CN105628868B - 一种复合材料结构的欠采样信号冲击定位处理方法和系统 - Google Patents
一种复合材料结构的欠采样信号冲击定位处理方法和系统 Download PDFInfo
- Publication number
- CN105628868B CN105628868B CN201510958665.8A CN201510958665A CN105628868B CN 105628868 B CN105628868 B CN 105628868B CN 201510958665 A CN201510958665 A CN 201510958665A CN 105628868 B CN105628868 B CN 105628868B
- Authority
- CN
- China
- Prior art keywords
- signal
- impact
- composite structure
- sensor
- sample set
- 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.)
- Active
Links
- 239000002131 composite material Substances 0.000 title claims abstract description 62
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 53
- 230000035939 shock Effects 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000001537 neural effect Effects 0.000 claims abstract description 8
- 230000005284 excitation Effects 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 238000011068 loading method Methods 0.000 claims description 12
- 239000000203 mixture Substances 0.000 claims description 9
- 230000003252 repetitive effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 description 8
- 238000012795 verification Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 230000036541 health Effects 0.000 description 6
- 230000006378 damage Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007500 overflow downdraw method Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000287196 Asthenes Species 0.000 description 1
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- 238000005267 amalgamation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0003—Composite materials
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种复合材料结构的欠采样信号冲击定位处理方法和系统，方法包括：复合材料结构上冲击操作遍历结构各个区域，获取各冲击区域低频传感器阵列的信号样本集；复合材料结构上实时激励产生冲击信号，低频传感器阵列采集获得欠采样信号；依据所述欠采样信号应用神经网络理论，在训练神经网络基础上进行粗定位；在粗定位基础上，应用稀疏表示分类算法，在训练样本集获得字典集基础上进行细定位。
Description
技术领域
本发明涉及复合材料的冲击定位技术领域，尤其涉及一种复合材料结构的欠采样信号冲击定位处理方法和系统。
背景技术
大型飞机的研制和发展水平是一个国家工业基础、科技水平和综合实力的集中体现。作为飞机的重要组成部分，飞机的结构是影响飞行安全性、可靠性和承载能力的核心因素；而为追求轻质量高强度，大型飞机结构中对复合材料的使用越来越普遍。
复合材料在加工和使用过程中不可避免的会产生损伤，因而有必要对复合材料结构进行结构健康监测(SHM，Structural Health Monitoring)。由于冲击载荷易造成结构损伤，因而是结构健康监测所关注的一个焦点。飞机、轮船等大型结构，特别是表面蒙皮在服役过程中不可避免地会遭受不同物体的冲击，如冰雹、飞鸟、鱼群或者在安装维护过程中的工具撞击。这些冲击载荷会导致原本健康完好的材料产生劣化，而本身含有固有缺陷的材料发生缺陷的扩展。复合材料结构受到冲击载荷后可能产生分层、基质裂化、纤维断裂等损伤。
复合材料结构受到的冲击根据其能量级别分为高速冲击和低速冲击两类，所谓低速冲击载荷是指材料受到该冲击后不会在表面产生目视可见损伤的冲击载荷。材料受到低速冲击后，虽然表面难以察觉，但在材料内部却可能产生脱胶、分层等损伤。在这种情况下，由于冲击载荷不易被肉眼直接察觉，因此很难对材料是否受到冲击及冲击位置情况进行判别，从而影响材料的及时维修。
