CN108647642A - 基于模糊融合的多传感器裂纹损伤综合诊断方法 - Google Patents
基于模糊融合的多传感器裂纹损伤综合诊断方法 Download PDFInfo
- Publication number
- CN108647642A CN108647642A CN201810443896.9A CN201810443896A CN108647642A CN 108647642 A CN108647642 A CN 108647642A CN 201810443896 A CN201810443896 A CN 201810443896A CN 108647642 A CN108647642 A CN 108647642A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- fusion
- piezoelectricity
- membership
- fiber grating
- 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
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开一种基于模糊融合的多传感器裂纹损伤综合诊断方法,包括:A、采集光纤光栅光谱、Lamb波信号和智能涂层电阻值;B、提取特征参数;C、利用高斯型隶属度函数,分别对光纤光栅、压电和智能涂层传感器采集的信号的特征参数进行模糊化处理,得到三个隶属度函数;D、采用耶格尔算法进行模糊融合,得到综合隶属度函数和融合因子ω;E、将模糊融合后得到的综合隶属度函数,得到融合后的特征参数;F、利用融合因子与光纤光栅、压电、智能涂层的传感器数据进行模糊化处理后得到的数据作关系拟合处理,通过预测和验证得出融合后的特征参数与损伤量的关系。本发明能有效解决当前不能利用多传感器数据直接进行信息判断和综合诊断的问题。
Description
技术领域
本发明涉及健康监测技术,尤其涉及一种基于模糊融合的多传感器裂纹损伤综合诊断方法。
背景技术
利用光纤传感器可对其布贴局部区域的应力应变进行实时监测,且具有抗电磁干扰、抗腐蚀、灵敏度高、本征无源、易维护、重量轻、耐腐蚀等优点,使其在各种大型机电、石油化工、强电磁干扰、易燃、易爆、强腐蚀环境中得到越来越广泛的应用,但是光纤传感器能监测的区域范围较小,不能大范围的对结构进行监测。
压电传感器是基于压电效应的传感器,具有灵敏度高、工作频带宽、动态范围大等优点。基于压电元件和Lamb波的损伤诊断技术对金属结构和复杂材料结构内部的小损伤敏感,同时通过压电传感器网络的组合可以监测较大的结构区域,但压电传感器输出的直流响应差,需要采用高输入阻抗电路或电荷放大器来克服该缺点。
智能涂层技术可实现对结构裂纹的监测,已经得到了实际的应用,但是因为智能涂层脆性较大,当其应用在监测结构时会存在虚警率较高的问题,即当被监测结构未出现问题时,由于其他因素的影响导致其报警,因此限制了它的推广应用。
但是,随着飞行器的结构越来越复杂,对上述每一种传感器而言,监测均存在局限性和准确率的问题,而采用多传感器进行综合监测的方式可以做到更加高效。但是,采用多传感器方式进行裂纹损伤综合诊断时,由于每一种传感器的数据类型是不同的,因而又不能直接进行信息判断和综合诊断,因此需要对现有数据进行处理。
发明内容
有鉴于此,本发明的主要目的在于提供一种基于模糊融合的多传感器裂纹损伤综合诊断方法,以解决多传感器数据不能直接进行信息判断和综合诊断的问题,利用融合后的多传感器数据进行裂纹损伤的综合诊断。
为达到上述目的,本发明的技术方案是这样实现的:
一种基于模糊融合的多传感器裂纹损伤综合诊断方法,包括如下步骤:
A、采集光纤光栅光谱、Lamb波信号和智能涂层电阻值的步骤;
B、提取特征参数的步骤,包括:提取光纤光栅传感器的应变作为特征参数;提取压电传感器的幅值或相关系数或相位差作为特征参数;提取智能涂层传感器的电阻值作为特征参数;
C、利用高斯型隶属度函数,分别对光纤光栅、压电和智能涂层传感器采集的信号的特征参数进行模糊化处理,得到三个隶属度函数;
D、采用耶格尔算法进行模糊融合,得到综合隶属度函数和融合因子;
E、将模糊融合后得到的综合隶属度函数,采用体积重心法去模糊化,得到融合后的特征参数;
F、利用融合因子ω与光纤光栅、压电、智能涂层的传感器数据进行模糊化处理后得到的数据作关系拟合处理,通过预测和验证得出融合后的特征参数与损伤量的关系。
