CN106156503A - 一种锚固系统内部缺陷分布的多尺度熵表征方法 - Google Patents
一种锚固系统内部缺陷分布的多尺度熵表征方法 Download PDFInfo
- Publication number
- CN106156503A CN106156503A CN201610523146.3A CN201610523146A CN106156503A CN 106156503 A CN106156503 A CN 106156503A CN 201610523146 A CN201610523146 A CN 201610523146A CN 106156503 A CN106156503 A CN 106156503A
- Authority
- CN
- China
- Prior art keywords
- signal
- anchor
- entropy
- module
- defect
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Abstract
本发明公开了一种锚固系统内部缺陷分布的多尺度熵表征方法,包括:利用基于应力波法的锚杆锚固质量无损检测仪器对工作现场需要检测的锚杆进行进行检测,识别出锚杆锚固长度,对该无损检测信号进行经验模态分解,分解成一系列的按照信号频率高低排列的本征模态函数,利用傅立叶变换计算各层本征模态函数的频率,将频率大于1kHz的本征模态函数和最后一层本征模态函数舍弃,将频率小于1kHz的各层本征模态函数叠加在一起,重构出新的信号用于多尺度熵分析。本发明通过度量反射信号的复杂性来刻画反射信号的改变程度,进而识别出锚固缺陷的位置,该方法能够有效判定锚固缺陷的位置,准确评价锚固质量。
Description
技术领域
本发明涉及锚固系统技术领域,尤其涉及一种锚固系统内部缺陷分布的多尺度熵表征方法。
背景技术
已有的研究表明:锚杆沿着杆长方向的应力分布是不均匀的。而锚固缺陷分布位置的不同会导致锚杆的受力状态存在差异。在煤矿井下的实际检测中,即使通过拉拔测试确认了抗拔力符合要求,也会出现因砂浆灌注不饱满而发生坍塌事故的情况,从而影响到煤矿的安全生产。现有的技术对锚固缺陷位置的有效识别能力差,不能准确定位锚固缺陷的位置,进而对锚杆锚固质量的评价造成不良影响,导致安全事故的发生。
信号的复杂性主要是基于多尺度熵(multiscale entropy,简称MSE)方法来度量。该方法由Costa等人首次提出,最初主要用来衡量生物信号的复杂性,近年来,在交通流复杂性分析,金属互连电迁移噪声信号的复杂性分析、两相流流型辨识以及电子器件噪声分析等方面也得到了有效的应用。由于MSE方法具有计算所需数据量小,抗干扰和抗噪能力强等优点,人们开始将其应用到无损检测信号分析领域。郑近德等将MSE应用于转子系统信号故障特征的提取,可以对故障的类型进行判断。张龙等以MSE作为特征向量输入到模糊神经网络进行轴承故障类型定性识别,取得了较好的识别效果。解晓琴通过对钢管无损检测信号的多尺度熵值曲线的分析,得到了钢管内部损伤情况与无损检测波形之间的对应关系,进而对钢管中是否存在缺陷进行判断。
多尺度熵主要是通过描述时间序列在多个时间尺度上所表现出来的无规则程度来表征该时间序列的复杂性的。它不仅能够比较不同时间序列的复杂性,而且可以区分由不同机制产生的时间序列或者是同一机制在不同条件下产生的时间序列。
发明内容
本发明的目的是为了解决现有技术中存在的缺点,而提出的一种锚固系统内部缺陷分布的多尺度熵表征方法。
一种锚固系统内部缺陷分布的多尺度熵表征方法,包括以下步骤:
S1:利用基于应力波法的锚杆锚固质量无损检测仪器对工作现场需要检测的锚杆进行检测,识别出锚杆锚固长度,对该无损检测信号进行经验模态分解,分解成一系列的按照信号频率高低排列的本征模态函数,利用傅立叶变换计算各层本征模态函数的频率,将频率大于1kHz的本征模态函数和最后一层本征模态函数舍弃,将频率小于1kHz的各层本征模态函数叠加在一起,重构出新的信号用于多尺度熵分析;
S2:从预先通过实验室试验建立的不同锚杆直径和锚固长度的无缺陷锚杆锚固系统无损检测信号的数据库中,选取和现场检测的锚杆直径和锚固长度一致的无缺陷锚杆锚固系统无损检测信号,并利用和S1中相同的信号处理方法重构出新的信号用于多尺度熵分析;
S3:计算S1和S2中重构新信号的多尺度熵值,获得两条熵值曲线,计算这两条熵值曲线之间的SDD值;
如果SDD值<85%,则说明S1中检测的锚杆锚固系统中没有缺陷;
如果SDD值≥85%,则说明S1中检测的锚杆锚固系统中存在缺陷;
