| 11 |
XIA M， LI T， XU L， et al. Fault Diagnosis for Rotating Machinery Using Multiple Sensors and Convolutional Neural Networks ［J］. IEEE-ASME Transactions on Mechatronics， 2018， 23（1）： 101-110.
|
| 14 |
LI T， CHEN X， YAN R， et al. WaveletKernelNet： An Interpretable Deep Neural Network for Industrial Intelligent Diagnosis ［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2022， 52（4）： 2302-2312.
|
| 19 |
YANG C， QIAO Z， ZHU R， et al. An intelligent fault diagnosis method enhanced by noise injection for machinery ［J］. IEEE Transactions on Instrumentation and Measurement， 2023， 72： 1-11.
|
| 15 |
ZHANG J， SUN Y， GUO L， et al. A new bearing fault diagnosis method based on modified convolutional neural networks ［J］. Chinese Journal of Aeronautics， 2020，33（2）： 439-447.
|
| 20 |
万周， 何俊增， 姜东， 等. 基于参数优化SDP分析的转子故障诊断方法 ［J］. 振动与冲击， 2023， 42（1）： 81-88. WAN C， HE J Z， JIANG D， et al. Rotor fault diagnosis method based on parameter optimization SDP analysis ［J］. Journal of Vibration and Shock， 2023， 42（1）： 81-88.
|
| 17 |
ZHAO M， JIA X. A novel strategy for signal denoising using reweighted SVD and its applications to weak fault feature enhancement of rotating machinery ［J］. Mechanical Systems and Signal Processing， 2017， 94： 129-147.
|
| 22 |
RUIZ M， MUJICA L E， ALF S， et al. Wind turbine fault detection and classification by means of image texture analysis ［J］. Mechanical Systems and Signal Processing， 2018， 107： 149-167.
|
| 3 |
余志锋， 熊邦书， 欧巧凤， 等. 基于VMD-CWT和改进CNN的直升机轴承故障诊断 ［J］. 航空动力学报， 2021， 36（5）： 948-958. YU Z F， XIONG B S， OU Q F， et al. Helicopter bearing fault diagnosis based on VMD-CWT and improved CNN ［J］. Journal of Aerospace Power， 2021， 36（5）： 948-958.
|
| 9 |
NIU G， LIU E， WANG X， et al. Enhanced discriminate feature learning deep residual CNN for multitask bearing fault diagnosis with information fusion ［J］. IEEE Transactions on Industrial Informatics， 2023， 19（1）： 762-770.
|
| 10 |
陈剑， 孙太华， 黄凯旋， 等. 基于直方图均衡化和卷积神经网络的轴承故障诊断方法 ［J］. 计量学报， 2022， 43（7）： 907-912. CHEN J， SUN T H， HUANG K X， et al. Bearing fault diagnosis method based on histogram equalization and convolutional neural network ［J］. Acta Metrologica Sinica， 2022， 43（7）： 907-912.
|
| 5 |
WEN L， GAO L， LI X. A new deep transfer learning based on sparse auto-encoder for fault diagnosis ［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2017， 49（1） ： 136-144.
|
| 11 |
XIA M， LI T， XU L， et al. Fault Diagnosis for Rotating Machinery Using Multiple Sensors and Convolutional Neural Networks ［J］. IEEE-ASME Transactions on Mechatronics， 2018， 23（1）： 101-110.
|
| 6 |
金海龙， 马吴旭， 孟宗， 等. 基于改进1DCNN-GRU的滚动轴承故障诊断 ［J］. 计量学报， 2023， 44（9）： 1423-1428. JIN H L， MA W X， MENG Z， et al. Fault diagnosis of rolling bearings based on improved 1DCNN-GRU ［J］. Acta Metrologica Sinica， 2023， 44（9）： 1423-1428.
|
| 13 |
ZHANG W， LI C， PENG G， et al. A deep convolutional neural network with new training methods for bearing fault diagnosis under noisy environment and different working load ［J］. Mechanical Systems and Signal Processing， 2018， 100： 439-453.
|
| 14 |
LI T， CHEN X， YAN R， et al. WaveletKernelNet： An Interpretable Deep Neural Network for Industrial Intelligent Diagnosis ［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2022， 52（4）： 2302-2312.
|
| 9 |
NIU G， LIU E， WANG X， et al. Enhanced discriminate feature learning deep residual CNN for multitask bearing fault diagnosis with information fusion ［J］. IEEE Transactions on Industrial Informatics， 2023， 19（1）： 762-770.
