深度神经网络技术用于机械设备故障诊断展现出了巨大潜力，但繁重复杂的计算量对计算机硬件提出了严苛的要求，严重限制了其在实际工程中的应用。基于此提出一种新型的轻量级神经网络ShuffleNet，用于高速列车轮对轴承故障诊断研究。该网络模型基于模块化设计思想，包含多个高效率的ShuffleNet单元，通过运用分组卷积与深度可分离卷积技术极大改善了传统卷积操作的运算效率；同时使用通道混洗方法克服了通道分组带来的约束，改进了网络的损失精度。实验分析表明，所提网络模型可有效用于复杂工况下高速列车轮对轴承故障诊断，相比传统卷积神经网络、残差网络和Xception等当前深度神经网络模型，在保证诊断精度的同时，运行效率得到大幅提升。这为深度神经网络技术应用于工程实际，克服计算机硬件条件限制提供了一条新的途径

任务1 计算机硬件产生故障的原因 任务2 计算机硬件维修的方法 任务3 计算机硬件故障检修实例分析 任务4 计算机故障检测方法

4.1 电力系统故障分析的目的与内容 4.2 三相对称短路的基本分析 4.6 三相短路电流周期分量的实用计算 4. 7 分析不对称故障的基本理论 4. 8 电力系统元件的不对称参数 4. 9 简单不对称短路故障时电流与电压的计算

基于最优分类线的概念,提出了一种新的模式识别分类器构建方法——判别域界面几何法.该方法利用BP神经网络的高度非线性,将模式类样本数据从高维输入空间映射至二维判别域空间后,采用多边形中轴提取方法,构造模式类间隙多边形的中轴线,延伸至整个二维判别域空间,生成模式类决策边界.以铁路货车车轮用双列圆锥滚子轴承的故障诊断为例,介绍了判别域界面几何法的应用过程.结果表明,判别域界面几何法能在二维判别域空间上给出各不同故障模式类之间明确的界限,这就给操作者直观判断故障模式类别提供了条件

为了解决齿轮故障诊断中传统的声振信号分析方法容易受到周围设备及环境噪声干扰的问题,提出了一种独立分量分析和自相关分析相结合的齿轮故障诊断方法.首先用独立分量分析分离特征信号和干扰信号,然后用自相关分析提取特征信号中的周期成分.实验结果表明,该方法可以有效地提取在强背景噪声干扰下的齿轮故障特征

以流量信号作为特征信息进行液压故障诊断,分析了液压系统中出现流量异常时的主要表现及产生原因,基于流量信号与液压系统工况之间关系的分析及CBG 2040型齿轮泵的4种故障的实验研究,指出:流量信号也是状态信息的丰富载体,利用流量信号来监测液压系统的状态及进行故障诊断是可行的、有效的

一、汽车诊断概述 汽车诊断的目的，是为了确定在用车辆的技术状况是否正常、有无异常或 故障。只有技术状况正常，汽车才能安全地行驶和经济可靠地工作，汽车技术 状况异常或有故障，必须及时地进行保养或修理。 为使汽车的保修作业能够迅速、有效地实施和提高保修作业的竣工质量， 在汽车保修作业之前，应该了解汽车外部和内部的技术状况和故障情况，并在 汽车保修作业之后进行汽车性能检验。汽车的外部情况通过检视便可了解，而 对汽车内部情况的判断则是一件复杂的工作，若将汽车、总成或机构拆散进行 检查，工序复杂且费工费时，因此采用汽车诊断技术来确定汽车的技术状况 （或故障情况）和鉴定汽车保修竣工后质量的方法，得到了迅速发展

2.1 设计、验证和测试 2.2 缺陷、失效和故障 2.3 故障及故障检测 2.5 故障的等效/支配/冗余

是在规定的时间内和规定的环境下,程序无故障运行 的概率。 软件故障是指程序运行的外部结果偏离了需求规范。所以 故障是在动态中产生的,必须运行程序才会发现故障,故 障与程序运行状态有关

7.1 闪存系统故障维修【重点】 7.2 硬盘系统故障维修【重点】 7.3 光盘系统故障维修