环境因素对车体的影响
文章目录背景大风对高速列车安全性的影响研究模型建立结论瞬态风荷载下的列车运行安全性研究大风环境列车横截面外形优化低温环境下高速列车车内噪声问题及控制方案不同环境温度下振动传递特性分析高海拔地区高速铁路隧道空气动力学特性背景本文承接上篇，关注于川藏铁路的建设，对于机械故障诊断，更加关注于机械的振动信号变化。那在川藏铁路这种高寒、低压、桥遂、长大下坡、大风、隧道内高温等恶劣环境条件下，会对车体本身有哪些影响，对机械振动信号又有哪些影响。本文依旧是一些文献综述大风对高速列车安全性的影响研究SIMPACK
SDE-Net: Equipping Deep Neural Networks with Uncertainty Estimates
文章目录IntroductionMethod布朗运动Experiments ResultIntroduction目前不确定性量化方法：1、基于贝叶斯神经网络2、非贝叶斯方法，如模型集成（Model Ensembling）等SDE-Net： stochastic differential equation，随机微分方程网络 贡献：1、明确建模了Aleatoric Uncertainty（固有）和Epistemic Uncertainty（人为），并can在其预测中分离出不确定性的来源2、实现高效
齿轮齿根裂缝故障对铁路机车的振动特性(牵引动力)
文章目录AbstractIntroductionSpatial dynamics modelAbstract非稳态条件下的齿轮故障诊断一直是研究的热点，揭示瞬态条件下的齿轮故障振动特性是有效故障检测和诊断的前提和基础。本文基于多体动力学理论，提出了一种考虑齿轮传动系统动力学耦合效应的重型电力机车空间动力学模型；通过考虑轮轨非线性接触、齿轮网和齿根裂纹引起的复杂激励，得到了机车在瞬态条件下的动态响应。采用时频分析和角同步平均方法研究了齿根裂纹的故障振动特征。最后，通过冠峰因子(CF)、震震力（K）、四阶
轨道几何不平顺对机车齿轮传动动态特性的影响（牵引动力）
文章目录Introduction带齿轮传动的机车-轨道空间耦合动力学模型Experiments and ResultsConclusionIntroduction在运行过程中，由于齿轮传动系统继承的内部动态激励或外部激励，其振动是不可避免的。振动造成的后果不仅包括骚扰的噪声辐射，还会包括严重的磨损甚至损坏。齿轮传动系统与车辆系统之间的动态相互作用是通过其悬架和轮轨接触来实现的。因此，有必要研究考虑齿轮传动的轨道不平顺对机车动力性能的影响。本文为研究齿轮传动的动态响应，建立了齿轮传动-机车-轨道空间耦
基于深度学习的含未知复合故障多传感器信号故障诊断
文章目录目的网络实验结果存在的问题CNN-LSTM-FCM目的1、未知复合故障诊断2、复合故障解耦网络折叠层：将输入的序列构建成测量数据帧序列展开层、扁平化层：恢复序列结构、输出矢量序列卷积：提取特征LSTM和输出：对输出的矢量序列进行分类预期效果：1、测试集中的已知类别：输出为1左右；测试集中的未知类别：输出在0.5左右2、分别输出每一类的概率。如：有５组传感器信号，１和３为故障信号，其余正常，将这组数据输入传统 ＣＮＮ 模型，输出可能是故障１，也可能是故障３，但只能输出其中一种
Prediction of Unknown Fault of Induction Motor Using SVM Following Decision-Directed Acyclic Graph
文章目录部分缩写Introduction流程部分缩写DDAG: 决策导向无环图MFCSA：电机故障电流特征分析IntroductionPCA提取特征+降维故障类型：转子断裂、轴承故障、转子没校准、转子不平衡、定子绕组故障、单项电压不平衡流程数据量好少。。。。不太适合我的工作论文...
Isolation and Localization of Unknown Faults Using Neural Network-Based Residuals
文章目录IntroductionIntroduction本文提出了如何利用基于神经网络的残差和基于物理的模型来定位系统中的未知故障1、本文中提到的方法，依靠残差进行故障隔离和分类。2、这里不仅考虑了故障隔离，而且还考虑了未知故障的定位。...
