- 博客(31)
- 收藏
- 关注
RSS订阅原创 Python类的基础与高级用法详解
在Python中，类（Class）是面向对象编程（OOP）的核心概念，用于创建对象的蓝图。它定义了对象的属性和行为，支持代码复用、封装、继承和多态。
2025-02-26 15:48:13
134
原创 Python：谈谈常规滤波器(带通、低通、高通、带阻)的用法
滤波器在信号处理中用于移除或减少信号中的噪声，同时保持信号的某些特性。滤波器通常用于音频、视频和图像处理等领域。
2024-06-30 17:30:52
2761
2
原创 如何通俗易懂理解经验模态分解（EMD）
EMD(Empirical Mode Decomposition )方法是一种适用于非线性、非平稳过程的数据分析处理方法。
2024-03-05 21:56:51
389
原创 Github访问较慢的解决方法
在访问GitHub的官网（github.com）时，域名是一个通过DNS解析的过程，然后将域名解析为相应的IP地址，这也就是造成github的访问速度慢或打不开的情况出现。
2023-12-17 14:32:22
867
1
原创 jupyter报错——ModuleNotFoundError: No module named “xxx“
启动jupyter后 , import xxx，当前环境中的库会提示： ModuleNotFoundError: No module named "xxx"
2023-11-25 14:19:40
815
原创 Matlab代码：采用仿真信号验证fft、ifft、滤波和加窗处理
Matlab代码：采用仿真信号验证fft、ifft、滤波和加窗处理......
2023-11-19 13:39:44
2507
2
原创 基于EMD功率谱特征和SVM的滚动轴承故障识别
针对滚动轴承早期故障微弱和故障识别准确率低等问题，提出了一种基于经验模态分解（EMD）和支持向量机（SVM）相结合的滚动轴承故障诊断方法。首先，利用EMD对滚动轴承的振动信号进行分解，挑选有效的IMF分量并对其进行功率谱特征计算；然后，对于获得的功率谱特征集进行最大相关性最小冗余性（MRMR）特征优选，构建最优特征集；最后，将优选后的特征集输入SVM进行滚动轴承的状态识别。通过仿真信号和实际信号的验证，所提出的方法能够有效分解滚动轴承振动信号，总的故障识别准确率能达到100%。
2023-11-08 21:57:06
990
3
原创 关于1/3倍频程的计算方法
对于人耳听音频率的分辨能力可以用频带来形容，而1/3倍频程被认为是比较符合人耳特性的频带划分方法。因此在噪声测量中，采用1/3倍频程频谱分析方法能够更加详细地反映出噪声源的频谱特性，较为全面地了解声源产生机理和提出最佳的降噪对策。
2023-08-19 14:00:44
6352
1
原创 关于信号降噪的一些方法
在通信系统中传输信号或在接收信号的同时，一些不需要的信号被引入到通信中，使接收机信号变差，从而影响了通信质量，一般称这些干扰称为噪声。从而，可以理解噪声是一些没有模式的信号，其特点是没有恒定的频率或振幅，且随机性强，不能完全消除。
2023-08-05 12:01:36
4930
1
原创 基于振动信号和声音信号的机械故障诊断研究现状
在机械设备运转时，由于部件之间的摩擦力、撞击力或平衡力等因素使机械部件产生振动进而产生声音（又称为机械噪声），这些噪声中往往带有大量设备运行状态的信息。声音信号具有丰富的信息量，在很多视觉、触觉、嗅觉不合适的场合下，具有独特的优势，声音信号通常被认为与振动信号具有较大的相关性，由于声音的非接触性，不需要对传感器进行粘贴和接触到待测机器，避免了振动信号采集数据的困难，更重要的是不影响设备正常工作，且具有速度快、效率高等优势。
2023-07-29 22:05:49
3310
原创 在数据驱动下机械故障诊断的一些方法（二）
近年来，随着自动化水平、人工智能水平和现代传感器技术的发展和成熟，为基于智能化的机械故障检测创造了良好的条件。大致可以分为信号获取、信号处理、特征提取和故障分类这四个主要部分。
2023-07-22 19:15:26
985
原创 在故障状态下齿轮产生振动噪声机理的综述
齿轮及其齿轮产品是机械装备的重要基础件，绝大部分机械成套设备的主要传动部件都是齿轮传动。齿轮在故障状态下产生的振动噪声原因很多，以下综述了一些文献是研究齿轮产生振动噪声的机理。
2023-07-16 17:26:24
432
1
原创 一些关于变分模态分解（VMD）方法的综述（二）
变分模态分解（Varational mode decomposition, VMD）算法可以将复杂的多分量信号非递归地自适应地分解为一系列具有窄带宽的固有模态函数，同时对噪声具有鲁棒性。VMD相比于其他的非线性信号分解技术的优势在于它的理论模型处于约束变分框架下，不仅解决了包络线估计误差不断积累地问题并且能够有效的避免端点效应。
2023-07-15 12:41:45
2004
1
原创 一些关于变分模态分解（VMD）方法的综述（一）
VMD方法克服了EMD方法存在端点效应和模态分量混叠的问题（通过控制带宽来避免混叠现象），具有更坚实的数学理论基础；可以降低复杂度高和非线性强的时间序列非平稳性，分解获得包含多个不同频率尺度且相对平稳的子序列，适用于非平稳性的序列。但是选择合适的分解层数K值对分解是否完全至关重要，K取值过大会导致模态裂解造成过分解；K取值过小则会将多个模态杂糅在一起或者遗漏有效模态造成欠分解。同时，随着K值的增大，完成整个计算的时间也显著增加。
2023-07-14 21:53:42
1917
1
原创 在数据驱动下机械故障诊断的一些方法（一）
在度过了初期磨损之后，刀具开始正常切削，此阶段是刀具寿命最长的一个阶段，加工产品的废品率最低并且精度都是最高的。在实际应用中，ELM只需要人为预设隐含层节点数，并且在算法的执行过程中不需要人工调参，避免了传统训练算法不断迭代更新的步骤， 因而ELM模型具有更强的泛化性能、更快的学习速度和计算复杂度更低等优点，大大减少了训练时间。因此，分类器也是影响机械故障诊断精度的重要环节，以提取的特征参量作为输入，采用训练好的分类模型去识别这些特征参量携带的故障信息，从而实现机械设备的智能故障诊断分类与寿命预测。
2023-06-22 22:28:54
2704
3
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