CN110110583B - 一种实时在线一体化桥梁模态自动识别系统 - Google Patents
一种实时在线一体化桥梁模态自动识别系统 Download PDFInfo
- Publication number
- CN110110583B CN110110583B CN201910192752.5A CN201910192752A CN110110583B CN 110110583 B CN110110583 B CN 110110583B CN 201910192752 A CN201910192752 A CN 201910192752A CN 110110583 B CN110110583 B CN 110110583B
- Authority
- CN
- China
- Prior art keywords
- data
- analysis
- real
- modal
- automatic identification
- 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
Links
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000004458 analytical method Methods 0.000 claims abstract description 51
- 238000012544 monitoring process Methods 0.000 claims abstract description 42
- 230000005540 biological transmission Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 42
- 230000011218 segmentation Effects 0.000 claims description 14
- 230000001186 cumulative effect Effects 0.000 claims description 13
- 230000000750 progressive effect Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010223 real-time analysis Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 2
- 230000036541 health Effects 0.000 description 15
- 238000007405 data analysis Methods 0.000 description 11
- 230000001133 acceleration Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/96—Management of image or video recognition tasks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种实时在线一体化桥梁模态参数自动识别系统,包括:数据传输与解析模块,用于将采集的监测数据转换为标准数据文件并进行存储;数据监测和读取模块,用于通过实时检测存储的标准数据文件的数据量判断是否调用模态参数自动识别算法,如果数据量达到分析用数据量时,即通过所述的算法开始分析;模态参数自动识别模块,用于通过模态参数自动识别算法进行模态参数的识别。本发明首次引入图像识别领域的图像识别算法,只需要输入最大聚类数目就可以实现模态参数自动识别,引入的图像识别算法相较与传统识别算法简化了参数输入的难度,更适合实时在线识别。
Description
技术领域
本发明属于桥梁健康监测领域,涉及一种桥梁模态参数自动识别系统,特别是涉及一种数据采集与分析一体化的实时在线桥梁模态自动识别系统。
背景技术
桥梁作为交通的咽喉要道,在近些年得到大力的发展,尤其是随着润扬长江大桥、苏通大桥、港珠澳大桥等相继建成,使我国桥梁在设计、施工和养护管理等方面,都达到空前的高度。模态参数是桥梁状态评估的基本参数,由于实时在线桥梁结构状态评估的需要,实时在线桥梁结构模态参数识别成为基于健康监测的桥梁评估的基本需求。一个合格的健康监测系统要能够实时分析采集的监测数据,将其解析为对结构评估有用的结果数据,因此,实时在线模态参数识别也是桥梁健康监测的最基本内容。
目前,桥梁健康监测系统的模态识别主要分两步实现:第一步是实时在线数据采集。健康监测系统通过布置在桥梁现场的传感器将采集的加速度数据传回监控中心,进行展示,并离线存储,其展示的结果如图1,这一步的技术相对成熟;第二步是数据分析,即基于监测数据的桥梁模态参数识别。许多算法可以服务于模态参数识别,也有一些研究将模态识别过程自动化,但所有的识别过程都采用的是离线存储的监测数据。所以,现有的模态识别过程是数据采集与数据分析割裂的状态,所有的健康监测系统只停留在第一步数据采集与展示的过程,没有实时将监测数据自动解析为模态参数的过程。然而,对于工程结构而言,第一步(如图1)的展示结果不能给工程人员提供任何有价值的用于结构评估的信息。