在SDD≥85%情况下,进一步计算两条熵值曲线之间的PRSS参量,通过预先在实验室试验中标定好的,和现场检测的锚杆的直径和锚固长度相同的锚固系统无损检测信号的PRSS参量与缺陷分布位置之间的对应关系式:PRSS=Ae-Bx,式中,A,B为和围岩属性有关的常数,x为信号的缺陷起始端与锚固起始端之间的距离;求出x值得出信号的缺陷起始端与锚固起始端之间的距离,或者缺陷的分布情况。优选的,所述信号的复杂性与缺陷位置距锚固起始端距离的关系为缺陷位置越靠近锚固起始端,相应信号的复杂性越高,缺陷位置越靠近锚固段底端,相应信号的复杂性越低,其产生原因主要是由于衰减因素和结构因素的影响。
优选的,所述衰减因素就是从传播过程的能量损耗角度来看,缺陷位置越靠近锚固段底端,来自缺陷部位的反射信号在传播过程中经过的锚固质量完好的部分越长,其能量损耗的就越多,信号衰减的就越厉害,或者说信号被过滤掉的成分就越多,信号的无规则性就越小,因而复杂性越低。
优选的,所述结构因素是由于连续的反射会导致信号变的越来越不规则,缺陷位置离锚固起始端越近,单位时间内信号反射的次数越多,每一次反射,都会使信号中产生新的成分,从而使信号的无规则程度变大,在相同传播时间内,传感器所能接收到的反射信号的无规则程度越大,因此,其多尺度熵值越大,即信号的复杂性越高,缺陷位置离锚固起始端越远,单位时间内信号反射的次数越少,在相同的传播时间内,传感器所能接收到的反射信号的无规则程度越小,因此,其多尺度熵值越小,即信号的复杂性越低。
本发明还提出了一种锚固系统内部缺陷分布的多尺度熵评价系统,包括读取模块,分解模块,计算模块,选择模块,对比模块,判定模块和显示模块;
读取模块,用于读取参考信号和检测信号;
分解模块,用于对信号进行经验模态分解;
计算模块,用于计算各层的频率、多尺度熵、SDD和PRSS;
重构模块,用于选择信号重构层并进行信号重构;
对比模块,通过计算的SDD和PRSS的值判断信号的复杂性,比较多尺度熵值曲线之间的差异;
判定模块,用于判定锚固缺陷的位置;
显示模块,用于将判定结果直观显示在屏幕上。
本发明提出的一种锚固系统内部缺陷分布的多尺度熵表征方法,通过度量反射信号的复杂性来刻画反射信号的改变程度,进而识别出锚固缺陷的位置,该方法能够有效判定锚固缺陷的位置,准确评价锚固质量,并且利用MATLAB GUI图形用户界面开发环境开发了锚杆锚固缺陷的多尺度熵评价系统,实现了信号处理过程的可视化和智能化,便于使用者操作,使得本专利所提出锚固系统内部缺陷分布的多尺度熵表征方法易于在实际生产中推广使用。
附图说明
图1为本发明提出的一种锚固系统内部缺陷分布的多尺度熵评价系统的框图;
图2为本发明提出的一种锚固系统内部缺陷分布的多尺度熵评价系统的信号分析流程图。
具体实施方式
下面结合具体实施例对本发明作进一步解说。
参照图2,本发明提出的一种锚固系统内部缺陷分布的多尺度熵表征方法,包括以下步骤:
S1:利用基于应力波法的锚杆锚固质量无损检测仪器对工作现场需要检测的锚杆进行检测,识别出锚杆锚固长度,对该无损检测信号进行经验模态分解,分解成一系列的按照信号频率高低排列的本征模态函数,利用傅立叶变换计算各层本征模态函数的频率,将频率大于1kHz的本征模态函数和最后一层本征模态函数舍弃,将频率小于1kHz的各层本征模态函数叠加在一起,重构出新的信号用于多尺度熵分析;
S2:从预先通过实验室试验建立的不同锚杆直径和锚固长度的无缺陷锚杆锚固系统无损检测信号的数据库中,选取和现场检测的锚杆直径和锚固长度一致的无缺陷锚杆锚固系统无损检测信号,并利用和S1中相同的信号处理方法重构出新的信号用于多尺度熵分析;
S3:计算S1和S2中重构新信号的多尺度熵值,获得两条熵值曲线,计算这两条熵值曲线之间的SDD值;
如果SDD值<85%,则说明S1中检测的锚杆锚固系统中没有缺陷;
如果SDD值≥85%,则说明S1中检测的锚杆锚固系统中存在缺陷;
在SDD≥85%情况下,进一步计算两条熵值曲线之间的PRSS参量,通过预先在实验室试验中标定好的,和现场检测的锚杆的直径和锚固长度相同的锚固系统无损检测信号的PRSS参量与缺陷分布位置之间的对应关系式:PRSS=Ae-Bx,式中,A,B为和围岩属性有关的常数,x为信号的缺陷起始端与锚固起始端之间的距离;求出x值得出信号的缺陷起始端与锚固起始端之间的距离,或者缺陷的分布情况。
本发明中,所述多尺度熵包含三个参数τ,m和r,其中τ是尺度因子,m是序列的窗口长度即嵌入维数,r是阈值,也称为相似系数,其计算方法如下:
(1)将L个点的一维离散时间序列{x1,…,xi,…,xL}粗粒化,构造不同时间尺度上的时间序列{y(τ)},定义为:
其中,每一个粗粒化时间序列的长度为N=L/τ,当τ=1时,粗粒化的时间序列就是原始时间序列,根据上式给出了尺度因子取2和3时的粗粒化时间序列的获取方法如下:
(a)尺度因子为2时的时间序列的粗粒化方法如下:
(b)尺度因子为3时的时间序列的粗粒化方法如下:
(2)将上面得到的时间序列按连续序号组成一组m维矢量:从Y(τ)(1)到Y(τ)(N-m+1),其中Y(τ)(i)=[y(τ)(i),y(τ)(i+1),…,y(τ)(i+m-1)],1≤i≤N-m+1,其中矢量为从第i个点开始的连续的m个y值;
