将原始时域信号每2048个数据点组成一个样本，为了保证每个数据点都能采集到，相邻的样本点会有重叠的1048个数据点，滑动窗口的步长为1000。可以看到第二列的电机载荷分为0、1、2、3四种工况，这里只取故障直径为0.1778、0.3556、0.5334mm时的四种工况。-Resnet18模型的残差模块和CBAM模块进行冻结，只对全连接层进行微调，实现在工况1、2、3下的迁移学习。将第一步得到的四种

一共加载10种数据，然后取每个数据的DE_time（%DE是驱动端数据 FE是风扇端数据 BA是加速度数据 选择其中一个就行）③为了方便模型的训练，以及考虑到计算机的内存，将时频图重新调整为64×64×3的尺寸，并保存提取到的特征数据。③为了方便模型的训练，以及考虑到计算机的内存，将时频图重新调整为64×64×3的尺寸，并保存提取到的特征数据。2.设置滑动窗口w，每个数据的故障样本点个数s，每个故

那么train_FD001.txt对应的真实寿命在哪里呢，其实官方给出的四个训练集，每个训练集中的每个id发动机都是从当前时刻跑到寿命为0就结束，因此训练集中每个ID寿命的最后一个周期都是0，其他的周期依次递增上去即可。很多文献对此做了工作，如果你想在你的论文中附上此图以增加工作量，那么你就可以重新分析一遍，如果你的论文有篇幅要求，那么你也可以直接引用一些大佬的文献，直接给出重要特征即可。原始的R

那么train_FD001.txt对应的真实寿命在哪里呢，其实官方给出的四个训练集，每个训练集中的每个id发动机都是从当前时刻跑到寿命为0就结束，因此训练集中每个ID寿命的最后一个周期都是0，其他的周期依次递增上去即可。很多文献对此做了工作，如果你想在你的论文中附上此图以增加工作量，那么你就可以重新分析一遍，如果你的论文有篇幅要求，那么你也可以直接引用一些大佬的文献，直接给出重要特征即可。原始的R

混合注意力机制(CBAM)包括通道注意力机制和空间注意力机制，CAM(channel attention module) 模块执行通道注意力，SAM(spatial attention mo modu)模块执行空间注意力，CBAM通过串联方式将通道和空间注意力机制结合在一起,全方位关 注输入特征的通道和空间两个方面，它使用空间注意力机制来定位目标区域,获取权重进行调整, 通过通道注意力机制优化卷积

①SWT的选择性缺失问题是指在进行小波变换时，小波基函数的选择可能会导致某些频率的信号被忽略或失真，SWT的选择性缺失问题可能会导致信号的频率信息丢失或失真。[1]唐纪凯,卢一相,柏壮壮,等.基于同步压缩小波变换和CNN的滚动轴承故障诊断[J].传感器与微系统,2022,41(06):130-133.DOI:10.13873/J.1000-9787(2022)06-0130-04.在写论文的时候，

本期带来在故障诊断领域用的比较多的、且效果比较好的一个故障诊断模型---多尺度卷积神经网络MCNN(multi-scale convolutional neural network)[1]龚俊，张月义，陈思戢，等 .基于 SWT与改进卷积神经网络的轴承故障诊断[J].现代电子技术，2024，47（6）：68‐74。划分了训练集、验证集、测试集，在网络训练的时候采用验证集不断降低损失，从而不会影响模

路径规划是移动机器人实现自主导航的核心技术之一，其目标是在一个充满障碍物的环境中，为机器人找到一条从起始位置到目标位置的安全、无碰撞的最优路径。（Configuration Space, C-Space） 的概念，将复杂几何外形的机器人在物理空间中的运动规划问题，转化为一个点在。中进行，直接处理机器人的几何形状和障碍物的几何形状，这使得碰撞检测变得非常复杂，特别是当机器人不仅可以平移，还可以旋转时

路径规划是移动机器人实现自主导航的核心技术之一，其目标是在一个充满障碍物的环境中，为机器人找到一条从起始位置到目标位置的安全、无碰撞的最优路径。（Configuration Space, C-Space） 的概念，将复杂几何外形的机器人在物理空间中的运动规划问题，转化为一个点在。中进行，直接处理机器人的几何形状和障碍物的几何形状，这使得碰撞检测变得非常复杂，特别是当机器人不仅可以平移，还可以旋转时

而Attention Residuals像"开会"，每一层可以直接"听取"所有前序层的汇报，并自主决定重点关注哪些层的信息。：用可学习的深度注意力替代Vision Transformer中固定的残差连接，使模型能够自适应地聚合不同深度层次的特征表示，更好地捕捉振动信号时频图中的多尺度故障特征。以前的标准做法是：每个专家只看上一个专家留下的笔记，然后加上自己的分析，再传给下一个人。：构建了10种时频