SCI论文（www.lunwensci.com）
摘要：分布式驱动电动汽车具有驱动传动链短 、传动高效 、结构紧凑等特点， 已成为当前汽车行业发展的一大趋势 。 电动汽车驱 动系统作为电动汽车“三电”核心部件之一， 其驱动电机是电动汽车唯一动力源， 而轴承作为电机的关键易损部件， 对电动汽车 的安全性起着重要作用 。要想切实提高电动汽车的运行安全， 需要掌握驱动电机轴承的故障诊断方法 。 因此， 介绍了分布式驱动 电动汽车驱动系统的电机常见故障， 重点从机器学习方面对滚动轴承故障诊断经典算法和轮毂电机轴承故障诊断算法进行综述， 总结了不同方法的优点 、局限性和应用现状， 并对机器学习在故障诊断领域的未来发展方向进行了展望。
关键词 ：分布式驱动电动汽车,故障诊断,驱动电机,轴承故障,机器学习
Review of Fault Diagnosis of Drive Motor Bearings for Distributed Drive Electric Vehicles
Wang Zhaoyang， Zhang Tao， Wu Xinhui， Ge Pingshu， Zhang Haoyu (School of Electromechanical Engineering, Dalian Minzu University, Dalian, Liaoning 116600. China)
Abstract: Distributed drive electric vehicles have the characteristics of short drive chain, efficient transmission and compact structure, which has become a major trend in the development of the current automotive industry . As one of the core components of the "three electrics" of electric vehicles, the drive motor of electric vehicles is the only power source of electric vehicles , and as a key vulnerable component of the motor, the bearing plays an important role in the safety of electric vehicles . In order to effectively improve the operation safety of electric vehicles, it is necessary to master the fault diagnosis method of drive motor bearings . Therefore, the common faults of drive motor for distributed drive electric vehicles is introduced, a review is focused on the classic algorithms for rolling bearing fault diagnosis and hub motor bearing fault diagnosis from the perspective of machine learning, the advantages, limitations and application status of different methods are summarized, and the future development direction of machine learning in the field of fault diagnosis is prospected .
