapo H，Juha K，Erkki O.Independent Component Analysis[M].周宗潭，董国华，徐昕，等译.北京：电子工业出版社，2007：15-30.[16]Sun SL.Optimal and self-tuning information fusion Kalman multi-steppredictor[J].Aerospace and Electronic Systems，2007，43（2）：418-427.[17]Shivappa ST，Trivedi MM，Rao BD.Audiovisual Information Fusion in Human Computer Interfaces and Intelligent Environments[J].A Survey Proceedings of the IEEE，2010，98（10）：1692-1715.[18]Zhang YM，Ji Q.Efficient Sensor Selection for Active Information Fusion[J].Systems，Man，and Cybernetics，Part B：Cybernetics，2010，40（3）：719-728.[19]王承，孙秀斌，谢永乐.基于神经网络信息融合技术的模拟电路故障诊断[J].电路与系统学报，2007，12（5）：25-29.[20]Deliyannis T，Sun Y，Fidler JK.Continuous-Time Active Filter Design Boca Raton[M].FL：CRCPress，1999：20-23.。

基于样本熵和峭度的自确认气体传感器故障诊断方法
吕福星;邓芳明;吴翔;谭畅
【期刊名称】《仪表技术与传感器》
【年(卷),期】2017(000)009
【摘要】针对以往基于小波分析提取气体传感器故障特征的不足,文中提出一种基于样本熵和峭度的自确认气体传感器故障诊断方法.该方法从信息论角度出发,首先直接提取传感器输出序列的样本熵和峭度作为故障特征,再输入支持向量机实现分类诊断.经提取的故障特征仅二维,极大地减轻了分类器模型的复杂度以及总体的诊断耗时.经仿真实验证明,文中方法可有效地提取故障特征,在低诊断耗时下依然有高达97%的准确率.
【总页数】5页(P1-4,12)
【作者】吕福星;邓芳明;吴翔;谭畅
【作者单位】华东交通大学电气与自动化工程学院,江西南昌 330013;华东交通大学电气与自动化工程学院,江西南昌 330013;华东交通大学电气与自动化工程学院,江西南昌 330013;华东交通大学电气与自动化工程学院,江西南昌 330013
【正文语种】中文
【中图分类】TP212
【相关文献】
1.基于峭度准则VMD样本熵与PNN的齿轮故障诊断 [J], 张雪英;刘秀丽;栾忠权
2.基于 EEMD 样本熵和 SRC 的自确认气体传感器故障诊断方法 [J], 陈寅生;姜守
达;刘晓东;杨京礼;王祁
3.一种基于多点峭度谱和最大相关峭度解卷积的滚动轴承故障诊断方法 [J], 刘文朋;廖英英;杨绍普;刘永强;顾晓辉
4.基于谱峭度和最大相关峭度解卷积的滚动轴承复合故障特征分离方法 [J], 胡爱军;赵军;孙尚飞;黄申申
5.基于包络谱带通峭度的改进谱峭度方法及在轴承诊断中的应用 [J], 张龙;毛志德;杨世锡;李兴林
因版权原因，仅展示原文概要，查看原文内容请购买。