从代码层保障ASP.NET应用程序的安全

.NET框架为应用程序的安全提供了较为完善的保障。但是由于各种外部因素的影响,ASP.NET应用程序仍然存在安全隐患。文章从代码层面对脚本注入、SQL注入、密码存储问题、敏感信息泄漏、程序发布设定以及cookie-less session漏洞六个在系统开发过程中可能对应用程序安全产生影响的问题进行了分析,并提出了供参考的应对方法,以期对开发人员有一定的启发,并减少应用程序的安全隐患。     

基于时变啮合刚度的多剥落齿轮振动响应分析

为了探究多剥落齿轮系统中振动响应的演变规律,融合时变啮合刚度构建了多剥落齿轮动力学模型。首先,融合修正的能量法和单/双齿对啮合角位移计算方法,建立多剥落齿轮啮合刚度模型;其次,考虑时变啮合刚度、齿侧间隙和初始压力角等因素,构建6自由度多剥落齿轮动力学模型,并从仿真、理论和实验维度开展模型有效性分析;最后,基于所构建的模型,研究齿根、节线和齿顶位置同时发生剥落时,剥落尺寸变化对啮合刚度影响,获得多剥落齿轮振动响应的演变过程。研究结果表明,所构建模型与理论及实验误差小于0.5%,并得到了齿根、节线和齿顶位置剥落的啮合刚度及振动响应的演变规律,随着剥落宽度的扩展,节线附近振动幅值增大显著;随着剥落深度的增加,齿顶位置受到的振动冲击更为强烈;而随着剥落长度的增加,剥落的波及范围扩大。所得结论为齿轮系统的健康监测和早期故障诊断提供了理论指导。     

基于形态波动一致性偏移距离的滚动轴承 剩余寿命预测方法

针对滚动轴承完全失效阈值的设置多根据人工经验选取、退化轨迹适配忽略时间序列整体形态趋势变化的问题,提出一种基于形态波动一致性偏移距离的滚动轴承失效阈值设置与剩余寿命预测方法。首先,引入前向差分（FD）对振动信号进行预处理,并对处理后的信号计算均方根（RMS）值作为退化指标（DI）;其次,融合双指数模型对DI曲线进行拟合确定最终参考轴承的完全失效阈值（TFT）,降低TFT的设置偏差;最后,利用形态波动一致性偏移距离（MFCDD)计算DI曲线相似度,完成对测试轴承失效阈值的设置,并利用粒子滤波更新双指数模型完成滚动轴承的剩余使用寿命（RUL）预测。在XJTY-SY数据集上的实验结果表明,滚动轴承RUL预测的score得分较动态时间规整匹配方法、卷积神经网络-双向长短期记忆网络预测方法分别提升了82.97%和73.64%;在PHM2012数据集上的实验结果表明,滚动轴承RUL预测的score得分较动态时间规整匹配方法、卷积神经网络 双向长短期记忆网络预测方法、长短期记忆-自注意力机制预测方法分别提升了99.99%、60.65%和99.90%。     

基于FastICA-BAS-MCKD的滚动轴承复合故障特征提取方法

针对强背景噪声下轴承复合故障特征难以分离提取的问题,提出了一种基于快速独立成分分析-天牛须-最大相关峭度 解卷积算法(FastICA-BAS-MCKD)的滚动轴承复合故障特征提取方法。 首先,引入 FastICA 对滚动轴承多通道故障信号进行盲 源分离;其次,利用 BAS 算法同步优化 MCKD 算法的解卷积周期 T、滤波器长度 L 和移位数 M,构建基于 BAS-MCKD 的滚动轴 承振动信号自适应分析方法;然后,应用 BAS-MCKD 方法处理分离后的信号,实现分离信号的降噪和特征增强;最后,应用希尔 伯特解调方法对 MCKD 处理后的信号进行包络谱分析,实现滚动轴承不同类型故障的识别。 仿真和实测信号的分析结果表 明,所提方法能清晰地从复合故障信号中提取出单一故障特征频率,为滚动轴承复合故障特征提取提供了一种有效的解决 方案。     

融合深度可分离小卷积核和CBAM的改进CNN故障诊断模型

为了解决最大池化丢失信息和平均池化模糊特征的问题,同时提高模型时频图像识别效率,降低模型复杂度,提出一种采用深度可分离小卷积核进行降采样和CBAM的CNN网络模型对轴承进行故障诊断。首先,在除最后一层的池化层中,使用深度可分离小卷积层代替池化层,实现池化层的降采样功能。其次,在最后一层池化层引入CBAM,对时频图像所表征的故障特征给予更多的关注,以提高模型计算效率。再次,使用全局平均池化代替传统全连接层,进一步减少模型参数数量。最后,利用CWRU轴承振动数据和自制实验平台数据验证所提方法在滚动轴承故障诊断方面的有效性和可行性。实验结果表明,融合深度可分离小卷积核和CBAM改进的CNN模型有效减少了模型需要的训练参数和计算量,且在识别准确率方面取得了更优的性能。     

一种改进的TVD电机轴承故障特征提取方法EI北大核心CSCD

针对全变分去噪(total variation denoising,TVD)方法在恢复信号特征的过程中使用L1范数会导致信号振幅降低和正则化参数λ难以选取的问题,提出了一种基于非凸全变分去噪(no convex total variation denoising,NCTVD)和天牛须搜索(beetle antennae search,BAS)算法的电机轴承故障特征提取方法。首先,引入反正切非凸惩罚函数定义二阶TVD中的正则化项,增强信号的冲击特征并诱导稀疏性;其次,利用BAS算法对NCTVD中的正则化参数λ和凸性参数a进行寻优并选取最佳参数组合来增强所构造模型的降噪性能,并给予参数约束来保证模型严格凸的性质;然后,通过最小优化算法求解新的NCTVD模型,实现振动信号的降噪和特征增强;最后,结合Teager能量算子(Teager-kaiser energy operator,TKEO)方法对降噪后的信号进行频谱分析,实现对电机轴承故障特征提取的应用验证。公开数据和实测数据的试验结果表明,该方法不仅有效地抑制噪声干扰和表征故障信息,还改善了传统TVD模型在提取故障特征过程中产生的脉冲能量衰减和稀疏效果欠佳的问题。