｛“status”：“ok”，“message type”：“work”，“message version”：“1.0.0”，“message”：｛“indexed”：｛“date parts”：[[2024,5,16]]，“date time”：“2024-05-16T00:12:48Z”，“timestamp”：1715818368987｝，“reference count”：42，“publisher”：“Springer Science and Business Media LLC”，“issue”：“13”，“license”：[｛“start”：｛“date parts”：[[2022,22]]，“date time”：“2022-02-22T00:00:00Z”，“timestamp”：164548800000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\\/www.springer.com/tdm”}，{“start”：{“date-parts”：[[2022,2,22]]，“date-time”：“2022-02-2T00:00:00Z”，“timetamp”：645488000000}，”content-versiion“：”vor“，”delay-in-days“：0，”URL“https://www.springer.com/tdm“}]，”出资人“：[{”DOI“：”10.13039\/501100005046“，”name“：“中国黑龙江省自然科学基金”，“doi-asserted-by”：“crossref”，“award”：[“LH2021F021”]}]，“content-domain”：{“domain”:[“link.springer.com”]，“crossmark-restriction”：false}，“short-container-title”：[”Neural Compute&Applic“]，“published-print”：{“date-parts”：[2022,7]}，”doi“：”10.1007\/s00521-07022-w“，”type“：“journal-article”，“created”：{“date-parts”：[[2022,2,22]]，“date-time”：“2022-02-2T06:03:38Z”，“timestamp”：1645509818000}，“page”：“10971-10987”，“update-policy”：”http://\/dx.doi.org\/10.10007\/springer_crossmark_policy“，”source“Crossref”，“is-referenced-by-count”：9，“title”：[“用于机械旋转部件故障诊断的带干扰抑制的新型卷积神经网络”]，“前缀”：“10.1007”，“卷”：“34”，“作者”：[{“ORCID”：“http://\/ORCID.org\/00000-0003-4865-0339”，“authenticated-ORCID”：false，“给定”：“Jingli”，“family”：“Yang”，“sequence”：“first”，“affiliation”：[]}，{“给定”，“家族”：“殷”，“序列”：“附加”，“从属”：[]}，{“给定”：“超”，“家庭”：“孙”，“顺序”：“额外”，“隶属”：[]}，}“给定的”：“天宇”，“家族“：”高“，”序列“：”附加“，”从属“：[]neneneep]，“成员”：“297”，“在线发布”：{“日期部分”：[2022,22]]}、“引用”：[{“键”：“7022_CR1“，”首页“：”1“，”卷“：”70“，”作者“：”J Yang“，“年份”：“2021”，“非结构化”：“杨J，尹S，Chang Y，Gao T（2021）监测机械旋转部件退化和预测剩余使用寿命的有效方法。IEEE Trans Instrum Meas 70:1”，“日志标题”：“IEEE Trans-Instrum Meas”}，{“问题”：“11”，“关键”：“7022_CR2”，“doi-asserted-by”：“出版商”，“首页”：“2356”，“doi”：“10.3390\/app9112356”，“卷”：“9”，“作者”：“Y Chen”，“年份”：“2019年”，“非结构化”：“Chen Y，Zhang T，Luo Z，Sun K（2019）一种新型滚动轴承故障诊断和严重性分析方法。应用科学9（11）：2356”，“期刊标题”：“应用科学”}，{“key”：“7022_CR3”，“doi-asserted-by”：“publisher”，“首页”：“213”，”doi“10.1016\/j.neucom.2018.0 5.024英寸，“volume”：“310”，“author”：“Z Wang”，“year”：“2018”，“unstructured”：“Wang Z，Wang J，Wang Y（2018）基于生成性对抗学习深度神经网络的智能诊断方案及其在行星齿轮箱故障模式识别中的应用。神经计算310:213”，“journal title”：“Neurocomputing”}，{“issue”：“14”，“key”：《7022_CR4》，“doi-asserted-by”：“publisher”，“first page”：“3837”，“doi”：“10.3390\/s20143837”、“volume”：”20“，“author”：“J Yang”，“year”：“2020”，“unstructured”：“Yang J，Yin S，Chang Y，Gao T（2020）基于一维自归一化卷积神经网络的旋转机械故障诊断方法。