非接觸旋轉密封故障聲發射信號的診斷與識別研究

關鍵詞：故障診斷；聲發射；非接觸旋轉密封；狀態識別；深度學習 中圖分類號： TH165⁺.3 文獻標志碼：A DOI：10.16385/j.cnki.issn.1004-4523.202307046

Research on diagnosis and identification of acoustic emission signals fornon-contactrotary seal failures

CHEN Jinxin ^1，2 ，LUJunjie1，DINGXuexing2，XU Jie2，DING Junhua ² ， GAO De1 （1.Ningbo KeyLaboratory of Advanced Seal Technology，Universityof NingboTech，Ningbo 3150o，China; 2.School of Petrochemical Engineering，Lanzhou University of Technology，Lanzhou 73Oo5O，China）

Abstract：Toaddresstheisseofunclearandchalengingidentificationofnoncontactrotatingsealfult signals，this studyestab lishedanexperimentalplatformandacousticemissiontestingsystem.It involved monitoringacousticemisionsignalsduringVari ousoperationalconditions，including normaloperationandsix typicalfaultscenariosof noncontactrotatingseals.Atotalof 14000 feature samples wereefectivelycollcted.Byapplying the Bayesianoptimizationalgorithmandincorporatingcontinuous wavelettransform，anadaptiveconvolutional neuralnetwork clasification modelwasconstructed.Subsequently，thediagnostic performanceofthefault recognitionmodel was analyzedusingconfusion matrices andt-distributed stochasticneighborembedding. Theresearchresultsdemonstratethat thismodelsuccesullyclasifiesndidentifiesevendiferentoperationalconditionsofoncontactrotatingseals，icludingnoraloperation，dryfrction，mixedlubrication，springfilure，endfacepiting，localspngfil ure，and end-face scratching，with an average recognition accuracy of 99.7023% . This achievement underscores the capability of effectivelyisolatingandidentifngsealfaultsourcesfromacousticemissonsignalsofnncontactrotatingsealsinnonstatioary， complex，andoverlappingenvironments，therebyestablishingasolidtheoreticalfoundationforpracticalengineeringpliations.

Keywords： fault diagnosis;acoustic emission;non-contact rotary seal;condition recognition;deep learning

密封裝置直接決定了重大裝備的熱控效果和運行效率，其中機械密封在先進工業設備密封裝置中的使用率達到約 90%^[1] 。在設備作業期間，一般通過觀察密封裝置的泄漏率、溫升或壓力等參數間接判斷其運行風險，但這些參數并不能準確地體現故障或失效情況，且需要設置較大的安全裕量。這種基于傳統的間接故障診斷方法無法直觀地探測密封設備當前健康狀態，難以做到預知性維修。

近年來，得益于新一代人工智能技術的迅速發展，國內外學者結合信號數據驅動、自動數據處理、特征提取以及模式識別發展了諸多深度學習健康監測診斷方法，并應用于旋轉機械故障診斷領域，如深度信念網絡[2]、深度自編碼網絡[3]、遞歸神經網絡[4]、卷積神經網絡[5]、長短期記憶網絡[，受到了國內外學者的廣泛關注[7-8]。BHADANE等[9]將CNN（con-volutionalneuralnetwork）模型作為軸承故障監測的后端分類器，并采集軸承3種不同狀態下的振動數據，提取其統計特征作為模型的輸人，試驗結果表明了CNN在軸承故障診斷領域的可靠性。但由于CNN在處理信號數據的過程中，只能提取信號的局部特征，導致模型精度和泛化能力較低，基于上述問題，ZHANG等[]將長短期記憶網絡引入CNN網絡用于提取全局特征，同時構建了局部特征學習模塊，將提取的深層特征用于軸承故障分類，提高了模型分類精度和泛化能力。但他們并未考慮到模型超參數對于診斷性能的作用和基于時頻的診斷技術無法保證高精度的問題。KE等[將多電平轉換器的子模型故障時頻信號轉化為二維時頻圖作為診斷模型的輸入數據，同時利用遺傳算法對模型關鍵超參數進行優化，提高了所提故障診斷框架的可視性和適用性。SHAO等[12]采用粒子群優化確定深度置信網絡的最優結構，然后將優化后的網絡應用于滾子軸承故障診斷。TANG等[13]為了擺脫手動特征提取和人工超參數優化，通過連續小波變換將原始聲信號轉化為二維時頻圖作為CNN的輸入，結合貝葉斯優化算法自適應調整超參數，構建了一個具有較高準確率和較好魯棒性的CNN模型用于液壓柱塞泵的故障診斷。WANG等[14]提出了一種自適應深度CNN模型用于滾動軸承故障診斷，其主要超參數由粒子群優化確定。