其中:步骤A所述采集光纤光栅光谱、Lamb波信号和智能涂层电阻值,是指在疲劳裂纹损伤加载条件下,等裂纹长度间隔内采集的实时数据。
步骤C具体包括:
C1、设高斯型隶属度函数,如下列公式:
其中:x为特征参数,m为隶属度分布的平均值,σ为隶属度分布的标准离差值;
C2、确定压电、光纤光栅和智能涂层高斯型隶属度函数公式中参数m和σ的值,并得到的三个隶属度函数;具体为:利用历史数据库中相似条件下N组数据确定压电、光纤光栅和智能涂层的均值和离差值来代替;
其中,所述参数m和σ的计算公式如下:
C3、将光纤光栅、压电和智能涂层传感器的特征参数xi分别带入各自的高斯型隶属度函数μ(x),分别求出光纤光栅、压电和智能涂层传感器隶属度的值。
相似地,步骤C还可以为:
C1′、设高斯型隶属度函数,如下列公式:
其中:x为特征参数,m为隶属度分布的平均值,σ为隶属度分布的标准离差值;
C2′、确定压电、光纤光栅和智能涂层高斯型隶属度函数公式中参数m和σ的值,并得到的三个隶属度函数;所述m和σ值通过神经网络的自适应学习方法得到;
C3′、将光纤光栅、压电和智能涂层传感器的特征参数x分别带入各自的高斯型隶属度函数μ(x),分别求出光纤光栅、压电和智能涂层传感器隶属度的值。
步骤D所述采用耶格尔算法进行模糊融合,具体为使用如下耶格尔公式进行隶属度函数值的模糊融合:
其中:Sω为综合隶属度函数值;a、b、c分别为光纤光栅、压电和智能涂层传感器采集的信号的特征参数模糊融合后的隶属度函数值;ω为融合因子,以使取得最小值;aω、bω、cω分别为a、b、c的ω次方。
步骤E所述采用体积重心法去模糊化的步骤,具体为:取隶属度函数曲线与横坐标围成面积的重心作为模糊推理的最终输出值,其公式如下:
其中:V0为重心向量,它刻画了各个影响因素的隶属度在论域中的集中程度,这样解决了用一个模糊区间来区分评价一个指标的局限性,v为特征参数x,μv为隶属度函数μ(x)。
所述的光纤光栅、压电和智能涂层的传感器数据模糊化处理后得到的数据,具体为:经过高斯隶属度函数模糊化之后的在[0,1]区间之内的数据。
步骤F所述利用融合因子ω与光纤光栅、压电、智能涂层的传感器数据进行模糊化处理后得到的数据作关系拟合处理,具体为:利用Matlab工具得到融合因子ω与压电、光纤光栅、智能涂层的传感器数据模糊化后的数据的分布关系,所述分布关系包括线性分布或威布尔分布。
本发明的基于模糊融合的多传感器裂纹损伤综合诊断方法,具有如下有益效果:
1)本发明采用基于隶属度函数的模糊融合方式,有效的解决了不能利用多传感器数据直接进行信息判断和综合诊断的问题,将融合后的多传感器数据进行裂纹损伤的综合诊断,能够实现对光纤光栅、压电和智能涂层传感器的信号进行数据融合,通过对融合后的数据进行分析实现对结构健康状况的监测。
2)采用本发明基于模糊融合的多传感器裂纹损伤综合诊断方法,能够解决单一的智能涂层传感器虚警率较高的问题,并且利用光纤光栅传感器质量轻、抗腐蚀性、抗干扰性好、监测精度高等优点,压电传感器灵敏度高、工作频带宽、动态范围大等优点充分发挥了三种传感器的优势。另外,在经典集合中,特征函数只能取0和1两个值,而在模糊集合中,其特征函数的取值范围从两个元素的集合扩大到[0,1]区间连续取值。模糊集合由隶属度函数来说明。三角形模糊数和梯形模糊数结构简单,易于构造,所以在工程应用中非常受欢迎。然而,总是用线性函数去表示一个模糊量是不合适的。所以本发明引入一种特殊的模糊数——高斯型模糊数。高斯型隶属度函数是一种非线性的表示形式,能更好的表示不确定或不精确的数字信息,提高了模糊集合的准确性。
3)本发明充分利用模糊集合的高斯型隶属度函数融合三种传感器数据的数据,利用耶格尔算法进行光纤光栅、压电和智能涂层在结构监测中的模糊融合,利用体积重心法去模糊化,使模糊方法能够很好的表达输出隶属度函数的计算结果,使输出推理控制更平滑,即使输入信号仅有微小变化,输出信号也会发生变化,最后利用融合因子ω与光纤光栅、压电和智能涂层传感器数据模糊化后的数据的拟合关系实现综合诊断。
附图说明
图1为本发明实施例基于模糊融合的多传感器裂纹损伤综合诊断方法的流程图;
图2为图1所示数据模糊化处理过程流程示意图;
图3为本发明实施例光纤光栅传感器特征参数数据;
图4为压电传感器特征参数数据;
图5为智能涂层传感器特征参数数据。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
图1为本发明实施例基于模糊融合的多传感器裂纹损伤综合诊断方法的流程图。