桥梁健康监测的基本需求是实时在线,从技术角度看,实时在线桥梁模态参数自动识别是一项系统性工程,现有的基于离线数据的模态参数自动识别都不能满足实时化需求。要实现实时化,首先要实现的是自动化,实时在线模态参数识别需要首先从三个层面实现真正的自动化:数据传输自动化、数据获取自动化和数据分析自动化。
申请人前期在基于FDD法的实时在线模态参数自动识别过程中做了简单尝试,采用中间数据库、滑动数据窗的方式基本实现了模态参数自动识别,但是识别过程存在数据库数据操作不够简单、历史数据累积、实时在线保持较难、FDD算法长时间识别结果精度不够的问题。
发明内容
为满足桥梁健康监测实时在线的基本需求,解决现有健康监测系统采集与分析剥离、实时性和自动化不足的问题,本发明提供一种基于SSI法得到的稳定图的实时在线自动识别的模态参数自动识别系统,实时在线分析监测系统采集的监测数据,得到结构模态参数。
为了实现上述任务,本发明采用以下技术方案:
一种实时在线一体化桥梁模态参数自动识别系统,包括:
数据传输与解析模块,用于将采集的监测数据转换为标准数据文件并进行存储;
数据监测和读取模块,用于通过实时检测存储的标准数据文件的数据量判断是否调用模态参数自动识别算法,如果数据量达到分析用数据量时,即通过所述的算法开始分析;
模态参数自动识别模块,用于通过模态参数自动识别算法进行模态参数的识别,识别过程包括:
数据预处理,然后进行模态参数识别并绘制稳定图;基于稳定图,计算各数据点在不同聚类数目下各数据之间的隶属度矩阵,继而将隶属度矩阵转化成邻接矩阵,最终利用图切分过程得到最佳聚类数目,从而得到最终识别出的模态参数。
进一步地,所述的数据监测和读取模块还用于实现:
通过递进的动态可变滑动数据窗保证实时分析的稳定性;其中,所述的递进的动态可变滑动数据窗具体过程为:
(1)在采样频率固定的条件下,设定每次识别的分析时长和间隔时长;
(2)实时检测标准数据文件的数量,判断数据量是否满足分析时长要求,如果满足,则开始读入监测数据并传递给模态参数自动识别模块;否则,继续检测;
(3)调用模态参数自动识别算法,自动识别结构模态参数,并记录分析时间;
(3)如果分析时间大于间隔时长,则下一次识别过程增加分析时长,否则,继续计算过程;
(4)删除间隔时长长度的历史数据,重复(2)~(3)进行下一次分析。
进一步地,所述的计算各数据点在不同聚类数目下各数据之间的隶属度矩阵,包括:
首先通过最小化一个目标函数J将n个数据点划分成c个聚类:
其中,xj为数据点数值,ci为聚类中心,p为加权指数,uij表示第j个数据点属于第i类的隶属度;
利用拉格朗日乘子法变换可得:
其中,ci和ck均表示聚类中心;uij满足以下条件:
把所有数据点划分到每类的隶属度写成矩阵形式形成隶属度矩阵:
进一步地,所述的将隶属度矩阵转化成邻接矩阵,包括:
构造n个数据点的所属聚类编号组成的一维向量L=[l1,l2,…,ln,],然后根据向量构造邻接矩阵O=[oij]n×n:
即当第i个数据点和第j个数据点属于同一类时oij=1,否则oij=0;
将所有的邻接矩阵叠加形成累积邻接矩阵:
其中,c表示稳定图中的数据点划分的类的个数,K表示划分的类的最大值,也就是用户输入的最大聚类个数。
进一步地,所述的利用图切分过程得到最佳聚类数目,包括:
a.首先采用深度优先搜索算法查找累积邻接矩阵J中的邻接子图并统计子图个数;
c.判断累积邻接矩阵Jt+1是否为零矩阵,如果是,则停止图切分过程,否则继续进行图切分过程,t=t+1;
d.统计出现次数最多的聚类个数,得到最佳聚类数目。
本发明从数据传输、数据获取和数据分析三个层面实现模态参数自动识别,提出并实现的实时在线模态参数自动识别系统将数据采集、传输和分析集成为一体,直接分析采集系统的监测数据,真正实现模态参数实时在线自动识别。与现有技术相比,本发明具有以下技术特点:
1.通过数据解析、标准格式数据转换过程、实时数据检测、动态可变滑动数据窗和图像识别算法实现实时在线模态参数自动识别。
2.解决现有桥梁模态识别数据采集和数据分析剥离的现状,真正实现实时在线模态参数自动识别。
3.提出递进的动态可变滑动数据窗,保证实时在线模态参数识别的实时性和稳定性。
4.首次将图像识别算法引入模态参数自动识别,跟现有模态自动识别方法相比,简化了参数输入难度。
附图说明
图1为现有健康监测数据展示结果;
图2为模态实时在线自动识别的三层架构体系;
图3为实时在线数据解析与传输框架;
图4为动态可变滑动数据窗;
图5为本发明系统的模态参数自动识别流程图;
图6为Benchmark模型;
图7为加速度传感器;
图8为NICrio-9036采集主机;
图9为实时在线数据解析展示;
图10为保存的标准格式的监测数据;
图11为原始稳定图;
图12为剔除虚假结果的稳定图;
图13为基于图像识别算法自动识别得到的稳定图;
图14为实时在线模态自动识别系统结果展示界面;
图15为本发明系统的结构框图。
具体实施方式
本发明提出了一种实时在线一体化桥梁模态自动识别系统,该系统通过数据解析层、数据供给层和数据分析层三层架构体系实现模态参数自动识别,架构体系如图2。数据解析层解决实时在线模态识别的数据来源问题;数据供给层一方面解决模态识别过程数据的实时供给问题,另一方面保证模态识别的实时性;数据分析层是实时在线模态参数自动识别的核心算法层,通过相关算法实时分析数据供给层提供的监测数据,并输出识别结果。
