cnjs1994的博客

非线性动力学在众多领域中都得到了较广泛的应用，但各领域研究方向有所不同。在论文中如果涉及到方程的非线性，总会需要定性的分析一下，由于方法比较类似，所以常常也可以参阅别的领域的非线性分析相关的方法或者好看的绘图方式。这篇博客主要讲怎么绘制分岔图，顺便也提了一下怎么绘制庞加莱截面。

无论人类的知识有多么浩繁，也无论人类的科技有多么发达，一本新华字典或牛津字典足以表达人类从古至今乃至未来的所有知识，那些知识只不过是字典中字的排列组合罢了！直到这里，我相信相当一部分读者或许在心中已经明白了字典学习的第一个好处（1）它实质上是对于庞大数据集的一种降维表示，或者说是信息的压缩（2）正如同字是句子最质朴的特征一样，字典学习总是尝试学习蕴藏在样本背后最质朴的特征。这篇博客就是从信号的压缩表示和去噪两个应用角度，对信号（图像）的稀疏重构进行了详细介绍与说明。

振动信号中的周期性脉冲及其重复频率是诊断滚动轴承局部损伤的关键指标。冯老师的研究提出了一种基于集成经验模态分解（EEMD）和Teager能量算子的轴承故障特征频率提取方法。首先利用Teager能量算子对信号进行EEMD分解，以满足单分量要求。然后，根据本征模态函数与原始信号的相关性及其峰度来选择感兴趣的本征模态函数（IMF）。接下来，将Teager能量算子应用于选定的IMF，以检测故障诱发的脉冲。最后，将傅立叶变换应用于获得的Teager能量序列，以识别故障引起的周期性脉冲的重复频率，从而诊断轴承故障。

田纳西-伊斯曼过程数据集是一个重要的化工过程模拟数据集，本博客对一些关键性的文献进行了总结和分析。

信号的频谱分析是目前由计算速度-准确率的权衡法则主宰或忽略了信号的非平稳特征。信号的频谱分析通常是由计算效率、内存消耗与准确率的权衡或者部分忽略了信号的非平稳特性。Here we introduce an open-source algorithm to calculate the fast continuous wavelet transform (fCWT). 这里引入了一个开源算法实现快速小波变换。

几种轻量级深度学习模型的保存文件大小和模型的操作量统计。

【代码】振动信号依据信噪比SNR添加噪声。

范德波尔方程是单自由度线性振动系统附加非线性阻尼项动力学方程，是最基本的自激振动方程，为典型的振动方程之一，又称为范德波尔振子或范德波尔系统。 本博客对范德波尔方程进行了详细介绍，同时做了一个简单的Python实现测试。

并行计算对于工业大数据计算任务来说是及其重要的。cupy提供了一个很好的计算平台用于矩阵数据在GPU上的处理。本博客对GPU上的cupy并行处理做了简要介绍，后续将进一步对相关内容进行详细探讨。

PHM数据挑战赛是一项面向所有潜在与会者的竞赛。今年的挑战集中在使用测力仪、加速度计和声发射数据估计高速数控铣床刀具的RUL上。博客对PHM 2010数据集的组成和信号进行了可视化。

本赛事任务是：基于科大讯飞以及国家智能语音创新中心提供的转子综合故障模拟实验台数据集，构建故障诊断模型，利用振动及声音数据对外圈点蚀、滚动体点蚀、转子不对中等故障进行检测。本博客基于此数据做了一个简单的测试

大家好！这里是CNJS1994，今天给大家分享的是类的写法，纯属小白的一点编程自我理解，感觉比较适用于对类还不太熟悉的人加深理解，有不对之处还请大佬们多多指正。记得还是在大学上JAVA课程的时候老师说的，一般在编写的时候为了图省事，一般都是继承了一些。之前一直不太习惯用，主要原因就是不太明白继承的含义；其实，所谓类的继承主要还是对。比如下面的代码就是继承了。

在信号处理上，声信号（噪声信号）是一种重要的传感监测手段。对于语音分类任务，常常采用梅尔频谱作为信号处理手段，将信号变成spectrum的图片形式。作为一种重要的语音信号处理包，librosa包通过内置函数能够很快的将原始音频信号处理为梅尔频谱图。

