CN106897509B - 一种动态非高斯结构监测数据异常识别方法 - Google Patents

一种动态非高斯结构监测数据异常识别方法 Download PDF

Info

Publication number
CN106897509B
CN106897509B CN201710084131.6A CN201710084131A CN106897509B CN 106897509 B CN106897509 B CN 106897509B CN 201710084131 A CN201710084131 A CN 201710084131A CN 106897509 B CN106897509 B CN 106897509B
Authority
CN
China
Prior art keywords
monitoring data
dynamic
data
whitening
statistics
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.)
Expired - Fee Related
Application number
CN201710084131.6A
Other languages
English (en)
Other versions
CN106897509A (zh
Inventor
黄海宾
伊廷华
李宏男
马树伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Lailibai Information Technology Co ltd
Dalian University of Technology
Original Assignee
Dalian Lailibai Information Technology Co ltd
Dalian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian Lailibai Information Technology Co ltd, Dalian University of Technology filed Critical Dalian Lailibai Information Technology Co ltd
Priority to CN201710084131.6A priority Critical patent/CN106897509B/zh
Publication of CN106897509A publication Critical patent/CN106897509A/zh
Priority to PCT/CN2018/076577 priority patent/WO2018149387A1/zh
Priority to US16/090,911 priority patent/US11003738B2/en
Application granted granted Critical
Publication of CN106897509B publication Critical patent/CN106897509B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0008—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings of bridges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明属于土木工程结构健康监测领域，提出了一种动态非高斯结构监测数据异常识别方法。首先，对监测数据定义过去和当前观测向量，并对其进行预白化；其次，对白化后的过去和当前观测向量建立统计相关模型，得到动态白化数据；接着，将动态白化数据划分为系统相关和系统无关部分，并对其进行独立分量分析建模；最后，分别定义两个统计量并确定其控制限，当统计量超过控制限时判断监测数据中存在异常。由于同时考虑了结构监测数据的非高斯性和动态特性，基于此定义的统计量可有效识别数据中的异常。

