- 博客(30)
- 收藏
- 关注
RSS订阅原创 HUMS 2023齿轮箱数据分析
定位啮合频率：首先在频谱中找到1900 Hz（锥齿轮）和568 Hz（行星齿轮）的啮合频率及其谐波。寻找边带：这是诊断的关键。仔细观察啮合频率谱线两侧是否存在边带。边带间隔为100 Hz→ 怀疑输入小齿轮。边带间隔为26.76 Hz→ 怀疑锥齿轮或太阳轮。边带间隔为21.0 Hz→ 怀疑太阳轮局部故障。边带间隔为22.92 Hz→ 怀疑内齿圈或行星轮通过频率。边带间隔为32.42 Hz→ 怀疑行星轮局部故障。低频段分析：在低频段（< 100 Hz）寻找5.73 Hz。
2025-08-21 17:54:03
812
原创 ISTA为什么要加上软阈值激活函数？r若没有L1 正则化也要加其他激活函数吗？
有 L1 正则化→ 必须软阈值（或变种）无 L1 但有其他约束→ 激活函数要换成对应约束的 prox 算子无任何约束→ 可以不加激活，但这时 LISTA 本质上就不是“稀疏重构”了，而只是个可学习的线性迭代器如果你愿意，我可以画一个“ISTA/LISTA激活函数选择决策图”，让不同正则化 → 对应的激活函数一目了然。这样你以后设计可学习迭代网络时可以直接查表用。
2025-08-14 09:50:40
1014
原创 什么是进行端到端故障诊断？
端到端故障诊断（End-to-End Fault Diagnosis）是一种将传统的信号处理、特征提取、特征选择和分类等多个步骤整合到一个统一模型中的方法。它的核心思想是：从原始信号输入到最终故障分类输出，所有中间处理步骤都由一个模型自动学习完成，而不是依赖人工设计特征或预处理流程。CNN（卷积神经网络）：用于自动学习局部时域特征或频域特征。通用性 一般较差，需针对不同数据调整 较强，适应多种数据。端到端多任务模型：可以同时输出故障类型和严重程度等。方面 传统方法 端到端方法。需要领域知识 高 相对较低。
2025-05-07 10:12:46
291
原创 图像识别一般是三层二维数组，图像去雾一般是一层二维数组吗？
图像识别：通常处理三层二维数组（RGB彩色图像）。图像去雾：通常处理单层二维数组（灰度图像），但也可以处理彩色图像。通过理解这些数据结构的差异，可以更好地选择和应用相应的图像处理技术。
2025-02-26 10:39:48
403
原创 LISTA和ISTA的区别
LISTA 是对 ISTA 的加速版本，通过引入学习过程在保持高效稀疏求解的同时，大大减少了迭代次数。它适用于对实时性要求高的应用，但需要训练阶段；而 ISTA 更适合不依赖数据训练的通用问题解决。
2024-12-30 11:19:10
984
原创 啮合频率一般是载波，故障特征频率一般是边频吗？当齿轮系统中的某些故障特征会导致调制波出现，调制波的频率就成为故障特征频率，为什么又说故障特征频率一般是边频？
啮合频率是齿轮系统的载波频率，代表了齿轮啮合的周期。故障特征频率通常表现为边频，是由齿轮故障引起的附加频率，通常位于啮合频率附近，反映了齿面缺陷或其他不规则性的影响。
2024-12-13 12:33:34
1253
原创 稀疏近端算子和稀疏优化模型的关系？近端算子和ISTA都是稀疏表示的求解算法吗？