|
| 24 |
ZHANG W， PENG G， LIC， et al. A New Deep Learning Model for Fault Diagnosis with Good Anti-Noise and Domain Adaptation Ability on Raw Vibration Signals ［J］. Sensors， 2017，17（2）：425.
|
| 26 |
刘俊孚， 岑健， 黄汉坤， 等. 零小样本旋转机械故障诊断综述 ［J］. 计算机工程与应用， 2024， 60（15）： 42-54. LIU J F， CEN J， HUANG H K， et al. Review on zero or few sample rotating machinery fault diagnosis ［J］. Computer Engineering and Applications， 2024， 60（15）： 42-54.
|
| 16 |
ZARE S， AYATI M. Simultaneous fault diagnosis of wind turbine using multichannel convolutional neural networks ［J］. ISA Transactions， 2021， 108： 230-239.
|
| 22 |
RUIZ M， MUJICA L E， ALF S， et al. Wind turbine fault detection and classification by means of image texture analysis ［J］. Mechanical Systems and Signal Processing， 2018， 107： 149-167.
|
| 7 |
JIANG G， HE H， YAN J， et al. Multiscale convolutional neural networks for fault diagnosis of wind turbine Gearbox ［J］. IEEE Transactions on Industrial Electronics， 2019， 66（4）： 3196-3207.
|
| 8 |
ZHANG W， LI C， PENG G， et al. A deep convolutional neural network with new training methods for bearing fault diagnosis under noisy environment and different working load ［J］. Mechanical Systems and Signal Processing， 2018， 100： 439-453.
|
| 4 |
SHAO H， JIANG H， ZHANG H， et al. Electric locomotive bearing fault diagnosis using a novel convolutional deep belief network ［J］. IEEE Transactions on Industrial Electronics， 2018， 65（3）： 2727-2736.
|
| 12 |
INCEE T， KIRAN S， EREN L， et al. Real-Time Motor Fault Detection by 1-D Convolutional Neural Networks ［J］. IEEE Transactions on Industrial Electronics， 2016， 63（11）： 7067-7075.
|
| 7 |
JIANG G， HE H， YAN J， et al. Multiscale convolutional neural networks for fault diagnosis of wind turbine Gearbox ［J］. IEEE Transactions on Industrial Electronics， 2019， 66（4）： 3196-3207.
|
| 10 |
陈剑， 孙太华， 黄凯旋， 等. 基于直方图均衡化和卷积神经网络的轴承故障诊断方法 ［J］. 计量学报， 2022， 43（7）： 907-912. CHEN J， SUN T H， HUANG K X， et al. Bearing fault diagnosis method based on histogram equalization and convolutional neural network ［J］. Acta Metrologica Sinica， 2022， 43（7）： 907-912.
|
| 13 |
ZHANG W， LI C， PENG G， et al. A deep convolutional neural network with new training methods for bearing fault diagnosis under noisy environment and different working load ［J］. Mechanical Systems and Signal Processing， 2018， 100： 439-453.
|
| 16 |
ZARE S， AYATI M. Simultaneous fault diagnosis of wind turbine using multichannel convolutional neural networks ［J］. ISA Transactions， 2021， 108： 230-239.
|
| 21 |
侯东晓， 周子安， 程荣财， 等. 基于GADF-TL-ResNeXt的滚动轴承故障诊断方法 ［J］. 计量学报， 2023， 44（10）： 1534-1542. HOU D X， ZHOU Z A， CHENG R C， et al. Fault diagnosis method of rolling bearing based on GADF-TL-ResNeXt ［J］. Acta Metrologica Sinica， 2023， 44（10）： 1534-1542.
|
| 23 |
WANG Q， WU B， ZHU P F， LiPeihua， et al. ECA-Net： Efficient channel attention for deep convolutional neural networks［C］// IEEE/CVF conference on computer vision and pattern recognition， Seattle， America， 2020.
|
| 19 |
YANG C， QIAO Z， ZHU R， et al. An intelligent fault diagnosis method enhanced by noise injection for machinery ［J］. IEEE Transactions on Instrumentation and Measurement， 2023， 72： 1-11.