光纤布拉格光栅(FBG，Fiber Bragg Grating)是一种光纤传感器，可以通过波分复用的形式，在一条光纤上串接多个传感器，大大减少了传感器接线的复杂性。FBG传感器具有灵敏度高、体积小、重量轻、抗电磁干扰、耐腐蚀等特点，可方便地编织到复合材料中；因此，FBG传感器在复合材料中的应用前景非常广泛。目前，FBG传感器阵列作为敏感元件监测结构应力/应变和冲击载荷，已经在一些飞机的智能蒙皮中得到应用，用于结构的意外撞击监测、模态分析和载荷谱分析等。但是，由于受到信号调制解调仪带宽的限制，FBG传感器的频带比较低，采集冲击信号会丢失信息，而一些时空域的信号处理方法包括：应变幅值定位算法、时差定位算法等需要较高的时间分辨能力，因此不适用于基于FBG的冲击载荷定位。
发明内容
为解决现有存在的技术问题，本发明实施例期望提供一种复合材料结构的欠采样信号冲击定位处理方法和系统。
本发明实施例提供了一种复合材料结构的欠采样信号冲击定位处理方法，所述方法包括：
复合材料结构上冲击操作遍历结构各个区域，获取各冲击区域低频传感器阵列的信号样本集，对样本集提取信号特征训练神经网络，对样本集进行字典训练获得字典集，建立定位系统的数据库；
复合材料结构上实时激励产生冲击信号，低频传感器阵列采集获得欠采样信号；
依据所述欠采样信号应用神经网络理论，在训练神经网络基础上进行粗定位；
在粗定位基础上，应用稀疏表示分类算法，在训练样本集获得字典集基础上进行细定位。
上述方案中，所述复合材料结构上冲击操作遍历结构各个区域，获取各冲击区域低频传感器阵列的信号样本集；包括：
对所述复合材料结构上的低频传感器阵列，对每个冲击区域，进行多次冲击操作，获得传感器阵列采集的信号集，建立每个结构区域的欠采样冲击信号样本集；
遍历结构上每个区域，重复上述操作，建立所有结构区域的欠采样冲击信号数据库。
上述方案中，所述获取的各冲击区域低频传感器阵列的信号样本集包括：
将复合材料结构划分为Q个区域(Q＝W×V，即W行V列)，每个区域采集同一能量下的冲击样本数据个数M，即M个数据集，结构中布置了K个低频采样传感器，将每个区域的数据划分为一组，共获得Q组、QK个传感器的冲击数据；
冲击载荷特征数据库中第q区域，第k个低频采样传感器采集的数据为xqk[n]，数据样本集为xqki[n]，i表示第i个样本，其中，给定监测数据长度为N，则1≤n≤N，q为复合材料结构小区域编号，则1≤q≤Q，k为低频采样传感器编号，则1≤k≤K，1≤i≤M。
上述方案中，所述欠采样信号应用神经网络理论，在训练神经网络基础上进行粗定位，包括：
将采集的样本集求取数据平均值，q区域的同一冲击对应K个传感器的样本集的数据均值组合成向量得到BP神经网络输入aqi，共M个样本集，对应于输出为冲击位置q，遍历结构Q个位置，重复对Q组数据集进行同样操作，训练神经网络net，保存训练结果；
获取实时冲击信号，将K个传感器获得的信号求取均值组成向量，作为神经网络的输入，获得冲击粗定位结果为j区域。
上述方案中，所述在粗定位基础上，应用稀疏表示分类算法，在训练样本集获得字典集基础上进行细定位，包括：
对q区域的K个传感器的各M个样本集用K-SVD算法进行字典训练获得过完备字典，重复对Q个区域的数据集进行同样操作，保存字典数据库Dqk，1≤q≤Q，1≤k≤K；
在粗定位结果j的基础上，将第k个传感器获得的j近邻区域字典组成字典集，即[...，D(j-V-1)k，D(j-V)k，D(j-1)k，Djk，D(j+1)k，D(j+V)k，D(j+V+1)k，...]，把第k个传感器得到的监测数据在上述字典集上通过正交匹配追踪算法进行稀疏表示，再进行重构，重构误差最小的字典对应该传感器确定的冲击区域。
在一次冲击过程中，重复上述过程对所有K个传感器采集的数据进行细定位判定，对多传感器细定位结果进行表决，选择定位结果重复率最高的为最终确定定位结果，即“少数服从多数”的决策融合方法。
本发明实施例还提供了一种复合材料结构的欠采样信号冲击定位处理系统，所述系统包括：
数据库建立单元，遍历各冲击区域，低频传感器阵列采集得到各冲击区域的信号样本集，对样本集提取信号特征训练神经网络，对样本集进行字典训练获得字典集，建立定位系统的数据库；
冲击定位单元，基于建立的所述数据库，在复合材料结构上实时产生冲击信号，低频传感器阵列采集获得欠采样信号；依据所述欠采样信号，应用神经网络理论，在训练神经网络基础上进行粗定位；在粗定位基础上，应用稀疏表示分类算法，在训练样本集获得字典集基础上进行细定位。
上述方案中，所述数据库建立单元用于：
对所述复合材料结构上的低频传感器阵列，遍历各冲击区域，存储冲击信号样本集；
基于所述样本集，提取样本特征，将q区域的同一冲击对应K个传感器的样本集的数据均值组合成向量得到BP神经网络输入aqi，共M个样本集，对应于输出为冲击位置q，遍历结构Q个位置，重复对Q组数据集进行同样操作，训练神经网络，保存训练结果；
对q区域的K个传感器的各M个样本的集合用K-SVD算法进行字典训练，重复对Q个区域的数据集进行同样操作，保存字典数据库Dqk，1≤q≤Q，1≤k≤K。
上述方案中，所述述冲击定位单元用于：
获取实时冲击信号，将K个低频传感器阵列获得的信号求取均值组成向量作为神经网络的输入，获得神经网络输出即冲击粗定位结果为j。
上述方案中，所述冲击定位单元进一步用于：
将第k个传感器采集到的j近邻区域的字典组成字典集，即[...，D(j-V-1)k，D(j-V)k，D(j-1)k，Djk，D(j+1)k，D(j+V)k，D(j+V+1)k，...]，把第k个传感器得到的监测数据在上述字典集上通过正交匹配追踪算法进行稀疏表示，再进行重构，重构误差最小的字典对应该传感器确定的冲击区域。
上述方案中，所述冲击定位单元进一步用于：
在一次冲击过程中，重复上述过程对所有K个传感器采集的数据进行细定位判定，对多传感器细定位结果进行表决，选择定位结果重复率最高的为最终确定定位结果，即“少数服从多数”的决策融合方法。
本发明实施例所提供的一种复合材料结构的欠采样信号冲击定位处理方法和系统，针对被动监测方式中的冲击波，借助神经网络和稀疏表示分类算法，通过获得低采样率传感器阵列信号，建立数据样本集，在欠采样条件下，实现了对冲击波所在区域由粗定位到细定位的过程，减少了数据量且降低了对硬件采集速率的要求，扩展了低采样率传感器在飞机结构健康监测中的应用。
附图说明
图1为本发明实施例一的复合材料结构的欠采样信号冲击定位处理方法的流程图；