Key words: distributed drive electric vehicle; fault diagnosis; drive motors; bearing failure; machine learning
引言
作为道路交通的主要工具和重要载体， 研究和探索 节能 、环保和安全的汽车是实现交通可持续发展的必由 之路。《国家中长期科学和技术发展规划纲要》《节能与 新能源汽车技术路线图 2.0》 和 《交通强国建设纲要》 指 出， 发展节能与新能源汽车 、推动“纯电驱动”技术转 型 、加强新型运载工具研发等专题已被提升到国家战略 高度， 明确了汽车低碳化 、信息化 、智能化核心发展方 向[ 1-2] 。以多电机协调运行的分布式驱动电动汽车具有配 置灵活 、节省底盘空间 、易于布置等优点， 且各轮独立 可控， 通过合理分配其转矩， 能更好地提高车辆操纵稳 定性[3] 。相比传统机械传动汽车， 分布式驱动电动汽车 在动力学控制方面更具有优势[4-5]。
同时， 分布式驱动电动汽车拥有多个轮毂电机和电 机控制器， 导致传感器和控制系统等电子部件数量增加， 电气化程度和复杂程度较高， 这对控制系统的实时性和可靠性提出了更高要求 。若作为核心的驱动系统发生故 障， 没有实时有效的控制调节， 将导致车轮输出力矩不 协调 、车辆出现抖振 、电机间拖拽等问题， 增加能量损 耗， 甚至会造成车辆瞬时改变行驶方向， 严重影响车辆 的行驶安全性能[6] 。 因此， 进行分布式驱动电动汽车驱 动系统的故障诊断方法研究， 对提升该类车辆的安全性 和可靠性具有重要的意义。
1 分布式驱动电动汽车驱动电机及常见故障
由于分布式驱动电动汽车运行工况比较复杂， 导 致驱动系统出现故障的因素较多， 具体故障种类也比 较多 。按照故障发生部位进行分类， 可分为驱动电机 故障 、 电机驱动器故障 、传感器故障和通信故障等 。 其中， 驱动电机的性能是决定电动汽车是否具备良好 动力性能的关键因素之一 。 因此， 本节重点介绍分布 式驱动电动汽车及驱动系统， 以及驱动电机类型和常 见故障 。
1.1 分布式驱动电动汽车及驱动系统
目前， 电动汽车按照驱动系统布置形式分为集中 式驱动和分布式驱动两种 。与集中式驱动相比， 分布 式驱动电动汽车的结构特点是将多个驱动电机直接安 装在车轮侧， 通过机械耦合装置的整合， 省去了离合 器 、变速器 、差速器等机械传动总成， 不仅简化了底 盘结构， 缩短了机械传递链， 还提高了传动效率和车辆 的操纵性[7] 。
分布式驱动电动汽车驱动系统按照结构形式的不同 可以分为轮毂电机驱动与轮边电机驱动两种 。轮毂电机 采用内转子驱动， 将动力 、传动和制动装置都整合到轮 毂内， 因此可以将电动汽车的机械部分大大简化[8] 。轮 边电机采用外转子驱动， 将驱动电机装在车轮内侧后通 过传动轴单独驱动该车轮， 但轮边电机技术存在着控制 差速等问题[9] 。相比较而言， 轮毂电机早已成为国内外 各大电动汽车企业 、科研机构的重点研制对象。
1.2 分布式驱动电动汽车驱动电机
由于电动汽车特殊的操作模式和工作条件， 学者们 对电动汽车动力总成中使用的电机和驱动系统提出了特 定具体要求 。 电动汽车用驱动电机与传统工业电机的主 要区别如表 1 所示， 而电动汽车驱动系统的主要要求 为[ 10]： ( 1 ) 高转矩密度和功率密度; (2 ) 宽速度范围; ( 3 ) 低速时转矩输出大， 以便在车辆启动或爬坡时释放 足够的转矩; (4 ) 过载能力强， 例如电机在短时间内可 输出两倍额定转矩的功率; (5 ) 高安全性和可靠性， 例 如容错配置; (6 ) 抑制电机噪声和转矩脉动; (7 ) 合理 的成本。