(3)定义d[Y(τ)(i),Y(τ)(j)]为尺度τ上矢量Y(τ)(i)和Y(τ)(j)对应元素相减并取绝对值时最大的那个值,即:
并对每一个i值计算Y(τ)(i)与其余矢量Y(τ)(j)间的距离d[Y(τ)(i),Y(τ)(j)];
(4)给定阈值r,对于每个i值,统计d[Y(τ)(i),Y(τ)(j)]小于r的数目再计算其与距离总数N-m的比值,即 表示在时间尺度τ,以Y(i)为中心,在嵌入维数为m,阈值为r情形下,其余矢量Y(τ)(j)与Y(τ)(i)的距离d[Y(τ)(i),Y(τ)(j)]小于r的概率,表示所有Y(τ)(j)(i≠j)与Y(τ)(i)的关联程度,也就是表示矢量序列{Y(τ)(j)}的规律性程度;
(5)对所有的点求平均值,得:其中,Cτ,m(r)表示矢量{Y(τ)(j)}在尺度τ下的平均自相关程度;
(6)增加维数到m+1,重复步骤(2)-(5),从而得到尺度τ,m+1维数下的取其平均值,得到Cτ,m+1(r),从而得到τ尺度下的样本熵为:
当N为有限值时,按上述步骤得到的是序列长度为N,尺度为τ时样本熵的估计值,可表示为:
多尺度熵定义为时间序列在多个尺度下的样本熵值的集合,通过改变τ值重复上述各步骤,得多尺度熵值为:
本发明中,所述信号的复杂性判断方法采取尺度偏离度参量法和伪残差平方和参量法两种,具体的判断方法如下:
(1)尺度偏离度法:尺度偏离度参量,即SDD参量,它定义为一个时间序列的熵值在所有尺度上比另外一个时间序列的熵值大的数目与总的尺度因子数之间的比值,结果以百分比的形式表示,算法如下:
其中,Sdi为有缺陷锚固系统的无损检测信号在第i尺度上的样本熵值;
Soi为无缺陷锚固系统的无损检测信号在第i尺度上的样本熵值;
为一个时间序列的熵值在所有尺度上比另外一个时间序列的熵值大的总个数;
如果SDD≥85%,则可以认为该时间序列的熵值在绝大多数尺度上比另一个高;
(2)伪残差平方和参量,即PRSS参量,定义为有缺陷和无缺陷锚固系统的无损检测信号在每一个尺度下的样本熵值的差的平方和,具体表达式为:
其中,Sdi为有缺陷锚固系统的无损检测信号在第i尺度上的样本熵值;
Soi为无缺陷锚固系统的无损检测信号在第i尺度上的样本熵值;
PRSS越小,说明两条熵值曲线的偏离程度越小,即两者的复杂性差异越小,PRSS越大,说明两条熵值曲线的偏离程度越大,即两者的复杂性差异越大。
本发明中,所述信号的复杂性与缺陷位置距锚固起始端距离的关系为缺陷位置越靠近锚固起始端,相应信号的复杂性越高,缺陷位置越靠近锚固段底端,相应信号的复杂性越低,其产生原因主要是由于衰减因素和结构因素的影响。
本发明中,所述衰减因素就是从传播过程的能量损耗角度来看,缺陷位置越靠近锚固段底端,来自缺陷部位的反射信号在传播过程中经过的锚固质量完好的部分越长,其能量损耗的就越多,信号衰减的就越厉害,或者说信号被过滤掉的成分就越多,信号的无规则性就越小,因而复杂性越低。
本发明中,所述结构因素是由于连续的反射会导致信号变的越来越不规则,缺陷位置离锚固起始端越近,单位时间内信号反射的次数越多,每一次反射,都会使信号中产生新的成分,从而使信号的无规则程度变大,在相同传播时间内,传感器所能接收到的反射信号的无规则程度越大,因此,其多尺度熵值越大,即信号的复杂性越高,缺陷位置离锚固起始端越远,单位时间内信号反射的次数越少,在相同的传播时间内,传感器所能接收到的反射信号的无规则程度越小,因此,其多尺度熵值越小,即信号的复杂性越低。
参照图1,本发明提出了一种锚固系统内部缺陷分布的多尺度熵评价系统,包括读取模块,分解模块,计算模块,选择模块,对比模块,判定模块和显示模块;
读取模块,用于读取参考信号和检测信号;
分解模块,用于对信号进行经验模态分解;
计算模块,用于计算各层的频率、多尺度熵、SDD和PRSS;
重构模块,用于选择信号重构层并进行信号重构;
对比模块,通过计算的SDD和PRSS的值判断信号的复杂性,比较多尺度熵值曲线之间的差异;
判定模块,用于判定锚固缺陷的位置;
显示模块,用于将判定结果直观显示在屏幕上。
以上所述,仅为本发明较佳的具体实施方式,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,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种锚固系统内部缺陷分布的多尺度熵表征方法,其特征在于,包括以下步骤:
S1:利用基于应力波法的锚杆锚固质量无损检测仪器对工作现场需要检测的锚杆进行检测,识别出锚杆锚固长度,对该无损检测信号进行经验模态分解,分解成一系列的按照信号频率高低排列的本征模态函数,利用傅立叶变换计算各层本征模态函数的频率,将频率大于1kHz的本征模态函数和最后一层本征模态函数舍弃,将频率小于1kHz的各层本征模态函数叠加在一起,重构出新的信号用于多尺度熵分析;
