王吉

摘要：近年來，隨著生產(chǎn)技術(shù)的不斷成熟和發(fā)展，旋轉(zhuǎn)機械已成為使用最廣泛的工業(yè)機械設(shè)備之一，其故障的診斷對于旋轉(zhuǎn)機械的安全運行至關(guān)重要。如果旋轉(zhuǎn)機械運行過程中發(fā)生故障，復(fù)雜的內(nèi)部結(jié)構(gòu)很容易引起機械設(shè)備的連鎖反應(yīng)。因此，研究旋轉(zhuǎn)機械故障診斷對于分析機械設(shè)備缺陷的原因和缺陷狀況以及檢查兩者之間的關(guān)聯(lián)有著相當(dāng)重要的意義。本文首先分析了旋轉(zhuǎn)機械的常見的故障類型及機理，并對目前常用的旋轉(zhuǎn)機械故障診斷方法進行了詳細的論述，最后敘述了故障診斷專家系統(tǒng)的開發(fā)研究現(xiàn)狀。

關(guān)鍵詞：旋轉(zhuǎn)機械;機械振動;故障診斷;診斷方法

0 ?引言

隨著現(xiàn)代工業(yè)化進程的快速發(fā)展，旋轉(zhuǎn)機械設(shè)備已成為使用最廣泛的工業(yè)機械設(shè)備之一，人們對其可靠性的要求越來越高。現(xiàn)實生活中，旋轉(zhuǎn)機械設(shè)備多種多樣，如鼓風(fēng)機、膨脹機、燃氣輪機、離心式壓縮機、發(fā)電機、航空發(fā)動機等[1]。旋轉(zhuǎn)機械被用于許多領(lǐng)域如航空、航海、機械、化工、能源、電力等領(lǐng)域。它的安全運行直接與企業(yè)的正常生產(chǎn)相關(guān)，如果機械設(shè)備發(fā)生故障，輕則影響企業(yè)的正常生產(chǎn)，重則威脅到工人的人身安全，同時也會給社會造成一定的經(jīng)濟損失。因此，研究旋轉(zhuǎn)機械設(shè)備的故障機理和診斷技術(shù)有著至關(guān)重要的作用。

1 ?旋轉(zhuǎn)機械故障類型及其機理分析

1.1 轉(zhuǎn)子不平衡 ?不平衡是旋轉(zhuǎn)機械運行過程中最常見的故障類型之一，根據(jù)不平衡發(fā)生的過程，不平衡可分為漸發(fā)性不平衡、原始不平衡和突發(fā)不平衡[2]。原始不平衡主要是由于轉(zhuǎn)子不均勻材料的制造誤差和安裝誤差造成的，例如轉(zhuǎn)子在出廠時動平衡的平衡精度不滿足要求，則在應(yīng)用的時就會發(fā)生振動;所謂的漸發(fā)性不平衡是由于轉(zhuǎn)子結(jié)構(gòu)不均勻、工作介質(zhì)中的粉塵的不均勻沉積、工作介質(zhì)中的顆粒物對葉片、葉輪磨損不均勻等因素引起的，其振值隨著時間的增加而逐漸增大[3]。突發(fā)性不平衡主要是由于轉(zhuǎn)子零部件的脫落或者有異物附著在葉輪流道上引發(fā)的不平衡，這種不平衡引發(fā)的振動值將先增加最后穩(wěn)定到某一值。

設(shè)轉(zhuǎn)子的質(zhì)量為M，偏心質(zhì)量為m，偏心距為e，如果轉(zhuǎn)子的質(zhì)心到兩軸承聯(lián)心線的垂直距離不為零，其撓度為a，如圖l所示[4]。

當(dāng)轉(zhuǎn)子在轉(zhuǎn)動時，由于有偏心質(zhì)量m和偏心距e的存在，轉(zhuǎn)子將會產(chǎn)生離心力、離心力矩或者兩者同時存在。離心力的大小為F=meω2（ω為旋轉(zhuǎn)角速度），由于離心力的大小和方向都是周期性變化，每當(dāng)轉(zhuǎn)子轉(zhuǎn)動一周時，離心力的方向就變化一個周期，這種交變的力將會引發(fā)機械振動，從而產(chǎn)生機械的不平衡振動。

1.2 轉(zhuǎn)子不對中 ?旋轉(zhuǎn)機械運行期間的不對中也是導(dǎo)致旋轉(zhuǎn)機械設(shè)備故障的主要原因。轉(zhuǎn)子不對中的故障有幾種類型，可分為軸承不對中和聯(lián)軸器不對中兩種，如表1所示。

