CN109376760B - 一种基于正交化局部敏感判别分析的铝板腐蚀检测方法 - Google Patents
一种基于正交化局部敏感判别分析的铝板腐蚀检测方法 Download PDFInfo
- Publication number
- CN109376760B CN109376760B CN201811057750.7A CN201811057750A CN109376760B CN 109376760 B CN109376760 B CN 109376760B CN 201811057750 A CN201811057750 A CN 201811057750A CN 109376760 B CN109376760 B CN 109376760B
- Authority
- CN
- China
- Prior art keywords
- corrosion
- aluminum plate
- discriminant analysis
- class
- signals
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
本发明公开了一种基于正交化局部敏感判别分析的铝板腐蚀检测方法,包括以下步骤:采集铝板的腐蚀散射信号;采用正交化局部敏感判别分析对信号进行处理,提取出具有高判别力的特征;建立训练样本和测试样本,采用循环神经网络对铝板的腐蚀程度进行检测。本发明具有以下优点和效果:本发明一方面采用正交化局部敏感判别分析对信号进行处理,可以提取出具有高判别力的局部特征,另一方面采用循环神经网络这一深度学习方法可有效检测铝板的腐蚀并且对腐蚀程度进行识别,运算周期短,准确率高。
Description
技术领域
本发明涉及工程结构损伤检测领域,特别涉及一种基于正交化局部敏感判别分析的铝板腐蚀检测方法。
背景技术
铝和铝合金因其质量轻、导电性好、导热性强和耐氧化等特点,被广泛应用于飞机、汽车、火车和船舶等制造领域。而板是组成各种结构的基本构件之一,如梁桥路面、船舶的薄板构件、集装箱、汽车或铁路机车车厢、管道、各种机械装备底板等承载件。在化工、船舶和核电等比较恶劣复杂的工作环境下,铝板易发生化学腐蚀、电化学腐蚀和氢蚀,导致其性能下降甚至发生泄漏,给设备的安全运行带来隐患。据统计,我国每年因腐蚀造成的经济损失达GDP的4%。因此,对铝板的状态进行检测,以便早期发现腐蚀是十分有价值和现实意义的。
然而,设备的外部腐蚀基本肉眼可见,但内部腐蚀一般难以发现。另外,传统的无损检测方法不仅耗时较长,且无法对设备进行大面积检测。为了解决上述问题,本发明为铝板的腐蚀检测提供一种智能检测方法。
正交化局部敏感判别分析(Orthogonal Locality Sensitive DiscriminantAnalysis,OLSDA)方法是一种特征提取方法,可有效提取数据的局部特征。其首先把高维的数据映射到一个线性特征子空间里,使得在这个特征子空间中同类样本和异类样本之间的边缘差值达到最大,以保持局部结构特征。然后,以正交基函数为附加条件,将其作用于目标函数中,这样,就可以在很大程度上增加不同类样本间的判别信息,更有利于对铝板的腐蚀状况进行识别。
循环神经网络(Recurrent Neural Networks,RNNs),本质上是一种人工神经网络模型,其具有输入层、隐藏层和输出层,具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中,即隐藏层之间的节点不再无连接而是有连接的,并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出,对数据进行处理从而实现特征自我学习和模式识别。有关利用基于正交化局部敏感判别分析的循环神经网络对对铝板腐蚀进行检测的研究,目前尚无报道。
发明内容
本发明所要解决的技术问题是提供一种铝板腐蚀检测的准确方法。
本发明的上述技术目的是通过以下技术方案得以实现的:一种基于正交化局部敏感判别分析的铝板腐蚀检测方法,包括以下步骤:
S1、采集铝板的腐蚀散射信号;
S2、采用正交化局部敏感判别分析对信号进行处理,提取出具有高判别力的特征;
S3、建立训练样本和测试样本,采用循环神经网络对铝板的腐蚀程度进行检测。
进一步设置是所述的步骤S1具体包括:
S11、将激励传感器和响应传感器布置在铝板上,其中腐蚀源的位置设置在两个传感器所在线段的中点;
S12、对腐蚀损伤检测系统进行设置,设置采样频率为10MHz、采样长度为5000、预采集长度为500、系统触发采集的触发阈值为0.01V;