一种实时在线一体化桥梁模态自动识别系统,包括:
1.数据传输与解析模块
首先通过交换机将进行模态识别的电脑与数据采集系统连接,通过数据解析算法将传感器采集的监测数据解析为可供模态识别系统识别的数据格式,并按照标准格式进行存储。
该模块实现的功能包括数据采集、传输和解析,基于TCP/IP协议通过交换机将采集的监测数据直接转换成可供读取的数据格式供模态识别系统实时调用。整体流程框架如图3:
本方案中,采用的数据格式为文本格式(txt)格式,将文本格式文件作为标准数据文件,实现数据实时交互,将每秒钟解析的同类型监测数据存储在一个文本文件中,不同传感器通过文本文件数据的不同列进行区分;系统实时调用保存的标准格式的文本文件进行实时在线模态识别。
2.数据监测和读取模块
通过实时检测保存的标准数据文件的数据量判断是否调用模态自动识别算法,如果数据量达到要求,就开始分析;同时,通过递进的动态可变滑动数据窗保证实时分析的稳定性。
该模块采用实时数据量检测的方法判断是否开始模态识别,具体为实时检测保存的标准数据文件量,当满足分析用数据量时,读取数据并传递给模态识别模块;实时检测模块还可以对历史标准数据文件进行删除操作以避免历史数据累积引起的存储空间问题;所述的分析用数据量可根据实际需要进行设定。
健康监测系统实际运营过程中由于网络、计算机性能等原因造成数据传输和分析并不十分稳定,会严重影响模态自动识别系统的实时性和稳定性。为适应实际运营状况,满足实时在线分析需求,本方案提出递进的动态可变滑动数据窗。
定义每次分析的数据长度为分析时长,用T表示;第i次与第i+1次分析的间隔时间称为间隔时长t,间隔时长的衡量标准为数据量,计算方法为t=n×s,其中n为标准格式数据文件的个数,s为每个标准格式数据文件代表的数据采集时间;每次分析的耗时称为分析时间,用h表示。通过实时检测标准格式的数据文件量和分析时间,动态调整每次分析的分析时长,形成动态可变数据窗,充分适应实际运营环境,保证模态识别的实时在线性。递进的动态可变滑动数据窗具体过程如下:
(1)在采样频率固定的条件下,设定每次识别的分析时长和间隔时长;
(2)实时检测标准数据文件的数量,判断数据量是否满足分析时长要求,如果满足,则开始读入监测数据并传递给模态参数自动识别模块;否则,继续检测;
(3)调用模态参数自动识别算法,自动识别结构模态参数,并记录分析时间;
(3)如果分析时间大于间隔时长,则下一次识别过程增加分析时长,否则,继续按照第i次设定的参数继续计算;
(4)删除间隔时长长度的历史数据,重复(2)~(3)进行下一次分析。
分析时长、间隔时长和动态可变滑动数据窗可以用图4解释。
3.模态参数自动识别模块
该模块通过引入图像识别算法,简化传统算法的参数输入的难度,实现模态参数自动识别。引入的算法与现有模态自动识别算法最大的不同是参数输入的难度,用户只需要输入最大聚类数目N就可以实现稳定图自动解析,从而实现模态参数自动识别,具体过程如下:
(1)数据预处理
通过数字滤波器对数据进行滤波处理。
(2)模态参数识别
基于SSI法进行模态参数识别并绘制稳定图,SSI法具体流程可参照文献:唐盛华,方志,张国刚.基于随机子空间方法的悬臂结构损伤识别研究[J].振动与冲击,2018,37(14):141-148。
(3)稳定图自动识别
①计算各数据点在不同聚类数目下的各数据之间的隶属度矩阵。
首先通过最小化一个目标函数J将n个数据点划分成c个聚类:
其中,xj为数据点数值,ci为聚类中心,p为加权指数,通常取p=2,uij表示第j个数据点属于第i类的隶属度;
利用拉格朗日乘子法变换可得:
其中,ci和ck均表示聚类中心。uij满足以下条件:
把所有数据点划分到每类的隶属度写成矩阵形式形成隶属度矩阵:
②将隶属度矩阵采用下面的过程改造成邻接矩阵,进而改造成累积邻接矩阵:
构造n个数据点的所属聚类编号组成的一维向量L=[l1,l2,…,ln,],然后根据向量构造邻接矩阵O=[oij]n×n:
即当第i个数据点和第j个数据点属于同一类时oij=1,否则oij=0;
将所有的邻接矩阵叠加形成累积邻接矩阵:
其中,c表示稳定图中的数据点划分的类的个数,K表示划分的类的最大值,也就是用户输入的最大聚类个数(数据点划分的类的最大个数)。
③图切分过程
累积邻接矩阵具有图论领域中“图”的特征,迭代图切分过程的本质就是对具有相似特征的数据点进行归类的过程。因此采用图论算法中的深度优先搜索算法结合迭代图切分算法对累积邻接矩阵进行解析便能获得最佳聚类数目。累积邻接矩阵中任意两个节点之间的权值表示两个数据节点之间的相似程度,权值较小的两个数据点时在迭代切分过程中将被“切开”,权值较大的则聚为一类。累积邻接矩阵的切分过程如下:
a.首先采用深度优先搜索算法查找累积邻接矩阵J中的邻接子图并统计子图个数;
c.判断累积邻接矩阵Jt+1是否为零矩阵,如果是,则停止图切分过程,否则继续进行图切分过程,t=t+1;
d.统计出现次数最多的聚类个数,得到最佳聚类数目。
提取最佳聚类数目对应的稳定轴识别结果作为稳定图自动识别结果;通过稳定图中识别得到的稳定轴提取识别得到的模态参数,作为最终要识别的模态参数。
总体流程如图5所示。
实施案例