如图1所示,该基于模糊融合的多传感器裂纹损伤综合诊断方法,包括如下步骤:
步骤11:采集光纤光栅光谱、Lamb波信号和智能涂层电阻值的步骤。
其中,光纤光栅传感器是一种由玻璃或塑料制成的纤维,可作为光传导工具,其工作原理是将来自光源的光信号经过光纤送入调制器,使待测参数与进入调制区的光相互作用后,导致光的光学性质(如光的强度、波长、频率、相位、偏振态等)发生变化。压电式传感器是基于压电效应的传感器,它是一种以Lamb波作为损伤信息传递媒介的由敏感元件制成的自发电式和机电转换式传感器。智能涂层传感器是指一种以涂层的形式制备于目标物体上,能对环境产生选择性作用或者对环境变化响应,并实时改变自身的一种或多种性能参数向适应环境方向调整的传感器。
在本实施例中,所述采集光纤光栅光谱、Lamb波信号和智能涂层电阻值,是指在疲劳裂纹损伤加载条件下,等裂纹长度间隔内采集的实时数据。其中,微光的SM125机器采集光纤光栅光谱,利用Smart机器采集压电的Lamb波信号,采用现有的裂纹损伤监测系统采集智能涂层的电阻值。
步骤12:提取特征参数的步骤,具体包括:提取光纤光栅传感器的应变作为特征参数;提取压电传感器的幅值(或相关系数或相位差)作为特征参数;提取智能涂层传感器的电阻值作为特征参数。
在本实施例中,对于光纤传感器(参考图3),目前最常用的是光纤光栅传感器,其原理是通过分析经过光纤光栅光信号的特征参量(如光的强度、波长、频率、相位等)的变化来获取被测量值(如应变与温度),针对本发明的裂纹扩展问题,选取应变为特征参数。对于压电传感器而言(参考图4),常用的特征参数包括幅值、相关系数、相位差等。当Lamb的传播途径中存在裂纹,其裂纹前后的波形相关系数将会减小,由于裂纹会带来一部分能量的反射,所以幅值会降低,而由于裂纹所造成的传播路径增长则会导致相位差增大。对于智能涂层(参考图5),它是一种具有“随附损伤特性”的智能传感器,智能涂层通过感知结构周围应力应变变化,以电阻的变化作为损伤,通过计算机巡检来实时监测结构局部敏感区域损伤状态。
步骤13:利用高斯型隶属度函数,分别对光纤光栅、压电和智能涂层传感器采集的信号的特征参数进行模糊化处理,得到三个隶属度函数。
在本实施例中,所述的隶属度函数,是指若对论域(研究的范围)U中的任一元素x,都有一个数A(x)∈[0,1]与之对应,则称A为U上的模糊集,A(x)称为x对A的隶属度。当x在U中变动时,A(x)就是一个函数,称为A的隶属函数。隶属度A(x)越接近于1,表示x属于A的程度越高,A(x)越接近于0表示x属于A的程度越低。用取值于区间(0,1)的隶属函数A(x)表征x属于A的程度高低。其中,高斯隶属度函数是隶属度函数的一种非线性的表示形式(还有三角形隶属函数和梯形隶属函数)。
本实施例中,所述利用高斯型隶属度函数对特征参数模糊化处理,进一步包括:
步骤131:设高斯型隶属度函数,如下列公式:
其中:x为特征参数,m为隶属度分布的平均值,σ为隶属度分布的标准离差值。
步骤132:确定压电、光纤光栅和智能涂层高斯型隶属度函数公式中参数m和σ的值,并得到的三个隶属度函数。
这里,确定所述高斯型隶属度函数参数,一般的情况下m和σ的值根据经验取得,是一个定值。在本发明实施例中,确定所述高斯型隶属度函数参数的方式,主要有两种:
其一:利用历史数据库中相似条件下N组数据确定压电、光纤光栅和智能涂层的均值和离差值来代替。
其中,所述参数m和σ的计算公式如下:
其二:对于多传感器的结构健康监测而言,在监测过程中其环境条件是变化的,对不同条件就有不同的m和σ值,为了提高m和σ的准确性,m和σ值可以通过神经网络的自适应学习方法得到。
步骤133:将光纤光栅、压电和智能涂层传感器的特征参数xi分别带入各自的高斯型隶属度函数μ(x),分别求出光纤光栅、压电和智能涂层传感器隶属度的值。
步骤14:采用耶格尔算法进行模糊融合,得到综合隶属度函数和融合因子ω。
在本实施例中,所述的采用耶格尔算法进行模糊融合,具体为:使用如下耶格尔公式进行隶属度函数值的模糊融合。
其中:Sω为综合隶属度函数值;a、b、c分别为光纤光栅、压电和智能涂层传感器采集的信号的特征参数模糊融合后的隶属度函数值;ω为融合因子,以使取得最小值;aω、bω、cω分别为a、b、c的ω次方。
步骤15:将模糊融合后得到的综合隶属度函数,采用体积重心法去模糊化,得到融合后的特征参数。
在本实施例中,所述采用体积重心法去模糊化的步骤,具体为:取隶属度函数曲线与横坐标围成面积的重心作为模糊推理的最终输出值,其公式如下:
其中:V0为重心向量,它刻画了各个影响因素的隶属度在论域中的集中程度,这样解决了用一个模糊区间来区分评价一个指标的局限性,v为特征参数x,μv为隶属度函数μ(x)。
步骤16:利用步骤14中得到的融合因子ω与光纤光栅、压电、智能涂层的传感器数据进行模糊化处理后得到的数据作关系拟合处理,通过预测和验证得出融合后的特征参数与损伤量的关系。
在本实施例中,所述的光纤光栅、压电和智能涂层的传感器数据模糊化处理后得到的数据,具体为:经过高斯隶属度函数模糊化之后的在[0,1]区间之内的数据。
所述的利用融合因子ω与光纤光栅、压电、智能涂层的传感器数据进行模糊化处理后得到的数据作关系拟合处理,具体为:利用Matlab工具得到融合因子ω与压电、光纤光栅、智能涂层的传感器数据模糊化后的数据的分布关系,例如:线性分布、威布尔分布等。
本发明通过上述步骤11~步骤16,实现了基于隶属度函数的模糊融合的综合诊断,能够利用隶属度函数对光纤光栅、压电和智能涂层的传感器数据进行模糊化处理,能够对三种传感器模糊化的数据进行融合,然后通过体积重心法去模糊化,最后利用融合因子ω与光纤光栅、压电和智能涂层的传感器数据模糊化后的数据的拟合关系实现综合诊断。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (8)
1.一种基于模糊融合的多传感器裂纹损伤综合诊断方法,其特征在于,包括如下步骤:
A、采集光纤光栅光谱、Lamb波信号和智能涂层电阻值的步骤;
B、提取特征参数的步骤,包括:提取光纤光栅传感器的应变作为特征参数;提取压电传感器的幅值或相关系数或相位差作为特征参数;提取智能涂层传感器的电阻值作为特征参数;
C、利用高斯型隶属度函数,分别对光纤光栅、压电和智能涂层传感器采集的信号的特征参数进行模糊化处理,得到三个隶属度函数;
D、采用耶格尔算法进行模糊融合,得到综合隶属度函数和融合因子ω;
E、将模糊融合后得到的综合隶属度函数,采用体积重心法去模糊化,得到融合后的特征参数;
F、利用融合因子ω与光纤光栅、压电、智能涂层的传感器数据进行模糊化处理后得到的数据作关系拟合处理,通过预测和验证得出融合后的特征参数与损伤量的关系。
2.根据权利要求1所述基于模糊融合的多传感器裂纹损伤综合诊断方法,其特征在于,步骤A所述采集光纤光栅光谱、Lamb波信号和智能涂层电阻值,是指在疲劳裂纹损伤加载条件下,等裂纹长度间隔内采集的实时数据。
3.根据权利要求1所述基于模糊融合的多传感器裂纹损伤综合诊断方法,其特征在于,步骤C具体包括:
C1、设高斯型隶属度函数,如下列公式:
其中:x为特征参数,m为隶属度分布的平均值,σ为隶属度分布的标准离差值;
C2、确定压电、光纤光栅和智能涂层高斯型隶属度函数公式中参数m和σ的值,并得到的三个隶属度函数;具体为:利用历史数据库中相似条件下N组数据确定压电、光纤光栅和智能涂层的均值和离差值来代替;
其中,所述参数m和σ的计算公式如下:
C3、将光纤光栅、压电和智能涂层传感器的特征参数xi分别带入各自的高斯型隶属度函数μ(x),分别求出光纤光栅、压电和智能涂层传感器隶属度的值。
4.根据权利要求1所述基于模糊融合的多传感器裂纹损伤综合诊断方法,其特征在于,步骤C具体包括:
C1′、设高斯型隶属度函数,如下列公式:
其中:x为特征参数,m为隶属度分布的平均值,σ为隶属度分布的标准离差值;
C2′、确定压电、光纤光栅和智能涂层高斯型隶属度函数公式中参数m和σ的值,并得到的三个隶属度函数;所述m和σ值通过神经网络的自适应学习方法得到;
C3′、将光纤光栅、压电和智能涂层传感器的特征参数x分别带入各自的高斯型隶属度函数μ(x),分别求出光纤光栅、压电和智能涂层传感器隶属度的值。
5.根据权利要求1所述基于模糊融合的多传感器裂纹损伤综合诊断方法,其特征在于,步骤D所述采用耶格尔算法进行模糊融合,具体为使用如下耶格尔公式进行隶属度函数值的模糊融合:
其中:Sω为综合隶属度函数值;a、b、c分别为光纤光栅、压电和智能涂层传感器采集的信号的特征参数模糊融合后的隶属度函数值;ω为融合因子,使取得最小值;aω、bω、cω分别为a、b、c的ω次方。
6.根据权利要求1所述基于模糊融合的多传感器裂纹损伤综合诊断方法,其特征在于,步骤E所述采用体积重心法去模糊化的步骤,具体为:取隶属度函数曲线与横坐标围成面积的重心作为模糊推理的最终输出值,其公式如下:
其中:V0为重心向量,它刻画了各个影响因素的隶属度在论域中的集中程度,这样解决了用一个模糊区间来区分评价一个指标的局限性,v为特征参数x,μv为隶属度函数μ(x)。