S13、对激励传感器进行激励,采集铝板在健康状态下的响应信号;
S14、将科勒试剂滴在铝板上造成腐蚀,采集铝板在腐蚀状态下的信号,以健康状态和腐蚀状态下的响应信号之差作为腐蚀散射信号。
进一步设置是所述的步骤S2具体包括:
S21、设定类内距离和类间距离的目标函数;
S22、对目标函数进行优化;
S23、利用正交基函数计算特征向量;
S24、通过迭代基向量运算,计算特征矩阵。
进一步设置是所述的步骤S3具体包括:
S31、将已知不同腐蚀状况的特征矩阵作为训练样本输入至循环神经网络中,进行模式特征的自动学习,获得已知腐蚀状况的检测模型;
S32、在另外一块完全相同的铝板进行相同的设置,在人为制造腐蚀的过程中随机采集腐蚀散射信号;
S33、计算未知腐蚀程度信号的特征矩阵,构造测试样本;
S34、将测试样本输入已知测试模型,检测腐蚀并确定腐蚀程度。
进一步设置是所述的步骤S21中,
假定在在流形M中,有n个样本集xi∈X(X=(xi,ci)|i=1,2,…,n;xi∈Rd),其类别标签为ci∈(1,2,…,r)。定义类内距离和类间距离的目标函数:
上式中,SW和Sb是两个对应的加权系数矩阵,其中
上式中,PW(xj)和PW(xi)分别表示类内与xj和xi相同标记的k近邻,Pb(xj)和Pb(xi)分别表示类内与xj和xi不相同标记的k近邻。
本发明的有益效果是:本发明一方面采用正交化局部敏感判别分析对信号进行处理,可以提取出具有高判别力的局部特征,另一方面采用循环神经网络这一深度学习方法可有效检测铝板的腐蚀并且对腐蚀程度进行识别,运算周期短,准确率高。
附图说明
图1为本发明的方法流程图;
图2为本发明的整体流程运行图;
图3为本发明中循环神经网络的结构图;
图4为本发明中传感器布置示意图图;
图5为本发明中4mm深度腐蚀散射信号图;
图6为本发明中铝板多程度腐蚀分类混淆矩阵结果。
具体实施方式
下面结合附图对本发明做进一步详细描述。
如图1至图3所示,为本发明实施例中,提出的一种基于正交化局部敏感判别分析的铝板腐蚀检测方法,包括以下步骤:
S1、采集铝板的腐蚀散射信号。其主要包含:
a)将激励传感器和响应传感器布置在铝板上,其中两传感器位于铝板的中线上,而腐蚀源的位置设置在两个传感器之间线段的中点上;
b)对腐蚀损伤检测系统进行设置,设置采样频率为10MHz、采样长度为5000、预采集长度为500、系统触发采集的触发阈值为0.01V;
c)对激励传感器进行激励,采集铝板在健康状态下的响应信号;
d)将科勒试剂滴在10mm厚度铝板上造成腐蚀,分别将0~2mm、2~4mm、4~6mm、6~8mm、8~10mm之间的铝板腐蚀程度定义为一级腐蚀、二级腐蚀、三级腐蚀、四级腐蚀和五级腐蚀。采集铝板在不同腐蚀状态下的信号,以健康状态和腐蚀状态下的响应信号之差作为腐蚀散射信号。
S2、采用正交化局部敏感判别分析对信号进行处理,提取出具有高判别力的特征。其主要包含:
a)设定类内距离和类间距离的目标函数;
假定在在流形M中,有n个样本集xi∈X(X=(xi,ci)|i=1,2,…,n;xi∈Rd),其类别标签为ci∈(1,2,…,r)。定义类内距离和类间距离的目标函数:
式(1)和式(2)中,SW和Sb是两个对应的加权系数矩阵,其中
式(3)和式(4)中,PW(xj)和PW(xi)分别表示类内与xj和xi相同标记的k近邻,Pb(xj)和Pb(xi)分别表示类内与xj和xi不相同标记的k近邻。
b)对目标函数进行优化;
将类内距离和类间距离的目标函数进行合并,转化为对下列方程的求解:
a=argmax aTXBXTa (5)
其中,aTXDWXTa=1,B=βLb+(1-β)SW,β是调节参数,Lb是类间拉普拉斯矩阵,DW是类内对角阵。
c)利用正交基函数计算特征向量;
在对数据进行降维的过程中,为了最大程度保持数据的局部线性重构关系,可使基向量之间相互正交,即AAT=1,这样就可避免局部特征子空间发生结构性失真。假设W=[w1,w2,…,wk]为输出的新的正交向量,且满足令
Sd=XDWX,Su=XBX Wk-1=[w1,w2,…,wk-1],Ck-1=[Wk-1],且约束条件wTSdw=1。这样知道w1对应的特征值,由式(5)可求出第k个特征值所对应的特征向量。使用拉格朗日乘数法,则
对上式进行求解,可发现wk为下式的最大特征值对应的特征向量
{I-(Sd)-1Wk-1[Ck-1]-1[Wk-1]T}×(Sd)-1Suwk=λwk (7)