采用Benchmark模型验证提出的桥梁健康监测模态参数系统的合理性与适用性。Benchmark模型如图6,Benchmark模型某钢管混凝土拱桥为原型,该钢管混凝土拱桥计算跨径248m,计算矢高62m,拱轴线为m=1.5的悬链线。
完全模拟了实际健康监测采集传输系统,采用美国国家仪器公司(NationalInstruments,NI)的Crio-9036采集主机配合9234加速度采集板卡采集加速度信号,并基于Labview开发了上位机数据采集软件。在主梁的左、中、右三个部位分别安装一个激振器对模型进行激振。加速度传感器和NI采集主机分别如图7、图8。
图9为解析过程中绘制的数据图。前12幅小图表示监测的原始数据,由于只有10个加速度传感器,因此后两幅图数据为0。后12幅图为对解析的数据做的简单的频谱分析,同样的,后两张图数据为0。需要说明的是,前12幅图展示的结果就是现有健康监测系统展示的结果,从图中不能获得任何可供结构评估的有效信息。
将解析的监测数据按标准格式保存。图10展示了其中1分钟保存的标准格式数据文件。
设置分析时长和间隔时长参数,开始模态分析。调用模态自动识别算法。
设置图像识别算法的最大聚类数目N,开始模态参数自动识别,并提出识别过程中的绝对虚假结果。图11和图12分别展示了原始模态识别算法计算的全部结果稳定图和提出虚假结果的稳定图。
调用图像识别算法,计算最佳聚类数目,得到自动识别结果。图13展示了图像识别算法自动识别得到频率小于200Hz的稳定轴。图14(模态自动识别系统界面)为识别的输出的结果界面。
上述实施案例涉及的硬件不特定。
Claims (5)
1.一种实时在线一体化桥梁模态参数自动识别系统,其特征在于,包括:
数据传输与解析模块,用于将采集的监测数据转换为标准数据文件并进行存储;
数据监测和读取模块,用于通过实时检测存储的标准数据文件的数据量判断是否调用模态参数自动识别算法,如果数据量达到分析用数据量时,即通过所述的算法开始分析;
模态参数自动识别模块,用于通过模态参数自动识别算法进行模态参数的识别,识别过程包括:
数据预处理,然后进行模态参数识别并绘制稳定图;基于稳定图,计算各数据点在不同聚类数目下各数据之间的隶属度矩阵,继而将隶属度矩阵转化成邻接矩阵,最终利用图切分过程得到最佳聚类数目,从而得到最终识别出的模态参数。
2.如权利要求1所述的实时在线一体化桥梁模态参数自动识别系统,其特征在于,所述的数据监测和读取模块还用于实现:
通过递进的动态可变滑动数据窗保证实时分析的稳定性;其中,所述的递进的动态可变滑动数据窗具体过程为:
(1)在采样频率固定的条件下,设定每次识别的分析时长和间隔时长;
(2)实时检测标准数据文件的数量,判断数据量是否满足分析时长要求,如果满足,则开始读入监测数据并传递给模态参数自动识别模块;否则,继续检测;
(3)调用模态参数自动识别算法,自动识别结构模态参数,并记录分析时间;
(3)如果分析时间大于间隔时长,则下一次识别过程增加分析时长,否则,继续计算过程;
(4)删除间隔时长长度的历史数据,重复(2)~(3)进行下一次分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910192752.5A CN110110583B (zh) | 2019-03-14 | 2019-03-14 | 一种实时在线一体化桥梁模态自动识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910192752.5A CN110110583B (zh) | 2019-03-14 | 2019-03-14 | 一种实时在线一体化桥梁模态自动识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110110583A CN110110583A (zh) | 2019-08-09 |
CN110110583B true CN110110583B (zh) | 2022-10-11 |
Family
ID=67484364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910192752.5A Expired - Fee Related CN110110583B (zh) | 2019-03-14 | 2019-03-14 | 一种实时在线一体化桥梁模态自动识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110583B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353238A (zh) * | 2020-03-25 | 2020-06-30 | 山东建筑大学 | 一种基于车辆传感的桥墩冲刷深度识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8195734B1 (en) * | 2006-11-27 | 2012-06-05 | The Research Foundation Of State University Of New York | Combining multiple clusterings by soft correspondence |
CN104698837A (zh) * | 2014-12-11 | 2015-06-10 | 华侨大学 | 一种时变线性结构工作模态参数识别方法、装置及应用 |