目前， 电动汽车中流行的 3 类驱动电机为感应电机、 开关磁阻电机 、永磁同步电机， 均可用于研发轮毂电机。 表 2 所示为上述电机的多维性能比较 。 目前， 没有明确 的驱动电机在所有工作条件下都具有令人满意的性能， 只能根据几个因素进行选择， 例如噪声 、制造难度 、鲁 棒性 、容错能力和成本等。
整体而言， 电动汽车直流驱动电机会逐渐被淘汰， 交流电机将成为主流驱动形式 。上述的 3 种交流驱动电 机的性能指标各有侧重， 其中， 永磁同步电机具有高效率和高功率密度等优点， 令其发展前景更为广阔， 将是 分布式驱动电动汽车驱动电机发展的一个重要方向[ 11]。
1.3 驱动电机常见故障
电机故障可分为电气故障 、机械故障 、外围驱动系 统故障 3 类， 具体的常见故障如图 1 所示。
在各类故障中， 机械故障占电机总体故障的 80%， 而电机轴承故障又占整个机械故障的 40%， 润滑油污染、 过载 、甚至多电平逆变器产生的漏电流等电气原因都可 能导致此类故障[ 12]。
由于轮毂电机的分布式布局， 提高了对车辆的功能 安全和故障诊断的要求， 因此需要完善的故障诊断系统 来检测电机的运行安全[ 13] 。根据 《电动汽车用驱动电机 系统故障分类及判断》(QC/T 893-2011 ) [ 14] 中对故障等 级的划分， 涉及到轴承的故障等级被划分为严重或致命 故障 。因此， 及时发现轴承早期潜在故障并及时采取相 应措施非常具有研究意义。
2 机器学习在滚动轴承故障诊断中的应用
滚动轴承故障诊断技术主要有： 基于振动信号 、声 信号 、电磁信号 、温度信号和超声信号等的方式 。其中， 基于振动信号的方法更为普遍， 可实现早期故障检测 。
在轴承故障诊断领域， 基于数据驱动的机器学习方法逐 渐替代了物理数学模型的研究方法[ 15] 。本节将梳理基于 传统机器学习 、深度学习 、迁移学习经典算法的轴承故 障诊断方法。
2.1 传统机器学习在滚动轴承故障诊断中的应用
在故障诊断研究领域， 传统的机器学习理论自问世 到 2010 年获得了广泛应用 。在传统的机器学习中， 故障 特征是人工进行提取的， 通过选择敏感的特征训练能够 实现轴承故障的自动诊断模型 。传统机器学习诊断过程 如图 2 所示， 包括数据采集 、人工特征提取和故障诊断 3 个步骤。
人工特征提取一般包括特征提取和特征选择两个步 骤 。从采集到的数据中提取一些常用的特征， 如时域、 频域和时频域特征提取， 但这些特征往往是相互关联的， 包含一些冗余信息， 因此特征提取后进行特征选择和降 维是十分必要的 。在经过人工特征提取后， 面对复杂的 数据， 通过传统机器学习建立所选特征与轴承具体故障 的联系是进行电机轴承故障诊断的重难点。
传统机器学习具有从数据中挖掘隐含规律的能力， 常用来处理预测和分类问题， 在轴承故障诊断领域得到 了丰富的研究成果， 常用的算法有 K-最近邻 ( KNN )、 隐式马尔科夫模型 ( HMM )、 支持向量机 ( SVM )、 BP 神经网络 ( BPNN ) 等 。陈法法等[ 16]将时域 、频域特征指 标融合， 与加权 KNN 分类器结合构建电机轴承故障诊断 模型， 验证了该方案对早期故障诊断的有效性 。张西宁 等[ 17] 提取了轴承振动信号的混合时频域故障特征集， 使 用主成分分析对其降维处理后， 训练隐马尔科夫模型分 析轴承性能退化状态， 确定轴承故障模式 。宋丹丹等[ 18] 从原始振动信号中提取 5 种典型的时域特征， 再利用核 主成分分析 ( KPCA ) 对输入的典型特征进行降维， 最后 利用支持向量机 ( SVM ) 进行轴承故障诊断， 并通过实 验验证了该方法的有效性 。胡泽等[ 19] 提出将轴承振动信 号的能量特征与经希尔伯特-黄变换后的特征向量相组 合， 然后输入 BP 神经网络进行训练和测试， 准确地识别 出了轴承不同故障类型。
2.2 深度学习在滚动轴承故障诊断中的应用
深度学习的主要特点是不需要人工特征提取， 通过 深度分层堆叠的结构自动从原始数据中提取故障特征， 直接建立特征和目标输出之间的关系， 诊断流程如图 3 所示， 包括大数据收集和基于深度学习的故障诊断 。因 此， 深度学习在滚动轴承故障诊断领域越来越受欢迎。
