CN101226078A - 一种基于分布式光纤传感器的长距离线性结构异常振动的检测方法 - Google Patents
一种基于分布式光纤传感器的长距离线性结构异常振动的检测方法 Download PDFInfo
- Publication number
- CN101226078A CN101226078A CNA2008100596298A CN200810059629A CN101226078A CN 101226078 A CN101226078 A CN 101226078A CN A2008100596298 A CNA2008100596298 A CN A2008100596298A CN 200810059629 A CN200810059629 A CN 200810059629A CN 101226078 A CN101226078 A CN 101226078A
- Authority
- CN
- China
- Prior art keywords
- linear structure
- strain
- sigma
- time series
- linear
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本发明将布立渊分布式光纤传感器安装于线性结构上,检测光纤的应变信号,将该应变信号进行校准得到线性结构应变曲线。再采用基于时间序列分析法的模式识别方法,对数据进行处理,提取线性结构应变时间序列中的异常数据,判断线性结构的状态。采用经验模态分解法(EMD)从线性结构跨度随机应变响应中提取内在模态分量,应用随机减量法(RDT)从线性结构跨度随机应变响应中提取各阶自振频率,根据相关规范标准给出的线性结构自振频率经验公式,反推线性结构的悬跨长度。采用基于雨流计数法的多轴疲劳应变寿命模型(尚德广模型)为准则,预测线性结构疲劳寿命。
Description
技术领域
本发明涉及光纤传感检测领域,尤其涉及一种基于分布式光纤传感器的长距离线性结构异常振动检测方法,用来分析判断监测线性结构应变和频率的异常性,给出该结构的剩余寿命。
背景技术
线性结构是工业生产中较为常见的结构形式之一,如:海底管道、输油/气/水管道、索等。为解决线性结构安全生产的问题,世界上一些先进国家早在60年代就开始线性结构检测设备的研制。目前较为常见的线性结构检测手段主要分为海底管道的管内监测器和管外监测器两种。
1)管内检测技术。包括:智能清管器(Smart Pig);漏磁检测法;压电超声波检测技术;电磁波传感检测技术(EMAT);压差法;声波辐射方法;负压力波法。尽管海底管道的管内检测技术比较成熟,但管内检测主要是针对腐蚀和海底管道的径向变形的,而对海底水流冲刷致使局部海底管道悬空;涡激振动导致的海底管道屈曲变形、开裂破坏;地震作用下海底土壤液化致使海底管道沉陷等海底管道破坏却很难诊断。
2)管外检测技术。包括阴极保护电位法;光纤传感器;水下激光成像;不接触测量阴极。
中国发明专利02145502中公开了一种基于分布式光纤传感器的油气管线泄漏智能在线监测方法。在油气管线附近与油气管线并行铺设一条或几条光缆,利用光纤作为传感器,对油气管线泄漏进行实时监测;在光纤的两端,也就是油气管线的输入端和输出端,各设置一套光功率检测模块,并和计算机连接,利用计算机对数据进行分析和融合,获得管线周围的压力变化和振动信号的特征,当管线中的油气发生泄漏或在管线附近有机械施工和人为破坏等事件发生时,产生的应力或冲击力将改变光纤的特性和损耗,通过对光纤背向散射光功率和光纤输出光功率的测量,对损耗大小和频谱的分析,发现并准确定位油气管线泄漏和外部可能对管线造成破坏的事件,提高油气管线的监测水平。
发明内容
本发明提供一种基于分布式光纤传感器的长距离线性结构异常振动的检测方法,可以判别线性结构(如海底管道,输油/气/水管道,索等)是否有损伤、损伤位置、损伤程度并提供其剩余寿命。
一种基于分布式光纤传感器的长距离线性结构异常振动检测方法的包括:
(1)由分布式光纤传感器检测线性结构的应变信号,根据该应变信号得到光纤沿线性结构的应变曲线。