图2为本发明实施例二的复合材料结构的欠采样信号冲击定位处理系统的组成结构示意图；
图3为本发明实施例的验证系统中的传感器布局示意图；
图4为本发明实施例的验证系统的实现过程实物模拟图；
图5为本发明实施例的验证系统的实现过程流程图。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案进一步详细阐述。
实施例一
本发明实施例一提供了一种复合材料结构的欠采样信号冲击定位处理方法，如图1所示，该方法包括：
步骤101，复合材料结构上冲击操作遍历结构各个区域，获取各冲击区域低频传感器阵列的信号样本集。
步骤101具体可以通过以下方式来实施：
将复合材料结构划分为Q个区域(Q＝W×V，即W行V列)，每个区域采集同一能量下的冲击样本数据个数M，结构中布置了K个低频采样传感器，将每个区域的数据划分为一组，共获得Q组、QK个传感器的冲击数据；
冲击载荷特征数据库中第q区域，第k个低频采样传感器采集的数据为xqk[n]，数据样本集为xqki[n]，i表示第i个样本，其中，给定监测数据长度为N，则1≤n≤N，q为复合材料结构小区域编号，则1≤q≤Q，k为低频采样传感器编号，则1≤k≤K，1≤i≤M。
步骤102，复合材料结构上实时激励产生冲击信号，低频传感器阵列采集获得欠采样信号。
步骤103，依据所述欠采样信号应用神经网络理论，在训练神经网络基础上进行粗定位。
步骤103具体可以通过以下方式来实施：
将采集的样本集求取数据平均值，q区域的同一冲击对应K个传感器的样本集的数据均值组合成向量得到反向传播(BP，BackPropagation)神经网络输入aqi，共M个样本集，对应于输出为冲击位置q，遍历结构Q个位置，重复对Q组数据集进行同样操作，训练神经网络，保存训练结果；
获取实时冲击信号，将K个传感器获得的信号求取均值组成向量，作为神经网络的输入，获得神经网络的输出即冲击粗定位结果为j区域。
步骤104，所述在粗定位基础上，应用稀疏表示分类算法，在训练样本集获得字典集基础上进行细定位。
步骤104具体可以通过以下方式来实施：
对q区域的K个传感器的各M个样本集用K-SVD(K-means singular valuedecomposition，K均值奇异值分解)算法进行字典训练获得过完备字典，重复对Q个区域的数据集进行同样操作，保存字典数据库Dqk，1≤q≤Q，1≤k≤K；
在粗定位结果j的基础上，将第k个传感器获得的j区域近邻字典组成字典集，即[...，D(j-V-1)k，D(j-V)k，D(j-1)k，Djk，D(j+1)k，D(j+V)k，D(j+V+1)k，...]，将第k个传感器得到的监测数据在上述字典集上通过正交匹配追踪算法进行稀疏表示，再进行重构，重构误差最小的字典对应该传感器确定的冲击区域。
在一次冲击过程中，重复上述过程对所有K个传感器采集的数据进行细定位判定，对多传感器细定位结果进行表决，选择定位结果重复率最高的为最终确定定位结果，即“少数服从多数”的决策融合方法。
需要说明的是，本发明实施例实现实时测得的冲击信号在粗定位近邻区域字典集上的稀疏表示分类，其实现过程为：
设H个样本集分别属于c个近邻拟定冲击区域，每个区域有M个样本，为提高样本的鲁棒性，将每个区域的M个样本集通过K-SVD算法训练为稀疏字典，其大小为N×M，矢量表示第i个冲击区域的稀疏字典中第Mi列，则第i个冲击区域信号子空间可由M个矢量为基构成。该子空间中的任一矢量y都可以用这个基线性表示为：
求解该稀疏表示矢量是一个欠定问题，可通过通过范数l0最小求解，即
这里稀疏表示过程采用的是稀疏表示理论中的正交匹配追踪(OMP，OrthogonalMatching Pursuit)算法，其核心思想为：以迭代的方式选择过完备稀疏字典的列向量，令每次迭代过程中选择的列向量与当前已选择的向量尽可能地相关，在测量向量中去掉这些相关的部分，进行迭代运算直至达到精度要求，其算法具体步骤如下：
其中，n表示迭代次数，rn表示第n次迭代的残差；
输入：过完备稀疏字典Ψ，冲击信号向量y，稀疏度K1；
输出：x0的K1稀疏的逼近x’0，误差向量r；
初始化：r0＝y，重构信号x’0＝0，索引集Γ0＝Ψ，迭代次数n＝0；
(1)计算余量r和过完备稀疏字典Ψ的每一列的内积gn＝ΨTrn-1；
(2)得到gn中绝对值最大的元素，即k＝argmax|gn[i]|；i∈[1,2，…，N]
(3)更新索引集Γn＝Γn-1∪{k}，以及原子集合
(4)利用最小二乘法求得近似解，
(5)更新余量，得到rn＝y-Ψx0 n；
是否满足迭代次数n>K1，若满足，则令x’0＝x0 n，r＝rn，输出x’0，余量r；否则转到步骤(1)。
得到稀疏逼近x’0，进而得到重构的冲击信号y’＝Ψx’0。
x’0矢量对应原信号的稀疏表示系数为[x’0，1，1，...，x’0，i，1，x’0，i，2，...，x’0，i，M，...，x’0，c，M]T＝[x’0，1，x’0，2，...，x’0，i，...，x’0，c]T。
对于求得的c个x’0，i分别求残差ri＝||y-Dix’0，i||2，i＝1，2，...，c，如果输入矢量x属于第i类，则在理想情况下，解矢量α中只有与第i类训练数据对应的元素不等于零，其他元素都为0，即x中最多只有M个非零系数。由于噪声的存在，实际情况中非零元素也可能会发生在其他位置，实验表明，对于一些小噪声，在解矢量中对应的元素比较小，不会对y’产生大的贡献。则最小残差ri对应的那个稀疏字典Di所属类别就是冲击信号y的冲击发生区域。
实施例二
对应本发明实施例一的复合材料结构的欠采样信号冲击定位处理方法，本发明实施例二还提供了一种复合材料结构的欠采样信号冲击定位处理系统，如图2所示，该系统主要包括：
数据库建立单元10，用于遍历各冲击区域，通过低频传感器阵列采集得到各冲击区域的信号样本集，对样本集提取信号特征训练神经网络，对样本集进行字典训练获得字典集，建立定位系统的数据库；
冲击定位单元20，基于建立的所述数据库，在复合材料结构上实时产生冲击信号，低频传感器阵列采集获得欠采样信号；依据所述欠采样信号，应用神经网络理论，在训练神经网络基础上进行粗定位；在粗定位基础上，应用稀疏表示分类算法，在训练样本集获得字典集基础上进行细定位。