传感器20（14）：3837“，”日志标题“传感器”}，{“key”：“7022_CR5”，“doi-asserted-by”：“publisher”，“first page”：”106587“，“doi”：“10.1016\/j.ymssp.2019.106587”，“volume”：《138》，“author”：“Y Lei”，“year”：“2020”，“unstructured”：“Lei Y，Yang B，Jiang X，Jia F，Li N，Nandi AK（2020）机器学习在机器故障诊断中的应用：综述和路线图。机械系统信号处理138:106587“，“journal-title”：“机械系统信号处理”}，{“key”：“7022_CR6”，“doi-asserted-by”：“publisher”，“first-pages”：“66257”，“doi”：“10.1109\/ACCESS.2020.2985617”，“卷”：“8”，“作者”：“M Qiao”，“年份”：“2020”，“非结构化”：“Qiao M，Yan S，Tang X，Xu C（2020）用于强噪声和可变负载下滚动轴承故障诊断的深卷积和LSTM递归神经网络。IEEE Access 8:66257“，“journal-title”：“IEEE Access”}，{“issue”：“6”，“key”：“7022_CR7”，“doi-asserted-by”：“publisher”，“first-pages”：“1934”，“doi”：“10.3390\/s18061934”，《volume》：“18”，“author”：“S Zhou”，“year”：“2018”，“unstructured”：“Zhou S，Qian S，Chang W，Xiao Y，Cheng Y（2018）基于加权置换熵和改进的SVM集成分类器的轴承多故障诊断新方法。传感器18（6）：1934“，“新闻标题”：“传感器”}，{“键”：“7022_CR8”，“首页”：“903”，“卷”：“72”，“作者”：“F贾”，“年份”：“2016”，“非结构化”：“贾F，雷Y，林J，周X，卢N（2016）深度神经网络：一种有前途的工具，用于挖掘具有大量数据的旋转机械的故障特征和智能诊断。机械系统信号处理72:903”，“journal-title”：“机械系统信号过程”}，{“key”：“7022_CR9”，“doi-asserted-by”：“publisher”，“first-page”：“105484”，“doi”：“10.1016\/j.knosys.2020.105484“，”volume“：”193“，”author“：”X Yan“，”year“：”2020“unstructured”：“Yan X，Liu Y，Jia M（2020）用于旋转机械各种工况下故障识别的多尺度级联深信度网络。基于知识的系统193:105484“，”journal-title“：”Knowl-Based Syst“}，{”key“：”7022_CR10“，”doi-asserted-by“：”publisher“，”first page“：“160”，”doi“：”10.1016\/j.comcom.2021.04.016“，”volume“：基于卷积神经网络的旋转机械故障诊断的多特征融合。Compute Commun 173:160“，”journal-title“：”Compute Commun“}，{”key“：”7022_CR11“，”doi-asserted-by“：”publisher“，”first page“：“114094”，“doi”：“10.1016\/j.eswa.2020.114094”，“volume”：“167”，“author”：“A Dibaj”，“year”：“2021”，“unstructured”：“”Dibaj A、Ettefagh MM、Hassannejad R、Ehghaghi MB（2021）用于旋转机械非训练复合故障诊断的混合微调VMD和CNN方案。Expert Syst Appl 167:114094“，”journal-title“：”Expert Syss Appl“}，{”key“：”7022_CR12“，”doi-asserted-by“：”publisher“，”first page“：“24”，”doi“：”10.1016\/j.ymssp.2017.12.031“，”volume“:”106“，”author“：”L Wang“，”year“：”2018“，”unstructured“：”Wang L，Liu Z，Miao Q，Zhang X（2018）带自适应噪声的完全集合局部均值分解及其在滚动轴承故障诊断中的应用。机械系统信号处理106:24“，”journal-title“：”机械系统信号过程“}，{“key”：“7022_CR13”，“doi-asserted-by”：“publisher”，“first page”：”145“，”doi“：”10.1016\/j.measurement.2014.09.037“，”volume“：”59“，”author“：”X Liu“，”year“：”2015“，”unstructured“：”Liu X，Bo L，Luo H（2015）基于LS-SVM和EMD混合方法的轴承故障诊断。测量59:145”，“期刊标题”：“测量”}，｛“键”：“7022_CR14”，“doi断言者”：“出版商”，“首页”：“101”，“doi”：“10.1016\/j.ymssp.2014.06.004”，“卷”：“50\u201351”，“作者”：“L Meng”，“年份”：“2015”，“非结构化”：“Meng L，Xiang j，Wang Y，Jiang Y，Gao H（2015）一种利用形态学滤波器平移不变小波和改进的集成经验模式分解的混合故障诊断方法。机械系统信号处理50\u201351:101”，“journal-title”：“机械系统信号过程”}，{“key”：“7022_CR15”，“doi-asserted-by”：“publisher”，“首页”：“56”，“doi”：“10.1016\/j.knosys.2015.06.017”，“卷”：“89”，“作者”：“X Zhang”，“年份”：“2015”，“非结构化”：“Zhang X，Wang B，Chen X（2015）基于多变量集成增量式支持向量机的滚动轴承智能故障诊断。