d)通过迭代基向量运算,可以得到特征矩阵A0=[w1,w2,…,wk]。
S3、建立训练样本和测试样本,采用循环神经网络对铝板的腐蚀程度进行检测。其主要包含:
a)将已知不同腐蚀状况的特征矩阵作为训练样本输入至循环神经网络中,进行模式特征的自动学习,获得已知腐蚀状况的检测模型;
循环神经网络主要包括输入层、隐藏层和输出层,其中隐藏层可具有多个,本发明中设定隐藏层为2层,其结构如图3所示。其循环神经网络的学习过程为:输入数据从输入层单元传到隐藏层单元,经过隐藏层单元逐层处理后再传到输出层单元,最后由输出层单元处理后产生输出数据。在这个过程中如果输出数据和期望数据的误差不能满足要求时则通过修正各层神经元的连接权值,使误差逐步趋于最小值。算法的主要计算步骤如下:
a-1)设定隐藏层,对权值和阈值进行初始化,分别设定为1和0.3。
a-2)训练样本p,计算循环神经网络的输出值Yr和误差函数值。
其中,wi0为隐藏层单元i与输出层单元的连接权值,为隐藏层单元的输出值,r为当前的输入向量序号,so为输出单元的阈值,为输入矢量xr的第i个分量,Yr-1为网络在前一个时间节拍(r-1)的输出值,Nl为输入向量的大小,为隐藏层单元k在(r-1)时间节拍的输出值,sj为隐藏层单元的阈值,wkj为隐藏层单元k与隐藏层单元j的连接权值,woj为隐藏层单元j与输出层的连接权值,wij为输出单元i与隐藏层j的连接权值。
对于激活函数g(x),选择对数型函数:
a-3)更新输出层神经元的权值和阈值。网络的训练中为了提高收敛速度,使用自适应的训练速率αP(t),权值的更新由下式得到:
其中,EP(t)为误差函数,用于计算梯度:
a-4)计算隐藏层神经元的误差值,并更新其权值和阈值。训练的总误差E(t)为
a-5)重复上述步骤中的a-2)至a-4),直至网络收敛至E(t),小于设定误差值。
在这个阶段,整个网络的权值和阈值误差反向传播不断地进行调整。最后,在输出层中给出分类结果。
b)在另外一块完全相同的铝板进行相同的设置,传感器和损伤源的布置与上一块铝板完全相同。然后采取相同的步骤,对铝板进行腐蚀,在腐蚀的过程中随机采集腐蚀散射信号;
c)按照相同的步骤采用正交化局部敏感判别分析计算未知腐蚀程度信号的特征矩阵,构造测试样本;
d)将测试样本输入已知测试模型,检测腐蚀并确定腐蚀程度,最终诊断出腐蚀并对腐蚀的程度进行判定。
如图4至图6所示,为验证基于损伤指标的循环神经网络铝板腐蚀检测方法的正确性,在铝板上进行了实验。首先在铝板上布置激励传感器和响应传感器,铝板的尺寸为800mm×800mm×10mm,传感器的布置如图4所示,其中点A和点B分别为激励和响应传感器的位置,而中心点点N为腐蚀缺陷的位置。对腐蚀损伤检测系统进行设置,设置采样频率为10MHz、采样长度为5000、预采集长度为500、系统触发采集的触发阈值为0.01V。对激励传感器进行激励,收集铝板在正常状态下的响应信号。然后人为地在铝板上制造不同程度的腐蚀,腐蚀试剂采用科勒试剂,在N点位置处用试管滴下科勒试剂。实验发现通常滴下3滴科勒试剂可令铝板产生深度为2mm的腐蚀,而铝板的厚度为10mm,所以分别将0~2mm、2~4mm、4~6mm、6~8mm、8~10mm之间的铝板腐蚀程度定义为一级腐蚀、二级腐蚀、三级腐蚀、四级腐蚀和五级腐蚀,分别将健康状态、一级腐蚀、二级腐蚀、三级腐蚀、四级腐蚀和五级腐蚀设定为腐蚀程度1、2、3、4、5和6。这样每滴下一滴腐蚀试剂后,待腐蚀试剂腐蚀完后,采集铝板的腐蚀信号,以健康状态和腐蚀状态的信号之差作为腐蚀散射信号。实验中,4mm深度的腐蚀缺陷时铝板的腐蚀散射信号如图5所示。每滴下一滴腐蚀试剂后进行100次采样,这样每个程度的腐蚀有300个样本,将总共1500个样本数据作为训练数据。
采用正交化局部敏感判别分析对训练数据进行处理,提取出具有高判别力的特征。首先设定类内距离和类间距离的目标函数,之后对目标函数进行优化,然后利用正交基函数计算特征向量wk,最后通过迭代基向量运算,计算特征矩阵A0,将其作为训练样本。将训练样本输入循环神经网络自动学习每一种程度的腐蚀特征,获得已知腐蚀状况的检测模型。
在另外一块完全相同的铝板进行相同的设置,传感器和损伤源的布置与上一块铝板完全相同。然后采取相同的步骤,对铝板进行腐蚀,在腐蚀的过程中随机进行一百次采样,总共获得100个样本,将其作为测试数据。按照相同的步骤采用正交化局部敏感判别分析计算未知腐蚀程度信号的特征矩阵,构造测试样本。将测试样本输入已知腐蚀状况的检测模型,检测腐蚀并确定腐蚀程度,最终诊断出腐蚀并对腐蚀的程度进行判定,获得铝板腐蚀程度分类结果。图6为铝板腐蚀程度分类的混淆矩阵图。训练样本腐蚀程度分类平均准确率为100%,测试样本为99.17%。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (4)