其中，数据库建立单元10可进一步用于，
对所述复合材料结构上的低频传感器阵列，遍历各冲击区域，获得冲击信号样本集；
基于所述样本集，提取样本特征，将q区域的同一冲击对应K个传感器的样本集的数据均值组合成向量得到BP神经网络输入aqi，共M个样本集，对应于输出为冲击位置q，遍历结构Q个位置，重复对Q组数据集进行同样操作，训练神经网络net，保存训练结果；
对q区域的K个传感器的各M个样本的集合用K-SVD算法进行字典训练，重复对Q个区域的数据集进行同样操作，保存字典数据库Dqk，1≤q≤Q，1≤k≤K。
冲击定位单元20可进一步用于，获取实时冲击信号，将K个低频传感器阵列获得的信号求取均值组成向量作为神经网络的输入，获得冲击粗定位结果为j区域；
将第k个传感器采集到的j近邻区域的字典组成字典集，即[...，D(j-V-1)k，D(j-V)k，D(j-1)k，Djk，D(j+1)k，D(j+V)k，D(j+V+1)k，...]，将第k个传感器得到的监测数据在上述字典集上通过正交匹配追踪算法进行稀疏表示，再进行重构，重构误差最小的字典对应该传感器确定的冲击区域。
具体实现方法为：设H个样本集分别属于c个拟冲击定位区域，每个区域有M个样本，为提高样本的鲁棒性，将每个区域的M个样本集通过K-SVD算法训练为稀疏字典，其大小为N×M，矢量表示第i个冲击区域的稀疏字典中第Mi列，则第i个冲击区域信号子空间可由M个矢量为基构成。该子空间中的任一矢量y都可以用这个基线性表示为：
求解该稀疏表示矢量是一个欠定问题，可通过通过范数l0最小求解，即
这里稀疏表示过程采用的是稀疏表示理论中的OMP算法，其核心思想为：以迭代的方式选择过完备稀疏字典的列向量，令每次迭代过程中选择的列向量与当前已选择的向量尽可能地相关，在测量向量中去掉这些相关的部分，进行迭代运算直至达到精度要求，其算法具体步骤如下：
其中，n表示迭代次数，rn表示第n次迭代的残差；
输入：过完备稀疏字典Ψ，冲击信号向量y，稀疏度K1；
输出：x0的K1稀疏的逼近x’0，误差向量r；
初始化：r0＝y，重构信号x’0＝0，索引集Γ0＝Ψ，迭代次数n＝0；
(1)计算余量r和过完备稀疏字典Ψ的每一列的内积gn＝ΨTrn-1；
(2)得到gn中绝对值最大的元素，即k＝argmax|gn[i]|；i∈[1,2，…，N]
(3)更新索引集Γn＝Γn-1∪{k}，以及原子集合
(4)利用最小二乘法求得近似解，
(5)更新余量，得到rn＝y-Ψx0 n；
是否满足迭代次数n>K1，若满足，则令x’0＝x0 n，r＝rn，输出x’0，余量r；否则转到步骤(1)。
得到稀疏逼近x’0，进而得到重构的冲击信号y’＝Ψx’0。
稀疏逼近x’0矢量对应的稀疏系数为[x’0，1，1，...，x’0，i，1，x’0，i，2，...，x’0，i，M，...，x’0，c，M]T＝[x’0，1，x’0，2，...，x’0，i，...，x’0，c]T。
对于求得的c个x’0，i分别求残差ri＝||y-Dix’0，i||2，i＝1，2，...，c，如果输入矢量x属于第i类，则在理想情况下，解矢量α中只有与第i类训练数据对应的元素不等于零，其他元素都为0，即x中最多只有M个非零系数。由于噪声的存在，实际情况中非零元素也可能会发生在其他位置，实验表明，对于一些小噪声，在解矢量中对应的元素比较小，不会对y’产生大的贡献。最小残差ri对应的那个稀疏字典Di所属类别就是冲击信号y的冲击发生区域。
所述冲击定位单元20进一步用于：
在一次冲击过程中，重复上述过程对所有K个传感器采集的数据进行细定位判定，对多传感器细定位结果进行表决，选择定位结果重复率最高的为最终确定定位结果，即“少数服从多数”的决策融合方法。
上述数据库建立单元10、冲击定位单元20可以由本发明实施例所述系统的中央处理器(CPU，Central Processing Unit)、微处理器(MPU，Micro Processing Unit)、数字信号处理器(DSP，Digital Signal Processor)或可编程逻辑阵列(FPGA，Field－Programmable Gate Array)实现。
本发明实施例提供的一种基于神经网络和稀疏表示分类算法的欠采样冲击信号的定位处理方法和系统。为了验证神经网络和稀疏表示分类算法用于低采样率传感器采样冲击信号定位的可行性，下面设计一套验证系统，用以验证低采样率传感器冲击信号定位的精度。
该验证系统，在结构复合板上布置低频传感器空域冗余阵列，如图3所示，通过将结构板划分成等大的冲击区域，控制能量锤为相同能量冲击，控制各传感器同时采样，遍历各个冲击区域，建立各冲击区域多路传感器的数据库。
验证系统定位过程参见图4所示，在建立数据库的基础上，提取冲击信号数据均值特征，联合多路传感器，建立数据特征与冲击区域的神经网络模型，将训练好的网络模型保存。在获取数据样本基础上，通过K-SVD算法训练样本集，获得各冲击区域对应传感器采集数据的过完备稀疏字典，保存字典。在获得多传感器实时冲击数据时，提取传感器数据均值特征，作为训练好的神经网络的输入，获得冲击粗定位；在粗定位基础上，确定近邻区域为冲击细定位的范围，将采集到的信号在近邻区域组成的过完备字典上进行稀疏表示，融合多传感器定位结果，获得冲击信号细定位。
验证系统实现过程参见图5所示，基于神经网络和稀疏表示分类算法的欠采样信号冲击定位过程包括：(1)获得样本集；(2)训练神经网络；(3)训练稀疏字典；(4)获得实时冲击信号；(5)神经网络粗定位；(6)稀疏表示分类算法细定位。
下面分别对该系统中采用的技术手段和实现的功能进行详细说明：
一、获得样本集
设置冲击锤为同一冲击能量2焦耳，传感器布局如图3所示，多路传感器并行同步采集信号。将复合材料结构划分为Q个区域(Q＝W×V，即W行V列)，每个区域采集同一能量下的冲击样本数据个数M，冲击操作遍历图3所示的复合材料结构板上的每一个区域，区域划分越多，代表定位分辨率越高，，获得多路传感器采集的数据，将每个区域的数据划分为一组，共获得Q组、QK个传感器的冲击数据。