1.3 轉(zhuǎn)子彎曲 ?旋轉(zhuǎn)機械機組如果長時間未使用，有時可能會遇到振動過大或者無法啟動的情況，這種情況大多數(shù)是由于機組停用后產(chǎn)生了轉(zhuǎn)子彎曲故障。轉(zhuǎn)子彎曲是由于各橫截面的幾何中心的連線與旋轉(zhuǎn)軸線不重合，導(dǎo)致轉(zhuǎn)子產(chǎn)生偏心質(zhì)量，從而使轉(zhuǎn)子產(chǎn)生不平衡振動。轉(zhuǎn)子彎曲通常分為兩種：永久性彎曲和臨時性彎曲。永久性彎曲是指轉(zhuǎn)子彎曲后無法恢復(fù)到原來的形狀。導(dǎo)致永久性彎曲的原因很多，比如有設(shè)計制造缺陷、熱態(tài)停機時未及時盤車、機組停放方法不對以及遭遇涼水急冷[5-6]。臨時性彎曲是指轉(zhuǎn)子彎曲后可恢復(fù)到原來的形狀。通常產(chǎn)生臨時性彎曲的原因有預(yù)負荷過大、轉(zhuǎn)子升速過快、開機運行時暖機不充分等[7]。雖然轉(zhuǎn)子永久性彎曲與臨時性彎曲是不同的故障類型，但它們故障機理是相同的，都會產(chǎn)生與質(zhì)量偏心類似的旋轉(zhuǎn)矢量激振力，這點與質(zhì)量偏心類似。轉(zhuǎn)子彎曲在軸向上還會產(chǎn)生較大的工頻振動，這是由于軸彎曲使軸兩端產(chǎn)生錐形運動的結(jié)果，這與質(zhì)心偏離有所不同。

1.4 旋轉(zhuǎn)機械松動 ?旋轉(zhuǎn)機械松動是旋轉(zhuǎn)機械最常見的故障之一。由于旋轉(zhuǎn)機械松動類故障的特征與不平衡、不對中類故障的特征極為相似，所以在判斷故障原因時，極易與不平衡和不對中類故障發(fā)生混淆。旋轉(zhuǎn)機械類松動故障分為兩種情況：基礎(chǔ)類松動故障和轉(zhuǎn)子支撐部件松動類故障。基礎(chǔ)松動類故障包括由設(shè)備底座、基礎(chǔ)平板、混泥土基礎(chǔ)強度剛度不夠，引起基礎(chǔ)設(shè)備變形或者開裂，以及地腳螺栓松動等[8-12]。這類松動故障的振動頻譜與不平衡相同，都是工頻（或轉(zhuǎn)速頻率）占主要優(yōu)勢。轉(zhuǎn)子支撐部件松動類故障包括軸承松動、軸承內(nèi)部間隙過大、固定軸承座的螺栓松動、軸承座裂紋、支撐腳高度不同引起的松動等。因此，機械設(shè)備的松動很容易導(dǎo)致設(shè)備故障，必須定期的對設(shè)備進行充分的診斷工作，以防止機械故障的發(fā)生。

2 ?旋轉(zhuǎn)機械故障的診斷方法研究

在過去，人們對機械故障的診斷主要是依靠工人長期的豐富的經(jīng)驗去判斷，這種方法雖然能在一定程度上解決問題，但是它太過于依賴工人的主觀判斷，并且有時候存在一定程度上的不準(zhǔn)確性。隨著人類社會的進步，以及計算機技術(shù)的飛速發(fā)展，人們對旋轉(zhuǎn)機械故障診斷的方法也越來越智能化，常見的旋轉(zhuǎn)機械故障的診斷的方法有：模式識別法、人工神經(jīng)網(wǎng)絡(luò)、仿生模式識別法等[13-15]。

2.1 基于模式識別的診斷方法的研究 ?在過去的十年中，模式識別技術(shù)在機械故障診斷領(lǐng)域的應(yīng)用已得到廣泛推廣，并且每年都會發(fā)布相關(guān)的改進方法。如今，模式識別已經(jīng)成為了檢測機械故障的重要理論基礎(chǔ)之一。模式識別，其實就是利用計算機技術(shù)對樣本進行分類的過程，即是確定樣本的類別屬性的過程。一般來說，模式識別的過程，分為以下幾個部分：數(shù)據(jù)信息的獲取和預(yù)處理、特征的提取和選擇、分類判決，其中分類判決包括分類器設(shè)計（訓(xùn)練過程）和分類決策（識別過程），如圖2所示。

