含光左卫的工作笔记集

原创 [研发工具箱] 系列3.机电类常用的分类网站

机电类专业网站、资讯、工具分类黄页。是相关从业人员的案头必备。附录A包含一个更小的细分领域PHM的相关资讯黄页。

原创 振动分析 - 献个宝

这个分析工具似乎真的定位到了故障的具体位置。

原创 振动分析相关FAQ - Part I

温振分析过程中涉及到的一些知识点，期望能尽可能铺满与工程应用相关的领域，指出那些可能的陷阱。

原创 振动分析测量值——11+13个测量指标的传抄过程

本文讨论了振动分析中的测量指标，包括时域和频域特征，并提出了对这些指标在实际应用中的修正和适应场景的额外注释。文章引用了雷亚国博士的论文，详细介绍了时域和频域指标的计算方法和应用场景，并提到了这些指标在机器学习量化分析中的重要性。此外，文章还列出了时域和频域的具体测量指标，如均值、标准差、频率均值等，并介绍了时频域混合指标，如短时傅里叶变换和小波变换。最后，文章提供了进一步阅读的学术文献和技术资源，为深入研究和应用这些测量指标提供了参考。

原创 一个奇怪的RMS的计算 - 方根幅值

在一本振动分析书籍中提到的方根幅值，初看似乎不如方均根（RMS）实用，因为RMS通过先平均再开方的方式，通常误差更小。然而，深入分析后发现，对于归一化在[0,1]范围内的测量值，方根幅值实际上能更有效地减小误差。特别是当数值小于1时，方根幅值通过sqrt()函数处理后，误差会缩小。尽管在累加过程中误差可能被放大，但累加后的平均化处理使得整体误差得到控制。因此，对于小信号处理，方根幅值在均值计算中展现出比均方根更好的收敛性。这一发现也适用于机器学习算法中的卷积运算，良好的算法设计会利用数据特性，采用此类算式以

原创 时频分析的应用—外部信号的显影和定点清除

上面的图样是一张时频图，横坐标是时间，纵坐标是频率，可见的横向波形纹路，不同的颜色标志着主要的干扰源，它们是50Hz工频谐波。这类信号在数据分析领域往往是需要过滤掉的杂波。因为这类信号足够强，所以他会在频域弥漫为一组同样特征的谐波信号，比如450HZ的是9倍频，而下移7.5hz的同样振幅的信号，显然是另一种谐振波形。这类信号，可以通过信号的自相关特性几乎完全消除掉：这个一个典型应用，记录在这篇文章中：你能想到它的可能应用场景吗？

原创 风电系统预防性维护相关国标FAQ

风电系统运维与监测相关的核心标准可参考GB/T20319-2017。产品预验收文档集合包括机组及主要部件质量及说明文件、安装工程验收文件、机组调试报告等。最终验收报告需增补运行日志、维护记录、检修记录、故障统计表、设备运行数据、移交生产验收资料等。

原创 振动分析的细化——频谱和时频分析实例

时频分析的基础是频谱在时间轴上的播放。直接将时间轴定义为Z轴，得到的就是瀑布图。如果将时间轴替换掉幅度轴，然后用颜色体现幅度信息，得到的就是热力图。时频分析的基础是频域，频域提现了故障的频域细节。而时频分析本质上是一种趋势分析。它查看的是设备的故障演进过程。用颜色来标记特定频率振动的强弱，类似一种全频段心电图。

原创 振动信号测量域的时频测量值项点及趋势实例

摘引自。

原创 [笔记]几起风电结构失效案例与简单分析

一些风电事故案例，一份分析报告，及一个合格的状态监测系统的可能的设置（美国风电联合会的最佳实践），修订中...

原创 专业知识的检索过程 stepbystep - 样例

这是一套与风电有关的PHM系统相关资料的搜集过程实例展示。展示了相关的系统设计目标相关的资料搜集过程。

原创 振动临近失效状态，怎么频谱会是梳子？

在破坏性试验的终末期，振动波形在时域上表现为正常的冲击信号，但在频域上却呈现出异常复杂的形态。这种现象通常是由于系统在极端条件下发生非线性响应或结构损伤导致的。你能解释这种频谱特征吗？能提取出此时的振动的关键特征？

原创 第一次被AI指点出文章的问题

关于链家左晖的一篇评论稿这篇文章有什么问题吗？所有方面都可以谈，包括叙述，用词，重复，真实性，偏见，所有你能想到的语病都可以针对性地进行分析。完成回答，用时 1 分 1 秒全部来源 1整理来源1 如何评价链家（贝壳）创始人左晖？子正-含光左卫· 关注3351 关注 · 4796 赞同深度思考嗯，用户让我分析一篇关于左晖和贝壳的文章，指出所有可能的问题，包括叙述、用词、重复、真实性、偏见和语病。首先，我需要仔细阅读用户提供的文档，然后逐一检查各个方面的潜在问题。首先看结构问题。

