CN107367552A - 时变温度影响下基于fcm算法的损伤扩展实时监测方法 - Google Patents
时变温度影响下基于fcm算法的损伤扩展实时监测方法 Download PDFInfo
- Publication number
- CN107367552A CN107367552A CN201710597815.6A CN201710597815A CN107367552A CN 107367552 A CN107367552 A CN 107367552A CN 201710597815 A CN201710597815 A CN 201710597815A CN 107367552 A CN107367552 A CN 107367552A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- fcm
- online
- time
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4472—Mathematical theories or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
Abstract
本发明涉及一种时变温度影响下基于模糊C均值(FCM)算法的损伤扩展实时监测方法，仅仅依靠信号本身的分布特性就能有效的解决变化因素的影响，能够有效的在温度变化影响下对结构的损伤扩展变化趋势进行在线监测。本发明使用的偏移指数对损伤扩展变化趋势进行有效的实时监测，并且也能对损伤扩展的定量化提供一定的依据。本发明在实现过程中无需更改或增加设备和参数，利用现有硬件系统就可以实现，可行性强，算法运算时间短，准确性高，易于操作。另外等数据集以及运动数据更新策略对在线实时损伤监测也发挥了巨大的作用，保证了在线更新的实时性以及减少了对所有历史数据的需求，缓解了数据储存的压力，具有很好的实际工程价值。
Description
技术领域
本发明涉及一种损伤扩展监测方法，更具体地说，涉及时变温度影响下基于FCM算法的损伤扩展实时监测方法。
背景技术
飞行器结构在运行过程中容易受到外界载荷、温度等因素的影响，从而导致损伤的产生。现有技术的无损检测技术对飞行器的损伤检测可以发挥一定的作用，但是局限性较大，难以检测到隐藏部位的损伤，并且成本较为高昂。
飞行器结构健康监测技术是一种通过集成在结构上的先进传感器网络，可以在线实时获取与结构健康状况有关的信息，并结合先进的信号处理方法，提取与结构损伤相关的特征，实现对健康状况的诊断、评估和预测。利用结构健康监测技术对飞行器结构健康进行监测可以保证结构的安全和降低维护成本。
超声导波监测法是结构健康监测中最常见的方法，而由于Lamb波传播时容易受到外界载荷、温度等变化因素的影响，难以判断信号的差异是由实际损伤还是变化因素影响产生的，并且通常情况下变化因素对信号的影响往往比实际损伤造成的影响要大，从而增加了损伤监测的难度。温度变化影响在变化因素中对信号影响最大，因此，在温度变化影响下提取损伤变化是一个极其富有挑战性的问题，也是结构健康监测中的一个难点。
目前，有学者正在研究用环境参数补偿法来解决这个问题，其中最为突出的为最优基线补偿法和基线信号拉伸法。
最优基线补偿法主要是通过建立不同温度下的基线信号集，从中选择一个最接近当前信号的基线信号与当前温度作比较，但是这种方法需要大量基线信号集才能达到有效的补偿效果(温度需精确到0.1℃)，并且长期监测时也需要经常更新基线数据集，提高了监测的难度与成本。
基线信号拉伸法只需要一个基线信号，通过使用一个拉伸因子α来构造拉伸后的信号，通过对拉伸因子的调整来达到最优值，用以构造作为温度补偿的基线信号，但是这种方法只适用温度变化小的情况，并且容易受到噪声的影响。
聚类分析是一种有效的解决不确定因素的办法，仅仅依靠数据本身之间的联系将数据集划分为不同的类，使得同一类中的数据相似度尽可能大，不同类中的数据差异性也尽可能的大。这种方法可以在大量不确定因素中提取出有效的参数。目前，已经有一些基于聚类分析的结构健康监测方法用于损伤识别，但是仅仅只用于判别损伤是否产生，并没有损伤及其扩展情况进行更深一步的判断。
因此，有必要寻找一种能在温度变化影响下在线监测损伤及其扩展的方法。
发明内容
本发明的目的在于克服现有技术的不足，提供一种以隶属度划分的模糊聚类算法，算法运行时间短，准确率高的时变温度影响下基于FCM算法的损伤扩展实时监测方法。
本发明的技术方案如下：
一种时变温度影响下基于FCM算法的损伤扩展实时监测方法，基于FCM算法，通过温度变化影响下，损伤扩展过程中实时的算法结果的变化，对损伤扩展进行监测。
作为优选，步骤如下：
1)在被监测区域布置成对的压电传感器，使用激励信号激励其中一个压电传感器，并采集另一个压电传感器接收到的基准导波信号；
2)采集在温度随机变化时，被监测区域处于健康状况的基准导波信号，共采集k+1个基准导波信号，以第一个基准导波信号作为基线信号b1；并用若干种不同的方法计算评价损伤的特征DI，构成的特征向量fc＝[DI1,DI2,...,DId]T；其中，d为计算特征的方法的个数；
将健康状况时其余k个基准导波信号所构造的特征数据集F(1)＝{f1,...,fc,...,fk}作为基准数据集，建立基准FCM模型；
