这是深度收缩残差网络的pytorch版本的完整实现。数据集为江南大学轴承数据集。

1.介绍 毕设研究课题，根据轴承的振动数据信息来诊断轴承故障的位置和故障严重等级。方法思路走的是数据驱动，使用传统机器学习方法以及深度学习方法。这个开源项目做的是整理基于传统机器学习的轴承故障诊断的内容。 主要分为三个部分： 数据集预处理：数据集增强(utils.augment) 特征工程(utils.feature):均值(mean), 均方差(rms), 标准差(std), 偏度(skewness), 峭度(kurtosis), 包络谱最大幅值处频率(maxf), 信号熵(signal_entropy), 信号幅值中位数处概率密度值(am_median_pdf) 分类器训练和保存

用于故障诊断的胶囊网络 最大训练>99% 最大测试>98% 原始振动信号经过滑动窗口采样归一化后成为32x32的图像，再经过数据增强后输入到胶囊网络中。这是纯破胶囊网络的代码实现。由于胶囊网络的参数约为8558848，所以在我的970m GPU上训练需要很长时间。但是准确率还是很高的。 一般的组合模型可以达到很高的准确率，但需要重新设计卷积核的大小，使用一维卷积。所有这些都需要通过debug来实现，目前还没有实现。现在胶囊网络故障诊断一般结合inception或者bilstm。

（python）论文“时变转速下基于改进图注意力网络的轴承半监督故障诊断”源码

该设备由硬件和软件两部分组成。硬件采用全封闭，无风扇铝合金结构，嵌入式X86架构主板。软件部分包括操作系统和测试软件。操作系统采用的是Win7，测试软件采用嵌入式系统测试平台集成开发环境（ETest Studio基础版）。

【信号去噪】 基于小波软阈值+硬阈值+改进阈值实现轴承故障仿真信号去噪含Matlab源码

基于IGA-RBF神经网络的分布式发电配电网故障定位算法研究

基于故障行波的输电线路单端故障定位利用故障点的反射行波与入射行波到达母线的时间差计算故障距离，但如何区分来自故障点和对端母线的反射行波仍是一个难题。在分析故障点和母线的反射特性的基础上，利用电流行波线模分量小波变换的最初2个模极大值之问的相对极性区分来自故障点和对端母线的反射行波．并提出了一种改进的基于小波变换模极大值的输电线路单端故障快速定位方法，能够不受故障类型、故障电阻及耦合线路的影响。理论分析和仿真结果表明，该方法切实可行。

1 FTTH故障处理步骤 　　步：查看ONT（光猫） “Power”电源灯的状态。 　　（1）不亮，表示供电异常，需要检查电源连接和电源适配器是否工作正常 　　（2）长亮，表示供电正常转第二步。 　　第二步：查看ONT（光猫） “LOS”灯的状态。 　　（1）熄灭，表示信号正常转第三步。 　　（2）闪亮，表示光猫接收不到信号或低于灵敏度，转第五步。 　　第三步：查看ONT（光猫） “PON”或“LINK”灯的状态。 　　（1）常亮，表示ONT（光猫）接收到OLT的信号，转第四步。 　　（2）闪亮，表示ONT（光猫） 接收光功率低于或者高于光接收灵敏度，ONT（光猫）注册不上，

HHSV存储故障处理报告.pdf