S2:从预先通过实验室试验建立的不同锚杆直径和锚固长度的无缺陷锚杆锚固系统无损检测信号的数据库中,选取和现场检测的锚杆直径和锚固长度一致的无缺陷锚杆锚固系统无损检测信号,并利用和S1中相同的信号处理方法重构出新的信号用于多尺度熵分析;
S3:计算S1和S2中重构新信号的多尺度熵值,获得两条熵值曲线,计算这两条熵值曲线之间的SDD值;
如果SDD值<85%,则说明S1中检测的锚杆锚固系统中没有缺陷;
如果SDD值≥85%,则说明S1中检测的锚杆锚固系统中存在缺陷;
在SDD≥85%情况下,进一步计算两条熵值曲线之间的PRSS参量,通过预先在实验室试验中标定好的,和现场检测的锚杆的直径和锚固长度相同的锚固系统无损检测信号的PRSS参量与缺陷分布位置之间的对应关系式:PRSS=Ae-Bx,式中,A,B为和围岩属性有关的常数,x为信号的缺陷起始端与锚固起始端之间的距离;求出x值得出信号的缺陷起始端与锚固起始端之间的距离,或者缺陷的分布情况。
2.根据权利要求1所述的一种锚固系统内部缺陷分布的多尺度熵表征方法,其特征在于,信号的复杂性与缺陷位置距锚固起始端距离的关系为缺陷位置越靠近锚固起始端,相应信号的复杂性越高,缺陷位置越靠近锚固段底端,相应信号的复杂性越低,其产生原因主要是由于衰减因素和结构因素的影响。
3.根据权利要求2所述的一种锚固系统内部缺陷分布的多尺度熵表征方法,其特征在于,所述衰减因素就是从传播过程的能量损耗角度来看,缺陷位置越靠近锚固段底端,来自缺陷部位的反射信号在传播过程中经过的锚固质量完好的部分越长,其能量损耗的就越多,信号衰减的就越厉害,或者说信号被过滤掉的成分就越多,信号的无规则性就越小,因而复杂性越低。
4.根据权利要求2所述的一种锚固系统内部缺陷分布的多尺度熵表征方法,其特征在于,所述结构因素是由于连续的反射会导致信号变的越来越不规则,缺陷位置离锚固起始端越近,单位时间内信号反射的次数越多,每一次反射,都会使信号中产生新的成分,从而使信号的无规则程度变大,在相同传播时间内,传感器所能接收到的反射信号的无规则程度越大,因此,其多尺度熵值越大,即信号的复杂性越高,缺陷位置离锚固起始端越远,单位时间内信号反射的次数越少,在相同的传播时间内,传感器所能接收到的反射信号的无规则程度越小,因此,其多尺度熵值越小,即信号的复杂性越低。
5.一种锚固系统内部缺陷分布的多尺度熵评价系统,其特征在于,包括读取模块,分解模块,计算模块,选择模块,对比模块,判定模块和显示模块,
读取模块,用于读取参考信号和检测信号;
分解模块,用于对信号进行经验模态分解;
计算模块,用于计算各层的频率、多尺度熵、SDD和PRSS;
重构模块,用于选择信号重构层并进行信号重构;
对比模块,通过计算的SDD和PRSS的值判断信号的复杂性,比较多尺度熵值曲线之间的差异;
判定模块,用于判定锚固缺陷的位置;
显示模块,用于将判定结果直观显示在屏幕上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610523146.3A CN106156503B (zh) | 2016-07-05 | 2016-07-05 | 一种锚固系统内部缺陷分布的多尺度熵表征方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610523146.3A CN106156503B (zh) | 2016-07-05 | 2016-07-05 | 一种锚固系统内部缺陷分布的多尺度熵表征方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106156503A true CN106156503A (zh) | 2016-11-23 |
CN106156503B CN106156503B (zh) | 2018-10-19 |
Family
ID=58061326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610523146.3A Expired - Fee Related CN106156503B (zh) | 2016-07-05 | 2016-07-05 | 一种锚固系统内部缺陷分布的多尺度熵表征方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106156503B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992804A (zh) * | 2017-11-16 | 2018-05-04 | 华北电力大学(保定) | 一种基于改进多尺度熵的变压器振动信号特征提取方法 |