以下是详细的解释，包括前向-后向分裂算法的数学背景和在ISTA中的具体体现。近端算子（Proximal Operator）是数学优化中的一种工具，用来求解带有非光滑正则化项（如L1范数）的优化问题。稀疏优化模型是指在优化问题中，通过加入稀疏性约束或稀疏性正则化来解决特征选择、信号重建、数据降维等问题的模型。稀疏优化模型的目标是引入L1正则化以鼓励解的稀疏性。稀疏近端算子是解决稀疏优化模型的重要工具。ISTA 是一种基于梯度下降和近端算子的稀疏优化算法，用于求解稀疏表示问题，尤其是带有L1正则化项的问题。
2024-12-12 21:52:42
1329
原创 先验分布、后验分布、后验概率密度函数的关系
后验概率密度函数是后验分布的具体形式，描述了参数在某个值附近的概率密度。对于连续分布，后验概率密度函数是参数在某一区域的概率的密度，而不是直接的概率。通过贝叶斯公式，先验分布被更新为后验分布。后验概率密度函数是后验分布的数学表示，用于具体分析和推断。它反映了在没有观察到数据时，我们对参数的可能值的主观判断或已有的统计认知。后验分布是指在观察到数据之后，更新后的参数概率分布。先验分布是指在观察到数据之前，对参数或随机变量的。，反映了数据对参数可能值的影响。
2024-12-10 18:53:36
576
原创 齿轮偏心或受力不均会产生调幅现象，同时产生扭矩变化，扭矩变化导致角速度变化，从而引起调频现象。那么调幅和调频总是同时发生吗。调幅和调频各自对信号产生什么影响？
实际上，由于齿轮系统的复杂性，许多情况下调幅和调频是不可分割的。例如，偏心齿轮不仅会导致载荷不均（调幅），还会因为载荷变化引起扭矩波动，从而导致角速度变化（调频）。例如，当齿轮存在偏心且同时齿距不均时，振动信号会同时呈现幅值的周期性变化（调幅）和频率的周期性偏移（调频）。，例如由于负载的周期性变化或传动链中的惯性问题，角速度会周期性改变，引起调频现象，而不一定伴随显著的调幅效应。是唯一问题来源，可能主要引起振动幅值的周期性变化，即调幅现象。这时，振动频率基本保持稳定，调频效应不明显。
2024-12-09 10:05:29
333
原创 PPT讲解代码方法一
假设 RVS 包含时间和加速度数据 figure(1);它还提供了一些重载的简单函数，例如 FFT 和绘图，可以直接用于分析机械冲击信号。通过这样的布局和结构，您能够清晰地展示整个分析流程，并帮助观众理解每个步骤的关键内容。对象的形式呈现，附带一些相应的分析方法。：用于从机械冲击中提取 SRS 和 SRM 的方法。：包含描述加速度测量的时间和数据的信息。
2024-12-06 20:01:23
1365
原创 故障诊断中多通道问题和多路径耦合问题的区别？
多通道问题指的是在故障诊断中，使用多个传感器或测量设备（如加速度计、压力传感器等）同时采集同一物理系统或设备的不同信号通道。每个通道可能会对不同的信号特征进行独立测量，或者是测量同一个信号在不同位置的变化。多路径耦合问题指的是信号在不同传输路径之间的相互影响或耦合。这通常发生在信号从源头到检测点的传输过程中，多个传输路径可能会相互作用，导致信号的传播、反射、折射等现象发生相互干扰或耦合。多通道问题关注的是来自不同传感器的信号如何有效结合，提取更多的信息进行故障诊断。多路径耦合问题。
2024-12-03 18:46:40
950
原创 特征分离不能分理处故障特征吗，为什么分离后还要进行特征提取?