大多數學者基于深度學習的旋轉機械故障診斷的研究，主要集中在齒輪、變速箱、電機、轉子和軸承上。而由于非接觸旋轉密封故障類型不明晰、狀態難以量化、數據庫不完善等原因，其智能故障診斷相關研究報道較為稀缺。鑒于上述問題，本文搭建非接觸旋轉密封聲發射（acousticemission，AE）試驗臺對其進行直接測量并采集非平穩AE信號，提出一種可融合連續小波變換和貝葉斯優化的深度CNN模型，對非接觸旋轉密封的多故障狀態進行分類識別。為在具有高度非平穩特性、復雜性和重疊性的AE信號環境中實現密封故障源識別提供了可行性證明。

1非接觸旋轉密封AE信號采集試驗系統

1. 1 試驗對象

本文測試對象為非接觸旋轉密封，其結構如圖1所示。非接觸旋轉密封運行期間，螺旋槽依據轉速高低變化所產生的強弱動壓效應使得旋轉環和補償環端面發生3種摩擦學狀態：干摩擦、混合潤滑以及流體動力潤滑。在流體動力潤滑狀態下（也是非接觸旋轉密封理想運行狀態），旋轉環和補償環端面間隙具有一層僅有幾微米的氣膜，介質氣體不斷地沿槽向中心泵送，通過極薄氣膜厚度產生極高的氣膜剛度，從而達到密封效果。

圖1非接觸旋轉密封結構圖

Fig.1Non-contact rotary seal structure diagram

1.2AE信號采集試驗系統

非接觸旋轉密封AE信號采集試驗系統如圖2所示。試驗系統主要由傳動系統、供氣系統、控制系統、密封系統和測試系統組成，主要元器件及其性能參數如表1所示。模型的訓練和驗證使用了基于Pytorch1.10.2和Python3.6的深度學習框架。工作站為華碩FA506QM，配置AMDRyzenTM7-5800H處理器，英偉達顯卡RTX3060（16GB）。

圖2非接觸旋轉密封聲發射信號采集試驗系統

Fig.2Non-contact rotary seal acoustic emission signal acquisition test system

表1試驗系統主要元器件及其性能參數Tab.1The main components and performance parameters of the experimental system

1.3信號采集試驗工況設定

非接觸旋轉密封信號采集試驗工況設定如表2所示。所有工況均在 0.1MPa 壓力下進行，4種結構故障和正常運行信號數據均在電機轉速 1000r/min 時采集，在密封環為正常環時，測取電機轉速為50和

600r/min 時的數據作為啟停故障信號數據。

為了提高試驗系統測試精度，本次試驗采用雙通道AE傳感器，通過磁力將兩個傳感器呈45安裝在密封壓蓋的徑向平面上，盡可能靠近被測密封環。采樣系統采樣率設置為 1.25MHz ，啟動電機通過變頻啟動器控制。

表2非接觸旋轉密封信號采集試驗工況設定

Tab.2 Setting of conditions non-contact rotary seal signal acquisition tst

2故障診斷模型的構建及識別策略

2.1非接觸旋轉密封摩擦狀態分析

根據1.1節所述的非接觸旋轉密封的工作原理，非接觸旋轉密封運行期間所經歷的3種摩擦學狀態具體取決于Stribeck曲線所表征的操作條件。其最佳工作區域是從混合潤滑到流體動力潤滑狀態的過渡點附近，此時摩擦和泄露最小[15-16]。

文獻[17-21的研究表明，在密封端面之間的滑動接觸中，AE信號參數中的均方根（rootmeansquared，RMS）值與AE源機制的多重相互作用之間存在顯著的交互關系。這種相關性已在FAN等[22]的工作中得到了理論證明。