3)采集在温度随机变化时，被监测区域从健康状况到损伤逐渐扩展过程的在线导波信号，共采集n个在线导波信号，将采集到的在线导波信号所提取的特征fk+m(fk+1～fk+n)作为在线特征数据，采用等数据集以及运动数据更新策略获取相应的在线特征数据集F(m)＝{f1+m,f2+m,...,fk+m}建立在线FCM模型；
4)计算基准FCM模型与在线FCM模型的偏移指数，建立损伤大小与偏移指数之间的关系，通过监视所述的关系，实现实时监测。
作为优选，步骤1)中，所述的激励信号为窄带五波峰信号。
作为优选，步骤2)中，用于评价损伤的特征DI的方法之一为互相关系数差DI1：
其中，t0和t1分别代表激励信号的首个发送波包的起始时间和终止时间，b(t)和m(t)分别为基准导波信号和在线导波信号。
作为优选，步骤2)中，用于评价损伤的特征DI的方法之一频谱幅度差DI2：
其中，ω0和ω1分别代表所选频谱的起始频率和终止频率。
作为优选，步骤3)中，等数据集策略为每次用于在线FCM模型的数据集大小都是k；运动数据更新策略为当获取到在线导波信号fk+m的同时，将上一个在线FCM模型中最早获取到的在线导波信号fm移除，使得在线导波数据集F(m)＝{f1+m,f2+m,...,fk+m}的数据集大小始终为k。
作为优选，每一次在线FCM模型的初始值使用上一个模型结果的隶属度作为初始值。
作为优选，步骤4)中，使用相对熵作为基准FCM模型与在线FCM模型的偏移指数，计算公式如下：
其中，∑(n)、μ(n)以及∑(0)、μ(0)分别为在线FCM模型和基准FCM模型聚类结果的协方差和均值。
作为优选，通过计算相对熵，得到损伤大小与偏移指数的标定曲线。
本发明的有益效果如下：
本发明所述的时变温度影响下基于模糊C均值(FCM)算法的损伤扩展实时监测方法，克服了传统环境参数补偿法需要经常更新基线信号集以及可监测温度范围小的缺点，仅仅依靠信号本身的分布特性就能有效的解决变化因素的影响，能够有效的在温度变化影响下对结构的损伤扩展变化趋势进行在线监测，提高了损伤监测的可靠性，保证结构在使用时的安全性。本发明使用的偏移指数对损伤扩展变化趋势进行有效的实时监测，并且也能对损伤扩展的定量化提供一定的依据。
本发明在实现过程中无需更改或增加设备和参数，利用现有硬件系统就可以实现，可行性强，算法运算时间短，准确性高，易于操作。另外等数据集以及运动数据更新策略对在线实时损伤监测也发挥了巨大的作用，保证了在线更新的实时性以及减少了对所有历史数据的需求，缓解了数据储存的压力，具有很好的实际工程价值。
附图说明
图1是是本发明的主要流程图；
图2是压电传感器的设置示意图；
图3是温度变化设置示意图；
图4是特征DI1的变化示意图；
图5是特征DI2的变化示意图；
图6是无损伤时不同温度下和和损伤状态1在40℃时的S0波信号图；
图7是在线更新过程中，当一个变量更新时造成的模型的偏移前的示意图；
图8是在线更新过程中，当一个变量更新时造成的模型的偏移后的示意图；
图9是偏移指数和损伤扩展标定曲线图。
具体实施方式
以下结合附图及实施例对本发明进行进一步的详细说明。
本发明为了解决现有技术中存在的各种不足，提供一种时变温度影响下基于FCM算法的损伤扩展实时监测方法，基于模糊C均值(FCM)算法，FCM算法是一种以隶属度划分的模糊聚类算法，算法运行时间短，准确率高，通过模糊C均值算法可以找到最能描述数据集的真实分布情况，可以通过数据集分布的偏移来监测损伤扩展过程。
本发明所述的方法通过温度变化影响下，损伤扩展过程中实时的算法结果的变化，对损伤扩展进行监测。如图1所法，本发明的简要过程为：首先建立一个温度变化时健康状况的基准FCM模型，然后使用一种基于等数据集和运动数据更新的实时更新策略，通过实时数据的更新调整FCM模型的参数，建立在线FCM模型，最终通过计算模型之间的偏移指数来达到在线连续监测损伤扩展过程的目的。
具体步骤如下：
1)在被监测区域布置成对的压电传感器，使用激励信号激励其中一个压电传感器，并采集另一个压电传感器接收到的基准导波信号。所述的激励信号为窄带五波峰信号，优选为180KHz的窄波信号S0波。
本实施例中，如图2所示，在航空铝板结构热点区域(螺栓连接结构)上布置2个压电传感器，一发一收，铝板结构的尺寸为600mm*600mm*2mm。选取频率为180kHz窄带五波峰信号作为激励信号，将采集到的监测导波信号的S0波信号用于分析。
2)采集在温度随机变化时，被监测区域处于健康状况的基准导波信号，共采集k+1个基准导波信号，以第一个基准导波信号作为基线信号b1；并用若干种不同的方法计算评价损伤的特征DI，构成的特征向量fc＝[DI1,DI2,...,DId]T；其中，d为计算特征的方法的个数；
将健康状况时其余k个基准导波信号所构造的特征数据集F(1)＝{f1,...,fc,...,fk}作为基准数据集，建立基准FCM模型。
本实施例中，实验所使用的温度变化范围为40℃～70℃，在温度随机变化的情况下采集信号，其中温度的变化趋势如图3所示，在健康状况时共采集了149个信号。使用健康状况时的第一个信号b1作为基线信号用于计算用于评价损伤的特征DI，将健康状况时其余148个导波信号提取特征向量fc＝[DI1,DI2]T后构建基准数据集F(1)＝{f1,...,fc,...f148}用于建立基准FCM模型。
优选的，用于评价损伤的特征DI的方法的个数d建议值为2，即两种方法。本发明中，用于评价损伤的特征DI在本发明中使用互相关系数差DI1和频谱幅度差DI2。