主要是指从复杂的信号中将不同的特征信号分离开来，以便可以单独分析每个特征信号。在齿轮箱故障诊断的例子中，特征分离可以帮助将稳态分量、冲击分量和噪声等不同的信号成分分开。总的来说，特征分离是故障诊断的第一步，它帮助我们将复杂的信号分解成更易于管理的部分；两者相辅相成，共同提高了故障诊断的准确性和效率。，目的是从这些分离出来的信号中进一步提取出对故障诊断有用的关键信息，也就是那些能够表征故障状态的特征。然而，仅仅分离出特征信号还不够，因为这些分离出来的信号可能还包含大量的冗余信息或者混杂在一起的不同特征。
2024-11-06 16:37:41
334
原创 在优化问题中，什么是的非光滑问题？
优化的非光滑问题是指在优化过程中，目标函数或约束条件包含非光滑部分的问题。非光滑性意味着目标函数的导数在某些点上不存在或不连续，这可能导致传统的基于梯度的优化方法失效或难以应用。非光滑优化是优化领域的一个重要分支，它提供了处理现实世界中许多复杂问题的理论基础和算法工具。
2024-10-31 21:34:05
920
原创 Adam算法概念性简要说明。
Adam算法（Adaptive Moment Estimation）是一种广泛使用的深度学习优化算法，由Diederik P. Kingma和Jimmy Ba在2014年提出。它结合了动量法（Momentum）和RMSProp的思想，通过计算梯度的一阶矩估计和二阶矩估计来调整每个参数的学习率，从而实现更高效的网络训练。
2024-10-31 12:37:22
545
原创 谱峭度和快速谱峭度
谱峭度（Spectral Kurtosis, SK）和快速谱峭度存在一些区别： 谱峭度（SK）：谱峭度是一种高阶统计量，最初由Dwyer提出，用于检测信号中的非高斯成分并指出位于频域的位置。它能够描述信号在频率处偏离高斯的程度，瞬态冲击信号占主导的频率段的谱峭度较大，而平稳高斯背景噪声信号占主导频率段的谱峭度很小。谱峭度对信号中瞬态成分十分敏感，能够反映出故障信号的频谱特点，从而提取出滚动轴承故障的特征。 快速谱峭度：快速谱峭度是谱峭度的一个变种，由Antoni提出，旨在快速计算谱峭度，适合
2024-10-30 11:12:30
1851
原创 为什么最小熵反卷积MED只能用于传递路径是线性的情况？
MED方法的核心思想是通过最小化输出信号的熵来实现信号的反卷积处理，从而提取出信号中的脉冲成分。此外，MED算法的有效性还依赖于滤波长度的选取，而目前并没有明确有效的方法来自动选取滤波长度，通常需要依赖于人为经验选择。因此，研究者们也在探索如何自适应地确定最优的滤波长度，以提升微弱故障信号中的周期脉冲成分，并避免最大化单一随机脉冲现象的发生。总的来说，MED算法在处理线性路径传递的信号时是有效的，但在面对非线性路径或信号时，可能需要采用改进的算法或结合其他技术来提高反卷积的效果。
2024-10-22 11:47:15
392
原创 Python库，包括torch（PyTorch深度学习库）、numpy、pandas、pylab（用于绘图）、maximization_criteria（自定义模块，可能包含最大化准则函数）等的简解释
这段代码中导入的库主要用于深度学习模型的构建、数据处理和可视化。这些库共同为构建和训练深度学习模型提供了必要的工具和功能。
2024-10-20 16:01:08
558
原创 软阈值函数简单介绍。
软阈值函数通常定义为：sign(w) = 1 ，当 ( w > 0 )sign(w) = -1 ，当 ( w < 0 )sign(w) = 0 ，当 ( w = 0 )
2024-10-20 11:23:16
633
原创 神经网络与机器学习的区别及例子？CNN是有监督学习吗？