信號均方根計算公式為：

式中， ΔT 為時間常數； V（τ） 為信號在 τ 時刻的電壓。

2.2 模型的構建

LeNet-5是深度學習中經典CNN模型，它利用自動特征學習的潛力對數據進行分類和識別[23]。本文基于LeNet-5構建了一個適用于非接觸旋轉密封故障信號數據的改進CNN模型，其整體結構由一個輸入層、兩個卷積層、兩個池化層、兩個全連接層以及一個輸出分類層構成。

CNN模型選擇相對較小的卷積核作為特征提取器，用于平衡較強的特征表示和較低的網絡模型復雜度。CNN中的激活函數為LeakyReLU，池化層采用最大池化（maxpooling，MaxPool），通過下采樣減少特征維度，Softmax函數用于完成預測和分類。

2.3超參數的優化

貝葉斯優化（bayesianoptimizationalgorithm，BOA）自從被提出用于機器學習以來，已被證實在超參數調整方面的有效性[24-26]，其在本文中被用于自動超參數（hyperparameters，HPs）優化，以解決HPs手動優化的局限性。

BOA優化流程圖如圖3的步驟4所示，每個HP都設置優化范圍，隨后利用高斯過程（Gaussian process，GP）確定代理模型，從而對目標函數建模并定義其先驗分布，其次給定一組觀察值用于函數評估，再次利用GP確定目標函數得到后驗分布，最后使用采集函數（acquisitionfunction，AF）根據后驗分布信息指引采樣以確定下一個采樣點。主要的AFs有EI（expected Improvement），PI（probabilityof improvement）以及UCB（upperconfidence bound）等。EI因其良好的實用性和簡單的計算方式，已成為當前最流行和最常用的策略之一，同時考慮到噪音對結果產生的影響，本文選擇NoisyEI作為采集函數，保證優化時額外結果的穩定性。優化目標是非接觸旋轉密封不同運行狀態測試數據集上的狀態識別準確率。目標函數則用于表示識別準確率與HP的關系。

圖3非接觸旋轉密封運行狀態識別流程圖 Fig.3Flowchart of non-contact rotary seal operation status identification

2.4狀態識別策略

利用聲發射傳感器采集非接觸旋轉密封狀態數據，隨后在構建的CNN模型基礎上，引入BOA優化CNN模型，并用于非接觸旋轉密封運行狀態識別，其識別方法流程如圖3所示。

具體方法實現主要包括以下5個步驟：

（1）通過AE傳感器獲取非接觸旋轉密封不同運行狀態下的AE信號。（2）將獲取的一維AE信號進行切片處理，并通過連續小波變換（continuouswavelettransform，CWT）將其轉換為時頻圖并作為分類模型的輸入。（3）考慮模型輸入數據的數量及維度，設置其初始HPs的值，構建一個初步的深度CNN模型。（4）使用BOA算法對CNN模型的HPs進行優化。首先，確定需要優化的HPs；其次，選擇被優化的HPs的優化范圍；進而，BOA依據評估函數進行迭代，優化目標為尋找能夠達到模型最佳性能的超參數組；然后，對具有最優HPs的CNN模型進行訓練及測試；最后，構建出一個具有適應性的CNN模型（CNN-BOA）。

（6）將通過BOA優化的深度CNN性能最優模型應用于非接觸旋轉密封故障診斷。

3 結果與分析

3.1數據預處理及模型參數設定

在機械故障診斷中，用于原始信號時頻分析的常見方法有很多，包括短時傅里葉變換、S變換、小波同步壓縮變換、CWT、希爾伯特-黃變換等[27]。本文采用CWT時頻分析方法并選用Morlet小波作為母小波函數，對于非穩態信號，CWT通過伸縮和平移運算可以對信號進行多尺度細化分析，從而能夠有效地從信號中提取時頻信息。進一步地，可以將原始一維信號映射到二維空間表示其時頻特征[28]

模型中HPs的優化范圍如表3所示。設置HPs的優化范圍可以減少BOA的搜索范圍，節省模型訓練時間。模型的輸入數據為時頻圖，激活函數為LeakyReLU，需要被優化的HPs包括學習率（learningrate，LR）迭代次數（Epoch）、批次尺寸（Batchsize）、第一個卷積層（convolutional layer1，Convl）和第二個卷積層（convolutional layer2，Conv2）的卷積核尺寸以及卷積核的數量、第一個全連接層（ful-lyconnectedlayer1，FC1）和第二個全連接層（Ful-lyconnectedlayer2，FC2）的輸出單元數量、梯度更新優化算法（gradient updata optimization algorithm，GUOA），其中GUOA包括SGDM（stochastic gradient descent with momentum），Adam（adaptive moment estimation）以及 RMSprop（root mean squareprop）這3種典型優化算法。卷積核則用來提取高維特征，卷積核的大小影響到感受野的大小，且較小的卷積核可以減少計算量。因此，卷積核尺寸的上限被設定為 7×7 。