7.根据权利要求1所述基于模糊融合的多传感器裂纹损伤综合诊断方法,其特征在于,所述的光纤光栅、压电和智能涂层的传感器数据模糊化处理后得到的数据,具体为:经过高斯隶属度函数模糊化之后的在[0,1]区间之内的数据。
8.根据权利要求1或7所述基于模糊融合的多传感器裂纹损伤综合诊断方法,其特征在于,步骤F所述利用融合因子ω与光纤光栅、压电、智能涂层的传感器数据进行模糊化处理后得到的数据作关系拟合处理,具体为:利用Matlab工具得到融合因子ω与压电、光纤光栅、智能涂层的传感器数据模糊化后的数据的分布关系,所述分布关系包括线性分布或威布尔分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810443896.9A CN108647642B (zh) | 2018-05-10 | 2018-05-10 | 基于模糊融合的多传感器裂纹损伤综合诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810443896.9A CN108647642B (zh) | 2018-05-10 | 2018-05-10 | 基于模糊融合的多传感器裂纹损伤综合诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108647642A true CN108647642A (zh) | 2018-10-12 |
CN108647642B CN108647642B (zh) | 2021-08-31 |
Family
ID=63754442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810443896.9A Active CN108647642B (zh) | 2018-05-10 | 2018-05-10 | 基于模糊融合的多传感器裂纹损伤综合诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647642B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110044522A (zh) * | 2019-03-25 | 2019-07-23 | 北京航空航天大学 | 一种利用神经网络实现压电式压力检测触屏压电响应均匀化的方法 |
CN110095470A (zh) * | 2019-04-15 | 2019-08-06 | 北京航空航天大学 | 一种基于光纤光栅传感器的裂纹损伤定量方法 |
CN111024527A (zh) * | 2019-12-06 | 2020-04-17 | 西安理工大学 | 一种基于多传感器数据融合的裂纹扩展监测方法 |
CN111415076A (zh) * | 2020-03-16 | 2020-07-14 | 上海理工大学 | 一种问卷调查的模糊综合评价方法 |
CN111561881A (zh) * | 2020-07-01 | 2020-08-21 | 金陵科技学院 | 一种基于anfis的长周期光纤光栅曲率测量方法 |
CN111693603A (zh) * | 2020-05-22 | 2020-09-22 | 中联重科股份有限公司 | 臂架监测方法、系统及包含该臂架监测系统的工程机械 |
CN113484418A (zh) * | 2021-07-09 | 2021-10-08 | 大连理工大学 | 一种基于多频域响应信号的损伤协同诊断技术 |
CN115754008A (zh) * | 2022-09-28 | 2023-03-07 | 哈尔滨工业大学(威海) | 结构损伤联合监测方法、系统、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592172A (zh) * | 2012-02-14 | 2012-07-18 | 西安交通大学 | 一种基于敏感测点数据融合的行星轮故障识别方法 |
CN103955750A (zh) * | 2014-04-04 | 2014-07-30 | 西安交通大学 | 基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法 |
