關于故障診斷方向論文引用文獻有很多，選擇引用的參考文獻直接關系到文章的質量，所以選擇文獻要注意，不能脫離論文的主題，例如文章是關于故障診斷方向的，就不能引用無關的文獻，引用文獻要能夠突出文章的主題，這是選擇參考文獻的一個基本原則，這里就匯總了部分關于故障診斷可以引用的文獻推薦：
一、基于行波理論的輸電線路故障診斷方法研究
摘要：運行中的輸電線路發生故障時，會在故障點產生向兩側傳播的電流行波和電壓行波。電流行波和電壓行波又統稱為故障行波，故障行波會在阻抗不連續點發生折射和反射，由此可以通過采集并分析故障行波得到線路故障信息。利用相模變換對三相電流行波進行解耦，通過解耦后得到的獨立模量之間的關系可以確定故障類型和故障相，再利用小波變換模極大值的方法標定行波波頭，通過波頭信息可以得到故障點距離。仿真結果顯示，該方法能準確地確定故障類型和故障相，對故障點距離的定位也能達到很高的精度。
來源：軟件工程. 2022,25(07)
二、基于紋理圖像的強抗干擾性軸承故障診斷方法
摘要：針對傳統時頻分析與卷積神經網絡(CNN)結合的軸承故障診斷模型抗噪性能差的問題，提出了一種能高效提取振動信號特定頻段信息并具有強抗干擾性的卷積神經網絡模型。首先根據診斷對象的型號與運轉狀態，自適應地將一維振動信號轉換成二維CNN善于處理的紋理圖像，再輸入首層超大卷積核的強抗干擾性卷積神經網絡中進行訓練。為了驗證模型的抗噪性和準確性，設計了模型抗噪測試和故障定位測試。
來源：軸承.北大核心(錄用定稿)網絡首發時間：2022-07-06 11:08:36
三、特征篩選與SVM結合的風機軸承故障診斷研究
摘要：由于城市軌道交通頻繁運行，地鐵風機滾動軸承的故障特征極易被復雜多變的背景噪聲所掩蓋。針對這一問題，提出了一種基于特征篩選與支持向量機(SVM)的故障診斷方法。首先，從軸承原始監測信號中提取多尺度特征，構建軸承常見故障狀態下的健康指標特征集;其次，利用拉普拉斯評分對處于故障狀態下的健康指標特征集與正常狀態下的健康指標特征集進行對比，獲得健康指標敏感程度權重分數，篩選出敏感故障特征;最后，運用SVM算法對篩選出的特征進行故障識別，從而準確地實現地鐵風機滾動軸承的故障診斷。通過在實際軸承故障數據集上的故障診斷實驗，證明了提出方法的有效性和優越性。
來源：機械設計與制造.北大核心(錄用定稿)網絡首發時間：2022-07-08 09:59:25
四、基于CatBoost算法的光伏陣列故障診斷方法
摘要：針對基于傳統機器學習算法的光伏陣列故障診斷方法需要大量訓練集的問題，提出了基于CatBoost算法的故障診斷方法，實現小規模訓練集下不同程度故障的準確診斷。建立了光伏組件等效電路模型，考慮短路、開路、老化、局部陰影下不同程度的光伏陣列故障，分析包含旁路二極管和阻塞二極管的光伏陣列的伏安特性曲線變化特性，構建反映不同故障特性的特征量，作為光伏陣列故障診斷方法的輸入向量。使用CatBoost算法對小規模訓練集進行訓練，建立基于CatBoost算法的故障診斷模型。為驗證所提方法的效果，分別進行了仿真和實驗分析。將所提方法與傳統神經網絡算法、其他決策樹算法進行對比，驗證了所提方法在小規模訓練集下的準確性與穩定性。
來源：電力系統自動化(錄用定稿)網絡首發時間：2022-06-30 20:37:44
推薦閱讀：如何選擇故障診斷方向專業的期刊
如果您現在遇到期刊選擇、論文內容改善、論文投稿周期長、難錄用、多次退修、多次被拒等問題，可以告訴學術顧問，解答疑問同時給出解決方案 。