表3超參數優化范圍

Tab.3Optimizationrangesofhyperparameters

3.2 貝葉斯優化結果分析

通過CWT將其轉換為二維時頻圖，如圖4所示。每類狀態原始數據包含2000個樣本，將原始數據轉化為時頻圖后得到了14000個時頻圖，時頻圖尺寸為 64×64 。為了保證模型的泛化能力，同時將每類時頻圖中的 70% 作為模型訓練樣本集，其余30% 作為模型測試樣本集，每次模型訓練時只有訓練樣本集被用來訓練模型，訓練完成后的模型直接應用于測試樣本集。

分類精確度隨BOA優化次數變化的曲線如圖5所示，在第2次BOA優化時其模型分類精確率已超過了 99% ，在第85次優化時分類精確率達到了最高值。HPs優化結果如表4所示，最終確定的CNN模型網絡結構參數如表5所示。

圖5CNN-BOA優化過程中的分類精確度Fig.5Classificationaccuracy in the CNN-BOA optimizationprocess

表4超參數優化結果Tab.4Optimizationresultsofhyperparameters

表5CNN-BOA網絡結構參數

Tab.5 CNN-BOA network structureparameters

注： oc 表示輸入通道數；KS表示核尺寸；S表示步長； PAD 表示填充； IF 表示輸入特征數； OF 表示輸出特征數。

3.3模型狀態識別結果分析

模型訓練過程中，隨著訓練次數的增加，損失函數收斂過程如圖6（a）所示，分類精確度如圖6（b）所示。損失函數值和分類精確度均在第15次訓練后出現波動，在訓練次數超過60次后，訓練損失函數值逐步趨于零，測試集損失函數值則收斂于區間[181.6，181.7」。訓練精確度和測試精確度沒有明顯差異。因此，CNN-BOA模型收斂速度較快且穩定性良好。

圖6模型的損失函數值和分類精確度

Fig.6Loss function valuesand classification accuracy of the model

為了觀察確定的CNN-BOA模型在非接觸旋轉密封不同運行狀態上的分類表現，使用混淆矩陣計算了CNN-BOA模型與超參數優化使用隨機搜索優化算法（randomresearch，RR）的CNN模型（CNN-RR）、使用SGDM梯度優化算法的LeNet-5（LeNet-5-SGDM）模型、使用Adam梯度優化算法的LeNet-5（LeNet-5-Adam）模型以及使用RM-Sprop優化的LeNet-5（LeNet-5-RMSprop）模型識別分類不同狀態的正類數、召回數以及精確度。如圖7（a）所示，CNN-BOA模型對于EP和SC狀態的分類精確率率達到了 100% ，DF和ML狀態樣本分別只有一個被誤識別為了SF，此外，7個SF狀態樣本被誤判為PF，5個PF狀態樣本被誤判為SF。這表明CNN-BOA模型的狀態識別性能明顯優于其他對比模型，尤其是對EP和SC狀態的特征提取和識別能力最為出色。另外4種狀態分類模型對于SF和PF狀態的分類精確度同樣明顯低于另外5種狀態，說明SF和PF狀態的時頻特征極為相似，即使利用深度學習模型對其進行深層次的特征提取也難以達到 100% 分類精確度。

本文所提CNN-BOA模型以及4種對比模型均進行了10次重復試驗，避免了單一模型出現隨機性的問題。如圖8所示，10次重復試驗的CNN-BOA模型和CNN-RR模型的分類精確度沒有顯著差異，而基于人工調參的LeNet-5模型的分類精確度有著明顯差異，說明其穩定性較差。平均分類精確度最高和標準差最小的分類模型均為CNN-BOA模型，且其標準差遠小于其他分類模型。作為同樣使用機器超參數調整算法的CNN-RR模型的平均分類精確度也達到了 99% 以上，但其標準差較大，穩定性較差，一個主要原因是RR優化算法對于超參數的采樣是隨機的。而在3種基于人工調參的分類模型中，LeNet-5-SGDM的平均分類精確度最高，標準差較低，CNN-BOA最終確定的梯度更新優化算法也為SGDM，進一步說明對于基于時頻圖的非接觸旋轉密封故障診斷模型，使用SGDM優化算法的訓練效果要優于Adam以及RMSprop優化算法。基于以上分析，CNN-BOA模型相比于使用RR優化的CNN模型以及人工調參的CNN模型，其分類識別性能和魯棒性都更為出色。