CN108376184A (zh) * | 2018-01-05 | 2018-08-07 | 深圳市市政设计研究院有限公司 | 一种桥梁健康监控的方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10489716B2 (en) * | 2016-07-08 | 2019-11-26 | Intellergy, Inc. | Method for performing automated analysis of sensor data time series |
-
2019
- 2019-03-14 CN CN201910192752.5A patent/CN110110583B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8195734B1 (en) * | 2006-11-27 | 2012-06-05 | The Research Foundation Of State University Of New York | Combining multiple clusterings by soft correspondence |
CN104698837A (zh) * | 2014-12-11 | 2015-06-10 | 华侨大学 | 一种时变线性结构工作模态参数识别方法、装置及应用 |
CN108376184A (zh) * | 2018-01-05 | 2018-08-07 | 深圳市市政设计研究院有限公司 | 一种桥梁健康监控的方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于改进DATA-SSI和聚类分析的桥梁结构模态参数识别;陈永高等;《公路交通科技》;20170915(第09期);全文 * |
基于谱系聚类分析的桥梁结构模态参数自动化识别方法研究;徐健等;《振动与冲击》;20170615(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110110583A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111694879B (zh) | 一种多元时间序列异常模式预测方法及数据采集监控装置 | |
CN113381890A (zh) | 告警信息关联方法、装置、电子设备和可读存储介质 | |
CN113570867B (zh) | 一种城市交通状态预测方法、装置、设备及可读存储介质 | |
CN113159105B (zh) | 一种驾驶行为无监督模式识别方法及数据采集监控系统 | |
CN112800061B (zh) | 一种数据存储方法、装置、服务器及存储介质 | |
CN110110583B (zh) | 一种实时在线一体化桥梁模态自动识别系统 | |
CN109634820A (zh) | 一种云端移动端协同的故障预警方法、相关设备及系统 | |
CN110570097A (zh) | 基于大数据的业务人员风险识别方法、装置及存储介质 | |
CN113268403A (zh) | 时间序列的分析预测方法、装置、设备及存储介质 | |
CN110175696B (zh) | 一种基于多元回归的渔港船舶进出港动态预测方法及系统 | |
CN109902344B (zh) | 中小跨径桥梁群结构性能预测装置及系统 | |
Jungmann et al. | Real-time activity duration extraction of crane works for data-driven discrete event simulation | |
CN110990384B (zh) | 一种大数据平台bi分析方法 | |
CN115374927A (zh) | 一种神经网络模型训练的方法、异常检测的方法及设备 | |
CN117371933A (zh) | 一种基于物联网的智慧实验室管理系统 | |
CN116881535A (zh) | 一种及时预警的舆情综合监管系统 | |
JP2004199377A (ja) | 遠隔監視診断システム | |
CN116383645A (zh) | 一种基于异常检测的系统健康度智能监测评估方法 | |
CN115828406A (zh) | 铁路桥梁bim信息化管理方法、装置、设备及可读存储介质 | |
CN109213800A (zh) | 一种烟草虫情预测系统及方法 | |
CN113221990B (zh) | 信息录入方法、装置及相关设备 | |
CN113159118A (zh) | 物流数据指标的处理方法、装置、设备及存储介质 | |
CN113177040A (zh) | 铝/铜板带材生产全流程大数据清洗与分析方法 | |
CN110175200A (zh) | 一种基于人工智能算法的异常用能分析方法及系统 | |
CN116861204B (zh) | 基于数字孪生的智能制造设备数据管理系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221011 |