典型的深度学习网络模型有卷积神经网络 ( CNN )、 长短期记忆网络 ( LSTM ) 和门控循环单元 ( GRU )、 堆 叠自编码 ( SAE ) 等。
杨兰柱等[20] 提出了一种改进卷积神经网络方法诊断 轴承故障， 该方法在传统 CNN 网络架构上增加了一个批 归一化层和一个指数线性单元层， 解决了特征提取过拟 合现象， 提高了网络稳定性和泛化性 。Xu 等[21]提出了一 种小型数据驱动的卷积神经网络 ( SDD-CNN ) 用于滚动 体故障诊断， 该方法利用标签膨胀方法和半监督数据增 强方法扩展数据集， 最后使用 CNN 获了 99.56% 的准确 率 。赵小强等[22]通过设计多尺度特征提取模块最大化提 取故障特征， 然后设计带跳跃连接线的卷积模块并引入 通道注意力机制， 实现了改进卷积神经网络的强噪声和 变工况下的轴承故障诊断， 最后利用两个公开试验数据 集验证了该方法的有效性 。孙洁娣等[23]利用深度卷积神 经网络与长短期记忆网络相结合的方法实现了轴承故障 的智能 、准确诊断 。石静雯等[24] 提出了基于双向门控循 环单元的轴承故障诊断方法， 并通过实验证明了该方法 具有高准确率 。张西宁等[25]通过带标准化的堆叠自编码 网络解决了普通堆叠自编码网络在参数较多时的梯度弥 散问题， 并减少了训练时间， 提高了轴承故障诊断的准 确率。
基于深度学习的滚动轴承故障诊断通过构建端到端 的诊断模型， 能够直接连接原始数据和轴承健康状态之 间的关系， 在故障诊断领域取得了一些成功 。但基于深 度学习的故障诊断方法遵循着一个假设： 标记的数据足 够多 。然而， 在实际的工程场景中， 这种假设是不存在 的， 因为机械在运行过程中真实的情况是收集的数据大 多是正常状态下的， 收集健康数据比收集错误数据容易， 从而造成数据严重不平衡 。另外， 收集到的数据大多是 未标注的 。根据工程场景下数据的这两个特点， 有必要 研究一种可靠的在未来工程应用场景下的诊断模型 。
2.3 迁移学习在滚动轴承故障诊断中的应用
基于迁移学习的轴承故障诊断无需收集足够的标记 数据， 从而解决了基于深度学习的诊断模型的假设问题。 因此， 预计迁移学习能将滚动轴承故障诊断学术研究应 用到工程场景中。
迁移学习主要解决小样本问题和数据分布不平衡问题， 并将诊断知识在多个相关机械设备上重复使用， 少 数研究者利用迁移学习理论对滚动轴承故障诊断进行了 探 索 性 研 究 。 胡 若 晖 等[26] 通 过 深 度 生 成 式 对 抗 网 络( DCGAN ) 将少量样本扩充， 实现数据增强， 再利用对 抗领域自适应网络 ( DANN ) 实现多领域特征提取与适 配， 实现不同工况下的轴承跨域故障诊断 。陈仁祥等[27] 通过小波变换得到了振动信号的时频特征， 然后利用深 度注意力迁移学习实现对不同转速下的轴承故障状态识 别 。YANG 等[28]将卷积神经网络与最大平均差异相结合， 建立了从实验室轴承到机车轴承的故障诊断迁移学习网 络， 该方法能够有效地学习可迁移特征， 并且诊断准确 率高 。王廷轩等[29]通过连续小波变换得到二维振动信号 ( CWT ) 算法， 再与基于卷积神经网络的迁移学习 ( TL ) 算法相融合， 减小了两样本间的分布差异， 提高了不同 工况和跨平台下的滚动轴承故障中诊断准确率 。陈保家 等[30]针对小数据集条件下的轴承故障诊断问题， 提出了 多源域迁移学习方法， 该方法基于一维卷积神经网络， 利用试验台数据和西储大学数据集依次对模型进行预训练， 同时添加批量归一化等模型优化技术， 提升了模型 的分类精度和泛化能力。
3 机器学习在轮毂电机轴承故障诊断中的应用