冲击载荷特征数据库中第q区域，第k个低频采样传感器采集的数据为xqk[n]，数据样本集为xqki[n]，i表示第i个样本，其中，给定监测数据长度为N，则1≤n≤N，q为复合材料结构小区域编号，则1≤q≤Q，k为低频采样传感器编号，则1≤k≤K，1≤i≤M。
二、训练神经网络
BP神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。BP网络模型处理信息的基本原理是：输入信号ai通过中间节点(隐层点)作用于输出节点，经过非线形变换，产生输出信号Yk，网络训练的每个样本包括输入向量a和期望输出量q，网络输出值Y与期望输出值q之间的偏差，通过调整输入节点与隐层节点的联接强度取值和隐层节点与输出节点之间的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数，训练即告停止。
将采集到的样本集求取数据平均值，q区域的同一冲击对应K个传感器的样本集的数据均值组合成向量作为BP神经网络输入aqi，共M个样本集，对应期望输出量为冲击位置q，遍历结构Q个区域，重复对Q组数据集进行同样的训练操作，获得神经网络，保存训练结果。
三、训练稀疏字典
对q区域的K个传感器的各M个样本集用K-SVD算法进行字典训练，获得K个大小为N×M的过完备字典，重复对Q个区域的数据集进行同样操作，保存字典数据库Dqk，1≤q≤Q，1≤k≤K；
其中K-SVD算法原理为
(1)目标：找到一个字典D，使得对于给定的训练信号集Y’能获得稀疏表示具体目标为：
(2)具体迭代步骤如下：
a.第一阶段：固定字典D，找最好的稀疏矩阵
此为NP(Non-Deterministic Polynomial，非确定多项式)难问题，给定ε，可以采用任何逼近追踪算法去求解X。本发明实施例采用OMP算法。
b.第二阶段：字典D逐列更新。
假设系数和字典D都是固定的，要更新字典的第k列dk，令稀疏矩阵中与dk相乘的第k行记做则目标函数可以重写为：
对E进行SVD分解更新dk，两个阶段如此反复，直到D中所有列原子更新完毕，得到过完备稀疏字典D。
四、获得实时冲击信号
设定冲击锤能量为2J，在复合材料板上的任一区域冲击，获取多路传感器的数据集，预处理得到长度为N的数据集。
五、神经网络粗定位
在获取了实时冲击信号后，将K个传感器获得的信号求取均值组成向量，作为已训练好的神经网络的输入向量，获得输出结果为冲击粗定位结果j区域。
六、稀疏表示分类算法细定位。
将第k(1≤k≤K)个传感器采集到的j近邻区域的字典组成字典集，即[...，D(j-V-1)k，D(j-V)k，D(j-1)k，Djk，D(j+1)k，D(j+V)k，D(j+V+1)k，...]，把第k个传感器得到的监测数据在上述字典集上通过正交匹配追踪算法进行稀疏表示，再进行重构，重构误差最小的字典对应该传感器确定的冲击区域。为验证该定位方法的准确性，遍历所有冲击区域，将定位结果与实际冲击区域对比，验证该方法定位的有效性。
具体实现方法为：设H个样本集分别属于c个拟冲击定位区域，每个区域有M个样本，为提高样本的鲁棒性，将每个区域的M个样本集通过K-SVD算法训练为稀疏字典，其大小为N×M，矢量表示第i个冲击区域的稀疏字典中第Mi列，则第i个冲击区域信号子空间可由M个矢量为基构成。该子空间中的任一矢量y都可以用这个基线性表示为：
求解该稀疏表示矢量是一个欠定问题，可通过通过范数l0最小求解，即
这里稀疏表示过程采用的是稀疏表示理论中的OMP算法，其核心思想为：以迭代的方式选择过完备稀疏字典的列向量，令每次迭代过程中选择的列向量与当前已选择的向量尽可能地相关，在测量向量中去掉这些相关的部分，进行迭代运算直至达到精度要求，其算法具体步骤如下：
其中，n表示迭代次数，rn表示第n次迭代的残差；
输入：过完备稀疏字典Ψ，冲击信号向量y，稀疏度K1；
输出：x0的K1稀疏的逼近x’0，误差向量r；
初始化：r0＝y，重构信号x’0＝0，索引集Γ0＝Ψ，迭代次数n＝0；
(1)计算余量r和过完备稀疏字典Ψ的每一列的内积gn＝ΨTrn-1；
(2)得到gn中绝对值最大的元素，即k＝argmax|gn[i]|；i∈[1,2，…，N]
(3)更新索引集Γn＝Γn-1∪{k}，以及原子集合
(4)利用最小二乘法求得近似解，
(5)更新余量，得到rn＝y-Ψx0 n；
是否满足迭代次数n>K1，若满足，则令x’0＝x0 n，r＝rn，输出x’0，余量r；否则转到步骤(1)。
得到稀疏逼近x’0，进而得到重构的冲击信号y’＝Ψx’0。
x’0矢量对应的稀疏系数为[x’0，1，1，...，x’0，i，1，x’0，i，2，...，x’0，i，M，...，x’0，c，M]T＝[x’0，1，x’0，2，...，x’0，i，...，x’0，c]T。
对于求得的c个x’0，i分别求残差ri＝||y-Dix’0，i||2，i＝1，2，...，c，如果输入矢量x属于第i类，则在理想情况下，解矢量α中只有与第i类训练数据对应的元素不等于零，其他元素都为0，即x中最多只有M个非零系数。由于噪声的存在，实际情况中非零元素也可能会发生在其他位置，实验表明，对于一些小噪声，在解矢量中对应的元素比较小，不会对y’产生大的贡献。则最小残差ri对应的那个稀疏字典Di所属类别就是冲击信号y的冲击发生区域。遍历所有冲击区域，将该方法获得的定位结果与实际冲击区域对比，将定位准确的结果区域数记为B，则B/Q即为定位准确率，为验证方法的有效性提供衡量指标。
综上所述，本发明实施例针对复合材料结构上的冲击信号，借助神经网络和稀疏表示分类算法，通过低采样率传感器阵列，在欠采样条件下，建立了冲击信号数据库；在获得实时冲击信号时，能对冲击所在区域进行先粗定位再细定位的过程；解决了低采样率传感器直接采集会丢失信息的缺点，减少了数据量且降低了对硬件采集速率的要求，实时监测冲击发生位置，扩展了低采样率传感器在飞机结构健康监测中的应用。
还需要说明的是，传感器阵列布局可以是直线型也可以是弧形或者其他可实现的布局类型。对于多传感器数据融合，可以采用决策融合，也可以是根据信号特征加权融合，或者其他融合方式。