分布式光纤传感器得到的应变信号传输到本地分布式光纤传感器,从而能够在本地监测线性结构上某一位置的应变。对于单个分布式光纤传感器,基于后向布里渊散射中移频、功率和应变、温度的关系,通过测量光纤沿线性结构各点后向布里渊散射的移频和功率,得到光纤沿线性结构各点的应变信号。根据该应变信号得到光纤沿线性结构的应变曲线。
(2)对步骤(1)得到的应变曲线进行校准,消除光纤应变与线性结构真实应变存在的差异,得到校准后的线性结构应变曲线。
本发明考虑到布设在线性结构上的光纤应变与线性结构真实应变存在差异,所以要对光纤应变曲线进行校准。校准前通过光纤传感器样机标定实验,建立样机所测光纤应变增量与线性结构应变增量的关系曲线。然后根据关系曲线对光纤应变曲线进行校准,得到校准后的线性结构应变曲线。
(3)采用基于时间序列的AR模型对步骤(2)得到的线性结构应变信号进行分析,并提取应变信号中的异常数据。
随着线性结构长度的增加,由步骤(2)得到的线性结构应变数据量(即校准后的应变曲线中的数据)巨大,为解决海量监测数据的处理问题,本发明采用基于时间序列分析法的AR模型,对数据进行处理,提取线性结构应变信号中的异常数据。
(4)采用基于时间序列分析的模式识别方法,对步骤(3)得到的异常数据进行分析,判断线性结构处于第三方撞击模式或悬跨振动模式。根据模式的不同形式,模式识别的方法有模板匹配法、统计模式识别法、句法模式识别法和直接逻辑识别法等。本发明采用的时间序列分析的模式识别属于统计模式识别范畴。首先确定线性结构系统中的各种参考模式(即基准模式、基准状态),然后,再将线性结构系统目前的模式(即待检模式、待检状态)与参考模式进行比较,最后确定待检模式属于哪种参考模式。
本发明采用Itakura信息距离函数作为判断函数,对线性结构所处的模式进行判断。如果判断为悬跨振动模式则由步骤(5)进行悬跨长度计算,否则划归第三方撞击模式。
(5)当步骤(4)判断的线性结构模式为悬跨振动模式时,计算线性结构的悬跨长度,即损伤的程度。
本发明采用经验模态分解法(EMD)从线性结构跨度随机应变响应中提取内在模态分量;并应用随机减量法(RDT)从线性结构跨度随机应变响应中提取各阶自振频率。根据相关规范标准给出的线性结构自振频率经验公式,计算出线性结构的悬跨长度。
(6)本发明方法还可以根据步骤(2)得到的线性结构应变信号,在进行异常检测的同时,对线性结构进行疲劳分析,预测线性结构的疲劳寿命。
本发明对线性结构的疲劳寿命预测,以基于雨流计数法的多轴疲劳应变寿命模型(尚德广模型)为准则。将光纤监测所得的线性结构截面多点的应变信息转化为截面关键点的应变值。采用雨流计数法将实际随机载荷转化成等幅载荷下的循环次数。采用线性疲劳累计准则(Miner线性累计损伤准则)将不同等幅载荷下的损伤值进行累计,获取各关键点的疲劳损伤累计值。采用多轴疲劳应变寿命模型(尚德广模型),由所用材料的标准疲劳曲线,根据反复应变的次数来确定线形结构的疲劳应力,再比较线性结构的容许疲劳应力(疲劳阈值)来计算线性结构的疲劳寿命。
上述各步骤中所述的应变时间序列为一段时间间隔内连续测得的校准后线性结构应变曲线。
在步骤(3)中,以上述应变时间序列作为模式向量,采用基于时间序列的AR模型对应变信号进行分析,得出特征量。该特征量即为线性结构应变信号中的异常数据。
由于监测中受到各种因素的影响,应变信号并不是稳定的,当异常出现时具有很强的突发性。因此总体上说,应变信号时间序列是不稳定的,但是其局部从统计角度分析是近似稳定的,该局部定义为一个时间窗口,窗口大小设为2N。
每次取出2N个数,时间窗口内的个数表示为i,用前N个数建立模型,来判别后面的N个数据是否异常,在实际的监测过程中,只要不断的向前移动窗口,就可以完成异常信号的监测。
将待检模式的应变时间序列{xt}T通过ARR模型分析,得到残差方差,并根据此值判断线性结构应变时间序列中是否存在异常数据,从而判断线性结构是否存在异常。
具体算法如下所示:
首先对N个数进行零均值化。设μ为该窗口内时间序列的平均值,即:
其中xi为应变信号。
对以上的序列计算残差,即:Si=xi-μ
经过上述操作后,所获得时间序列Si即为零均值的时间序列。
对上述的零均值时间序列拟和二阶AR模型,简记为AR(2),模型写为递归模型:
xi=φ1xi-1+φ2xi-2+ei