一、神经网络和机器学习在概念上有所区别，但也紧密相关。以下是它们的主要区别以及一些例子：定义：范围：复杂性：功能：训练方式：机器学习的例子：神经网络的例子：在实际应用中，神经网络经常被用作机器学习任务的一部分，因为它们能够捕捉和学习数据中的复杂模式。同时，机器学习提供了评估和优化神经网络性能的工具和理论基础。随着技术的发展，神经网络在机器学习中的地位越来越重要，尤其是在深度学习领域。二、卷积神经网络（CNN）可以用于有监督学习（Supervised Learning）也可以用于无监督学习（Unsupervi
2024-10-18 18:20:18
2139
原创 什么是深度展开网络？如何将迭代算法的每一次迭代展开成深度网络对应的一层？深度展开网络进行端对端训练，其中端对端是什么意思？
在深度学习和机器学习的背景下，“端到端”（End-to-end）训练指的是将输入数据直接映射到最终输出的过程，而不需要任何中间的手动数据预处理或特征工程。- **自然语言处理**：端到端自然语言处理系统可以将自然语言输入直接转化为计算机可理解的语言输出，而不需要对语言进行分解和转化。- **推荐系统**：通过使用深度神经网络，端到端推荐系统可以直接根据用户历史行为预测其未来的兴趣爱好，并推荐相应的产品或服务。4. **直接映射**：从输入到输出的直接映射，中间没有任何拆分或分解的过程。
2024-10-18 18:10:58
4022
2
原创 在盲解卷中，解卷积时滤波器系数翻转，平移与信号相乘再相加。另一种是信号翻转，平移与滤波器系数相乘再相加。两种方法的区别？
总的来说，两种方法的主要区别在于处理信号和滤波器的顺序，这可能会影响解卷积的结果，尤其是在信号开始时存在不连续性的情况下。一些研究提出了改进的盲解卷积算法，例如基于最大平均峭度的盲解卷积方法，这种方法通过定义新的滤波器系数求解指标来提高解卷积的准确性。在盲解卷积中，有两种基本的方法来处理信号和滤波器系数：一种是将滤波器系数翻转、平移与信号相乘再相加，另一种是将信号翻转、平移与滤波器系数相乘再相加。- 信号翻转方法可能在某些情况下导致假脉冲被错误地反卷积，尤其是在信号开始时存在不连续性的情况下。
2024-10-17 12:27:34
580
1
原创 故障诊断: 实验部分中，真实振动数据是离散的，那仿真信号呢？若都是离散的，为什么还要解决信号开始时的不连续问题？
此外，还有研究提出了最大相关峰度反卷积（MCKD）和多点最优最小熵解卷积调整（MOMEDA）等方法，这些方法通过引入新的算法或目标函数，旨在更准确地提取故障信号，减少假脉冲的产生。2.在轴承故障诊断中，信号开始时的不连续性可能指的是在信号采集或处理过程中，由于各种原因导致信号在起始部分出现**突然的变化或缺失**。总的来说，信号开始时的不连续性是指在信号的起始部分出现非连续的变化，这可能会影响故障诊断的准确性。为了解决这一问题，研究者们提出了多种改进的解卷积方法，以提高轴承故障诊断的准确性和可靠性。
2024-10-17 11:19:39
332
原创 为什么冲击响应函数的宽谱特性会使希尔伯特解调包络和真实包络之间存在偏差？
**频率响应不均匀**：由于冲击响应函数的宽谱特性，系统对不同频率的响应可能不均匀，导致希尔伯特解调得到的包络与真实包络之间存在差异。冲击响应函数的宽谱特性会导致希尔伯特解调包络与真实包络之间的偏差，主要是由于频率响应不均匀、相位失真、噪声影响以及频率成分的交互作用等因素。- **滤波**：在进行希尔伯特变换之前，使用带通滤波器去除不必要的频率成分，以减少宽谱特性对解调结果的影响。- **改进解调算法**：使用更复杂的解调算法，如小波变换等，能够更好地处理宽谱信号，提取出更准确的包络。
2024-10-08 17:59:37
418
原创 谐波噪声比
1. **信号质量评估**：HNR可以帮助评估信号的清晰度和质量。2. **系统性能分析**：在通信系统中，HNR可以用来分析系统的性能，尤其是在多信号环境中，了解谐波与噪声的关系对于优化系统设计至关重要。3. **音频处理**：在音频信号处理中，HNR用于评估音频信号的音质，尤其是在音乐和语音信号中，较高的HNR值通常意味着更好的音质。2. **频谱分析**：使用傅里叶变换等方法将信号转换到频域，识别谐波成分和噪声成分。3. **功率计算**：计算谐波和噪声的功率。- 语音信号的清晰度分析。