如图4所示，互相关系数差DI1具体为：
其中，t0和t1分别代表激励信号的首个发送波包(即所选S0波包)的起始时间和终止时间，b(t)和m(t)分别为基准导波信号和在线导波信号。DI1主要受到信号幅值的影响。
如图5所示，频谱幅度差DI2具体为：
其中，ω0和ω1分别代表所选频谱的起始频率和终止频率。DI2主要受频域能量的影响。优选的，ω0取140KHz，ω1取220KHz。
3)采集在温度随机变化时，被监测区域从健康状况到损伤逐渐扩展过程的在线导波信号，共采集n个在线导波信号，将采集到的在线导波信号所提取的特征fk+m(fk+1～fk+n)作为在线特征数据，采用等数据集以及运动数据更新策略获取相应的在线特征数据集F(m)＝{f1+m,f2+m,...,fk+m}建立在线FCM模型。
为了提高更新的速度，在线模型采用等数据集以及运动数据更新策略，等数据集策略为每次用于在线FCM模型的数据集大小都是k；运动数据更新策略为当获取到在线导波信号fk+m的同时，将上一个在线FCM模型中最早获取到的在线导波信号fm移除，使得在线导波数据集F(m)＝{f1+m,f2+m,...,fk+m}的数据集大小始终为k。
另外，为了减少初始值对结果产生的影响，每一次在线FCM模型的初始值使用上一个模型结果的隶属度作为初始值。
进行实验时，通过制作孔边裂纹来模拟损伤并通过裂纹长度的大小来模拟损伤扩展过程，其中裂纹长度的设置为1mm、2mm、3mm、4mm。按照步骤2)的操作采集了306个信号，包括健康状况时不同温度的监测导波信号102个，以及裂纹长度为1mm、2mm、3mm、4mm时不同温度的在线导波信号各51个。
如图6所示，包含了健康状态时40℃～70℃的信号以及裂纹长度1mm时40℃的信号，可以看出信号对温度变化更加敏感。将采集的在线导波信号提取特征fm＝[DI1,DI2]T(f149～f454)后构造在线特征数据集F(m)＝{fm-148,...,fm}，使用等数据集以及运动数据更新策略更新在线FCM模型。
如图7、图8所示，示例中聚类数设置为3，按均值从小到大分别标记为C1～C3(图7、图8中，圆形标注的是模型最早的特征，五角星形标注的是模型最新更新的特征)，当更新一个新的特征时，这个新的特征在基准FCM模型上比较接近C2类，为了包含这个新的特征C2类会进行偏移。为了使目标函数最小化，其他类也会随之进行偏移。
4)计算基准FCM模型与在线FCM模型的偏移指数，建立损伤大小与偏移指数之间的关系，通过监视所述的关系，实现实时监测。
本发明中，使用相对熵作为基准FCM模型与在线FCM模型的偏移指数，计算公式如下：
其中，∑(n)、μ(n)以及∑(0)、μ(0)分别为在线FCM模型和基准FCM模型聚类结果的协方差和均值。通过计算相对熵，即可得到损伤大小与偏移指数的标定曲线。
如图9所示，当无损伤时，偏移指数非常小，随着裂纹的扩展，偏移指数逐渐增大。
上述实施例仅是用来说明本发明，而并非用作对本发明的限定。只要是依据本发明的技术实质，对上述实施例进行变化、变型等都将落在本发明的权利要求的范围内。
Claims (9)
1.一种时变温度影响下基于FCM算法的损伤扩展实时监测方法，其特征在于，基于FCM算法，通过温度变化影响下，损伤扩展过程中实时的算法结果的变化，对损伤扩展进行监测。
2.根据权利要求1所述的时变温度影响下基于FCM算法的损伤扩展实时监测方法，其特征在于，步骤如下：
1)在被监测区域布置成对的压电传感器，使用激励信号激励其中一个压电传感器，并采集另一个压电传感器接收到的基准导波信号；
2)采集在温度随机变化时，被监测区域处于健康状况的基准导波信号，共采集k+1个基准导波信号，以第一个基准导波信号作为基线信号b1；并用若干种不同的方法计算评价损伤的特征DI，构成的特征向量fc＝[DI1,DI2,...,DId]T；其中，d为计算特征的方法的个数；
将健康状况时其余k个基准导波信号所构造的特征数据集F(1)＝{f1,...,fc,...,fk}作为基准数据集，建立基准FCM模型；
3)采集在温度随机变化时，被监测区域从健康状况到损伤逐渐扩展过程的在线导波信号，共采集n个在线导波信号，将采集到的在线导波信号所提取的特征fk+m(fk+1～fk+n)作为在线特征数据，采用等数据集以及运动数据更新策略获取相应的在线特征数据集F(m)＝{f1+m,f2+m,...,fk+m}建立在线FCM模型；
4)计算基准FCM模型与在线FCM模型的偏移指数，建立损伤大小与偏移指数之间的关系，通过监视所述的关系，实现实时监测。
3.根据权利要求1所述的时变温度影响下基于FCM算法的损伤扩展实时监测方法，其特征在于，步骤1)中，所述的激励信号为窄带五波峰信号。
4.根据权利要求1所述的时变温度影响下基于FCM算法的损伤扩展实时监测方法，其特征在于，步骤2)中，用于评价损伤的特征DI的方法之一为互相关系数差DI1：
<mrow>
<msub>
<mi>DI</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<msqrt>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mo>&Integral;</mo>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