区域大小的划分以及细定位近邻区域大小的确定也要根据实际应用中所需定位精度和实验测试来决定。
稀疏表示过程可以是正交匹配追踪算法也可以是正交匹配追踪算法上的改进算法或其他优化算法。
在神经网络训练中，所采用的神经网络可以是BP神经网络，也可以是其他网络模型如小波神经网络、后向神经网络或其他改进型神经网络模型等。神经网络输入特征值可以是信号均值，也可以是其他信号特征，或者是多种特征组合。
在本发明所提供的几个实施例中，应该理解到，所揭露的方法、装置和电子设备，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明实施例集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
鉴于此，本发明实施例还提供了一种计算机可读存储介质，所述存储介质包括一组计算机可执行指令，所述指令用于执行本发明实施例所述的复合材料结构的欠采样信号定位处理方法。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种复合材料结构的欠采样冲击信号的定位处理方法，其特征在于，
所述方法包括：复合材料结构上冲击操作遍历结构各个区域，获取各冲击区域低频传感器阵列的信号样本集，对样本集提取信号特征训练神经网络，对样本集进行字典训练获得字典集，建立定位系统的数据库；
复合材料结构上实时激励产生冲击信号，低频传感器阵列采集获得欠采样信号；
依据所述欠采样信号，应用神经网络理论，在训练神经网络基础上进行粗定位；
在粗定位基础上，应用稀疏表示分类算法，在训练样本集获得字典集基础上进行细定位。
2.根据权利要求1所述复合材料结构的欠采样冲击信号的定位处理方法，其特征在于，所述复合材料结构上冲击操作遍历结构各个区域，获取各冲击区域低频传感器阵列的信号样本集，包括：
对所述复合材料结构上的低频传感器阵列，对每个冲击区域，进行多次冲击操作，获得传感器阵列采集的信号样本，建立每个结构区域的欠采样冲击信号样本集；
遍历结构上每个区域，重复上述操作，建立所有结构区域的欠采样冲击信号数据库。
3.根据权利要求2所述复合材料结构的欠采样冲击信号的定位处理方法，其特征在于，所述获取的各冲击区域低频传感器阵列的信号样本集包括：
将复合材料结构划分为Q个区域，Q＝W×V，W表示行，V表示列，每个区域采集同一能量下的冲击样本数据个数M，即进行M次冲击操作，结构中布置了K个低频采样传感器，将每个区域的数据划分为一组，共获得Q组、QK个传感器的冲击数据集；
冲击载荷特征数据库中第q区域，第k个低频采样传感器采集的数据为xqk[n]，数据样本集为xqki[n]，i表示第i个样本，其中，给定监测数据长度为N，则1≤n≤N，q为复合材料结构小区域编号，则1≤q≤Q，k为低频采样传感器编号，则1≤k≤K，1≤i≤M。
4.根据权利要求3所述复合材料结构的欠采样冲击信号的定位处理方法，其特征在于，依据所述欠采样信号应用神经网络理论，在训练神经网络基础上进行粗定位，包括：
将采集的样本集求取数据平均值，q区域的同一冲击对应K个传感器的样本集的数据均值组合成向量得到反向传播BP神经网络输入aqi，共M个样本集，对应于输出为冲击位置q，遍历结构Q个位置，重复对Q组数据集进行同样操作，训练神经网络，保存训练结果；
获取实时冲击信号，将K个传感器获得的信号求取均值组成向量，作为神经网络的输入，获得冲击粗定位结果为j区域。
5.根据权利要求3或4所述复合材料结构的欠采样冲击信号的定位处理方法，其特征在于，所述在粗定位基础上，应用稀疏表示分类算法，在训练样本集获得字典集基础上进行细定位，包括：
对q区域的K个传感器的各M个样本集用K均值奇异值分解K-SVD算法进行字典训练得到过完备字典，重复对Q个区域的数据集进行同样操作，保存字典数据库Dqk，1≤q≤Q，1≤k≤K；
在粗定位结果j的基础上，将第k个传感器获得的j区域近邻字典组成字典集，即[…，D(j-V-1)k，D(j-V)k，D(j-1)k，Djk，D(j+1)k，D(j+V)k，D(j+V+1)k，…]，把第k个传感器得到的监测数据在上述字典集上通过正交匹配追踪算法进行稀疏表示，再进行重构，重构误差最小的字典对应该传感器确定的冲击区域；
在一次冲击过程中，重复上述过程对所有K个传感器采集的数据进行细定位判定，对多传感器细定位结果进行表决，选择定位结果重复率最高的为最终确定定位结果。
6.一种复合材料结构的欠采样信号冲击定位处理系统，其特征在于，所述系统包括：
数据库建立单元，用于遍历各冲击区域，通过低频传感器阵列采集得到各冲击区域的信号样本集，对样本集提取信号特征训练神经网络，对样本集进行字典训练获得字典集，建立定位系统的数据库；
冲击定位单元，用于基于建立的所述数据库，在复合材料结构上实时激励产生冲击信号，低频传感器阵列采集获得欠采样信号；依据所述欠采样信号，应用神经网络理论，在训练神经网络基础上进行粗定位；在粗定位基础上，应用稀疏表示分类算法，在训练样本集获得字典集基础上进行细定位。
7.根据权利要求6所述复合材料结构的欠采样信号冲击定位处理系统，其特征在于，所述数据库建立单元进一步用于：对所述复合材料结构上的低频传感器阵列，遍历各冲击区域，获得冲击信号样本集；基于所述样本集，提取样本特征，将q区域的同一冲击对应K个传感器的样本集的数据均值组合成向量得到反向传播BP神经网络输入aqi，共M个样本集，对应于输出为冲击位置q，遍历结构Q个位置，重复对Q组数据集进行同样操作，训练神经网络，保存训练结果；
对q区域的K个传感器的各M个样本的集合用K均值奇异值分解K-SVD算法进行字典训练，重复对Q个区域的数据集进行同样操作，保存字典数据库Dqk，1≤q≤Q，1≤k≤K。
8.根据权利要求7所述复合材料结构的欠采样信号冲击定位处理系统，其特征在于，所述冲击定位单元进一步用于：
获取实时冲击信号，将K个低频传感器阵列获得的信号求取均值组成向量作为神经网络的输入，获得冲击粗定位结果为j区域。