Description

一种动态非高斯结构监测数据异常识别方法
技术领域
本发明属于土木工程结构健康监测领域，提出了一种动态非高斯结构监测数据异常识别方法。
背景技术
土木工程结构在长期荷载、环境侵蚀和疲劳效应等因素的共同作用下，其服役性能的退化不可避免。深入分析结构监测数据，可以及时发现结构的异常状态并提供准确的安全预警，对确保土木工程结构的安全运营具有重要的现实意义。目前，结构监测数据的异常识别主要通过统计方法实现，一般分为两大类：1)单变量控制图，如休哈特控制图、累积和控制图等，该类方法对每个测点的监测数据分别建立控制图，以识别监测数据中的异常；2)多变量统计分析，如主成分分析、独立分量分析等，该类方法利用多测点监测数据之间的相关性建立统计模型，并定义相应的统计量以识别监测数据中的异常。
由于结构变形的连续性，结构相邻测点的响应数据之间也具有相关性。实际工程应用中，能够考虑这种相关性的多变量统计分析方法更具优越性。然而，由于结构的非线性和测量噪声的复杂性等因素，结构监测数据往往呈现非高斯性；此外，结构监测数据中也存在动态特性(即自相关性)。若能在结构监测数据建模过程中同时考虑非高斯性和动态特性，则可提升多变量统计分析方法的异常识别能力，使其在工程应用中更具实用价值。
发明内容
本发明旨在提出一种动态非高斯结构监测数据建模方法，在此基础上定义两个统计量用于识别数据中的异常。其技术方案是：首先，对监测数据定义过去和当前观测向量，并对其进行预白化；其次，对白化后的过去和当前观测向量建立统计相关模型，得到动态白化数据；接着，将动态白化数据划分为系统相关和系统无关部分，并对其进行独立分量分析建模；最后，分别定义两个统计量并确定其控制限，当统计量超过控制限时判断监测数据中存在异常。
一种动态非高斯结构监测数据异常识别方法，步骤如下：
步骤一：结构监测数据预处理
(1)令
Figure BDA0001224339650000021
表示正常结构监测数据中对应时刻t的样本，m为测量变量个数；定义过去观测向量xp(t)＝[xT(t-1),xT(t-2),...,xT(t-τ)]T(注：τ为时延)和当前观测向量xc(t)＝x(t)；
(2)令Jp和Jc分别表示xp(t)和xc(t)的白化矩阵，则白化后的xp(t)和xc(t)分别为：
Figure BDA0001224339650000022
步骤二：动态白化
(3)结构监测数据的动态建模即是建立
Figure BDA0001224339650000023
和
Figure BDA0001224339650000024
之间的统计相关模型：
Figure BDA0001224339650000025
式中：
Figure BDA0001224339650000026
表示
Figure BDA0001224339650000027
与
Figure BDA0001224339650000028
的互协方差矩阵；
Figure BDA0001224339650000029
和
Figure BDA00012243396500000210
为奇异值分解的酉矩阵；
Figure BDA00012243396500000211
为奇异值矩阵，包含的m个非零奇异值；
(4)定义
Figure BDA00012243396500000212
在P上的投影为z(t)，则z(t)可通过下式求得：
Figure BDA00012243396500000213
式中：R＝PTJp；
(5)由于z(t)的协方差矩阵是一个单位矩阵：
Figure BDA00012243396500000214
且以上建模过程考虑了结构监测数据的动态特性，故R称为动态白化矩阵，z(t)称为动态白化数据；
步骤三：动态非高斯建模
(6)将动态白化数据z(t)划分为两部分，其计算公式为：
zs(t)＝Rsxp(t)
zn(t)＝Rnxp(t)
式中：zs(t)和zn(t)分别表示z(t)的系统相关部分和系统无关部分；Rs和Rn分别由R的前m行和后m(τ-1)行构成；
(7)利用独立分量分析对zs(t)和zn(t)建立动态非高斯模型：
Figure BDA0001224339650000031
Figure BDA0001224339650000032
式中：ss(t)和sn(t)分别表示系统相关独立分量和系统无关独立分量；Bs和Bn可由快速独立分量分析算法求得；
(8)令
Figure BDA0001224339650000033
且
Figure BDA0001224339650000034
则有：
ss(t)＝Wsxp(t)
sn(t)＝Wnxp(t)
式中：Ws和Wn分别表示系统相关部分和系统无关部分的解混矩阵；
步骤四：定义统计量并确定控制限
(9)分别对ss(t)和sn(t)定义两个统计量：
Figure BDA0001224339650000035
Figure BDA0001224339650000036
(10)计算完所有正常结构监测数据对应的统计量
Figure BDA0001224339650000037
和
Figure BDA0001224339650000038
后，分别估计
Figure BDA0001224339650000039
和
Figure BDA00012243396500000310
的概率密度分布；通过99％置信准则分别确定两个统计量的控制限
Figure BDA00012243396500000311
和
Figure BDA00012243396500000312
当新的结构监测数据的统计量超过其对应的控制限时可判断异常发生。
本发明的有益效果：在多变量统计建模过程中同时考虑结构监测数据的非高斯性和动态特性，基于此定义的统计量可有效识别数据中的异常。
附图说明
图1是本发明的基本思路。
具体实施方式
以下结合附图和技术方案，进一步说明本发明的具体实施方式。
选取一座两跨公路桥模型，其长度为5.4864m、宽度为1.8288m。对其建立有限元模型以模拟结构响应，采集12个测点的响应作为监测数据。共生成两个数据集：训练数据集和测试数据集；其中，训练数据集为正常监测数据集，测试数据集中的一部分用于模拟异常监测数据；两个数据集均持续80秒，采样频率为256Hz。本发明的基本思路如图1所示，具体实施方式如下：
(1)对训练数据集中的每个数据点构造过去观测向量xp(t)和当前观测向量xc(t)；对所有的xp(t)和xc(t)进行预白化，得到白化矩阵Jp和Jc以及白化后的过去和当前观测向量
Figure BDA0001224339650000041
和
Figure BDA0001224339650000042
(2)对
Figure BDA0001224339650000043
和
Figure BDA0001224339650000044
进行统计相关建模，得到动态白化矩阵R；R的前12行组成Rs，其余组成Rn；计算zs(t)＝Rsxp(t)和zn(t)＝Rnxp(t)。
(3)对zs(t)和zn(t)进行独立分量分析建模，得到矩阵Bs和Bn；相应地，解混矩阵为
Figure BDA0001224339650000045
和
Figure BDA0001224339650000046
计算统计量
Figure BDA0001224339650000047
和
Figure BDA0001224339650000048
并确定其控制限
Figure BDA0001224339650000049
和
Figure BDA00012243396500000410
当统计量超过控制限时判断监测数据中存在异常。
(4)在测试数据集中模拟异常监测数据，即2号传感器在40～80s期间发生异常；利用本发明提出的两个统计量
Figure BDA00012243396500000411
和
Figure BDA00012243396500000412
对异常监测数据进行识别，结果表明
Figure BDA00012243396500000413
和
Figure BDA00012243396500000414
均能成功识别出监测数据中的异常。