原创 PHM领域的两个阶段：状态监测与故障诊断

今天在整理振动分析系统的需求清单时遇到了这个问题。我的需求清单的基本结构是这样的：它远远不全，只是就着我平时的一些书签，大致整理出了一份非常简短的名单。对照着手头的项目进行需求梳理时，发现了一组之前没有意识到的问题。对于故障检测领域，其实有至少三类到四类系统在运作，他们的基本目标是不同的。对于在线监测领域，事实上有两代系统：CMSCondition Monitoring System,设备状态监测系统FDS故障诊断系统FDDS故障侦测与诊断系统。

原创 振动信号分析 - 复数坐标变换引发的问题

又假定我们需要将其坐标转换为0点记作：32768，然后正值部分>32768,负值<32768的u16,满量程暂且定为65535 = 50(value)非常annoy，对吧？所以计算时，尽量不要改变数值的量程和中心点，否则你得出的数值极易出错。你知道为啥4,5不等吗？因为此时的模的圆心变了。

原创 从xjtu-sy数据集中看轴承故障的发展趋势与基本特征

1.4中，数据彼此相差1分钟，电机每分钟是1500转，相当于6000转之内，故障就明显出现成型了。所以，如果定那个故障的特征：我觉得把特征谱线处，加速度峰值>=5g可以作为判据，如果使用历史数据，那么特定谱线的幅度较历史值超出5倍，似乎也是比较合适的阈值。1.需要考虑振动在不同转速下的归一化问题，（峰值的归一化），最终的阈值需要先进行峰值归一化，然后再设定。我记得应该是个平方关系。2.也许可以考虑取用某个频段范围内多个峰值点取算术平均然后利用这个平均值和1x频点的比率来评估某个频点的谱线已经形成。

原创 xjtu_sy 1_1 外圈故障振动数据分析初步

近似不变，第一个峰值出现在219.8Hz的位置。感觉问题出在对数据resample的时候，即使按照时域图，此时的数据特征频率应该是：0.20s/22cycles = 110Hz，与理论的外圈故障相当。从初始阶段到终末期，频谱峰值谱线的极值，0.0028->增加到了0.16 = 57倍。轴承故障频点，所用的轴承是LDK UER204。

原创 某振动分析系统的参数交叉核算

振动分析系统一篇论文相关的参数校验和推导。

原创 Code Complete代码大全20年纪念版附录书籍等

代码大全2 二十周年纪念版术后附录相关资源摘编

原创 一组可能的机器学习问题列表

原创 极简cnn-based手写数字识别程序

这个程序识别的是0~9的一组手写数字，这是最终的识别效果，为1，代表识别成功，0为失败。然后数据源是：ds = deeplake.load('hub://activeloop/optical-handwritten-digits-train')里面是一组压缩存储的32*32 bits 0-1点阵，内容是0~9的数字的手写数据。我训练了150次，最终达到的效果。模型非常简单：其中两级卷积层，然后是一个池化层，然后是两组映射，最终到达一组prob数据，然后它的维数是10。

原创 最简CNN based RNN源码

本文参考了《深度学习与交通大数据实践》3.3.3有修改。这基本是我临摹下来，并且立即思路的第一版机器学习代码。

原创 最简rnn_lstm模型python源码

这是一个基于机器学习的时间预测。包含数据集生成，训练和预测。数据源直接模拟了一个10个周期的sin()函数，把前70%划分为训练集，建立了一个已知前2点，求下一点的训练集，并搭建相应的lstm模型。不到120行代码，参考了《深度学习与交通大数据实战》3.2节。注意这本书只能在京东等在线商城网购，才能拿到相应的数据集和源码。我的是在当地新华书店买的——买清华出版社，记得这个恶心的规定。信号的相位信息基本一致，sin(x)特征基本保持，幅度有问题，然后时间序列预测最前面出现了一点异常。不知道有谁能消除掉它吗？

原创 一个极简的反向传播实现

这是2022年，北方交通大学的同志实现的。包含机器学习的所有过程。前向，反向，损失函数，detect，然后数据集使用了sklearn.datasets的make_moons()。

原创 一组电机电流频谱 - 主要关注5x7x倍频

FFT幅度仍然不大对，主要目的是为了找到典型的正转正拉，正转反拉频谱。最终在附录A中找到了两组典型的正转反拉波形。为接下来的工作做数据筛选。

原创 从静电场的电力线测量公式逆推电场解析函数

假定平面静电场的电力线是一个抛物线方程：其中c>0，求这个电场的等电势线。这其实就是在已知该解析函数在四维空间的一个切面的某一个维度的函数表达式的情况下，求解第四维德分布函数。我看看能否直接用希尔伯特变换来处理它。我知道答案，所以，要做的只是看我的解法是否和传统的解法一致。

原创 希尔伯特变换得到的解析信号的唯一性原则

希尔伯特变换所得到的解析信号的唯一性证明。。。

原创 希尔伯特变换前后信号的时域和频谱特征

讨论了希尔伯特变换相关的信号处理频域和时域特征，以及在振动分析中的一个典型应用，求复包络。

原创 电机倍频曲线的一些奇异特性-原因分析及应用

观测电流曲线的频域视图，你会发现与更高的5x,7x频点比较，在观察现场采集的感应电机的线电流曲线时，总会发现3x频率，图中的150Hz（此时线电流50Hz）经常会出现双峰：我们先分析一下这种机制的理论原因，实际物理机制，稍后一点我们还会论及这些倍频曲线是怎么来的，就是这些倍频曲线的物理机制：其实这就是时域拍频的频域特征。这个频点附近，会出现明显的赋值抖动。如果你熟悉振动信号的调制解调，你可以直接把这个频点附近的周期性信号解调出来，然后就能看到这里出现了明显的幅度颠簸。为啥呢？