其中:φ1,φ2是AR(2)模型的模型参数,ei是对xi序列进行AR(2)模型拟和后的残差序列,经过上述的零均值化过程,ei已成为零均值的白噪声信号,是独立分布的高斯随机变量。
因此,可以选取N个数据来对上述的AR(2)模型进行拟和,将所需的数据写为矩阵形式,拟和的矩阵算式可写为:
根据最小二乘法,可以获得Φ矩阵的算式:
Φ=(XTX)-1XTY
白噪声ei的方差σi可以依据下式进行计算:
由上述式子,计算结果如下:
对于剩余的N个点,根据上述拟和的模型,计算其残差,即:
(B)=1-φ1B-φ2B2
B为后移算子,其定义为:St-1=BSt
因此,后面的N个数,可以根据残差的定义来求于上述拟和模型的残差,et=(B)St
对于后面的N个数,进行平方求和,可得:
定义异常指标
当2N窗口中,经过上述模型拟和和残差计算所得的残差方差小于确定值C时,线性结构不存在异常。若大于确定值C时,则判定线性结构存在异常,并记录异常数据。其中常数C的取值根据实际试验情况予以调整。
在步骤(3)中,以上述应变时间序列作为模式向量,采用基于时间序列的AR模型对应变信号进行分析,得出特征量。该特征量即为线性结构应变信号中的异常数据。
在步骤(4)中,采用基于时间序列分析的模式识别方法,对步骤(3)得到的异常数据进行分析,判断线性结构处于第三方撞击模式或悬跨振动模式。
一般情况线性结构所处的模式有正常模式、第三方撞击模式或悬跨振动模式,三者的区别在于时间域上的长短不同:
1、正常模式,在监测时间中没有异常发生;
2、第三方撞击模式,在监测时间中有局部的异常数据产生;
3、悬跨振动模式,在监测时间中存在较长的局部异常数据;
通过步骤(3)已判断此时线性结构处于非正常模式,即只需判断线性结构处于第三方撞击模式或悬跨振动模式。
本发明采用Itakura信息距离函数作为对于模式识别的判断函数,对线性结构所处的模式进行判断。
具体算法如下:
根据统计理论,对于正态分布的随机变量,其概率密度函数为:
式中:σ2为方差;μ为均值;定义
参考模式时间序列通过AR模型后的残差序列{at}R的概率密度函数:
待检模式时间序列通过AR模型后的残差序列{at}RT的概率密度函数:
用pRT和pT构造对数似然函数比:
式中:σT 2为{at}T的方差,σnT 2为σT 2的计算值。
对于一个残差序列{at}T,应有 则上式写为:
Itakura信息距离函数定义为:
Itakura信息距离函数值,表示了当前线性结构的模式与标准第三方撞击模式与标准悬跨振动模式的相似程度。
将标准第三方撞击模式数据和步骤(3)中提取的异常数据(残差方差σRT 2)分别带入Itakura信息距离函数计算后得函数值D1;
上述标准第三方撞击模式数据是将标准第三方撞击模式时间序列{Xt}R(来源于标定试验),通过ARR模型分析后得到{at}R,其均值为0,方差为σR 2。
将标准悬跨振动模式数据步骤(3)中提取的异常数据(残差方差σRT 2)分别带入Itakura信息距离函数运算后得函数值D2;
上述标准悬跨振动模式数据是将标准悬跨振动模式的时间序列{Xt}R(来源于标定试验),通过ARR模型分析后得到{at}R,其均值为0,方差为σR 2。
比较D1与D2,若D1<D2,说明当前线性结构的模式与标准第三方撞击模式更相近,可判断当前线性结构的模式为第三方撞击模式,反之,当前线性结构的模式即为悬跨振动模式。
本发明将布立渊分布式光纤传感器安装于线性结构上,检测光纤的应变信号,将该应变信号进行校准得到线性结构应变曲线。再采用基于时间序列分析法的模式识别方法,对数据进行处理,提取线性结构应变时间序列中的异常数据,判断线性结构的状态。采用经验模态分解法(EMD)从线性结构跨度随机应变响应中提取内在模态分量,应用随机减量法(RDT)从线性结构跨度随机应变响应中提取各阶自振频率,根据相关规范标准给出的线性结构自振频率经验公式,反推线性结构的悬跨长度。采用基于雨流计数法的多轴疲劳应变寿命模型(尚德广模型)为准则,预测线性结构疲劳寿命。
附图说明
图1超长距离线性结构的分布式光纤传感系统解决方案
图2基于分布式光纤传感器的海底线性结构健康监测系统
具体实施方式
本发明基于分布式光纤传感器的长距离线性结构异常振动检测方法的包括:
