基于注意力机制和深度残差网络的滚动轴承故障诊断

针对现有的滚动轴承诊断模型特征提取能力不足、诊断准确率不高的问题,提出一种注意力机制与一维深度残差网络相结合的故障诊断方法。该方法首先通过引入残差结构来防止深度网络性能退化,然后结合注意力机制来提高网络的特征提取能力,最后使用原始的滚动轴承振动信号训练故障特征分类器。针对变工况故障诊断,本文采用小样本迁移学习框架。在两个开源实验平台上的结果表明,该方法能够有效地提高滚动轴承故障诊断的准确率,为实际应用提供一定的理论参考。

浅谈如何纠正学生对教材一实验数据处理的误解

在《普通高中课程标准实验教科书（物理必修1）》的第23页“借助传感器用计算机测速度”实验是这样的：系统由A、B两个小盒子组成，A盒装有红外线发射器和超声波发射器，B盒装有红外线接收器和超声波接收器．A盒固定在被测的运动物体上，B盒固定在桌面上或滑轨上．测量时A向B同时发射一个红外线脉冲和一个超声波脉冲（即持续时间很短的一束红外线和一束超声波），