关于NeuralCD这篇论文，主要是提出了一种通用神经认知诊断(NeuralCD)框架，该框架结合神经网络来学习学生和练习因素向量之间的复杂交互作用 借鉴教育心理学的单调性假设，保证了因素向量的可解释性。 根据真实数据集上的大量实验结果表明，NeuralCD框架具有较高的准确度和可解释性。

信号预处理——零均值化 在测试中由数据采集所得的原始信号，在分析前需要进行预处理，以提高数据的可靠性和真实性，并检查信号的随机性，以便正确地选择分析处理方法。本设计中，我们采用零均值化处理。 零均值化处理又称中心化处理。信号的均值相当于一个直流分量，而直流信号的傅里叶变换是在 处的冲激函数，因此若不去除均值，在作信号谱分析时，将在 处出现一个大的谱峰，并会影响在 左右处的频谱曲线，使它产生较大的误差。 设采样数据为 (n=1，2，…，N)，其均值通过下式计算： 用下式进行零均值化处理： 处理后， 就变为一个均值为零的新信号 (n=1，2，…，N)。

转子轴承系统作为综采设备的动力提供端,该系统发生故障会影响整个设备的运行,为了研究转子轴承系统的故障对电动机定子电流的影响,利用MATLAB/Simulink软件建立了以电磁转矩为纽带的异步电动机与机械转子系统机电耦合模型,模拟系统发生不对中、不平衡等故障并分析定子电流信号的特征。研究表明:建立的机电耦合模型可以研究转子轴承系统在故障激励下定子电流的特性,通过激励频率的不同能够辨别转子轴承系统的故障。该模型的建立为改进转子系统动力学和故障诊断提供了新的理论依据。

滚动轴承的早期故障诊断对于设备预测和健康管理具有重要意义,然而受环境噪声、传递路径、信号衰减及源信号本身比较微弱的影响,滚动轴承故障的初期微弱信号特征往往难以提取。为了解决这一问题,提出了一种基于最小熵解卷积(minimum entropy deconvolution,MED)与希尔伯特变换(Hilbert transform,HT)相结合的滚动轴承故障特征提取方法(MED-Hilbert),该方法首先应用MED算法对传感器信号进行处理以提高信号的信噪比,然后通过希尔伯变换提取冲击能量信号,最后用谱分析技术提取故障对应的特征频率,并与理论故障频率比较后成功确定故障。与信号仅仅进行包络分析方法相比,该方法具有很好的降噪效果以及对微弱故障特征的增强作用。计算机仿真与实验验证了该方法在滚动轴承早期故障诊断中的有效性。

冠生园集团网站诊断报告(自动保存的).pdf

结合小波分析及神经网络算法对轴承各种故障进行诊断鉴别

基于Matlab的轴承故障诊断系统设计

灰度直方图图像处理技术在胃腺癌病理诊断中的应用.pdf

内窥镜作为一种重要的医学诊断工具，广泛地应用于多种疾病的诊断和筛查。随着电子内窥镜的广泛应用，基于图像处理技术的计算机辅助诊断算法不断地涌现。就应用于医用内窥镜图像的计算机辅助诊断研究进展予以综述，分别总结了基于人选特征和基于卷积神经网络的内窥镜图像分析方法，最后分析了两类方法在处理内窥镜图像时的优势与缺点。

工控设备远程监测与故障诊断技术的应用与发展