由上述研究现状可知， 基于机器学习的方法在滚动 轴承故障诊断方面已经取得了广泛应用， 但针对轮毂电 机轴承故障诊断的相关研究较少 。上述研究方法在一定 程度上促进了滚动轴承故障诊断的发展， 但由于分布式 驱动电动汽车用轮毂电机特殊的安装位置 、复杂的运行 环境 、较大的车载电源电流波动， 需要根据分布式驱动 电动汽车用轮毂电机的实际情况， 探究更适合的故障诊 断方法。
周庄[31]从典型载荷下电动汽车轮毂电机运行工况入手， 提出了基于稀疏表示的轮毂电机轴承故障诊断方法。 该方法利用共振稀疏分解和非负稀疏表示分别提取轮毂 电机轴承故障状态下的振动信号的特征和敏感特征参数。 然后， 利用随机森林算法识别轮毂电机轴承故障状态 。 最后， 结合试验台验证了基于稀疏表示的故障诊断方法 的准确性 。周嘉文[32]通过台架试验模拟轮毂电机真实运 行工况， 获取轴承故障状态的振动信号和噪声信号， 建 立了故障诊断数据库， 利用基于混合 Weibull 分布模型 ( WMM ) 信息融合的方法对轮毂电机轴承进行故障诊断， 并通过实验证明了该方法的有效性 。Xue 等[33] 提出基于 人 工 碳 氢 网 络 ( AHNs ) 的 智 能 诊 断 来 检 测 轮 毂 电 机 ( IWM ) 的机械故障， 通过西储大学数据集验证了所提方 法对轮毂电机轴承故障诊断的有效性 。童鹏[34]根据现有 人工碳氢网络 ( AHNs ) 诊断模型结合模糊理论， 提出了 基于模糊人工碳氢网络 ( F-AHNs ) 的轮毂电机轴承故 障诊断方法， 并通过与其他分类器算法的比较验证了所 提方法泛化性和鲁棒性更佳 。陈震宇[35] 以轮毂电机轴承 故障为诊断对象， 采集的振动信号为基础， 提出了基于高敏感特征参数和高斯混合输出的动态贝叶斯网络搭建 轮毂电机轴承故障诊断模型群， 实现了对轮毂电机运行 状态的在线监测及故障状态诊断识别 。秦霞[36] 提出了基 于贝叶斯网络和改进 DS 理论的轮毂电机轴承状态识别方 法， 并根据电动汽车真实的运行工况， 搭建了轮毂电机 轴承故障试验台架验证了所提方法的优越性。
4 结束语
通过文献阅读发现， 机器学习在滚动轴承故障诊断 中的应用大致分为 3 个阶段 。过去， 传统机器学习的缺 点是人工特征提取依赖于专家知识 。近年来， 深度学习 理论构建端到端诊断模型， 为提高效益带来了积极的影 响 。然而， 基于深度学习的诊断模型的成功取决于足够 多的标记样本， 但这种假设在工程场景中是不现实的 。 未来， 迁移学习理论有望实现小样本和数据分布不平衡 条件下的故障诊断， 并使诊断知识能够跨多个诊断任务 迁移。
基于机器学习的方法在滚动轴承故障诊断中得到了 广泛应用， 但针对分布式驱动电动汽车用轮毂电机轴承 故障诊断的相关研究较少， 为保障电动汽车行车安全， 根据轮毂电机的实际情况进行故障诊断已成为急切需求。 基于前述内容， 对机器学习在轮毂电机轴承故障诊断方 面的研究方向展望如下。
( 1 ) 随着大数据革命的到来， 收集的数据量快速增长， 但数据质量较差 。工作环境噪声 、数据采集设备异 常 、数据中断等原因都可能导致数据的不准确 、不完整 和不确定 。因此， 有必要研究有效的方法来整理这些质 量较差的数据， 提高收集的大数据的质量。
( 2 ) 虽然近年来基于深度学习的故障诊断方法取得 了一定的研究成果， 但深度学习诊断模型的黑盒问题仍 然是一个有待研究的热点 。诊断模型是通过多次实验构 建的， 没有严格的理论背景， 模型如何从检测数据中学 习诊断知识尚不清楚 。因此， 有必要研究如何提高基于 深度学习的诊断模型的可解释性。
( 3 ) 迁移学习实现了小样本和数据分布不平衡条件 下的轴承故障诊断， 提高了泛化能力， 但目前仍处于探 索阶段， 工程场景中的数据既有多变性又有相关性， 能 否迁移 、何时迁移的迁移准则尚不明确 。因此， 研究迁 移机制以及如何保证基于迁移学习的诊断模型的性能就 成为研究人员面临的难题。
参考文献：
[ 1] 陆化普 . 交通强国建设的机遇与挑战[J]. 科技导报, 2020. 38 (9): 17-25.