</msubsup>
<mi>b</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mi>m</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mi>d</mi>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<msubsup>
<mo>&Integral;</mo>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
</msubsup>
<msup>
<mi>b</mi>
<mn>2</mn>
</msup>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mi>d</mi>
<mi>t</mi>
<msubsup>
<mo>&Integral;</mo>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
</msubsup>
<msup>
<mi>m</mi>
<mn>2</mn>
</msup>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mi>d</mi>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mfrac>
</msqrt>
<mo>;</mo>
</mrow>
其中，t0和t1分别代表激励信号的首个发送波包的起始时间和终止时间，b(t)和m(t)分别为基准导波信号和在线导波信号。
5.根据权利要求4所述的时变温度影响下基于FCM算法的损伤扩展实时监测方法，其特征在于，步骤2)中，用于评价损伤的特征DI的方法之一频谱幅度差DI2：
<mrow>
<msub>
<mi>DI</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<msqrt>
<mfrac>
<mrow>
<msubsup>
<mo>&Integral;</mo>
<msub>
<mi>&omega;</mi>
<mn>0</mn>
</msub>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mi>b</mi>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
<mo>|</mo>
<mo>-</mo>
<mo>|</mo>
<mi>m</mi>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
<mo>|</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>&omega;</mi>
</mrow>
<mrow>
<msubsup>
<mo>&Integral;</mo>
<msub>
<mi>&omega;</mi>
<mn>0</mn>
</msub>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
</msubsup>
<mo>|</mo>
<mi>b</mi>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>&omega;</mi>
</mrow>
</mfrac>
</msqrt>
<mo>;</mo>
</mrow>
其中，ω0和ω1分别代表所选频谱的起始频率和终止频率。
6.根据权利要求1所述的时变温度影响下基于FCM算法的损伤扩展实时监测方法，其特征在于，步骤3)中，等数据集策略为每次用于在线FCM模型的数据集大小都是k；运动数据更新策略为当获取到在线导波信号fk+m的同时，将上一个在线FCM模型中最早获取到的在线导波信号fm移除，使得在线导波数据集F(m)＝{f1+m,f2+m,...,fk+m}的数据集大小始终为k。
7.根据权利要求6所述的时变温度影响下基于FCM算法的损伤扩展实时监测方法，其特征在于，每一次在线FCM模型的初始值使用上一个模型结果的隶属度作为初始值。
8.根据权利要求1所述的时变温度影响下基于FCM算法的损伤扩展实时监测方法，其特征在于，步骤4)中，使用相对熵作为基准FCM模型与在线FCM模型的偏移指数，计算公式如下：
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>K</mi>
<mi>L</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>&phi;</mi>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
<mo>,</mo>
<mi>&phi;</mi>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mi>r</mi>
<mo>(</mo>
<mrow>