(1)参见图1,(图中DOFS表示可串联使用的分布式光纤传感器,单个DOFS的传感长度为25km)通过快速以太网接口把分布式传感器内的检测数据送至数据采集系统,在本地监测线性结构上某一位置的应变。对于单个分布式光纤传感器,基于后向布里渊散射中移频、功率和应变、温度的关系,通过测量光纤沿线性结构各点后向布里渊散射的移频和功率,得到光纤沿线性结构各点的应变信号。根据该应变信号得到光纤沿线性结构的应变曲线。
由步骤1得到的应变信号受到传感光纤在粘结过程中所积累的初始应变的影响。故在进行异常分析和疲劳寿命分析时,先读取10组应变的平均值作为初始应变,以后读取的应变相对初始应变的改变量作为分析时的真正的应变。
(2)对步骤(1)得到的应变曲线进行校准,消除光纤应变与线性结构真实应变存在的差异,得到校准后的线性结构应变曲线。校准前通过光纤传感器样机标定实验,建立样机所测光纤应变增量与线性结构应变增量的关系曲线。然后根据关系曲线对光纤应变曲线进行校准,得到校准后的线性结构应变曲线。
(3)采用基于时间序列的AR模型对步骤(2)得到的线性结构应变信号进行分析,并提取应变信号中的异常数据。
以应变时间序列作为模式向量,采用基于时间序列的AR模型对应变信号进行分析,得出特征量。该特征量即为线性结构应变信号中的异常数据。
由于监测中受到各种因素的影响,应变信号并不是稳定的,当异常出现时具有很强的突发性。因此总体上说,应变信号时间序列是不稳定的,但是其局部从统计角度分析是近似稳定的,该局部定义为一个时间窗口,窗口大小设为2N。
每次取出2N个数,时间窗口内的个数表示为i,用前N个数建立模型,来判别后面的N个数据是否异常,在实际的监测过程中,只要不断的向前移动窗口,就可以完成异常信号的监测。
将待检模式的应变时间序列{Xt}T通过ARR模型分析,得到残差方差,并根据此值判断线性结构应变时间序列中是否存在异常数据,从而判断线性结构是否存在异常。
具体算法如下所示:
首先对N个数进行零均值化。设μ为该窗口内时间序列的平均值,即:
其中xi为应变信号。
对以上的序列计算残差,即:Si=xi-μ
经过上述操作后,所获得时间序列Si即为零均值的时间序列。
对上述的零均值时间序列拟和二阶AR模型,简记为AR(2),模型写为递归模型:
xi=φ1xi-1+φ2xi-2+ei
其中:φ1,φ2是AR(2)模型的模型参数,ei是对xi序列进行AR(2)模型拟和后的残差序列,经过上述的零均值化过程,ei已成为零均值的白噪声信号,是独立分布的高斯随机变量。
因此,可以选取N个数据来对上述的AR(2)模型进行拟和,将所需的数据写为矩阵形式,拟和的矩阵算式可写为:
根据最小二乘法,可以获得Φ矩阵的算式:
Φ=(XTX)-1XTY
白噪声ei的方差σt可以依据下式进行计算:
由上述式子,计算结果如下:
对于剩余的N个点,根据上述拟和的模型,计算其残差,即:
(B)=1-φ1B-φ2B2
B为后移算子,其定义为:St-1=BSt
因此,后面的N个数,可以根据残差的定义来求于上述拟和模型的残差,et=(B)St
对于后面的N个数,进行平方求和,可得:
定义异常指标
当2N窗口中,经过上述模型拟和和残差计算所得的残差方差小于确定值C时,线性结构不存在异常。若大于确定值C时,则判定线性结构存在异常,并记录异常数据。其中常数C的取值根据实际试验情况予以调整。
(4)采用基于时间序列分析的模式识别方法,对步骤(3)得到的异常数据进行分析,判断线性结构处于第三方撞击模式或悬跨振动模式。
一般情况线性结构所处的模式有正常模式、第三方撞击模式或悬跨振动模式,三者的区别在于时间域上的长短不同:
1、正常模式,在监测时间中没有异常发生;
2、第三方撞击模式,在监测时间中有局部的异常数据产生;
3、悬跨振动模式,在监测时间中存在较长的局部异常数据;
通过步骤(3)已判断此时线性结构处于非正常模式,即只需判断线性结构处于第三方撞击模式或悬跨振动模式。
本发明采用Itakura信息距离函数作为对于模式识别的判断函数,对线性结构所处的模式进行判断。
具体算法如下:
根据统计理论,对于正态分布的随机变量,其概率密度函数为:
式中:σ2为方差;μ为均值;定义
参考模式时间序列通过AR模型后的残差序列{at}R的概率密度函数:
待检模式时间序列通过AR模型后的残差序列{at}RT的概率密度函数:
用PRTT和PT构造对数似然函数比:
式中:σT 2为{at}T的方差,σnT 2为σT 2的计算值。