[2] 李克强 . 构建中国标准智能汽车体系实现汽车强国伟大目标 [J]. 智能网联汽车, 2020(2): 8-9.
[3] 余卓平, 冯源, 熊璐 . 分布式驱动电动汽车动力学控制发展现 状综述[J]. 机械工程学报, 2013. 49(8): 105- 114.
[4] 王震坡, 陈辛波, 张雷, 等 . 分布式驱动电动汽车关键技术及 产业化展望[J]. 科技导报, 2020. 38(8): 99- 100.
[5] 殷国栋, 金贤建, 张云 . 分布式驱动电动汽车底盘动力学控制 研 究 综 述 [J]. 重 庆 理 工 大 学 学 报 ( 自 然 科 学), 2016. 30(8):13- 19.
[6] Wang Z, Wang Y, Zhang L, et al. Vehicle stability enhancement through hierarchical control for a four-wheel-independently-ac ⁃ tuated electric vehicle[J]. Energies, 2017. 10(7): 947-964.
[7] 尹彦秋, 张俊深 . 纯电动汽车驱动系统的技术现状与发展趋 势[J]. 内燃机与配件,2021( 17):215-217.
[8] 温传新, 王培欣, 花为 . 电动汽车驱动系统的研究现状与发展 趋势[J]. 微电机, 2019.52( 10): 103- 109.
[9] Zhang H, Hua W. Modular Spoke-type Permanent-magnet Ma⁃ chine for In-wheel Traction Applications[J]. IEEE Transactions on Industrial Electronics,2018.65( 10):7648-7659.
[ 10] Cheng M, Sun L, Buja G, et al. Advanced Electrical Machines and Machine-Based Systems for Electric and Hybrid Vehicles [J]. Energies, 2015. 8(9): 9541-9564.
[ 11] 魏书荣, 黄苏融, 符杨, 等 . 永磁同步电机及其驱动系统故障 处理与容错机制研究综述[J]. 电力自动化设备, 2016. 36( 10):100- 107.
[ 12] 肖 丽 . 现代电机故障诊断与容错技术[M]. 青岛 : 青岛出版 社, 2018.
[ 13] Wanner D, KreuãLein M, Augusto B, et al. Single wheel hub motor failures and their impact on vehicle and driver behaviour [J]. Vehicle System Dynamics, 2016. 54( 10): 1345- 1361.
[ 14] 全国汽车标准化技术委员会 . 电动汽车用驱动电机系统 故障分类及判断 : QC/T 893-2011 [S]. 北京 : 中国计划出版 社,2012.
[ 15] 张星星, 李少波, 柘龙炫, 等 . 基于机器学习算法的滚动轴承 故 障 诊 断 研 究 [J]. 组 合 机 床 与 自 动 化 加 工 技 术 , 2020(7):36-39.
[ 16] 陈法法 , 李冕 , 陈保家 , 等 . 基于混合域特征集与加权 KNN的滚动轴承故障诊断[J]. 机械传动, 2016. 40(8): 138- 143.
[ 17] 张西宁, 雷威, 李兵 . 主分量分析和隐马尔科夫模型结合的 轴承监测诊断方法[J]. 西安交通大学学报, 2017. 51(6): 1-7.
[ 18] 宋丹丹, 魏域琴, 范启富 . 基于 SVM 和 KPCA 的滚动轴承故 障诊断[J]. 化工自动化及仪表, 2019. 46( 12): 988-992.