3.4分類結果可視化分析

為了直觀地分析CNN-BOA模型各層特征提取器對密封狀態數據集分類的有效性，使用t分布隨機近鄰嵌人（t-distributed stochastic neighbor embed-ding，t-SNE）技術，將高維特征映射到二維空間進行可視化處理。

如圖9所示，原始輸入數據的二維特征相互交融，無法有效分類識別，其中ML、SO、SF和PF狀態重疊最為嚴重。經過Conv1和Conv2的特征提取之后，相同運行狀態數據的低維特征開始聚類，但7種狀態特征仍有部分具有交融現象。在經過FC1和FC2線性映射后，相同狀態的特征概率分布更加接近，不同狀態的特征也被辨別開來。而在經過分類層之后，各相同狀態的分布更加緊湊，不同狀態簇之間的間距也更大，分組效果更為明顯，7種狀態數據低維特征被明顯分離。因此，基于AE信號時頻圖的CNN-BOA可以對非接觸旋轉密封運行狀態進行有效識別。

圖9使用t-SNE可視化CNN-BOA模型各層輸出的二維特征圖

Fig.9t-SNEwasused to visualizethe two-dimensionalfeaturediagramsof theoutputofeach layeroftheCNN-BOA model

4結論

鑒于非接觸旋轉密封故障類型無法明晰、狀態難以量化以及故障數據不完備的問題，本文搭建非接觸旋轉密封聲發射試驗臺用于采集非平穩信號，并提出一種可融合連續小波變換和貝葉斯優化的深度CNN模型用于非接觸旋轉密封故障診斷，希望非接觸密封運行信號在非平穩性、復雜性和重疊性環境中，可以被有效地分離，并用于密封故障源識別，進一步完善密封故障診斷的準確性。主要結論如下：

（1）利用AE技術可以有效監測非接觸旋轉密封多源故障狀態信號，且能夠通過CNN模型對狀態信號數據進行特征提取及分類識別。（2）CNN-BOA對密封運行狀態的平均分類精確度為 99.7023% ，略高于CNN-RR模型的 99.3760%高于人工調參模型的 97.5529% 。（3）將t-SNE用于模型各層特征降維并可視化。結果表明，非接觸旋轉密封AE時頻圖經過CNN-BOA模型各層特征提取器之后，不同運行狀態的屬性特征被有效保留，且可被精準辨識。

參考文獻：

[1]TOWSYFYANH，GUF，BALLAD，etal.Tribo logical behaviourdiagnosticand faultdetection of me chanical sealsbased on acousticemission measurements [J].Friction，2019，7（6）：572-586.

[2] SHAOHD，JIANGHK，ZHANGHZ，etal.Roll ingbearing fault feature learning using improved convolutional deep belief network with compressed sensing[J]. Mechanical Systems and Signal Processing，2Ol8，100： 743-765.

[3] YANGDG，KARIMIHR，SUNKK.Residual widekernel deep convolutional auto-encoder for intelligent ro tating machinery fault diagnosis with limited samples [J].NeuralNetworks，2021，141：133-144.

[4] CUIJL，ZHONGQW，ZHENGSB，etal.Alightweight model for bearing fault diagnosis based on Gramian angular field and coordinate attention[J].Ma chines，2022，10（4）：282.

[5]WANG HQ，LIS，SONG L Y，et al. A novel convolutional neural network based fault recognition method via image fusion of multi-vibration-signals[J]. Computers in Industry，2019，105：182-190.

[6]CHEN Y J，RAO M，FENG K，et al. Physics-informed LSTM hyperparameters selection for gearbox fault detection[J]. Mechanical Systems and Signal Processing，2022，171：108907.

[7]ZHAO R， YAN R Q， CHEN Z H，et al. Deep learning and its applications to machine health monitoring[J]. Mechanical Systems and Signal Processing，2O19，115： 213-237.