原创 尝试做第一个PyPI公开模块GpScope[...进行中]

工作中需要处理一些示波器波形文件，我手里至少有4种波形文件，lecroy的.trc二级制格式，micsig .bin二进制格式，然后还有一种自制的.bin和一个低端示波器的导出数据。示波器厂商没有提供py数据直接访问接口。我曾经debug过lecroy和micsig的二进制波形文件，我可以把嵌入式生成的数据反向导入乘lecroy格式，比如，现在中美交恶，lecroy wavestudio无法注册，所以现在只能把这部分补齐。

原创 感应电机反电动势频率与电源频率相等以及转差率的测量机制

首先是一些中间结论：1.电机定子磁场逆时针旋转频率f12.转子的感生电流的频率因为转差率f2很小，刚好等于s*f1，同方向旋转。3.转子感生电流产生的同方向旋转磁场频率f2+那个稍稍滞后的转子实际转速(f1-f2)，回馈给定子线圈的最终感生电流的频率，刚好是：f2 + f1-f2 = f1。

原创 学位论文与期刊论文的区别

核心功能差异学位论文：本质是学术能力证明文件，需完整呈现研究者从选题到结论的全过程，体现系统性思维与科研训练成果。期刊论文：作为学术成果传播载体，侧重展示创新突破点，强调在有限篇幅内传递最有价值的发现。评价体系要求文献综述的全面性（占全文20-30%）方法论的详尽描述（包含失败实验记录）数据完整性（原始数据与处理过程）理论推导细节（如数学证明步骤）。创新性是否达到发表门槛（Nature/Science要求≥30%创新）结论的可靠性（通过精简方法描述突出核心）、成果的普适性（省略非必要细节）。

原创 YOLO - pose detect 输入输出接口与执行效率测试

Nose: 横坐标=0.5296, 纵坐标=0.247867, 可见性=0.989055Left Eye: 横坐标=0.538345, 纵坐标=0.229076, 可见性=0.987131Right Eye: 横坐标=0.523728, 纵坐标=0.236682, 可见性=0.803624Left Ear: 横坐标=0.565252, 纵坐标=0.220562, 可见性=0.97476Right Ear: 横坐标=0.0, 纵坐标=0.0, 可见性=0.178567

原创 yolo11 training benchmark [i7-13700 vs nvidia 3090]

两次训练的数据集，nvidia3090上跑的还要多10%的数据。nvidia环境没有做优化。nvidia3090的训练速度是i7-13700 2.4G的20倍。

原创 在一台win10专业版设备上使用docker的怪现象

这台设备上，wsl环境无法直接安装docker，必须要在宿主机安装Docker Desktop.然后，在wsl运行前，要先启动docker desktop，否则，你看不到你自己创建的映像。你可以用各种方法安装docker，apt install 还有其他的方法都行，docker build也行。然后如果没有docker desktop加持，你在尝试加载docker时，会遇到提示，直接返回docker服务器反馈错误。

原创 标量化rknn的输入输出向量转换处理

当onnx模型尚未标量化（quantize）之前，自训练数据集能够有效识别目标对象，但是，rknn模型，通常是标量化转换过的，就是输入输出参数已经从float32->u8。那么如何处理丢给rknn模型的输入输出参数，然后进行反标量化（dequantize）？我们先尝试把这个输入输出的default dtype修改为float32，看看有没有可能行。一般的处理，是需要拿到0点和缩放scale。

原创 python环境的yolov11.rknn物体检测

如果确认最终稿的结论成立。我会在这个帖子里留下标记。上面的两代码没有大问题，我在测试成功后会更新，现在就是对的。似乎：yolo11.output5 == yolo5.output2,

原创 label-studio 导入既有的yolo格式标注

这是新增识别物体训练前的一个预处理过程。你的额外标注要建立在模型已经具备的识别能力的基础上。

原创 yolo11s rknn无法detect的bugfix - step by step

上周四下班时，发现在宿主机环境工作良好的既有的pytorch模型，在通过.pt->.onnx->.rknn的转换后无法正常工作。周五下班时，怀疑疑点在两处：周六，周日，周末时间，我将各个环境的pytorch版本修改为渐趋一致，并且参照了rknn2.3中的版本要求，对齐到同一个版本，并且怀疑training部分的版本与pt->rknn的环境不一致，我把两个环境融合到一个docker了。 在周日最后一次detect测试时，结果仍然是目标对象无法检出。下面针对这个问题，开展分析，尝试解决。

原创 pt-＞onnx-＞rknn(量化) step by step & FAQ

yolo模型量化至rknn模型的步骤和注意事项