Claims (1)

1.一种动态非高斯结构监测数据异常识别方法，其特征在于，步骤如下：
选取一座两跨公路桥模型；对其建立有限元模型以模拟结构响应，采集测点的响应作为监测数据；共生成两个数据集：训练数据集和测试数据集；其中，训练数据集为正常监测数据集，测试数据集中的一部分用于模拟异常监测数据；
步骤一：结构监测数据预处理
(1)令
Figure FDA0002387641020000011
表示正常结构监测数据中对应时刻t的样本，m为测量变量个数；对训练数据集中的每个数据点构造过去观测向量xp(t)＝[xT(t-1),xT(t-2),...,xT(t-τ)]T和当前观测向量xc(t)＝x(t)，τ为时延；
(2)令Jp和Jc分别表示xp(t)和xc(t)的白化矩阵，则白化后的xp(t)和xc(t)分别为：
Figure FDA0002387641020000012
步骤二：动态白化
(3)结构监测数据的动态建模即是建立
Figure FDA0002387641020000013
和
Figure FDA0002387641020000014
之间的统计相关模型：
Figure FDA0002387641020000015
式中：
Figure FDA0002387641020000016
表示
Figure FDA0002387641020000017
与
Figure FDA0002387641020000018
的互协方差矩阵；
Figure FDA0002387641020000019
和
Figure FDA00023876410200000110
为奇异值分解的酉矩阵；
Figure FDA00023876410200000111
为奇异值矩阵，包含的m个非零奇异值；
(4)定义
Figure FDA00023876410200000112
在P上的投影为z(t)，则z(t)通过下式求得：
Figure FDA00023876410200000113
式中：R＝PTJp；
(5)由于z(t)的协方差矩阵是一个单位矩阵：
Figure FDA00023876410200000114
且以上建模过程考虑了结构监测数据的动态特性，故R称为动态白化矩阵，z(t)称为动态白化数据；
步骤三：动态非高斯建模
(6)将动态白化数据z(t)划分为两部分，其计算公式为：
zs(t)＝Rsxp(t)
zn(t)＝Rnxp(t)
式中：zs(t)和zn(t)分别表示z(t)的系统相关部分和系统无关部分；Rs和Rn分别由R的前m行和后m(τ-1)行构成；
(7)利用独立分量分析对zs(t)和zn(t)建立动态非高斯模型：
Figure FDA0002387641020000021
Figure FDA0002387641020000022
式中：ss(t)和sn(t)分别表示系统相关独立分量和系统无关独立分量；Bs和Bn由快速独立分量分析算法求得；
(8)令
Figure FDA0002387641020000023
且
Figure FDA0002387641020000024
则有：
ss(t)＝Wsxp(t)
sn(t)＝Wnxp(t)
式中：Ws和Wn分别表示系统相关部分和系统无关部分的解混矩阵；
步骤四：定义统计量并确定控制限
(9)分别对ss(t)和sn(t)定义两个统计量：
Figure FDA0002387641020000025
Figure FDA0002387641020000026
(10)计算完所有正常结构监测数据对应的统计量
Figure FDA0002387641020000027
和
Figure FDA0002387641020000028
后，分别估计
Figure FDA0002387641020000029
和
Figure FDA00023876410200000210
的概率密度分布；在测试数据集中模拟异常监测数据，通过99％置信准则分别确定两个统计量的控制限
Figure FDA00023876410200000211
和
Figure FDA00023876410200000212
当新的结构监测数据的统计量超过其对应的控制限时可判断异常发生。
CN201710084131.6A 2017-02-16 2017-02-16 一种动态非高斯结构监测数据异常识别方法 Expired - Fee Related CN106897509B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201710084131.6A CN106897509B (zh) 2017-02-16 2017-02-16 一种动态非高斯结构监测数据异常识别方法
PCT/CN2018/076577 WO2018149387A1 (zh) 2017-02-16 2018-02-12 一种动态非高斯结构监测数据异常识别方法
US16/090,911 US11003738B2 (en) 2017-02-16 2018-02-12 Dynamically non-gaussian anomaly identification method for structural monitoring data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710084131.6A CN106897509B (zh) 2017-02-16 2017-02-16 一种动态非高斯结构监测数据异常识别方法