CN107991097A (zh) * | 2017-11-16 | 2018-05-04 | 西北工业大学 | 一种基于多尺度符号动力学熵的轴承故障诊断方法 |
CN108594161A (zh) * | 2018-05-03 | 2018-09-28 | 国网重庆市电力公司电力科学研究院 | 一种电能表内异物声音信号降噪方法、系统 |
CN108827665A (zh) * | 2018-05-29 | 2018-11-16 | 南京理工大学 | 基于经验模态分解和多尺度熵的车轮扁疤故障检测方法 |
CN109859174A (zh) * | 2019-01-09 | 2019-06-07 | 东莞理工学院 | 一种基于经验模态分解与回归模型的oled缺陷检测方法 |
CN111563577A (zh) * | 2020-04-21 | 2020-08-21 | 西北工业大学 | 基于Unet的跳跃层分频和多尺度鉴别的本征图像分解方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030033094A1 (en) * | 2001-02-14 | 2003-02-13 | Huang Norden E. | Empirical mode decomposition for analyzing acoustical signals |
CN1793898A (zh) * | 2005-12-09 | 2006-06-28 | 重庆大学 | 一种用于锚杆锚固系统的无损探伤检测方法 |
CN102930172A (zh) * | 2012-11-15 | 2013-02-13 | 江苏科技大学 | 一种基于emd的海浪多尺度特征及波动参数的提取方法 |
CN103870694A (zh) * | 2014-03-18 | 2014-06-18 | 江苏大学 | 一种基于修正小波阈值的经验模态分解去噪方法 |
-
2016
- 2016-07-05 CN CN201610523146.3A patent/CN106156503B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030033094A1 (en) * | 2001-02-14 | 2003-02-13 | Huang Norden E. | Empirical mode decomposition for analyzing acoustical signals |
CN1793898A (zh) * | 2005-12-09 | 2006-06-28 | 重庆大学 | 一种用于锚杆锚固系统的无损探伤检测方法 |
CN102930172A (zh) * | 2012-11-15 | 2013-02-13 | 江苏科技大学 | 一种基于emd的海浪多尺度特征及波动参数的提取方法 |
CN103870694A (zh) * | 2014-03-18 | 2014-06-18 | 江苏大学 | 一种基于修正小波阈值的经验模态分解去噪方法 |
Non-Patent Citations (1)
Title |
---|
张雷等: "锚杆锚固质量的多尺度熵评价方法研究", 《煤矿安全》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992804A (zh) * | 2017-11-16 | 2018-05-04 | 华北电力大学(保定) | 一种基于改进多尺度熵的变压器振动信号特征提取方法 |
CN107991097A (zh) * | 2017-11-16 | 2018-05-04 | 西北工业大学 | 一种基于多尺度符号动力学熵的轴承故障诊断方法 |
CN108594161A (zh) * | 2018-05-03 | 2018-09-28 | 国网重庆市电力公司电力科学研究院 | 一种电能表内异物声音信号降噪方法、系统 |
CN108594161B (zh) * | 2018-05-03 | 2020-06-19 | 国网重庆市电力公司电力科学研究院 | 一种电能表内异物声音信号降噪方法、系统 |
CN108827665A (zh) * | 2018-05-29 | 2018-11-16 | 南京理工大学 | 基于经验模态分解和多尺度熵的车轮扁疤故障检测方法 |
CN109859174A (zh) * | 2019-01-09 | 2019-06-07 | 东莞理工学院 | 一种基于经验模态分解与回归模型的oled缺陷检测方法 |
CN111563577A (zh) * | 2020-04-21 | 2020-08-21 | 西北工业大学 | 基于Unet的跳跃层分频和多尺度鉴别的本征图像分解方法 |