在機械設(shè)備診斷中，模式識別方法分為兩類：一種是基于知識的故障診斷方法，另一種是基于數(shù)據(jù)的故障診斷方法?；谥R的故障診斷方法是指根據(jù)人們已知的（從專家那里收集整理的）關(guān)于研究對象的知識，整理出若干描述特征與類別間關(guān)系的準(zhǔn)則，建立一定的計算機推理系統(tǒng)，對未知樣本通過這些知識推理決策其類別[16];基于數(shù)據(jù)的故障診斷方法是基于數(shù)據(jù)的機器學(xué)習(xí)的一種特殊情況，學(xué)習(xí)的目標(biāo)是離散分類。而基于數(shù)據(jù)的故障診斷主要以統(tǒng)計模式識別為基礎(chǔ)，故通常講的模式識別方法（聚類分析、支持向量機、模糊邏輯、判定樹、主要成分分析、粗糙集、遺傳算法等）指的就是統(tǒng)計模式識別方法。由于模式識別比一般的機械故障診斷方法有更大的準(zhǔn)確性，目前國內(nèi)外很多研究人員都逐步涉及這一領(lǐng)域的研究。

Jack等[17]提出了一種將支持向量機（SVM）應(yīng)用于滾動軸承故障檢測的模式識別方法，這種方法可以在有限的訓(xùn)練數(shù)據(jù)情況下提高模型的泛化性能，結(jié)果得到較理想的效果。張龍等[18]針對旋轉(zhuǎn)機械電機振動信號普遍存在非平穩(wěn)性，且機械設(shè)備的故障樣本有限等問題，提出一種基于時變參數(shù)自回歸模型和支持向量機相結(jié)合的旋轉(zhuǎn)機械故障診斷方法，該文方法能夠有效提取非平穩(wěn)信號的特征，且能在較少訓(xùn)練樣本的條件下獲得較好的結(jié)果。何學(xué)文等[19]提出了一種基于小波分析和支持向量機相結(jié)合的旋轉(zhuǎn)機械故障診斷方法，實驗表明該方法可以獲得更高的旋轉(zhuǎn)機械故障診斷準(zhǔn)確率。李如強等[20]人提出了一種基于粗糙集和模式識別的旋轉(zhuǎn)機械故障診斷方法，該方法通過實驗驗證證明其有效性。

這些針對機械故障的診斷方法研究表明，將模式識別方法應(yīng)用于旋轉(zhuǎn)機械故障診斷比傳統(tǒng)的診斷方法有更高的效率和準(zhǔn)確率。當(dāng)樣本集比較小時，該方法的精度優(yōu)于神經(jīng)網(wǎng)絡(luò)。由此可見，該方法在旋轉(zhuǎn)機械故障診斷中有比較廣闊的前景。

2.2 基于人工神經(jīng)網(wǎng)絡(luò)的診斷方法的研究 ?在1940年左右，關(guān)于人工神經(jīng)網(wǎng)絡(luò)的原理開始出現(xiàn)。經(jīng)過長期的發(fā)展，已將其引入智能控制系統(tǒng)、神經(jīng)網(wǎng)絡(luò)研究與開發(fā)、計算機優(yōu)化和計算機圖像處理等許多領(lǐng)域，在連續(xù)語音識別、圖像識別、數(shù)據(jù)壓縮和信息處理等領(lǐng)域的實際應(yīng)用中取得了巨大的成就，是一種新的模式識別和信息處理辦法，前景可觀。將人工神經(jīng)網(wǎng)絡(luò)與新技術(shù)結(jié)合使用的方式有很多，當(dāng)前，有許多使用人工神經(jīng)網(wǎng)絡(luò)診斷機械故障的方法[21]。最常用的方法是多層感知器神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、自組織Kohonen神經(jīng)網(wǎng)絡(luò)和徑向的功能RBN神經(jīng)網(wǎng)絡(luò)，還有許多網(wǎng)絡(luò)集成的其他方式和示例。在使用人工神經(jīng)網(wǎng)絡(luò)解決問題時，需要先對檢查收集的故障信息進行處理，刪除不必要或不加區(qū)分的異常信息，然后對有效數(shù)據(jù)進行規(guī)范化。在完成預(yù)處理完成后，可以將數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，然后進行訓(xùn)練學(xué)習(xí)和故障識別等過程。