An unknown fault identification method based on PSO-SVDD in the IoT environment
文章目录IntroductionData collectingMethod支持矢量数据描述（SVDD）粒子群优化（PSO）Introduction1、解决未知故障检测的问题2、将未知故障添加到故障模式库以自适应更新故障诊断模型研究对象：配电网设备的故障诊断方法：粒子群优化-支持矢量数据描述（PSO-SVDD）Data collectingMethod支持矢量数据描述（SVDD）类似于SVM，一分类问题找一个最小的超球面将数据合理全部包裹ξ\xiξ为松弛变量，防止模型过拟合使用拉
深度卷积传输学习网络：一种针对无标记数据机器智能故障诊断的新方法
文章目录BackgroundTransfer Learning ProblemBackground应用于验证各种智能故障诊断方法有效性的数据集满足以下两个条件：1)有带有故障信息的标记数据；2)训练和测试数据来自相同的概率分布。但是，对于某些机器，由于存在以下问题，很难满足这两种条件。1）标记的故障数据很难从某些机器中获得。具体来说，导致缺乏标记的故障数据主要有两个原因。首先，机器可能不允许运行到故障，因为意外故障通常会导致机器故障，甚至灾难性事故。在这种情况下，不可能获得故障数据。其次，机器通常会经
Deep separable convolutional network for remaining useful life prediction of machinery
文章目录BackgroundBackground数据驱动的剩余寿命预测（RUL）主要包括：数据采集，特征提取和选择，退化行为学习和剩余寿命预测
机械复合故障 zero-shot 智能诊断的标签描述空间嵌入模型
文章目录BackgroundMethod proposed大框架（与我上一篇差不多）LDS-IFDExperimentDataResultBackground现阶段的复合故障都是将其作为一个单独的故障类型，参与训练并测试复合故障发生几率小，种类多，采集大量的故障数据难度大能否将复合故障直接作为一种未知故障zero-shot learning （ZSL）的目标是开发能够识别分布外的类别。ZSL的关键是探索和开发未知和已知类别之间的语义关系。为了反映不同类别之间的语义关系，通常会在ZSL方法中引入属性
JavaSE高级复习-day01
java中封装性的体现：o 首先是我们使用对象.属性=进行赋值，但是这样需要被属性的限定范围和数据类型限制，但是我们使用时往往是需要进行限定，为了避免使用对象.属性进行赋值，我们将属性设置为private修饰，类内提供public的set和get方法。o 对于单例模式，我们将构造器用private修饰。o 不能再类外调用类私有的成员。o 如果不希望类在包外被调用，可以将类设置为缺省的。2.关于方法的重载o 两同：同类同方法名 【和 方法修饰符、返回值类型 无关】o 一不同：参数列表（形参.
Java复习-day02
1.异常 在这里我们只考虑exception，不考虑error， 常见的异常：编译时异常【即在程序编译成字节码文件时的异常，比如：ClassNotFound异常、FileNotFound异常 运行时异常【在运行期间发生的异常，比如：角标越界NullPointerException、ArrayIndexOutOfBounds异常2.异常的解决： java的异常 抓抛模型：抛：在运行异常时，在异常代码处生成一个对应异常类的对象，并将对象抛出。该对象一旦抛...
2021.5.23 力扣第62题
2021.5.23 力扣第62题这个是一个动态规划的问题，注意考虑特殊的边界得情况。题目一个机器人位于一个 m x n 网格的左上角 （起始点在下图中标记为 “Start” ）。机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角（在下图中标记为 “Finish” ）。问总共有多少条不同的路径？示例 1：输入：m = 3, n = 7输出：28示例 2：输入：m = 3, n = 2输出：3解释：从左上角开始，总共有 3 条路径可以到达右下角。向右 -> 向下
2021-05-26 力扣第66题
题目：给定一个由 整数 组成的 非空 数组所表示的非负整数，在该数的基础上加一。最高位数字存放在数组的首位， 数组中每个元素只存储单个数字。你可以假设除了整数 0 之外，这个整数不会以零开头。示例 1：输入：digits = [1,2,3]输出：[1,2,4]解释：输入数组表示数字 123。示例 2：输入：digits = [4,3,2,1]输出：[4,3,2,2]解释：输入数组表示数字 4321。示例 3：输入：digits = [0]输出：[1]来源：力扣（LeetCode
2021-05-26 力扣第67题
题目：给你两个二进制字符串，返回它们的和（用二进制表示）。输入为 非空 字符串且只包含数字 1 和 0。示例 1:输入: a = "11", b = "1"输出: "100"示例 2:输入: a = "1010", b = "1011"输出: "10101"来源：力扣（LeetCode）链接：https://leetcode-cn.com/problems/add-binary著作权归领扣网络所有。商业转载请联系官方授权，非商业转载请注明出处。思考过程：其实这个题目和上
2021-05-30 MUNIT学习
论文来源：ECCV 2018，代码地址： https://github.com/nvlabs/MUNIT学习笔记：主要是想要从图像源域生成不同的输出，文章提出了一个多模态无监督图像到图像的转换框架，无监督也就是说我们不给定成对的数据集。文章假设图像表示可以分解为域不变的内容代码和捕获特定于域的属性的样式代码。为了将图像转换为另一个域，我们将其内容代码与从目标域的样式空间采样的随机样式代码重新组合。原来，如果采用有监督的，我们是给定的是成对的数据集，即既有源域的图片又有目标域的图片，我们可以使用条件
今日推荐
周排行