XiaoMi-AI文件搜索系统
World File Search System时域分析
轴承故障检测与分类的决策树模型比较研究
轴承故障诊断对于减少故障、提高旋转机械的功能性和可靠性至关重要。由于振动信号是非线性和非平稳的，提取特征以进行降维和有效的故障检测具有挑战性。本研究旨在评估基于决策树的机器学习模型在轴承故障数据检测和分类中的性能。提出了一种将基于树的分类器与派生的统计特征相结合的机器学习方法，用于局部故障分类。通过时域分析从正常和故障振动信号中提取统计特征，以开发基于树的 AdaBoost (AD)、分类和回归树 (CART)、LogitBoost 树 (LBT) 和随机森林树 (RF) 模型。
印刷电路板中铜的弹性和疲劳特性：从实验表征到数值模拟
摘要Via地面（GND）结构构成设计高性能印刷电路板（PCB）的最有用的元素之一。与VIA的电气连接成为实施各种电子函数的关键常规解决方案。但是，到目前为止，VIA从未用于设计负组延迟（NGD）电路。为了回答这个好奇的问题，本文介绍了有关使用Via Ground的低通NGD功能设计可行性的原始研究。在拓扑描述之后，建立了VIA参数功能的NGD分析。制定了允许合成NGD函数指定功能的通过功能的设计方程式。与商业工具之间的计算和模拟之间的比较验证了开发的NGD理论。正如预期的那样，在一百毫米截止频率上以百秒秒为单位的ngd值在理论模型和仿真之间具有良好的一致性获得。此外，时域分析了通过NGD结构的确认，可以在任意波形输入信号的时间吸收时生成输出信号，显示有限的带宽。
基于模型的脑电图阿尔法波滤波，以提高动态条件下的准确性和伪影检测
摘要 — 脑电图 (EEG) 是大脑电生理活动的记录，通常通过放置在头皮上的电极进行。EEG 信号包含有关大脑状态的有用信息，特定状态与特定频率的振荡（所谓的脑电波）相关；因此，EEG 信号通常根据其频率内容进行分析。一个值得注意的例子是 alpha 波 (8-14 Hz) 的幅度估计。本文提出了一种基于模型的估计方法，该方法基于已知的 alpha 波物理特性，可在快速幅度动态的情况下增强稳健性，并自动识别 alpha 波中可能存在的伪影或不连续性。本文通过应用于临床 EEG 信号说明了所提出的方法，但它特别适用于可穿戴 EEG 应用，例如脑机接口 (BCI)，其中没有专家的人工监督。索引词 — 脑电图、生物医学测量、信号处理、时域分析、频域分析、数字滤波器、脑机接口
LCS与信息熵作为一种新型算法的应用...
基于条件维修（CBM）是一种现代维修理念[1] 。作为实现基于条件维修的有效方法，预测与健康管理（PHM）已成为研究的重点[2] 。一个典型的例子是PHM在联合打击战斗机（JSR）F-35中的应用[3] 。要建立合适的装备PHM，首先需要开展用于预测的退化特征提取研究[4] 。退化实验需要很长时间，退化过程中的振动信号非常复杂[5] 。然而，传统方法[6]提取的特征通常基于单个监测信号。Tran等人通过对监测信号进行时域分析来提取特征[7] 。赵等将经验模态分解（EMD）应用于振动信号分析，提取近似熵作为退化特征[8]。董等。选择非广义小波特征尺度熵作为退化评估特征[9]。在这种情况下，一些重要的故障信息可能会丢失。例如，众所周知，滑靴松动故障是液压泵的典型故障模式[10]。这是由活塞头和滑靴帽之间的磨损引起的[11]。最后，可以以打击的形式在泵壳上监测相互作用。
基于局部均值分解和 Fisher 规则的多尺度模糊熵用于人体运动分析中的脑电特征提取