对于一个残差序列{at}T,应有 则上式写为:
Itakura信息距离函数定义为:
将标准第三方撞击模式数据和步骤(3)中提取的异常数据(残差方差σRT 2)分别带入Itakura信息距离函数计算后得函数值D1;
将标准悬跨振动模式数据步骤(3)中提取的异常数据(残差方差σRT 2)分别带入Itakura信息距离函数运算后得函数值D2;
比较D1与D2,若D1<D2,说明当前线性结构的模式与标准第三方撞击模式更相近,可判断当前线性结构的模式为第三方撞击模式,反之,当前线性结构的模式即为悬跨振动模式。
(5)当步骤(4)判断的线性结构模式为悬跨振动模式时,计算线性结构的悬跨长度,即损伤的程度。
本发明采用经验模态分解法(EMD)从线性结构跨度随机应变响应中提取内在模态分量;并应用随机减量法(RDT)从线性结构跨度随机应变响应中提取各阶自振频率。根据相关规范标准给出的线性结构自振频率经验公式,计算出线性结构的悬跨长度。
(6)本发明方法还可以根据步骤(2)得到的线性结构应变信号,在进行异常检测的同时,对线性结构进行疲劳分析,预测线性结构的疲劳寿命。
本发明对线性结构的疲劳寿命预测,以基于雨流计数法的多轴疲劳应变寿命模型(尚德广模型)为准则。将光纤监测所得的线性结构截面多点的应变信息转化为截面关键点的应变值。采用雨流计数法将实际随机载荷转化成等幅载荷下的循环次数。采用线性疲劳累计准则(Miner线性累计损伤准则)将不同等幅载荷下的损伤值进行累计,获取各关键点的疲劳损伤累计值。采用多轴疲劳应变寿命模型(尚德广模型),由所用材料的标准疲劳曲线(由实际工程所用材料进行选取,如实际线性结构材料为APL5L标准的钢材,则选用APL 5L钢材疲劳曲线),根据反复应变的次数来确定线形结构的疲劳应力,再比较线性结构的容许疲劳应力(疲劳阈值)来计算线性结构的疲劳寿命。
Claims (4)
1.一种基于分布式光纤传感器的长距离线性结构异常振动的检测方法,包括:
(1)由分布式光纤传感器检测线性结构的应变信号,根据该应变信号得到光纤沿线性结构的应变曲线;
(2)对步骤(1)得到的应变曲线进行校准,消除光纤应变与线性结构真实应变存在的差异;
(3)采用基于时间序列分析的模式识别方法,提取步骤(2)得到的线性结构应变时间序列中的异常数据;
(4)对步骤(3)得到的异常数据进行分析,判断线性结构处于第三方撞击模式或悬跨振动模式;
(5)根据步骤(4)判断的线性结构模式,如果线性结构处于悬跨振动模式,则计算悬跨长度;
(6)对步骤(2)得到的应变时间序列,采用雨流计数法预测线性结构的剩余寿命。
2.如权利要求1所述的检测方法,其特征在于:步骤(3)中采用分布式光纤传感器输出的应变时间序列作为模式向量,采用基于时间序列的AR模型对线性结构应变时间序列进行分析,得到异常数据。
3.如权利要求1所述的检测方法,其特征在于:步骤(5)中判断线性结构处于悬跨振动模式时,采用经验模态分解法从线性结构跨度随机应变响应中提取内在模态分量,应用随机减量法从线性结构跨度随机应变响应中提取各阶自振频率,计算出线性结构的悬跨长度。
4.如权利要求1所述的检测方法,其特征在于:步骤(6)中以基于雨流计法的多轴疲劳应变寿命模型为准则,将监测所得的截面各点应变信号转化为各点的疲劳损伤值,依据线性疲劳累计准则获取各关键点的疲劳损伤累计值,再采用基于雨流计法的多轴疲劳应变寿命模型预测线性结构剩余疲劳寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008100596298A CN101226078A (zh) | 2008-01-30 | 2008-01-30 | 一种基于分布式光纤传感器的长距离线性结构异常振动的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008100596298A CN101226078A (zh) | 2008-01-30 | 2008-01-30 | 一种基于分布式光纤传感器的长距离线性结构异常振动的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101226078A true CN101226078A (zh) | 2008-07-23 |