[ 19] 胡泽, 张智博, 王晓杰, 等 . 基于希尔伯特-黄变换和神经网 络的滚动轴承故障诊断[J]. 电动工具, 2020( 1): 11- 18.
[20] 杨兰柱, 刘文广 . 改进的 CNN 网络在轴承故障诊断中的应用 [J]. 机电工程技术,2020.49(8): 11- 13.
[21] Xu X, Zheng H, Guo Z, et al. SDD-CNN: Small Data-Driven Convolution Neural Networks for Subtle Roller Defect Inspec ⁃ tion[J]. Applied Sciences, 2019. 9(7): 1364.
[22] 赵小强, 张亚洲 . 利用改进卷积神经网络的滚动轴承变工况 故障诊断方法[J]. 西安交通大学学报, 2021. 55( 12): 108- 118.
[23] 孙洁娣, 毛新茹, 温江涛, 等 . 深度卷积长短期记忆网络的轴承故障诊断[J]. 机械科学与技术, 2021. 40(7): 1091- 1099.
[24] 石静雯, 侯立群 . 基于双向门控循环单元网络的滚动轴承故 障诊断[J]. 电力科学与工程, 2021. 37( 10): 64-70.
[25] 张西宁, 向宙, 夏心锐, 等 . 堆叠自编码网络性能优化及其在 滚动轴承故障诊断中的应用[J]. 西安交通大学学报 , 2018. 52( 10): 49-56.
[26] 胡若晖, 张敏, 许文鑫 . 基于 DCGAN 和 DANN 网络的滚动轴 承跨域故障诊断[J]. 振动与冲击,2022. 41(6): 21-29.
[27] 陈仁祥, 唐林林, 胡小林, 等 . 不同转速下基于深度注意力迁 移学习的滚动轴承故障诊断方法[J]. 振动与冲击 , 2022. 41 ( 12): 95- 101.
[28] YANG B, LEI Y, JIA F, et al. An intelligent fault diagnosis ap ⁃ proach based on transfer learning from laboratory bearings to lo ⁃ comotive bearings[J]. Mechanical Systems and Signal Process ⁃ ing,2019( 122):692-706.
[29] 王廷轩, 刘韬, 王振亚, 等 . 融合迁移卷积神经网络的跨域滚 动轴承故障诊断[J]. 电子测量技术, 2021. 44( 10): 167- 174.
[30] 陈保家 , 陈学力 , 肖文荣 , 等 . 小样本下滚动轴承故障的多 源域迁移诊断方法[J]. 电子测量与仪器学报 , 2022. 36(2):219-228.
[31] 周庄 . 基于稀疏表示的轮毂电机轴承故障诊断方法研究[D]. 镇江:江苏大学, 2019.
[32] 周嘉文 . 基于 WMM 信息融合的轮毂电机轴承故障诊断方法 研究[D]. 镇江:江苏大学, 2021.
[33] Xue H, Wu M, Zhang Z, et al. Intelligent diagnosis of mechani ⁃ cal faults of in-wheel motor based on improved artificial hydro ⁃ carbon networks[J]. ISA Transactions, 2021(4): 360-371.
[34] 童鹏 . 基于 F-AHNs 的轮毂电机轴承故障诊断方法研究[D]. 镇江:江苏大学, 2021.
[35] 陈震宇 . 基于 DBNs 的轮毂电机轴承故障在线诊断方法研究 [D]. 镇江:江苏大学, 2019.
[36] 秦霞 . 基于 BN 和改进 DST 的轮毂电机轴承状态识别方法研 究[D]. 镇江:江苏大学, 2021.
第一作者简介 ：王朝阳 ( 1999- )， 女， 河北唐山人， 硕士研究 生， 研究领域为分布式驱动电动汽车驱动系统故障诊断。
※通讯作者简介：张 涛 ( 1977- )， 男， 山东昌邑人， 博士， 教授， 硕士生导师， 研究领域为电动汽车驱动系统控制技术。
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/ligonglunwen/63938.html