<mi>&Sigma;</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>&Sigma;</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>&mu;</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&mu;</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mi>&Sigma;</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>(</mo>
<mrow>
<mi>&mu;</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&mu;</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mi>d</mi>
<mo>+</mo>
<mi>l</mi>
<mi>n</mi>
<mfrac>
<mrow>
<mi>det</mi>
<mi>&Sigma;</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&Sigma;</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，∑(n)、μ(n)以及∑(0)、μ(0)分别为在线FCM模型和基准FCM模型聚类结果的协方差和均值。
9.根据权利要求8所述的时变温度影响下基于FCM算法的损伤扩展实时监测方法，其特征在于，通过计算相对熵，得到损伤大小与偏移指数的标定曲线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710597815.6A CN107367552B (zh) | 2017-07-20 | 2017-07-20 | 时变温度影响下基于fcm算法的损伤扩展实时监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710597815.6A CN107367552B (zh) | 2017-07-20 | 2017-07-20 | 时变温度影响下基于fcm算法的损伤扩展实时监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107367552A true CN107367552A (zh) | 2017-11-21 |
| CN107367552B CN107367552B (zh) | 2019-07-23 |
Family
ID=60307077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710597815.6A Active CN107367552B (zh) | 2017-07-20 | 2017-07-20 | 时变温度影响下基于fcm算法的损伤扩展实时监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107367552B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107917957A (zh) * | 2017-10-27 | 2018-04-17 | 中车青岛四方机车车辆股份有限公司 | 一种板形结构的损伤检测方法 |
| CN111208206A (zh) * | 2020-02-20 | 2020-05-29 | 北京博感科技有限公司 | 一种温度变化环境下的复合材料超声导波结构健康监测方法 |
| CN112070123A (zh) * | 2020-08-14 | 2020-12-11 | 五邑大学 | 小样本sar图像识别方法、装置及存储介质 |
| CN114692302A (zh) * | 2022-03-28 | 2022-07-01 | 中南大学 | 基于高斯混合模型的疲劳裂纹检测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103989634A (zh) * | 2014-05-07 | 2014-08-20 | 东南大学 | 一种热控释纳米磁性砒霜脂质体及其制备方法 |
| CN104330471A (zh) * | 2014-10-09 | 2015-02-04 | 南京航空航天大学 | 航空结构损伤的Lamb波时变概率模型监测方法 |
| WO2015129863A1 (ja) * | 2014-02-28 | 2015-09-03 | シスメックス株式会社 | 尿試料分析方法、尿試料分析用試薬及び尿試料分析用試薬キット |
-
2017
- 2017-07-20 CN CN201710597815.6A patent/CN107367552B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015129863A1 (ja) * | 2014-02-28 | 2015-09-03 | シスメックス株式会社 | 尿試料分析方法、尿試料分析用試薬及び尿試料分析用試薬キット |
| CN103989634A (zh) * | 2014-05-07 | 2014-08-20 | 东南大学 | 一种热控释纳米磁性砒霜脂质体及其制备方法 |