Family
ID=39858199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2008100596298A Pending CN101226078A (zh) | 2008-01-30 | 2008-01-30 | 一种基于分布式光纤传感器的长距离线性结构异常振动的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101226078A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102197284A (zh) * | 2008-08-21 | 2011-09-21 | 秦内蒂克有限公司 | 光纤光学声感测 |
CN101750210B (zh) * | 2009-12-24 | 2012-05-30 | 重庆大学 | 基于正交局部保持映射(olpp)特征约简的故障诊断方法 |
CN104100842A (zh) * | 2014-07-14 | 2014-10-15 | 青岛厚科化学有限公司 | 一种基于分布式光纤传感器和声波的管道监测装置及系统 |
CN104567705A (zh) * | 2014-12-19 | 2015-04-29 | 南京航空航天大学 | 动态加载下光纤光栅传感器应变与温度混叠信号解耦方法 |
CN104866708A (zh) * | 2015-04-16 | 2015-08-26 | 中国电子科技集团公司第四十一研究所 | 一种botdr光纤应变分布曲线拼接方法 |
CN106446384A (zh) * | 2016-09-14 | 2017-02-22 | 东南大学 | 一种桥式起重机主梁结构的损伤识别方法 |
CN106574852A (zh) * | 2014-07-17 | 2017-04-19 | 因菲博拉科技有限责任公司 | 用于测量光学被测器件的分布式物理值的方法和装置 |
CN107145620A (zh) * | 2017-03-14 | 2017-09-08 | 浙江大学 | 一种基于随机减量技术的结构动力特性识别方法 |
CN108645501A (zh) * | 2018-08-09 | 2018-10-12 | 平湖波汇通信科技有限公司 | 一种基于分布式光纤传感水管运行监测系统 |
US11069156B2 (en) | 2018-02-06 | 2021-07-20 | Abb Schweiz Ag | System and method for estimating remaining useful life of pressure compensator |
CN114509017A (zh) * | 2021-12-27 | 2022-05-17 | 中国航天空气动力技术研究院 | 针对大长细比构造物的变形测量方法、电子设备及介质 |
CN115199859A (zh) * | 2022-07-14 | 2022-10-18 | 重庆大学 | 一种长距离地下管线渗漏的快速诊断方法 |
CN115841082A (zh) * | 2023-02-22 | 2023-03-24 | 天津佰焰科技股份有限公司 | 一种加气站异常诊断系统及方法 |
-
2008
- 2008-01-30 CN CNA2008100596298A patent/CN101226078A/zh active Pending
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102197284A (zh) * | 2008-08-21 | 2011-09-21 | 秦内蒂克有限公司 | 光纤光学声感测 |
CN102197284B (zh) * | 2008-08-21 | 2016-10-26 | 光学感应器控股有限公司 | 光纤光学声感测 |
CN101750210B (zh) * | 2009-12-24 | 2012-05-30 | 重庆大学 | 基于正交局部保持映射(olpp)特征约简的故障诊断方法 |
