[1]庞新宇,魏子涵,仝钰.基于SCGAN网络的齿轮故障诊断方法[J].振动、测试与诊断,2022,42(2):358-364.

[2]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

[3]马芸婷,张超,王宇晨.PCA-SAE的齿轮箱故障诊断方法研究[J].机械设计与制造,2022,373(3):144-147+152.

[4]扶碧波,方宗德,沈云波.基于小波神经网络弧齿锥齿轮故障诊断及实验研究[J].机械传动,2011,35(12).

[5]盛永健,黄子龙,刘晨,曹毅,张洪.基于改进卷积神经网络的燃气调压器故障识别研究[J].现代制造工程,2021(4):132-138.

[6]王永鼎,金子琦.基于融合CNN与PSO-SVM的滚动轴承故障诊断[J].机械强度,2021,43(4):793-797.

[7]深度置信网络在齿轮故障诊断中的应用[J].中国机械工程

[8]基于频谱分析和卷积神经网络的高速轴向柱塞泵空化故障诊断[J].液压与气动

[9]陈友广,陈云,谢鲲鹏.基于MEEMD-SDP图像特征和DRN的行星齿轮箱故障诊断[J].机电工程,2022,39(5):662-667.

[10]曲建岭,余路,袁涛,田沿平,高峰.基于一维卷积神经网络的滚动轴承自适应故障诊断算法[J].仪器仪表学报,2018(7).

[11]杨洪柏,聂昂,张江安,张宏利,刘树林.基于原始振动信号的往复压缩机卷积神经网络故障诊断[J].机械设计与制造工程,2018(9).

[12]杨永灿,刘韬,柳小勤,王廷轩,王振亚.基于注意力机制的一维卷积神经网络行星齿轮箱故障诊断[J].机械与电子,2021,39(10):3-8.

[13]贾子威,朱历平,杨明超.基于改进CNN的起重机械滚动轴承故障诊断[J].内燃机与配件,2021(5).

[14]余阿东.基于深度字典学习的滚动轴承故障识别[J].机电工程,2022,39(2):231-237.

[15]焦瀚晖,胡明辉,王星,冯坤,石保虎.基于特征快速构造与卷积神经网络的机泵故障识别研究[J].机电工程,2020,37(9):1063-1068.

[16]薛妍,沈宁,窦东阳.基于一维卷积神经网络的滚动轴承故障程度诊断[J].轴承,2021(4):48-54.

[17]姚存治,张明真,张尚然,王冠群.基于NAKF和DBN的液压管路故障智能诊断方法[J].机电工程,2022,39(5):587-595.

[18]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).

[19]叶壮,余建波.基于多通道加权卷积神经网络的齿轮箱振动信号特征提取[J].机械工程学报,2021,57(1):110-120.

[20]基于深度一维残差卷积自编码网络的齿轮箱故障诊断[J].机械工程学报