CN104121804A (zh) * | 2014-07-23 | 2014-10-29 | 中北大学 | 一种基于多场信息融合的自动装填系统早期故障预示方法 |
CN106198749A (zh) * | 2015-05-08 | 2016-12-07 | 中国科学院声学研究所 | 一种基于金属裂纹监测的多路传感器的数据融合方法 |
-
2018
- 2018-05-10 CN CN201810443896.9A patent/CN108647642B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592172A (zh) * | 2012-02-14 | 2012-07-18 | 西安交通大学 | 一种基于敏感测点数据融合的行星轮故障识别方法 |
CN103955750A (zh) * | 2014-04-04 | 2014-07-30 | 西安交通大学 | 基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法 |
CN104121804A (zh) * | 2014-07-23 | 2014-10-29 | 中北大学 | 一种基于多场信息融合的自动装填系统早期故障预示方法 |
CN106198749A (zh) * | 2015-05-08 | 2016-12-07 | 中国科学院声学研究所 | 一种基于金属裂纹监测的多路传感器的数据融合方法 |
Non-Patent Citations (1)
Title |
---|
E. E. ELMADBOULY等: "Sensor Fusion and Sensor Fault Detection with Fuzzy Clustering", 《THE 2010 INTERNATIONAL CONFERENCE ON COMPUTER ENGINEERING & SYSTEMS》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110044522A (zh) * | 2019-03-25 | 2019-07-23 | 北京航空航天大学 | 一种利用神经网络实现压电式压力检测触屏压电响应均匀化的方法 |
CN110044522B (zh) * | 2019-03-25 | 2020-07-24 | 北京航空航天大学 | 一种利用神经网络实现压电式压力检测触屏压电响应均匀化的方法 |
CN110095470A (zh) * | 2019-04-15 | 2019-08-06 | 北京航空航天大学 | 一种基于光纤光栅传感器的裂纹损伤定量方法 |
CN111024527A (zh) * | 2019-12-06 | 2020-04-17 | 西安理工大学 | 一种基于多传感器数据融合的裂纹扩展监测方法 |
CN111415076A (zh) * | 2020-03-16 | 2020-07-14 | 上海理工大学 | 一种问卷调查的模糊综合评价方法 |
CN111693603A (zh) * | 2020-05-22 | 2020-09-22 | 中联重科股份有限公司 | 臂架监测方法、系统及包含该臂架监测系统的工程机械 |
CN111561881A (zh) * | 2020-07-01 | 2020-08-21 | 金陵科技学院 | 一种基于anfis的长周期光纤光栅曲率测量方法 |
CN111561881B (zh) * | 2020-07-01 | 2021-11-23 | 金陵科技学院 | 一种基于anfis的长周期光纤光栅曲率测量方法 |
CN113484418A (zh) * | 2021-07-09 | 2021-10-08 | 大连理工大学 | 一种基于多频域响应信号的损伤协同诊断技术 |
CN115754008A (zh) * | 2022-09-28 | 2023-03-07 | 哈尔滨工业大学(威海) | 结构损伤联合监测方法、系统、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108647642B (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647642A (zh) | 基于模糊融合的多传感器裂纹损伤综合诊断方法 | |
Wu et al. | One-dimensional CNN-based intelligent recognition of vibrations in pipeline monitoring with DAS | |