9.根据权利要求8所述复合材料结构的欠采样信号冲击定位处理系统，其特征在于，所述冲击定位单元进一步用于：
将第k个传感器采集到的j近邻区域的字典组成字典集，即[…，D(j-V-1)k，D(j-V)k，D(j-1)k，Djk，D(j+1)k，D(j+V)k，D(j+V+1)k，…]，把第k个传感器得到的监测数据在上述字典集上通过正交匹配追踪算法进行稀疏表示，再进行重构，重构误差最小的字典对应该传感器确定的冲击区域。
10.根据权利要求8或9所述复合材料结构的欠采样信号冲击定位处理系统，其特征在于，所述冲击定位单元进一步用于：在一次冲击过程中，重复上述过程对所有K个传感器采集的数据进行细定位判定，对多传感器细定位结果进行表决，选择定位结果重复率最高的为最终确定定位结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510958665.8A CN105628868B (zh) | 2015-12-18 | 2015-12-18 | 一种复合材料结构的欠采样信号冲击定位处理方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510958665.8A CN105628868B (zh) | 2015-12-18 | 2015-12-18 | 一种复合材料结构的欠采样信号冲击定位处理方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105628868A CN105628868A (zh) | 2016-06-01 |
| CN105628868B true CN105628868B (zh) | 2018-08-21 |
Family
ID=56044002
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510958665.8A Active CN105628868B (zh) | 2015-12-18 | 2015-12-18 | 一种复合材料结构的欠采样信号冲击定位处理方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105628868B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107228797B (zh) * | 2017-06-19 | 2019-09-13 | 南京航空航天大学 | 冲击定位方法及装置 |
| CN109187772A (zh) * | 2018-10-29 | 2019-01-11 | 四川升拓检测技术股份有限公司 | 基于语音信号特征提取应用于冲击弹性波分析的方法 |
| CN110648689B (zh) * | 2019-09-26 | 2022-04-29 | 西北工业大学 | 基于音频信号进行冲击载荷波形分析与特征辨识的方法 |
| CN113049410B (zh) * | 2021-02-04 | 2022-04-22 | 南京航空航天大学 | 基于应变非线性加权的复合材料层板光纤冲击位置辨识法 |
| CN114061474B (zh) * | 2021-11-15 | 2023-02-28 | 山东大学 | 植入式光纤光栅传感器复合材料结构的低速冲击定位方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001337077A (ja) * | 2000-05-30 | 2001-12-07 | Shogo Tanaka | コンクリート構造物の剥離の非破壊検査方法 |
| CN1669048A (zh) * | 2002-06-12 | 2005-09-14 | 国家科学研究中心 | 定位表面冲击的方法及其实现设备 |
| CN101000293A (zh) * | 2007-01-18 | 2007-07-18 | 南京航空航天大学 | 飞行器层合结构冲击位置的监测方法及其监测装置 |
| CN102692429A (zh) * | 2011-03-24 | 2012-09-26 | 中国科学院沈阳自动化研究所 | 一种复合材料内部缺陷类型自动识别检测方法 |
| CN103116759A (zh) * | 2013-02-01 | 2013-05-22 | 北京工业大学 | 一种适用于空间网格结构的损伤识别方法 |
| CN103346799A (zh) * | 2013-06-05 | 2013-10-09 | 中国科学院微电子研究所 | 基于压缩感知理论的气体识别方法 |
| CN104197988A (zh) * | 2014-09-04 | 2014-12-10 | 厦门大学 | 大型结构传感资源冲突和功能复用协作融合监测系统 |
| CN105067707A (zh) * | 2015-08-03 | 2015-11-18 | 北京航空航天大学 | 一种复合材料结构的损伤监测方法、装置和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9470661B2 (en) * | 2013-03-12 | 2016-10-18 | Brigham Young University | Method and system for structural integrity assessment |
-
2015
- 2015-12-18 CN CN201510958665.8A patent/CN105628868B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001337077A (ja) * | 2000-05-30 | 2001-12-07 | Shogo Tanaka | コンクリート構造物の剥離の非破壊検査方法 |
| CN1669048A (zh) * | 2002-06-12 | 2005-09-14 | 国家科学研究中心 | 定位表面冲击的方法及其实现设备 |