|
| 21 |
侯东晓， 周子安， 程荣财， 等. 基于GADF-TL-ResNeXt的滚动轴承故障诊断方法 ［J］. 计量学报， 2023， 44（10）： 1534-1542. HOU D X， ZHOU Z A， CHENG R C， et al. Fault diagnosis method of rolling bearing based on GADF-TL-ResNeXt ［J］. Acta Metrologica Sinica， 2023， 44（10）： 1534-1542.
|
| 26 |
刘俊孚， 岑健， 黄汉坤， 等. 零小样本旋转机械故障诊断综述 ［J］. 计算机工程与应用， 2024， 60（15）： 42-54. LIU J F， CEN J， HUANG H K， et al. Review on zero or few sample rotating machinery fault diagnosis ［J］. Computer Engineering and Applications， 2024， 60（15）： 42-54.
|
| 25 |
ZHAO M， ZHONG S， FU X， et al. Deep Residual Shrinkage Networks for Fault Diagnosis ［J］. IEEE Transactions on Industrial Informatics， 2020， 16（7）： 4681-4690.
|
| 1 |
胡向东， 梁川， 杨希. 基于时频增强的滚动轴承少样本故障诊断方法 ［J］. 计量学报， 2023， 44（1）： 12-20. HU X D， LIANG C， YANG X. Fault diagnosis method for rolling bearing with few samples based on time-frequency enhancement ［J］. Acta Metrologica Sinica， 2023， 44（1）： 12-20.
|
| 2 |
金江涛， 许子非， 李春， 等. 基于VMD能量熵与优化支持向量机的轴承故障诊断 ［J］. 计量学报， 2021， 42（7）： 898-905. JIN J T， XU Z F， LI C， et al. Bearing fault diagnosis based on VMD energy entropy and optimization support vector machine ［J］. Acta Metrologica Sinica， 2021， 42（7）： 898-905.
|
| 8 |
ZHANG W， LI C， PENG G， et al. A deep convolutional neural network with new training methods for bearing fault diagnosis under noisy environment and different working load ［J］. Mechanical Systems and Signal Processing， 2018， 100： 439-453.
|
| 18 |
CHEN L， An K， HUANG D， et al. Noise-boosted convolutional neural network for edge-based motor fault diagnosis with limited samples ［J］. IEEE Transactions on Industrial Informatics， 2022， 19（9）： 9491-9502.
|
| 20 |
万周， 何俊增， 姜东， 等. 基于参数优化SDP分析的转子故障诊断方法 ［J］. 振动与冲击， 2023， 42（1）： 81-88. WAN C， HE J Z， JIANG D， et al. Rotor fault diagnosis method based on parameter optimization SDP analysis ［J］. Journal of Vibration and Shock， 2023， 42（1）： 81-88.
|
| 23 |
WANG Q， WU B， ZHU P F， LiPeihua， et al. ECA-Net： Efficient channel attention for deep convolutional neural networks［C］// IEEE/CVF conference on computer vision and pattern recognition， Seattle， America， 2020.
|
| 15 |
ZHANG J， SUN Y， GUO L， et al. A new bearing fault diagnosis method based on modified convolutional neural networks ［J］. Chinese Journal of Aeronautics， 2020，33（2）： 439-447.
|
| 12 |
INCEE T， KIRAN S， EREN L， et al. Real-Time Motor Fault Detection by 1-D Convolutional Neural Networks ［J］. IEEE Transactions on Industrial Electronics， 2016， 63（11）： 7067-7075.
|
| 17 |
ZHAO M， JIA X. A novel strategy for signal denoising using reweighted SVD and its applications to weak fault feature enhancement of rotating machinery ［J］. Mechanical Systems and Signal Processing， 2017， 94： 129-147.
|
| 18 |
CHEN L， An K， HUANG D， et al. Noise-boosted convolutional neural network for edge-based motor fault diagnosis with limited samples ［J］. IEEE Transactions on Industrial Informatics， 2022， 19（9）： 9491-9502.
|
| 24 |
ZHANG W， PENG G， LIC， et al. A New Deep Learning Model for Fault Diagnosis with Good Anti-Noise and Domain Adaptation Ability on Raw Vibration Signals ［J］. Sensors， 2017，17（2）：425.
|
| 25 |
ZHAO M， ZHONG S， FU X， et al. Deep Residual Shrinkage Networks for Fault Diagnosis ［J］. IEEE Transactions on Industrial Informatics， 2020， 16（7）： 4681-4690.
|
2025, Vol. 46 