脑电信号（EEG）是由大量神经元产生的非线性、非平稳、随机的微弱信号，在人工智能、生物医学工程等领域具有重要的研究价值和实际意义，而脑电特征提取是直接影响处理结果的重要步骤，目前常用的脑电特征提取方法有频域或时域分析、时频结合等方法。由于脑电信号的非线性，上述方法都存在一定的局限性。因此，该文提出一种基于局部均值分解和Fisher规则的多尺度模糊熵用于人体运动分析中的脑电特征提取。首先将脑电信号自适应地分解为一系列乘积函数（PF）分量，然后选取有效的PF分量并计算多尺度模糊熵，利用多尺度模糊熵进行特征提取。利用Fisher规则对模糊熵在不同尺度上的特征分类能力进行排序，选取排序最高的多尺度模糊熵构成最优特征向量，实现特征降维。实验结果表明，该方法能有效提取脑电信号特征，验证了新方法的有效性和可行性。
研究论文通过基于脑电图的大脑网络解码涉及下肢的运动协调意象
相较于传统物理治疗的疗效，一种利用运动想象疗法治疗脑卒中偏瘫患者的新疗法可诱导大脑可塑性并可使患者部分恢复运动能力。本文提出了一种利用下肢运动协调想象（正常步态想象和中风后偏瘫步态想象）的更新范式，并通过基于脑电图的脑网络对此类想象进行解码。招募30名受试者在下肢运动协调想象期间采集脑电图。采用时域分析、功率谱分析、时频分析、脑网络分析和统计学分析探讨下肢运动协调想象的神经机制。提取10个基于脑电图的脑网络特征，并使用支持向量机进行解码。结果显示，两种运动协调想象主要激活感觉运动区域，频带功率主要集中在θ和α带，脑功能连接主要发生在右前额。基于脑电信号的脑网络的网络属性与邻接矩阵的空间特征的组合对两种步态表象具有良好的可分离性（p < 0.05），组合特征的平均分类准确率为 92.96% ± 7.54%。综合来看，我们的研究结果表明脑网络特征可用于识别中风后的正常步态表象和偏瘫步态表象。
固定式海上风电结构设计 - DNV
本文档旨在指导读者了解与固定式海上风力涡轮机支撑结构相关的不同分析，以及 Sesam 和 Bladed 如何支持这些结构。Sesam 可以执行适用于海上风力涡轮机 (OWT) 支撑结构行业的多种不同分析，这些分析基于海上石油和天然气行业多年来经过验证的技术，并根据 IEC61400-3-1、DNV 标准 DNV-ST-0126（风力涡轮机支撑结构）和 DNV-ST-0437（风力涡轮机载荷和场地条件）等国际标准扩展了针对海上风电行业的新功能，以及 DNV 建议实践 DNV-RP-C203（海上钢结构疲劳设计）和 DNV-RP-0585（风力发电厂抗震设计）。在初步设计中，Sesam 可用于固定式海上风力涡轮机结构的建模和各种类型的分析。支撑结构可在 3D 建模环境中建模。建模过程中的优势包括参考点建模和参数化脚本，从而形成一个强大的界面，可以快速高效地对多个概念设计进行权衡研究。概念设计阶段可以执行的一些分析包括固有频率分析（特征值分析）、极限状态 (ULS) 和正常使用极限状态 (SLS) 分析（包括构件和接头规范检查），以及使用损伤等效载荷或波浪载荷的疲劳极限状态 (FLS) 分析。在这些静态分析中可以执行非线性桩土分析，而动态分析中要使用的等效线性化桩土弹簧矩阵可以由软件自动获得。在详细设计阶段，Sesam 可用于固定式海上风力涡轮机结构，从定制工作台 Sesam Wind Manager 执行时域分析。Sesam Wind Manager 可以在时域中执行疲劳分析 (FLS) 以及极限强度分析 (ULS) 和地震分析。这些分析可以通过两种方式执行，要么使用超元素方法，要么使用完全集成的方法：