CN104100842A (zh) * | 2014-07-14 | 2014-10-15 | 青岛厚科化学有限公司 | 一种基于分布式光纤传感器和声波的管道监测装置及系统 |
CN106574852B (zh) * | 2014-07-17 | 2019-09-27 | 因菲博拉科技有限责任公司 | 用于测量光学被测器件的分布式物理值的方法和装置 |
CN106574852A (zh) * | 2014-07-17 | 2017-04-19 | 因菲博拉科技有限责任公司 | 用于测量光学被测器件的分布式物理值的方法和装置 |
CN104567705A (zh) * | 2014-12-19 | 2015-04-29 | 南京航空航天大学 | 动态加载下光纤光栅传感器应变与温度混叠信号解耦方法 |
CN104866708A (zh) * | 2015-04-16 | 2015-08-26 | 中国电子科技集团公司第四十一研究所 | 一种botdr光纤应变分布曲线拼接方法 |
CN104866708B (zh) * | 2015-04-16 | 2017-08-29 | 中国电子科技集团公司第四十一研究所 | 一种botdr光纤应变分布曲线拼接方法 |
CN106446384A (zh) * | 2016-09-14 | 2017-02-22 | 东南大学 | 一种桥式起重机主梁结构的损伤识别方法 |
CN106446384B (zh) * | 2016-09-14 | 2019-04-30 | 东南大学 | 一种桥式起重机主梁结构的损伤识别方法 |
CN107145620A (zh) * | 2017-03-14 | 2017-09-08 | 浙江大学 | 一种基于随机减量技术的结构动力特性识别方法 |
CN107145620B (zh) * | 2017-03-14 | 2019-08-06 | 浙江大学 | 一种基于随机减量技术的结构动力特性识别方法 |
US11069156B2 (en) | 2018-02-06 | 2021-07-20 | Abb Schweiz Ag | System and method for estimating remaining useful life of pressure compensator |
CN108645501A (zh) * | 2018-08-09 | 2018-10-12 | 平湖波汇通信科技有限公司 | 一种基于分布式光纤传感水管运行监测系统 |
CN114509017A (zh) * | 2021-12-27 | 2022-05-17 | 中国航天空气动力技术研究院 | 针对大长细比构造物的变形测量方法、电子设备及介质 |
CN114509017B (zh) * | 2021-12-27 | 2024-02-02 | 中国航天空气动力技术研究院 | 针对大长细比构造物的变形测量方法、电子设备及介质 |
CN115199859A (zh) * | 2022-07-14 | 2022-10-18 | 重庆大学 | 一种长距离地下管线渗漏的快速诊断方法 |
CN115199859B (zh) * | 2022-07-14 | 2024-02-06 | 重庆大学 | 一种长距离地下管线渗漏的快速诊断方法 |
CN115841082A (zh) * | 2023-02-22 | 2023-03-24 | 天津佰焰科技股份有限公司 | 一种加气站异常诊断系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101226078A (zh) | 一种基于分布式光纤传感器的长距离线性结构异常振动的检测方法 | |
Kishawy et al. | Review of pipeline integrity management practices | |
CN102197287B (zh) | 跟踪管道中的对象移动的设备和方法 | |
US20230296473A1 (en) | Failure prediction system, failure prediction device, and failure prediction method | |