Publications (2)

Publication Number Publication Date
CN106897509A CN106897509A (zh) 2017-06-27
CN106897509B true CN106897509B (zh) 2020-06-16

Family

ID=59184032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710084131.6A Expired - Fee Related CN106897509B (zh) 2017-02-16 2017-02-16 一种动态非高斯结构监测数据异常识别方法

Country Status (3)

Country Link
US (1) US11003738B2 (zh)
CN (1) CN106897509B (zh)
WO (1) WO2018149387A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897509B (zh) 2017-02-16 2020-06-16 大连理工大学 一种动态非高斯结构监测数据异常识别方法
CN109682561B (zh) * 2019-02-19 2020-06-16 大连理工大学 一种自动检测高速铁路桥梁自由振动响应以识别模态的方法
CN111242632A (zh) * 2020-01-07 2020-06-05 石化盈科信息技术有限责任公司 一种识别套现账户的方法、存储介质及电子设备
CN111474911B (zh) * 2020-04-28 2021-03-16 浙江浙能技术研究院有限公司 面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法
CN112560165A (zh) * 2020-06-11 2021-03-26 中车青岛四方机车车辆股份有限公司 一种城轨车辆及其客室车门故障诊断方法
US11676071B2 (en) * 2020-06-30 2023-06-13 Oracle International Corporation Identifying and ranking anomalous measurements to identify faulty data sources in a multi-source environment
CN114415609B (zh) * 2021-12-22 2024-07-05 华东理工大学 一种基于多子空间划分的动态过程精细化监测方法
CN117202077B (zh) * 2023-11-03 2024-03-01 恩平市海天电子科技有限公司 一种麦克风智能校正方法
CN118195641B (zh) * 2024-05-17 2024-08-06 智联信通科技股份有限公司 一种基于区块链的智能制造领域生产全流程溯源方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101403923A (zh) * 2008-10-31 2009-04-08 浙江大学 基于非高斯成分提取和支持向量描述的过程监控方法
CN104392136A (zh) * 2014-11-28 2015-03-04 东南大学 一种面向高动态非高斯模型鲁棒测量的高精度数据融合方法
CN104656635A (zh) * 2014-12-31 2015-05-27 重庆科技学院 非高斯动态高含硫天然气净化过程异常检测与诊断方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6892163B1 (en) * 2002-03-08 2005-05-10 Intellectual Assets Llc Surveillance system and method having an adaptive sequential probability fault detection test
US7590513B2 (en) * 2006-01-30 2009-09-15 Nec Laboratories America, Inc. Automated modeling and tracking of transaction flow dynamics for fault detection in complex systems
US9843596B1 (en) * 2007-11-02 2017-12-12 ThetaRay Ltd. Anomaly detection in dynamically evolving data and systems
CN102323049B (zh) 2011-07-18 2013-07-03 福州大学 数据不完备下基于一致性数据替换的结构异常检测方法
US20140108324A1 (en) * 2012-10-12 2014-04-17 Nec Laboratories America, Inc. Data analytic engine towards the self-management of complex physical systems
CN103116804A (zh) 2013-01-31 2013-05-22 苏州科技学院 一种模糊神经网络模型及深基坑变形智能预测方法
US20140278303A1 (en) * 2013-03-15 2014-09-18 Wallace LARIMORE Method and system of dynamic model identification for monitoring and control of dynamic machines with variable structure or variable operation conditions
CN103234753A (zh) 2013-04-11 2013-08-07 华北电力大学 基于高斯过程建模的风电机组轴系状态监测方法
CN106384300B (zh) 2016-09-27 2019-08-16 山东建筑大学 基于大数据和模糊模型的建筑异常用能检测方法及系统
CN106897509B (zh) 2017-02-16 2020-06-16 大连理工大学 一种动态非高斯结构监测数据异常识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101403923A (zh) * 2008-10-31 2009-04-08 浙江大学 基于非高斯成分提取和支持向量描述的过程监控方法
CN104392136A (zh) * 2014-11-28 2015-03-04 东南大学 一种面向高动态非高斯模型鲁棒测量的高精度数据融合方法
CN104656635A (zh) * 2014-12-31 2015-05-27 重庆科技学院 非高斯动态高含硫天然气净化过程异常检测与诊断方法