基于知识的系统89:56“，”journal-title“：”Knowl-Based Syst“}，{”key“：”7022_CR16“，”doi-asserted-by“：”publisher“，”first-page“：”52“，”doi“：”10.1109\/TIM.2014.2330494“，”volume“：基于Hilbert\u2013Huang变换、支持向量机和回归的轴承健康监测。IEEE Trans-Instrum Meas 64:52”，“journal-title”：“IEEE Trans-Strum Meas”}，{“key”：“7022_CR17”，“doi-asserted-by”：“publisher”，“首页”：“105764”，“doi”：“10.1016\/j.knosys.2020.105764“，“volume”：”196“author”：“Y Zhang”，“year”：“2020”，“unstructured”：“Zhang Y，Li X，Gao L，Chen W，Li P（2020）集成深度压缩自动编码器，用于噪声环境下机器的智能故障诊断。Knowl-Based Syst 196:105764“，”journal-title“：”Knowl-Based Syss“}，{”issue“：”2“，”key“：”7022_CR18“，”first page“：“156”，“volume”：“40”，”author“：”J Yu“，”year“：”2021“，”unstructured“：”Yu J，Gao L，Yu G，Liu K，Guo Z（2021）基于SDAE和GRUNN的行星齿轮故障识别。J Vib Shock 40（2）：156“，”日记标题“J Vib Shock”}，{“密钥”：“7022_CR19“，”doi-asserted-by“：”publisher“，”first page“：”438“，”doi“：”10.1016\/j.knosys.2018.09.005“，”volume“：“163”，“author”：“Y Wang”，“year”：“2019”，“unstructured”：“Wang Y，Jin Q，Sun G，Sun C（2019）噪声环境下基于条件变分神经网络的行星齿轮箱故障特征学习。基于知识的系统163:438“，”journal-title“：”Knowl-Based Syst“}，{”key“：”7022_CR20“，”doi-asserted-by“：”publisher“，”first page“：“295”，”doi“：”10.1016\/j.isatra.2018.12.025“，”volume“：基于深度残差学习的旋转机械故障诊断方法。ISA Trans 95:295”，“期刊标题”：“ISA Trans”}，{“问题”：“7”，“关键”：“7022_CR21”，“doi断言”：“出版商”，“第一页”：“4949”，“doi”：“10.1109\/TII.2020.2967557”，“卷”：“16”，“作者”：“D Peng”，“年份”：“2020”，“非结构化”：“Peng D，Wang H，Liu Z，Zhang W，Zuo M，Chen J（2020）用于强噪声和可变负载条件下轮对轴承故障诊断的多分支多尺度CNN。IEEE Trans Ind Inform 16（7）：4949“，”journal-title“：”IEEE Trans-Ind-Inform“}，{”key“：”7022_CR22“，”doi-asserted-by“：”publisher“，”首页“：”349“，”doi“：”10.1016\/j.ymssp.2018.03.025“，”volume“：用于机械不平衡故障分类的深度归一化卷积神经网络及其可视化理解。机械系统信号处理110:349”，“journal-title”：“机械系统信号过程”}，{“issue”：“2”，“key”：“7022_CR23”，“doi-asserted-by”：“publisher”，“first-pages”：“425”，“doi”：“10.3390\/s17020425”，“volume”：”17“author”：“W Zhang”，“year”：“2017”，“unstructured”：“Zhang W，Peng G，Li C，Chen Y，Zhang Z（2017）一种新的故障诊断深度学习模型，具有良好的抗噪声能力和对原始振动信号的域自适应能力。传感器17（2）：425“，“日志标题”：“传感器”}，{“键”：“7022_CR24”，“doi-asserted-by”：“出版商”，“首页”：“205”，“doi”：“10.1016\/j.renene.2020.2.004”，“卷”：“153”，《作者》：“Y Chang”，“年份”：“2020”，“非结构化”：“Chang Y，Chen j，Qu C，Pan T（2020）基于多尺度核并行卷积层的深度学习网络的风力涡轮机智能故障诊断。Renew Energy 153:205”，“新闻标题”：“Renew能量”}，{“问题”：“10”，“关键”：“7022_CR25”，“首页”：“3659”，“卷”：“十”，“作者”：“T Zhang”，“年份”：“2020”，“非结构化”：“Zhang T，Chen J，Li F，Zhang K，Lv H，He S，Xu E（2020）基于宽卷积和多尺度卷积的新型胶囊网络用于故障诊断。应用科学巴塞尔协议10（10）：3659“，”journal-title“：”Appl Sci Basel“}，{”issue“：”6“，”key“：”7022_CR26“，”doi-asserted-by“：”publisher“，”first page“：“4973”，”doi“：”10.1109\/TIE.2017.2767540“，“volume”：“65”，“author”：“J Pan”，“year”：“2018”，“unstructured”：“Pan J，ZZ，Wang B（2018）”LiftingNet：一种新型深度学习网络，具有从含噪机械数据中进行分层特征学习的功能，用于故障分类。