[8]姜洪開，邵海東，李興球.基于深度學習的飛行器智能 故障診斷方法[J].機械工程學報，2019，55（7）：27-34. JIANG Hongkai，SHAO Haidong，LI Xingqiu. Deep learning theory with application in intellgent fault diagnosis of aircraft[J].Journal of Mechanical Engineering， 2019，55（7）：2 7-34.

[9]BHADANE M，RAMACHANDRAN K I. Bearing fault identification and classification with convolutional neural network[C]// Proceedings of 2Ol7 International Conference on Circuit，Power and Computing Technologies（ICCPCT）.Kollam，India：IEEE，2017：1333- 1337.

[10] ZHANG C，WANG W Z， ZHANG C，et al. Extraction of local and global features by a convolutional neural network-long short-term memory network for diagnosing bearing faults[J].Proceedings of the Institution of Mechanical Engineers，Part C：Journal of Mechanical Engineering Science.2022，236（3）：1877-1887.

[11] KE L Z， ZHANG Y，YANG B， et al. Fault diagnosis with synchrosqueezing transform and optimized deep convolutional neural network：an application in modular multilevel converters[J].Neurocomputing，2021，430： 24-33.

[12] SHAO HD，JIANG H K， ZHANG X，et al. Rolling bearing fault diagnosis using an optimization deep belief network[J]. Measurement Science and Technology， 2015，26（11）：115002.

[13] TANG S N， ZHU Y， YUAN S Q. A novel adaptive convolutional neural network for fault diagnosis of hydraulic piston pump with acoustic images[J]. Advanced Engineering Informatics，2022，52：101554.

[14] WANG F A， JIANG H K，SHAO H D， et al. An adaptive deep convolutional neural network for roling bearing fault diagnosis[J].Measurement Science and Technology，2017，28（9）：095005.

[15]TOWSYFYAN H. Investigation of the nonlinear tribological behaviour of mechanical seals for online condition monitoring[D].Huddersfield：University of Huddersfield， 2017. seals[D].Enschede：University of Twente，1999.

[17] SHARMA R B，PAREY A. Modelling of acoustic emission generated in roling element bearing[J]. Applied Acoustics，2019，144：96-112.

[18]BENABDALLAH H S，AGUILAR D A. Acoustic emission and its relationship with friction and wear for sliding contact[J].Tribology Transactions，2Oo8，51（6）： 738-747.

[19]WANG L，WOODRJK.Acoustic emissions from lubricated hybrid contacts[J]. Tribology International， 2009，42（11-12）： 1629-1637.

[20] HUANG W F，LIN Y B，GAO Z， et al. An acoustic emission study on the starting and stopping processes of a dry gas seal for pumps[J].Tribology Letters，2013， 49（2）： 379-384.

[21]TOWSYFYANH，GUFS，BALL AD，etal.Modeling acoustic emissions generated by tribological behaviour of mechanical seals for condition monitoring and fault detection[J]. Tribology International，2O18，125： 46-58.

[22]FANYB，GUFS，BALLA.Modellingacoustic emissions generated by sliding friction[J]. Wear，2010， 268（5-6）： 811-815.

[23]LECUNY，BOTTOUL，BENGIOY，etal.Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE，2002，86（11）：2278-2324.

[24]SNOEK J，LAROCHELLE H，ADAMS RP，et al. Practical Bayesian optimization of machine learning algorithms[C]// Proceedings of the 26th International Conference on Neural Information Processing Systems. ACM，2012：2951-2959.

[25]CUI H，BAI J. A new hyperparameters optimization method for convolutional neural networks[J].Pattern Recognition Letters，2019，125：828-834.

[26]ABBASIMEHRH，PAKIR.Prediction of COVID-19 confirmed cases combining deep learning methods and Bayesian optimization[J].Chaos，Solitons amp; Fractals， 2021，142：110511.

[27］趙志宏.基于振動信號的機械故障特征提取與診斷研 究[D].北京：北京交通大學，2012. ZHAO Z H. Research on vibration signal based machinery fault feature extraction and diagnosis[D]. Beijing： Beijing Jiaotong University，2012.

[28]FU WL，JIANGXH，LIBL，et al.Rolling bearing fault diagnosis based on 2D time-frequency images and data augmentation technique[J].Measurement Science and Technology，2023，34（4）： 045005.