Also Published As

Publication number Publication date
WO2018149387A1 (zh) 2018-08-23
US20190121838A1 (en) 2019-04-25
US11003738B2 (en) 2021-05-11
CN106897509A (zh) 2017-06-27

Similar Documents

Publication Publication Date Title
CN106897509B (zh) 一种动态非高斯结构监测数据异常识别方法
CN106897505B (zh) 一种考虑时-空相关性的结构监测数据异常识别方法
CN107357275B (zh) 非高斯工业过程故障检测方法及系统
US10539613B2 (en) Analog circuit fault diagnosis method using single testable node
CN107862134A (zh) 一种考虑自相关测量误差的Wiener过程可靠性分析方法
CN105259895A (zh) 一种工业过程微小故障的检测和分离方法及其监测系统
CN109308225B (zh) 一种虚拟机异常检测方法、装置、设备及存储介质
CN113065702B (zh) 基于st-seep分段法和时空arma模型的滑坡位移多线性预测方法
CN108462708A (zh) 一种基于hdp-hmm的行为序列的建模和检测方法
CN110990788A (zh) 一种基于三元维纳过程的轴承剩余寿命预测方法
CN106599367A (zh) 一种航天器状态异常检测方法
CN111721834A (zh) 一种电缆局部放电在线监测缺陷辨识方法
CN117319223A (zh) 一种基于数字孪生技术的领导驾驶舱可视化方法及系统
CN111488281A (zh) 一种基于随机引进故障的开源软件可靠性建模方法
CN106955097A (zh) 一种胎儿心率状态分类方法
CN116627116B (zh) 一种流程工业故障定位方法、系统及电子设备
CN104504265A (zh) 一种在役桥梁监测信息安全评估的方法
CN109840386B (zh) 基于因子分析的损伤识别方法
CN114792053B (zh) 一种基于初值-速率相关退化模型的可靠性评估方法
Debbabi et al. Combining algebraic approach with extreme value theory for spike detection
Doukhan et al. Inference and testing for structural change in time series of counts model
JP5191443B2 (ja) 多次元信号対圧縮装置、多次元信号対圧縮方法、及びプログラム
Yu et al. Blind source separation of rotating machinery fault signals based on fractional lower order statistics
Shahidi et al. Data-driven Structural Damage Diagnosis
Padil COMPARISON OF DATA REDUCTION METHOD FOR VIBRATION BASED DAMAGE DETECTION USING FREQUENCY RESPONSE FUNCTION

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
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: 20200616

Termination date: 20220216

CF01 Termination of patent right due to non-payment of annual fee