| CN101000293A (zh) * | 2007-01-18 | 2007-07-18 | 南京航空航天大学 | 飞行器层合结构冲击位置的监测方法及其监测装置 |
| CN102692429A (zh) * | 2011-03-24 | 2012-09-26 | 中国科学院沈阳自动化研究所 | 一种复合材料内部缺陷类型自动识别检测方法 |
| CN103116759A (zh) * | 2013-02-01 | 2013-05-22 | 北京工业大学 | 一种适用于空间网格结构的损伤识别方法 |
| CN103346799A (zh) * | 2013-06-05 | 2013-10-09 | 中国科学院微电子研究所 | 基于压缩感知理论的气体识别方法 |
| CN104197988A (zh) * | 2014-09-04 | 2014-12-10 | 厦门大学 | 大型结构传感资源冲突和功能复用协作融合监测系统 |
| CN105067707A (zh) * | 2015-08-03 | 2015-11-18 | 北京航空航天大学 | 一种复合材料结构的损伤监测方法、装置和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105628868A (zh) | 2016-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105628868B (zh) | 一种复合材料结构的欠采样信号冲击定位处理方法和系统 | |
| CN109086700B (zh) | 基于深度卷积神经网络的雷达一维距离像目标识别方法 | |
| Jung et al. | Advanced deep learning model-based impact characterization method for composite laminates | |
| CN107132516B (zh) | 一种基于深度置信网络的雷达一维距离像目标识别方法 | |
| CN104102929B (zh) | 基于深度学习的高光谱遥感数据分类方法 | |
| CN110334741A (zh) | 基于循环神经网络的雷达一维距离像识别方法 | |
| CN107194433A (zh) | 一种基于深度自编码网络的雷达一维距离像目标识别方法 | |
| Dackermann et al. | Identification of member connectivity and mass changes on a two-storey framed structure using frequency response functions and artificial neural networks | |
| CN109190665A (zh) | 一种基于半监督生成对抗网络的通用图像分类方法和装置 | |
| CN105956611A (zh) | 基于鉴别非线性字典学习的sar图像目标识别方法 | |
| Ding et al. | Structural damage identification by sparse deep belief network using uncertain and limited data | |
| CN105606914A (zh) | 一种基于iwo-elm的航空功率变换器故障诊断方法 | |
| CN105259331A (zh) | 一种节理岩体单轴强度预测方法 | |
| CN114048673A (zh) | 一种基于深度学习的监测复合材料弹性模量的方法 | |
| Elanwar et al. | Framework for online model updating in earthquake hybrid simulations | |
| Pagani et al. | Component-wise damage detection by neural networks and refined FEs training | |
| CN112200262B (zh) | 支持多任务和跨任务的小样本分类训练方法及装置 | |
| Li et al. | Structural damage identification under nonstationary excitations through recurrence plot and multi-label convolutional neural network | |
| CN114545504B (zh) | 一种基于深度学习的沙漠地震勘探随机噪声建模方法 | |
| Ai et al. | Data-driven source localization of impact on aircraft control surfaces | |
| Pagani et al. | Displacement and strain data-driven damage detection in multi-component and heterogeneous composite structures | |
| CN109871907A (zh) | 基于sae-hmm模型的雷达目标高分辨率距离像识别方法 | |
| Li et al. | Structural health monitoring data anomaly detection by transformer enhanced densely connected neural networks | |
| Zheng et al. | Research on feature extracted method for flutter test based on EMD and CNN | |
| CN107437112A (zh) | 一种基于改进多尺度核函数的混合rvm模型预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |