[1]汤宝平,熊学嫣,赵明航,谭骞.多共振分量融合CNN的行星齿轮箱故障诊断[J].振动、测试与诊断,2020,40(3):507-512.

[2]李辉,郑海起,唐力伟.形态分量分析在齿轮箱复合故障诊断中的应用[J].振动、测试与诊断,2013,33(4).

[3]熊炘,杨世锡,甘春标,叶红仙.齿轮点蚀的多通道数据融合识别方法[J].振动、测试与诊断,2014,34(1):63-68.

[4]孔子迁,邓蕾,汤宝平,韩延.基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法[J].仪器仪表学报,2019(6).

[5]刘祖菁,贾民平,许飞云.基于EMD和Hilbert解调的齿轮箱故障诊断[J].机电工程,2013(11):1297-1300,1322.

[6]胡茑庆,陈徽鹏,程哲,张伦,张宇.基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法[J].机械工程学报,2019(7).

[7]熊鹏,汤宝平,邓蕾,赵明航.基于动态加权密集连接卷积网络的变转速行星齿轮箱故障诊断[J].机械工程学报,2019(7).

[8]黄文涛,付强,窦宏印.基于自适应优化品质因子的共振稀疏分解方法及其在行星齿轮箱复合故障诊断中的应用[J].机械工程学报,2016(15):44-51.

[9]任凌志,于德介,彭富强,皮维.基于多尺度线调频基稀疏信号分解的齿轮故障信号阶比分析[J].机械工程学报,2011,47(13).

[10]张鑫,赵建民,童晓帆,宋卫星,倪祥龙.基于变分模态分解和相关峭度的齿轮箱混合故障诊断[J].机械传动,2019(10).

[11]陈向民,于德介,李蓉.齿轮箱复合故障振动信号的形态分量分析[J].机械工程学报,2014(3).

[12]曹展,王细洋.基于最小熵解卷积的谱峭度法在行星齿轮箱故障诊断中的应用[J].制造业自动化,2018(2).

[13]王金东,卜庆超,赵海洋,张宏斌.最优品质因子信号共振稀疏分解的往复压缩机故障诊断[J].机械强度,2019(3).

[14]刘晓凰,李春英.基于EEMD分解和改进小波阈值降噪的齿轮故障诊断[J].机械管理开发,2018(4).

[15]陈向民,于德介,罗洁思.基于信号共振稀疏分解的转子早期碰摩故障诊断方法[J].中国机械工程,2013,24(1):35-41.

[16]雷亚国,何正嘉,林京,韩冬,孔德同.行星齿轮箱故障诊断技术的研究进展[J].机械工程学报,2011,47(19).

[17]鲍泽富,徐李甲,王江萍.基于小波包变换与神经网络的齿轮故障诊断方法[J].机械研究与应用,2010,23(1):21-24.

[18]皮维,于德介,彭富强.基于多尺度线调频基稀疏信号分解的广义解调方法及其在齿轮故障诊断中的应用[J].机械工程学报,2010,46(15).

[19]彭富强,于德介,罗洁思,武春燕.基于稀疏信号分解的自适应时变滤波器及其在齿轮故障诊断中的应用[J].机械工程学报,2010,46(24).

[20]国家自然科学基金委员会机械工程学科2012/2013年度优秀结题项目简介[J].机械工程学报