记录了我们电脑出现的所有硬件软件问题，包括电脑蓝屏的解决方法

电脑常见问题与故障1000例.pdf

二元域上超椭圆曲线离散对数问题的故障攻击

有限域上超椭圆曲线离散对数问题的故障攻击

1、有数据集 2、有SCA代码 3、装好库直接运行

数据库管理和维护;;造成数据库故障的原因多种多样，包括人为的操作错误，也包括介质的破坏，但???要备份得当，它们都不是灾难，都是可以被恢复的。 用户错误 语句故障 进程故障 介质故障;用户错误是指用户增加或删除数据库中的数据导致的错误，如用户意外地删除或者截断了一个表、删除了表中的所有数据等。;语句故障通过回滚语句的结果自动纠正语句故障，返回控制到应用程序，用户可以重新执行SQL语句。 ;进程故障是指数据库实例的用户、服务器或者后台进程中的故障，如连接不正常、用户会话被异常中断等。 ;在读写数据库的文件时，如果存储介质发生物理问题，可能出现介质故障。 ;数据库故障产生的原因 数据库故障的分类;谢谢

３．３　智能故障诊断算法 飞机ＰＨＭ系统智能故障诊断算法依赖于人 工智能技术，常用的智能诊断方法有以下４种。 １）基于神经网络的故障诊断 将系统正常工作检测到的数据进行数据预处 理，提 取 出 特 征 量，离 线 输 入 到 神 经 网 络 进 行 学 习，获得神经网络权值，该神经网络作为系统正常 的模型［２３］。当实际系统运行时，检测系统进行处 理后与神经网络比较，当系统输出与神经网络输 出之差超出阈值，则可以判断为系统故障，如图６ 所示。 图６　基于神经网络的故障诊断 Ｆｉｇ．６　Ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　ｂａｓｅｄ　ｏｎ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ 　 　　２）基于支持向量机的故障诊断 支 持 向 量 机 （Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅｓ， ＳＶＭ）是建立 在 结 构 风 险 最 小 化 的 原 则 基 础 上， 追求有限样本下最优解的方法。ＳＶＭ 用 于 故 障 诊断实质上是一个分类问题，它根据飞机运行过 程中产生的各种信息（如振动频谱、波形特征、相 关运行参数等），判断其是否有故障，并判断故障 产生的原因和部位。采用ＳＶＭ 能在训练样本很 小的情况下很好的达到分类推广的目的，而且不 需要预先知道故障分类的先验知识，如图７所示。 图中Ｒ１、Ｒ２ 和Ｒ３ 分别为３个故障区域；ω１、ω２ 和 ω３ 分别为Ｒ１、Ｒ２ 和Ｒ３ 的权值。 图７　支持向量机故障分类 　Ｆｉｇ．７　Ｆａｕｌｔ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ ｍａｃｈｉｎｅ（ＳＶＭ） ３）多传感器信息融合故障诊断 信息融合是将多源信息加以智能合 成，产 生 比单一信息源更精确、更完全的估计和判决。多 传感器信 息 融 合 方 法 包 括 基 于 权 系 数 的 融 合 方 法、基于参数 估 计 的 信 息 融 合 方 法、基 于 Ｄ－Ｓ推 理理论的融 合 方 法、基 于 Ｋａｌｍａｎ滤 波 的 融 合 方 法、基于模糊神经网络的融合方法和基于粗糙集 理论的融合方法等［２４］，ＰＨＭ 系统常采用的混 合 式信息融合结构如图８所示。 图８所示结 构 可 以 同 时 进 行 原 始 传 感 器 数 据和特征 数 据 的 融 合，在 数 据 融 合 的 过 程 中 可 以根据 需 要 从 原 始 传 感 器 信 号 中 寻 找 有 用 信 息，进而 有 效 提 高 运 算 结 果 精 度。然 后 再 采 用 独立故障 分 类 算 法 对 特 征 信 号 进 行 处 理，实 现 故障隔离。 ４）模糊逻辑推理 模糊逻辑推理基于隶属度函数将系统输入进 行融合，产生输出［２５］。在完成了隶属度函数度量 之后，通过诸如求和或求最大值等方法将不同隶 属度函数融合在一起，最终利用融合后的隶属度 函数计算融合输出结果，如图９所示。

分布式无线传感器网络故障检测算法综述.doc

机油压力信号显示表明发动机的机油压力低于规定值，ECM认为是故障，并以故障码415的形式存储该故障。这时由于机油压力过低，发动机的保护功能起作用，迫使发动机的功率和转速下降，并可能使发动机熄火进行保护。机油压力传感器安装在缸体上，机油压力传感器电路，如图1所示。 　　图1 机油压力传感器电路 　　（1）用机械式压力表检查传感器的准确性。把机械压力表连接到发动机的主油道上，同时将INSITE(TM)手提电脑连接到数据通信接口上，起动发动机并比较压力表读数与屏幕显示数值。压力差在34.47 kPa（5psi）以内时，传感器读数是正确的。否则，传感器读数不正确，应找出引起机油压力低的原因并排

1、变速工况下的轴承故障信号仿真； 2、Matlab代码编写的； 3、适合做阶比分析，写论文仿真部分的代码实现； 4、代码亲测好用。 在实际工业生产设备工作时，旋转机械很可能不会以恒定转速持续运行，或者存在比较大的转速波动，电机升降速或者调速过程中转速也会处于时刻变化的动态状态。当转速变化时，转动频率也会随之发生变化，不对中故障的特征频率也会随之发生相应变化，此时利用稳态下的FFT分析方法得到的频谱就是无效的，或者如果转速在某一区间内频繁往复波动，在FFT频谱图中就会造成频率重叠甚至难以有效辨识的结果。在信号处理方法的发展历程中，为了克服变转速旋转机械故障诊断中常规FFT等方法失效的问题，学者们开发出阶比分析法，也叫阶比跟踪法。 阶比分析法在目前工程实际应用中与故障诊断研究领域被广泛使用于旋转机械变转速状态下的分析，但是目前多以振动信号为载体。阶比分析法的核心思想在于阶比跟踪与阶比重采样。阶比跟踪的目标是将原始时域的动态信号通过等角度重采样原理转化为角度域的稳态信号，阶比跟踪依赖于准确的阶比重采样，即准确获取电机轴的转速与时间的变化关系从而计算出等角度重采样的时刻值。