CN111563577B (zh) * | 2020-04-21 | 2022-03-11 | 西北工业大学 | 基于Unet的跳跃层分频和多尺度鉴别的本征图像分解方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106156503B (zh) | 2018-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106156503A (zh) | 一种锚固系统内部缺陷分布的多尺度熵表征方法 | |
CN104764869B (zh) | 一种基于多维特征量的变压器气体故障诊断和报警方法 | |
CN104180754B (zh) | 基于激光雷达综合波形模型反演森林生物物理特性的方法 | |
CN105862935B (zh) | 一种用于挡土墙结构系统的损伤识别方法 | |
Telesca et al. | Fluctuation dynamics in geoelectrical data: an investigation by using multifractal detrended fluctuation analysis | |
CN107356417B (zh) | 一种融合时序分析与信息熵的栓接结合部损伤识别方法 | |
CN105974407A (zh) | 一种探地雷达地下层位检测方法 | |
CN109190272A (zh) | 基于弹性波和机器学习的混凝土结构缺陷检测方法 | |
CN115879343B (zh) | 一种无砟轨道自密实混凝土脱空两阶段识别方法 | |
CN110954033A (zh) | 混凝土裂缝深度检测方法及其系统 | |
US20230324577A1 (en) | Real-Time Microseismic Magnitude Calculation Method and Device Based on Deep Learning | |
Telesca et al. | Depth‐dependent time‐clustering behaviour in seismicity of southern California | |
Ling et al. | OMHT method for weak signal processing of GPR and its application in identification of concrete micro-crack | |
Xie et al. | VS30-based relationship for Chinese site classification | |
CN112230275A (zh) | 地震波形的识别方法、装置及电子设备 | |
EP0756250B1 (en) | Method for signature verification | |
Yu et al. | An effective crack-identification approach for impact echo signals using MWT spectrograms and scaled FFT spectra | |
CN104569157B (zh) | 预应力结构的缺陷检测方法 | |
CA2792525C (en) | Method and apparatus for using cepstrum and wavelet based algorithms for wall thickness measurement | |
CN114358088A (zh) | 建筑物或隧道衬砌修复效果的分析评价方法和系统 | |
MXPA96002921A (en) | Method for signature verification | |
CN111963162A (zh) | 基于岩性与水性的双参数流体性质识别方法 | |
CN113553321B (zh) | 基桩超声波检测数据的查重方法、电子设备及存储介质 | |
Yang et al. | Fractal Slope‐Based Seismic Wave Detection Method | |
Sun et al. | Classification of anchor bolts based on spectral kurtosis and K-means clustering algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181019 Termination date: 20200705 |
|
CF01 | Termination of patent right due to non-payment of annual fee |