Nalinaksh等[22]設(shè)計了一種人工神經(jīng)網(wǎng)絡(luò)用與轉(zhuǎn)子軸承系統(tǒng)的故障識別，該神經(jīng)網(wǎng)絡(luò)采用了BP神經(jīng)網(wǎng)絡(luò)算法和多層網(wǎng)絡(luò)，經(jīng)過在未知故障的測試集中驗證，其表現(xiàn)出良好的識別性能，準(zhǔn)確率達到90%。S. Rajakarunakaran等[23]介紹了基于人工神經(jīng)網(wǎng)絡(luò)的離心泵系統(tǒng)故障檢測模型的開發(fā)，該故障檢測模型采用了兩種不同的人工神經(jīng)網(wǎng)絡(luò)方法，即帶反向傳播算法的前饋網(wǎng)絡(luò)和二元自適應(yīng)諧振網(wǎng)絡(luò)（ART1）。并針對離心泵系統(tǒng)中總共七類故障，測試了改進的反向傳播神經(jīng)網(wǎng)絡(luò)和ART1模型的性能，結(jié)果表明ART1診斷故障的準(zhǔn)確率比帶反向傳播算法的前饋網(wǎng)絡(luò)高，準(zhǔn)確率接近100%。

作為一種自適應(yīng)模式識別模式，人工神經(jīng)網(wǎng)絡(luò)能通過自身的學(xué)習(xí)機制自動形成所要求的學(xué)習(xí)機制，即人工神經(jīng)網(wǎng)絡(luò)能像人類那樣根據(jù)環(huán)境不斷修正自己，表現(xiàn)出自適應(yīng)、自組織和自學(xué)習(xí)的能力。基于神經(jīng)網(wǎng)絡(luò)的智能診斷技術(shù)不僅可以用于機械缺陷的診斷，而且在其他領(lǐng)域也正在迅速發(fā)展。但是，這種方法也有缺點，例如需要比較大的樣本集，樣本訓(xùn)練困難，對研究人員經(jīng)驗和調(diào)參技巧的要求很高等。

2.3 基于仿生模式識別的診斷方法的研究 ?“仿生模式識別”這一概念[24]是由王守覺院士提出來的，他認為傳統(tǒng)的模式識別存在一定的缺陷，如傳統(tǒng)的模式識別對未經(jīng)過訓(xùn)練的對象會產(chǎn)生誤識，且它著重于對事物類別進行劃分，而仿生模式識別卻不會對未經(jīng)過訓(xùn)練的對象產(chǎn)生誤識，它著重于對事物一類一類的進行認識。

許多研究人員在仿生模式識別這一概念提出后對其進行了廣泛的研究，并將其應(yīng)用于人臉識別、圖像識別、語音識別等領(lǐng)域，取得了很多優(yōu)良的效果。但是目前仿生模式識別在機械故障診斷領(lǐng)域的研究文獻比較少。郭玉[26]將仿生模式識別算法應(yīng)用于旋轉(zhuǎn)機械故障診斷中，并將診斷過程和結(jié)果與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)（BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)）進行對比分析，結(jié)果表明仿生模式識別在旋轉(zhuǎn)機械故障診斷中是一種可行并且高效的診斷方法。

仿生模式識別法是一種全新的模式識別方法，它是從人們認識事物的角度出發(fā)來解決問題的。雖然目前仿生模式識別法在機械故障診斷領(lǐng)域的研究文獻非常少，但是也給我們提供了一種解決問題的全新思路。

3 ?故障診斷專家系統(tǒng)的開發(fā)研究

故障診斷專家系統(tǒng)，它是AI（Artificial Intelligence）一個重要分支，是多學(xué)科交叉融合的結(jié)果，是基于故障診斷領(lǐng)域?qū)＜业闹R、經(jīng)驗、推理開發(fā)的計算機程序。

美國、日本、丹麥、德國、瑞士等國的研究人員對旋轉(zhuǎn)機械故障診斷技術(shù)進行了研究，開發(fā)了各種監(jiān)視旋轉(zhuǎn)機械故障的系統(tǒng)，并取得了優(yōu)異的成績。1967年，為了響應(yīng)海洋和航空科學(xué)的發(fā)展需求，美國成立了預(yù)防故障和機械狀況的科學(xué)研究所，并研究了診斷故障的方法，并且已經(jīng)解決了用于監(jiān)視和故障的各種阻礙。而我國對故障監(jiān)測和診斷系統(tǒng)的開發(fā)研究比較晚，始于80年代左右。在那時由于研究人員缺乏實際的故障診斷經(jīng)驗，這使得開發(fā)的系統(tǒng)與實際的情況差別很大，遠遠沒有達到預(yù)期的效果。

由于機械故障診斷是一項涉及眾多機械及多門學(xué)科的綜合技術(shù)，它最適合用專家系統(tǒng)來解決機械故障問題，所以對專家系統(tǒng)開發(fā)是故障診斷技術(shù)發(fā)展的必然趨勢。當(dāng)前，專家系統(tǒng)已經(jīng)應(yīng)用在眾多領(lǐng)域如航空航天、航海、醫(yī)療衛(wèi)生、機械、化工、電子設(shè)備，并且取得了極大的經(jīng)濟效益，獲得了許多新進展。

Bo-Suk Yang等[28]提出了一種基于決策樹和決策表方法VIBEX（Vibration Expert）的專家系統(tǒng)，該系統(tǒng)是可以用來診斷旋轉(zhuǎn)機械的不規(guī)則振動故障，經(jīng)過試驗表明該系統(tǒng)在故障診斷方面表現(xiàn)出良好的性能和魯棒性。Cen Nan等[29]提出了一種基于知識的專家系統(tǒng)的實時故障診斷方法，經(jīng)過驗證該方法是有效的。李曉琴[30]應(yīng)用C++ Builder及Access數(shù)據(jù)庫開發(fā)設(shè)計旋轉(zhuǎn)機械振動診斷專家系統(tǒng)，系統(tǒng)通過對轉(zhuǎn)子、軸承、齒輪四個診斷實例驗證，說明了該專家系統(tǒng)設(shè)計合理、科學(xué)，診斷界面友好，診斷知識豐富，維護管理方便，能夠準(zhǔn)確快速地診斷部件的常見故障。

4 ?結(jié)語

針對旋轉(zhuǎn)機械設(shè)備故障的頻繁發(fā)生，為保證機械設(shè)備正常安全的運行，節(jié)約企業(yè)的成本，旋轉(zhuǎn)機械故障診斷新方法和新理論的研究與應(yīng)用已成為近年來最熱門且最困難的研究熱點。本文詳細分析了旋轉(zhuǎn)機械振動故障機理及診斷技術(shù)：①通常情況下，旋轉(zhuǎn)機械故障類型有：轉(zhuǎn)子不平衡、轉(zhuǎn)子不對中、轉(zhuǎn)子彎曲和旋轉(zhuǎn)機械松動四種，可以根據(jù)不同故障類型采取相應(yīng)的措施維修設(shè)備;②隨著機械故障診斷技術(shù)的進步，目前旋轉(zhuǎn)機械故障診斷方法有：模式識別法、人工神經(jīng)網(wǎng)絡(luò)、仿生模式識別法等;③隨著計算機技術(shù)的發(fā)展和人工智能技術(shù)提高，許多研究人員都致力于故障診斷專家系統(tǒng)的研發(fā)，這極大提高了故障診斷效率，保證了工人的人生安全，同時也為企業(yè)節(jié)約了大量的經(jīng)濟成本。

參考文獻：

[1]胡志湘，梅通友.狀態(tài)監(jiān)測技術(shù)在旋轉(zhuǎn)設(shè)備故障診斷中的應(yīng)用[J].設(shè)備管理與維修，2012（04）：48-51.

[2]李琦.振動監(jiān)測及故障診斷技術(shù)在拋丸機組維護中的應(yīng)用[J].冶金設(shè)備，2017（2）：199-205.

[3]胥佳瑞，崔彥亭，鄧愛祥，吳韜.旋轉(zhuǎn)機械振動管理專家系統(tǒng)應(yīng)用[J].機電信息，2019（33）：41-42.

[4]潘高峰.空分裝置H100型空壓機振動分析及處理[J].風(fēng)機技術(shù)，2011（01）：72-74.

[5]楊國安.旋轉(zhuǎn)機械故障診斷實用技術(shù)[M].北京：中國石化出版社，2012：26-52.

[6]何洋洋.旋轉(zhuǎn)機械振動故障診斷研究[D].華北電力大學(xué)（北京），2019.

[7]趙西松.OG#風(fēng)機有限元分析及現(xiàn)場動平衡研究[D].東北大學(xué)，2008.

[8]費冠華，李瑞洋，寧曉霞.旋轉(zhuǎn)機械設(shè)備故障診斷技術(shù)分析[J].科技風(fēng)，2019（05）：178.

[9]黨建.大型旋轉(zhuǎn)機械振動信號分析與早期故障辨識方法研究[D].西安理工大學(xué)，2018.

[10]阮躍，潘勇，徐世昌.旋轉(zhuǎn)機械振動監(jiān)測和故障診斷的智能化[J].設(shè)備管理與維修，2018（10）：175-176.

[11]黃現(xiàn)云.旋轉(zhuǎn)機械振動信號處理及故障診斷方法研究[D].南京信息工程大學(xué)，2018.

[12]范佳卿，肖伯樂，高升，張強.一種實時在線診斷旋轉(zhuǎn)機械振動故障的方法[J].動力工程學(xué)報，2018，38（02）：120-126.

[13]劉曉波.旋轉(zhuǎn)機械故障診斷若干關(guān)鍵技術(shù)研究及應(yīng)用[M].北京：機械工業(yè)出版社，2012：1-6.

[14]高金吉.機器故障診治與自愈化[M].北京：高等教育出版社，2012：1-12.

[15]謝長貴.旋轉(zhuǎn)機械的智能診斷方法研究[M].成都：電子科技大學(xué)出版社，2017：1-10.

[16]曹玲玲.貝葉斯分類方法的對比研究與改進算法[D].西北大學(xué)，2011.

[17]JACK L B， NAND A K. Support Vector Machine for Detection and Characterization of Rolling Element Bearing Faults[J].Journal of Mechanical Engineering Science， 2001， 215 （ 9 ）：1065-1074.

[18]張龍，熊國良，柳和生，陳慧.基于時變自回歸模型與支持向量機的旋轉(zhuǎn)機械故障診斷方法[J].中國電機工程學(xué)報，2007，27（9）：99-103.

[19]何學(xué)文，孫林，付靜.基于小波分析和支持向量機的旋轉(zhuǎn)機械故障診斷方法[J].中國工程機械學(xué)報，2008，5（1）：86-90.

[20]李如強，陳進，伍星.一種基于粗糙集和模式識別的旋轉(zhuǎn)機械故障診斷方法[J].機械科學(xué)與技術(shù)，2004，23（11）：1308-1312.

[21]湯健，田福慶，佘博，吳志偉，梁偉閣.基于機械振動的旋轉(zhuǎn)供彈機構(gòu)故障診斷綜述[J].控制工程，2018，25（10）：1777-1784.

[22]Nalinaksh S. Vyas，D. Satishkumar.Artificial neural network design for fault identification in a rotor-bearing system[J].Mechanism and Machine Theory，2001，36（2）：157-175.

[23]S.Rajakarunakaran，P.Venkumar，D. Devaraj. Artificial neural network approach for fault detection in rotary system[J].Applied soft computing，2008，8（1）：740-748.

[24]王守覺.仿生模式識別（拓撲模式識別）—— 一種模式識別新模型的理論與應(yīng)用[J].電子學(xué)報，2002，30（10）：1417-1420.

[25]陸飛.仿生模式識別的幾何學(xué)習(xí)算法理論的研究[D].浙江：浙江工業(yè)大學(xué)，2006.

[26]劉煥云，王軍寧，何迪.仿生模式識別目標(biāo)自適應(yīng)跟蹤算法[J].西安電子科技大學(xué)學(xué)報，2013，40（8）：142-148.

[27]王守覺，曲延鋒，李衛(wèi)軍，覃鴻.多權(quán)值神經(jīng)元網(wǎng)絡(luò)仿生模式識別方法在低訓(xùn)練樣本數(shù)量非特定人語音識別中與HMM及DTW的比較研究[J].電子學(xué)報，2005，33（5）：957-960.

[28]Bo—Suk Yang，Dong一Soo Lim，Andy Chit Chiow Tan. VIBEX：an expert system for vibration fault diagnosis of rotating machinery using decision tree and decision table[J].Expert Systems with Applications，2005，28 （4）：735一742.

[29]Cen Nan，F(xiàn)aisal K Han，M.Tariq Iqbal.Real-time fault diagnosis using knowledge-based expert system[J].Process Safety and Environmental protection，2008，（01）：55-71.

[30]李曉琴.旋轉(zhuǎn)機械振動診斷專家系統(tǒng)的研究[D].華北電力大學(xué)（北京），2011.