1.一种基于正交化局部敏感判别分析的铝板腐蚀检测方法,其特征在于,包括以下步骤:
S1、采集铝板的腐蚀散射信号;
S2、采用正交化局部敏感判别分析对信号进行处理,提取出具有高判别力的特征;
S3、建立训练样本和测试样本,采用循环神经网络对铝板的腐蚀程度进行检测;
所述的步骤S1具体包括:
S11、将激励传感器和响应传感器布置在铝板上,其中两传感器位于铝板的中线上,而腐蚀源的位置设置在两个传感器之间线段的中点上;
S12、对腐蚀损伤检测系统进行设置,设置采样频率为10MHz、采样长度为5000、预采集长度为500、系统触发采集的触发阈值为0.01V;
S13、对激励传感器进行激励,采集铝板在健康状态下的响应信号;
S14、将科勒试剂滴在10mm厚度铝板上造成腐蚀,分别将0~2mm、2~4mm、4~6mm、6~8mm、8~10mm之间的铝板腐蚀程度定义为一级腐蚀、二级腐蚀、三级腐蚀、四级腐蚀和五级腐蚀,采集铝板在不同腐蚀状态下的信号,以健康状态和腐蚀状态下的响应信号之差作为腐蚀散射信号。
2.根据权利要求1所述的一种基于正交化局部敏感判别分析的铝板腐蚀检测方法,其特征在于,所述的步骤S2具体包括:
S21、设定类内距离和类间距离的目标函数;
S22、对目标函数进行优化;
S23、利用正交基函数计算特征向量;
S24、通过迭代基向量运算,计算特征矩阵。
3.根据权利要求1所述的一种基于正交化局部敏感判别分析的铝板腐蚀检测方法,其特征在于,所述的步骤S3具体包括:
S31、将已知不同腐蚀状况的特征矩阵作为训练样本输入至循环神经网络中,进行模式特征的自动学习,获得已知腐蚀状况的检测模型;
S32、在另外一块完全相同的铝板进行相同的设置,在人为制造腐蚀的过程中随机采集腐蚀散射信号;
S33、计算未知腐蚀程度信号的特征矩阵,构造测试样本;
S34、将测试样本输入已知测试模型,检测腐蚀并确定腐蚀程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811057750.7A CN109376760B (zh) | 2018-09-11 | 2018-09-11 | 一种基于正交化局部敏感判别分析的铝板腐蚀检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811057750.7A CN109376760B (zh) | 2018-09-11 | 2018-09-11 | 一种基于正交化局部敏感判别分析的铝板腐蚀检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109376760A CN109376760A (zh) | 2019-02-22 |
CN109376760B true CN109376760B (zh) | 2022-03-22 |
Family
ID=65405072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811057750.7A Active CN109376760B (zh) | 2018-09-11 | 2018-09-11 | 一种基于正交化局部敏感判别分析的铝板腐蚀检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376760B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101943681A (zh) * | 2010-08-24 | 2011-01-12 | 浙江大学 | 一种桥梁缆索腐蚀的判定以及定位的方法 |
CN101980298A (zh) * | 2010-11-04 | 2011-02-23 | 西安电子科技大学 | 基于多智能体遗传聚类算法的图像分割方法 |
CN107689015A (zh) * | 2017-08-11 | 2018-02-13 | 国家电网公司 | 一种改进的电力系统不良数据辨识方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104458895A (zh) * | 2014-12-08 | 2015-03-25 | 清华大学 | 管道三维漏磁成像检测方法及系统 |