IEEE Trans Ind Electron 65（6）：4973“，”journal-title“：”IEEE Trans-In-Electron“}，{”key“：”7022_CR27“，”doi-asserted-by“：”publisher“，”first-page“：”74793“，”doi“：”10.1109\/ACCES.2020.2989371“，”volume“：“8”，”author“：”G Jin“，”year“：”2020“，”unstructured“：”Jin G，Zhu T，Akram MW，Jin Y，Zhun C（2020）噪声和变载荷条件下轴承故障诊断的自适应抗噪声神经网络。IEEE Access 8:74793\u201374807“，“journal-title”：“IEEE Access”}，{“issue”：“7”，“key”：“7022_CR28”，“doi-asserted-by”：“publisher”，“first-page”：“4681”，“doi”：“10.1109\/TII.2019.2943898”，“volume”:“16”，“author”：“M Zhao”，“year”：“2020”，“unstructured”：“Zhao M，Zhong S，Fu X，Tang B，Pecht M（2020）用于故障诊断的深度残余收缩网络。IEEE Trans Ind Inform 16（7）：4681“，”journal-title“：”IEEE Trans-Ind-Inform“}，{”key“：”7022_CR29“，”首页“：”8880960“，”volume“：“2020”，”author“：”J Yang“，”year“：”2020“，”unstructured“：”Yang J，Gao T，Jiang S，Li S，Tang Q（2020）基于宽卷积层一维深度残余收缩网络的旋转机械故障诊断。Shock Vib 2020:8880960”，“journal-title”：“Shock Vip”}，{“key”：“7022_CR30”，“unstructured”：“Yu F，Koltun V（2016）通过扩张卷积进行多尺度上下文聚合。arXiv预印本arXiv:1511.07122”}、{“key”：”7022_CR1“，”doi-asserted-by“：”publisher“，“首页”：“834”，“doi”：“10.1109\/TPAMI.2017.2699184”，《卷》：“40”，“作者”：“LC Chen”，“年份”：“2016年”，“非结构化”：“Chen LC，Papandreou G，Kokkinos I，Murphy K（2016）DeepLab:使用深度卷积网络、atrous卷积和完全连接的CRF进行语义图像分割。IEEE Trans-Pattern Ana Mach Intell 40:834\u2013848“，“journal-title”：“IEEE Trans-Pattern ANA Mach Intel}，{“key”：“7022_CR32”，“unstructured”：“Kalchbrenner N，Espeholt L，Simonyan K，Oord A，Graves A，Kavukcuoglu A（2016）线性时间的神经机器翻译。arXiv预印本arXiv:1610.1009”}，}“key”：“70022_CR33”，“doi-asserted-by”：“publisher”，“第一页“：”123“，”DOI“：”10.1016\/j.apacoust.2018.12.019“，”volume“：”148“，”author“：”Y Chen“，”year“：”2019“，“unstructured”：“Chen Y，Guo Q，Liang X，Wang j，Qian Y（2019）《扩张卷积的环境声分类》。Appl Acoust 148:123“，”journal-title“：”Appl Acoost“}，{”key“：”7022_CR34“，”doi-asserted-by“：”publisher“，”first page“：“1350”，”doi“：”10.1109\/TII.2017.2672988“，”volume“：13”，”author“：”W Sun“，”year“：”2017“，”unstructured“：”Sun W，Zhao R，Yan R，Shao S，Chen X（2017）卷积判别特征学习在感应电机故障诊断中的应用。IEEE Trans Ind Inform 13:1350\u20131359“，”journal-title“：”IEEE Trans-Ind-Inform“}，{”key“：”7022_CR35“，”doi-asserted-by“：”publisher“，”首页“：”3923“，”doi“：”10.1007\/s10489-019-01483-8“，”volume“：“49”，“author”：“Y Wu”，“year”：“2019”，“unstructured”：“Wu Y，Jin W，Ren J，Sun Z（2019）基于变分模式分解和增强多尺度结构的高速列车故障诊断多视角体系结构。Appl Intell 49:3923\u20133937“，”journal-title“：”Appl Intel“}，{”key“：”7022_CR36“，”first page“：“24”，“volume”：“20”，“author”：“C Wang”，“year”：“2020”，“unstructured”：“Wang C，Sun H，Zhao R，Cao X（2020）长时间序列下基于自适应抗噪网络的轴承故障诊断方法研究。