本博客总结了声发射传感器的特性、产品、优缺点等等。

Hermitian又被称为厄尔米特矩阵，指的是共轭矩阵。矩阵中的每一个第i行第j列的元素都与第j行i列的元素共轭相等。设AHA^HAH为矩阵A的共轭转置，Hemitian矩阵即满足AHAA^H=AAHA,若矩阵中都是实数，则AHATA^H=A^TAHAT。

深度学习模型复杂度的相关概念

百度百科的定义上，盲源分离其实就类似于字面意思，从一个混合的信号中分离出或者恢复出原始信号。盲源分离技术仅根据观察到的每一路混叠信号估计原始多路信号，信号分离是信号处理中的一个基本问题。

粗糙集是波兰理工大学Z.pawlak教授提出用来研究不完整数据，不精确知识的表达、学习，归纳等的一套理论。本博客对相关概念进行了阐述并提供了一个简单的Python例子。

对于全球各地开发者来说，Chris Lattner 这个名字绝对不陌生。他曾是许多大型技术项目的领导者，包括 LLVM 编译器基础结构项目、Clang C 和 C++ 编译器、MLIR 机器学习基础结构等编译器技术，以及为苹果生态系统提供支持的程序设计语言 Swift。此外，Chris Lattner 还为 Google Brain 和 TensorFlow 建立和管理了一系列与 AI 相关的编译器、运行时和编程语言团队。

概述：该论文通过扩展传统chirplet变换, 开发了一种新的时频分析方法，称为标度基chirplet变换。这使得相应的小啁啾能够在任何窗口长度内精确匹配多分量信号的每个轨迹的目标斜率。通过SBCT获得的TF表示可以实现显著更高的能量浓度，即使是对于具有密集频率和高背景噪声水平的多分量信号。通过分析从齿轮箱试验台获得的数字多分量信号和振动信号，证明了所提出的SBCT方法的有效性。

阶次用于量化旋转机械在变转速工况下的噪声和振动情况。阶次是指频率是参考旋转速度的某个倍数。

基于物理信息的旋转机械故障诊断论文阅读系列【1】

随着物理模型方法构建理论与深度学习技术的不断发展，基于物理信息的神经网络（PINN）在近年来得到飞速发展。本博客系列将深入浅出的介绍PINN网络模型的相关知识与技术实现。本博客是这一系列的第一篇，将重点介绍PINN结构的相关概念和基础知识。

基于物理信息的神经网络（Physics-informed Neural Network， 简称PINN），是一类用于解决有监督学习任务的神经网络，同时尊重由一般非线性偏微分方程描述的任何给定的物理规律。如下图所示，作为循环加载期间裂纹扩展速率和应力强度因子范围之间的幂律关系，Paris–Erdogan方程可以在对数对数图上可视化为一条直线，其中x轴由应力强度系数范围表示，y轴由裂纹扩展速率表示。Kmat是材料的断裂韧度，当K的值达到它时，材料的裂纹将不稳定地快速增长。添加国内镜像源并信任即可。

详细阐述了非负矩阵分解NMF方法的使用，及其在时频图特征提取上的作用。

使用OpenAI模型来做机械故障诊断的初体验！

非负矩阵分解的概念与Python简单实现

基于最优传输距离的数据集可迁移性分析

通过SHAP方法和Pytorch框架，实现MobileNetv2模型的事后可解释性分析，给出了完整代码以及其对应详细说明。

轻量级模型的结构截取简化

对机械加工部件随机退化模型构建的基础知识介绍

基于t-sne的卷积网络特征可视化

全局协方差池化的tensorflow2版本实现

tensorflow加载自制图像数据集

MMD 故障诊断

基于matlab算法实现了对CWRU轴承数据集的CWT时频特征提取，本系列将不定时持续更新！

SImulink的简单入门

厄尔尼诺现象的气候变化数据集时频分析处理

文献阅读：MobileViT：解决Transformer参数量过大，在轻量化后效果不好的问题。

实现了对变转速轴承故障信号的特征提取