2024-10-08 17:55:40
890
原创 滤波后得到的故障冲击有几种频率？为什么谐波频率可以帮助识别故障的严重程度和类型？
4. **频谱分析**：在频谱分析中，谐波频率的存在和分布可以提供关于设备运行状态的重要信息。5. **时间变化**：随着时间的推移，谐波频率的变化可以反映设备的健康状况。2. **谐波频率**：这些是故障特征频率的整数倍，通常出现在信号中，反映了系统的非线性特性。综上所述，谐波频率的分析不仅可以帮助识别故障的类型，还能提供关于故障严重程度的重要信息，从而为设备的维护和管理提供依据。3. **冲击频率**：在冲击脉冲法中，冲击信号本身可能包含多个频率成分，这些频率与冲击的发生频率和冲击的性质有关。
2024-09-24 10:25:42
488
原创 什么是平稳信号？什么是循环平稳信号？循环平稳、非高斯和非平稳三者之间有什么关系？
3. **自相关函数仅与时间差有关**：\( \text{Cov}(X(t), X(t+\tau)) = R_X(\tau) \)，自相关函数 \( R_X(\tau) \) 只与时间差 \( \tau \) 有关，而与绝对时间 \( t \) 无关。3. **自相关函数周期性**：\( \text{Cov}(X(t), X(t+\tau)) = \text{Cov}(X(t+T), X(t+T+\tau)) \)，对于所有的 \( t \)、\( \tau \) 和某个周期 \( T \)。
2024-07-23 21:33:56
2225
原创 传感器采集到的故障信号中包含的谐波成分有几种？我可不可以理解为一种是故障引起的谐波，它的频率是故障特征频率的倍频。另一种是谐波干扰，它的频率与故障无关？
这种谐波是由于故障引起的原始振动频率的整数倍频率。它的频率确实与故障特征频率相关联，通常用于诊断和确定故障的类型、位置以及严重程度。这种谐波是由于系统本身的非线性效应、环境干扰或信号处理过程中引入的额外频率成分，与故障无关。谐波干扰可能包括各种非故障相关的振动频率，例如系统的共振频率、传感器或采集系统的噪声、电磁干扰等。为了准确诊断和分析故障，需要通过信号处理技术或滤波方法，将谐波干扰从故障引起的谐波中区分开来。综上所述，理解和区分故障引起的谐波与谐波干扰，是有效进行机械故障诊断和信号处理的关键步骤。
2024-07-18 14:12:50
447
原创 什么是基频，倍频，基波，谐波？什么是基频故障的第k次谐波？
基频、倍频、基波和谐波都是在频谱分析和信号处理中常用的概念，用于描述周期性信号的频率成分和波形特征。基频和基波表示了信号的基本特性，而倍频和谐波表示了信号频率成分的倍数关系和相对强度。通过分析基频、倍频、基波和谐波，可以了解信号的频谱结构、谐波失真情况以及信号的周期性特征。基频（Fundamental Frequency）是指一个周期性信号中最低频率的分量，也是信号中最基本的频率成分。倍频是信号的谐波成分，它们是基频的整数倍。谐波是基波的整数倍频率的波形，它们在频谱中以倍频的形式存在。
2024-07-18 14:02:45
5459
1
原创 怎么在pycharm中看skimage库的源代码
**直接打开文件**：在项目面板中，你可以直接导航到`skimage`库的安装路径（通常在`Lib/site-packages/skimage`下），并打开你感兴趣的文件以查看其源代码。在里面你可以浏览整个库的文件和源代码。4. **浏览源代码**：在打开的编辑窗口中，你可以查看和浏览`skimage`库的源代码。3. **查看定义**：按下`Ctrl`（或`Cmd`）并点击函数或类的名称。2. **查找函数或类**：在你的代码中，如果你想查看某个函数或类的源代码，可以将光标置于该函数或类的名称上。
2024-07-03 12:44:58
402
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人