| CN104330471A (zh) * | 2014-10-09 | 2015-02-04 | 南京航空航天大学 | 航空结构损伤的Lamb波时变概率模型监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李弘扬等: "改进FCM模型研究", 《工程热物理学报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107917957A (zh) * | 2017-10-27 | 2018-04-17 | 中车青岛四方机车车辆股份有限公司 | 一种板形结构的损伤检测方法 |
| CN111208206A (zh) * | 2020-02-20 | 2020-05-29 | 北京博感科技有限公司 | 一种温度变化环境下的复合材料超声导波结构健康监测方法 |
| CN111208206B (zh) * | 2020-02-20 | 2022-11-25 | 北京博感科技有限公司 | 一种温度变化环境下的复合材料超声导波结构健康监测方法 |
| CN112070123A (zh) * | 2020-08-14 | 2020-12-11 | 五邑大学 | 小样本sar图像识别方法、装置及存储介质 |
| CN112070123B (zh) * | 2020-08-14 | 2023-11-24 | 五邑大学 | 小样本sar图像识别方法、装置及存储介质 |
| CN114692302A (zh) * | 2022-03-28 | 2022-07-01 | 中南大学 | 基于高斯混合模型的疲劳裂纹检测方法及系统 |
| CN114692302B (zh) * | 2022-03-28 | 2023-08-25 | 中南大学 | 基于高斯混合模型的疲劳裂纹检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107367552B (zh) | 2019-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107367552A (zh) | 时变温度影响下基于fcm算法的损伤扩展实时监测方法 | |
| CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
| CN108564005A (zh) | 一种基于卷积神经网络的人体跌倒辨识方法 | |
| CN103308804B (zh) | 基于快速k-s变换电能质量扰动信号时频参数提取方法 | |
| CN108279767A (zh) | 动作分析装置以及动作分析方法 | |
| CN105834835A (zh) | 一种基于多尺度主元分析的刀具磨损在线监测方法 | |
| CN103989462B (zh) | 一种脉搏波形第一特征点和第二特征点的提取方法 | |
| CN110071913A (zh) | 一种基于无监督学习的时间序列异常检测方法 | |
| CN103678949B (zh) | 基于密度分析和谱聚类的多扩展目标跟踪量测集划分方法 | |
| CN104897403A (zh) | 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法 | |
| CN103017709B (zh) | 一种利用降雨量测定地质滑坡位移的方法 | |
| CN106644162A (zh) | 基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法 | |
| CN103678869A (zh) | 一种飞行参数缺失数据的预测估计方法 | |
| CN104123463A (zh) | 一种随机动态载荷的时域识别方法 | |
| CN109838696A (zh) | 基于卷积神经网络的管道故障诊断方法 | |
| CN105629958A (zh) | 一种基于子时段mpca-svm的间歇过程故障诊断方法 | |
| CN103278343B (zh) | 一种结构关键疲劳构件的识别方法 | |
| KR20170053692A (ko) | 커널 회귀 모델의 앙상블을 위한 장치 및 방법 | |
| CN105354831A (zh) | 一种基于图像分块方差-加权特征值的多缺陷检测方法 | |
| CN105137324B (zh) | 一种基于仿真分类模型的多探测点故障元器件定位方法 | |
| CN108647642A (zh) | 基于模糊融合的多传感器裂纹损伤综合诊断方法 | |
| CN108956111A (zh) | 一种机械部件的异常状态检测方法及检测系统 | |
| CN106067032A (zh) | 用于数据异常监测的传感器选择方法的评价方法 | |
| CN109976311A (zh) | 一阶定值控制系统传感器故障诊断方法及诊断系统 | |
| CN109633270A (zh) | 基于瞬时频谱熵与信噪能量差的故障能量区域边界识别及特征提取方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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 |