CN104729667B (zh) | 一种分布式光纤振动传感系统中的扰动类型识别方法 | |
CN104240455B (zh) | 一种分布式光纤管线安全预警系统中的扰动事件识别方法 | |
CN112304613B (zh) | 一种基于特征融合的风电机组发电机轴承预警方法 | |
CN106503642B (zh) | 一种应用于光纤传感系统的振动模型建立方法 | |
Lei et al. | An intelligent fault diagnosis method based on domain adaptation and its application for bearings under polytropic working conditions | |
CN109213121A (zh) | 一种风机制动系统卡缸故障诊断方法 | |
CN109973331B (zh) | 一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法 | |
Lyu et al. | Robust intrusion events recognition methodology for distributed optical fiber sensing perimeter security system | |
CN112465006A (zh) | 一种图神经网络目标跟踪方法及装置 | |
CN108628164A (zh) | 一种基于循环神经网络模型的工业过程半监督软测量方法 | |
CN108760305A (zh) | 一种轴承故障检测方法、装置及设备 | |
Zhang et al. | Timber damage identification using dynamic broad network and ultrasonic signals | |
Shao et al. | Statistical distribution modelling and parameter identification of the dynamic stress spectrum of a tractor front driven axle | |
Liu et al. | Road roughness acquisition and classification using improved restricted Boltzmann machine deep learning algorithm | |
CN115270239A (zh) | 基于动力特性和智能算法响应面法的桥梁可靠性预测方法 | |
CN110210326A (zh) | 一种基于光纤振动信号的在线列车识别及速度估计方法 | |
Alazzawi et al. | Deep convolution neural network for damage identifications based on time-domain PZT impedance technique | |
CN107628268A (zh) | 基于低频逼近系数变化幅度的单边固支机翼冲击定位方法 | |
CN113973403A (zh) | 基于结构离散测点拓扑的温致应变场重分布智能感知方法 | |
Wang et al. | Estimation of measurement results with poor information using the dynamic bootstrap grey method | |
Bi et al. | A fault diagnosis algorithm for wind turbine blades based on bp neural network | |
Wang et al. | Rolling bearing diagnosis method based on improved standardized variable distance fusion hierarchical state space correlation entropy | |
CN113076693A (zh) | 基于支持向量机和隐马模型的路面压实质量评价方法 |
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 |