基于CNN-BiLSTM的可解释性轴承故障诊断

基于卷积神经网络的轴承故障诊断过程往往无法解释,并且常规CNN的抗噪性较差。因此,提出了一种基于CNN-BiLSTM的可解释性轴承故障诊断模型。分别从仿真和实验两个方面对CNN的特征提取过程进行分析,采用Grad-CAM++方法以热力图的形式对该过程进行解释,并结合BiLSTM改进模型,提升了模型的诊断精度和抗噪性能。仿真分析表明,Grad-CAM++不仅可以用于二维图片,也能够应用于一维时间信号,具有通用性,并且其可视化结果可以充分表明网络的特征提取过程,具有解释性。实验结果表明,所提出的模型不仅具有解释性,同时相比其他类似网络的平均诊断精度更高,并且具有更好的抗噪性和鲁棒性,验证了该方法在处理滚动轴承故障诊断上的有效性。

过年访谈录

“小玉,快来帮妈妈擦窗户!过年了,这是第一件大事。”妈妈在招呼我。从我记事起,每年腊月二十四这一天,妈妈都要进行大扫除。扫地拖地自不必说,还要擦窗户、防护栏,清洗被褥、沙发等,要将家里的里里外外都收拾得干干净净。母命难违。我来到妈妈身边,好奇地问:“老妈,为什么过年要大扫除?”妈妈回答:“这是老祖宗流传下来的习俗,关于它的起源,还有好几个传说呢。”

一种基于Wireshark的大数据包文件高效分割方法

Wireshark在实际应用中,往往会一次性捕获大量数据包,形成巨大的数据包文件。多数情况下一次分析或重放只需要关注涉及某条连接或者某个主机的数据包,这在文件中只占很小一部分。所以将巨大的数据包文件根据既定的数据包分类准则分割成一系列小文件,或从巨大的数据包文件中分割出所需的会话数据包形成小文件,是一类实际的需求。传统的数据包文件分割方法在面对大数据包文件时,由于时间复杂度和内存限制,需要运行漫长的时间,不具备可行性。文章介绍一种在Wireshark中利用Lua插件,对数据包文件进行高效率的按需抽取和分割的方法,将处理时间缩短到原来的10%以下。