-
2018
- 2018-09-11 CN CN201811057750.7A patent/CN109376760B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101943681A (zh) * | 2010-08-24 | 2011-01-12 | 浙江大学 | 一种桥梁缆索腐蚀的判定以及定位的方法 |
CN101980298A (zh) * | 2010-11-04 | 2011-02-23 | 西安电子科技大学 | 基于多智能体遗传聚类算法的图像分割方法 |
CN107689015A (zh) * | 2017-08-11 | 2018-02-13 | 国家电网公司 | 一种改进的电力系统不良数据辨识方法 |
Non-Patent Citations (1)
Title |
---|
《全局与局部判别信息融合的转子故障数据集降维方法研究》;赵孝礼;《自动化学报》;20170430;第43卷(第4期);第560-567页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109376760A (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN108447057B (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
CN104361414B (zh) | 一种基于相关向量机的输电线路覆冰预测方法 | |
CN108536971A (zh) | 一种基于贝叶斯模型的结构损伤识别方法 | |
CN111368920A (zh) | 基于量子孪生神经网络的二分类方法及其人脸识别方法 | |
CN111122162B (zh) | 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法 | |
CN113822201B (zh) | 基于流场速度分量时程的水下物体外形识别的深度学习方法 | |
CN113962264A (zh) | 一种基于深度学习的航空发动机转子系统故障诊断算法 | |
CN117521512A (zh) | 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法 | |
CN107689015A (zh) | 一种改进的电力系统不良数据辨识方法 | |
CN114048546A (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
CN114417729A (zh) | 一种基于bp神经网络的矿区环境安全预警方法 | |
CN114154530A (zh) | 一种心电时序信号房颤检测模型训练方法及装置 | |
CN113723496A (zh) | 一种电抗器铁心松动故障诊断方法、装置和设备 | |
CN109376760B (zh) | 一种基于正交化局部敏感判别分析的铝板腐蚀检测方法 | |
CN117171702A (zh) | 一种基于深度学习的多模态电网故障检测方法和系统 | |
CN109389313B (zh) | 一种基于加权近邻决策的故障分类诊断方法 | |
CN116643190A (zh) | 一种锂电池健康状态实时监测方法及系统 | |
Glaz et al. | Approximations and inequalities for moving sums | |
CN111273126A (zh) | 一种配电网拓扑快速感知方法 | |
CN116466408A (zh) | 一种基于航磁数据的人工神经网络超基性岩识别方法 | |
CN115935814A (zh) | 一种基于arima-svm模型的变压器故障预测方法 | |
CN115422977A (zh) | 基于cnn-bls网络的雷达辐射源信号识别方法 | |
CN105699043A (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
CN111506045B (zh) | 一种基于单值中智集相关系数的故障诊断方法 |
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 |