Saade et al. | Assessment of the structural conditions in steel pipeline under various operational conditions–A machine learning approach | |
CN105546352A (zh) | 基于声音信号的天然气管道微泄漏检测方法 | |
Golmohamadi | Pipeline leak detection | |
CN106323385A (zh) | 储罐在线检验检测及评估方法、装置 | |
CN103076394A (zh) | 基于振动识别频率和振型综合的海洋平台安全评定的方法 | |
Seghier et al. | Reliability assessment of subsea pipelines under the effect of spanning load and corrosion degradation | |
Chen et al. | An AI-based monitoring system for external disturbance detection and classification near a buried pipeline | |
KR20200092503A (ko) | 입출력 음향 데이터 기반의 딥러닝을 활용한 하수관 상태 판별 방법 | |
Gabbar et al. | Framework of pipeline integrity management | |
Bayik et al. | Experimental modelling of a top-tensioned riser for vibration-based damage detection | |
CN203940243U (zh) | 一种基于分布式光纤传感器和声波的管道监测装置及系统 | |
CN112857798B (zh) | 一种基于频谱分析的多轴系机械传动系统质量评估方法及装置 | |
Gao et al. | Acoustic emission-based small leak detection of propulsion system pipeline of sounding rocket | |
Lyu et al. | Health state inversion of Jack-up structure based on feature learning of damage information | |
CN114638166A (zh) | 工艺管线疲劳损伤识别及预测方法、系统、设备和介质 | |
Huynh et al. | Real‐time classification of anthropogenic seismic sources from distributed acoustic sensing data: Application for pipeline monitoring | |
Sharma | Vibro-acoustic monitoring of pipeline leakage and corrosion | |
Min et al. | Sensitivity-based Damage detection in deep water risers using modal parameters: numerical study | |
Shardakov et al. | Experimental study of dynamic deformation processes in gas pipeline | |
Ghsoub | Structural health monitoring of offshore jacket platforms"=" Structural health monitoring of offshore jacket platforms | |
KR102626331B1 (ko) | 배관 이상 기록 장치 및 이를 이용한 모니터링 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Open date: 20080723 |