传感器20:24”，“journal-title”：“传感器”}，”key”：“7022_CR37”，“非结构化”：“Ioffe S，Szegedy C（2015）批量归一化：通过减少内部协变量偏移来加速深度网络训练。arXiv预印本arXiv:1502.03167“｝，｛“key”：“7022_CR38”，“doi asserted by”：“publisher”，“首页”：“5771”，“doi”：“10.3233\/JIFS-17938”，“卷”：“35”，“作者”：“L Duan”，“年份”：“2018”，“非结构化”：“Duan L，Xie M，Wang J，Bai T（2018）深度学习支持的智能故障诊断：概述和应用。J Intell Fuzzy Syst 35:5771”journal-title“：”J Intell Fuzzy Syst“}，{“key”：“7022_CR39”，“doi-asserted-by”：“crossref”，“unstructured”：“Li X，Wang W，Hu X，Yang J（2019）Selective kernel networks。In：IEEE\/CVF计算机视觉与模式识别（CVPR）会议论文集，pp 5510\u20135519”，“doi”：“10.1109\/CVPR.2019.00060”}，“key“：”7022_CR“，“volume-title”：“眼动和视力”，“作者”：“亚布斯AL”，“年份”：“2013年”，“非结构化”：“雅布斯AL（2013）眼动和视觉。Springer，Berlin“}，{“key”：“7022_CR41”，“unstructured”：“Sutskever I，Vinyals O，Le QV（2014）神经网络的序列到序列学习。In:Advances In neural information processing systems，pp 3104\u20133112”}，“{”key“：“7022 _CR42”，“非结构化”：“Lessmeier C，Kimoto JK，Zimmer D，Sextro W（2016）使用电机的电机电流信号对机电驱动系统中的轴承损坏进行状态监测：用于数据驱动分类的基准数据集。摘自：《欧洲预测与健康管理学会会议记录》，第05\u201308页“}]，“容器-时间”：[“神经计算与应用”]，“原始标题”：[]，“语言”：“en”，“链接”：[{“URL”：“https:\/\/link.springer.com/content\/pdf\/10.1007\/s00521-07022-w.pdf”，“内容-类型”：“应用程序\/pdf”、“内容-版本”：“vor“，”intended-application“：”text-mining“}，{“URL”：“https:\\//link.springer.com/article\/10.1007\/s00521-07022-w\/fulltext.html”，“content-type”：“text\/html”，“content-version”：“vor”，“intended-application”：“text-mining”}，}“URL“https://link.sringer.com/content\/pdf\/10007\/s005211-0722-w.pdf”，“内容类型”“：”应用程序\/pdf“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2022,6,25]]，”date-time“：”2022-06-25T09:13:26Z“，”timestamp“：1656148406000}，”score“：1，”resource“：{primary”：{“URL”：“https:\/\/link.springer.com\/10007\/s00521-0722-w“}}”，“subtitle”：[]，“shorttitle”：[]，“已发布”：{“日期部分”：[[2022,2,22]]}，“references-count“：42，”journal-issue“：{”issue“：“13”，“published-print”：{“date-parts”：[2022,7]]}}，“alternative-id”：[“7022”]，“URL”：“http://\/dx.doi.org\/10.1007\/s00521-022-07022-w”，“relationship”：{}，”ISSN“：[”0941-0643“，”1433-3058“]，”ISSN-type“：[{”value“0941-064”，“type”：“打印”}，{“值”：“1433-3058”，“类型”：“电子”}]，“主题”：[]，“发布”：{”date-parts“：[2022,2,22]]}，”assertion“：[{”value“：”2021年8月12日“，”order“：1，”name“：”received“，”label“：”received“，“group”：{“name”：“Article History”，“label”：“文章历史”}}，{“value”：“2022年1月30日”，“order”：2，“name”:“accepted”，“tabel”：”accepted“，”group“：{”name“:”Article历史“，”标签“：“文章史”}}}}“2022年2月22日”，“订单”：3，”name“：”first_online“，”label“：”first online“，“group”：{“name”：“Article History”，“label”：“Article Hiology”}}，{“order”：1，“name”:“Ethics”，“groups”：{name“：“EthicsHeading”，“table”：“Declarations”}，“value”：“作者声明他们没有利益冲突。”}]}}