CN110162887A - 基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法 - Google Patents

基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法 Download PDF

Info

Publication number
CN110162887A
CN110162887A CN201910438524.1A CN201910438524A CN110162887A CN 110162887 A CN110162887 A CN 110162887A CN 201910438524 A CN201910438524 A CN 201910438524A CN 110162887 A CN110162887 A CN 110162887A
Authority
CN
China
Prior art keywords
bridge
creepage
speed railway
bridge girder
creep
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.)
Pending
Application number
CN201910438524.1A
Other languages
English (en)
Inventor
尹辉
高亮
赵洋
马帅
梁望
常恰时
苏文婧
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN201910438524.1A priority Critical patent/CN110162887A/zh
Publication of CN110162887A publication Critical patent/CN110162887A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/10Geometric CAD
    • G06F30/13Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06Power analysis or power optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bridges Or Land Bridges (AREA)

Abstract

本发明提供了一种基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法,属于基于机器学习的数据预测技术领域,首先,对高速铁路动态检测数据的高低项采用小波分解法滤波,计算桥梁徐变上拱值,连续检测时间点的桥梁徐变上拱值构成桥梁徐变上拱时间序列;然后,采用线性插值法对所述桥梁徐变上拱时间序列进行均匀等时距变换,获取均匀等时距桥梁徐变上拱时间序列;最后基于长短期记忆循环神经网络,结合所述均匀等时距桥梁徐变上拱时间序列,获取高速铁路桥梁徐变上拱预测值。本发明基于高速铁路动态检测数据,能够实现高速铁路桥梁徐变上拱数值的准确预测,为保障高速铁路运营的安全舒适性,指导线路养护维修工作提供了依据。

Description

基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法
技术领域
本发明涉及基于机器学习的数据预测技术领域,具体涉及一种基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法。
背景技术
高速铁路桥梁徐变上拱时间序列数据直观地反映了高铁桥梁自建成至今的长期演变过程。由于桥梁徐变上拱的影响,高速铁路桥梁出现了周期性高低不平顺问题,这会对高速铁路运营产生不利的影响,会引起车桥垂向振动加剧,甚至危及列车在桥上的运行安全。因此,研究高速铁路桥梁徐变上拱发展规律,进而实现准确预测,有助于保证列车运行的安全舒适性,而且对桥梁的日常养护维修工作有一定的指导意义。
发明内容
本发明的目的在于提供一种基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法,包括如下流程步骤:
步骤S110:对高速铁路动态检测数据的高低项采用小波分解法滤波,计算桥梁徐变上拱值,连续检测时间点的桥梁徐变上拱值构成桥梁徐变上拱时间序列;
步骤S120:采用线性插值法对所述桥梁徐变上拱时间序列进行均匀等时距变换,获取均匀等时距桥梁徐变上拱时间序列;
步骤S130:基于长短期记忆循环神经网络,结合所述均匀等时距桥梁徐变上拱时间序列,获取高速铁路桥梁徐变上拱预测值。
优选的,所述步骤S110具体包括:
步骤S111:某检测时间点的高速铁路动态检测数据的高低项记为
步骤S112:选用小波基对进行小波分解,滤除噪声和高频信号的干扰,提取低频信号a5
步骤S113:对滤波处理后的轨道不平顺波形a5计算波形极大值Ai、第一波形极小值Bi1和第二波形极小值Bi2,i表示桥梁编号,i=1,2,3...,N,计算检测时间点第i座桥梁徐变上拱值Ui,其中,N为检测线路的桥梁数;
步骤S114:重复步骤S113计算连续T次动态检测数据的桥梁徐变上拱值,建立桥梁徐变上拱时间序列,记为
优选的,所述步骤S120具体包括:
计算相邻两次检测时间点的相隔天数δ,根据线性插值公式计算进行线性插值,得到均匀等时距桥梁徐变上拱时间序列X′i (d)={x′i 1,x′i 2,...,x′i D|i=1,2,...,N};其中,d表示检测开始的第d天;D表示连续T次检测的总天数。
优选的,的计算公式为:
优选的,所述步骤S130中,所述长短期记忆循环神经网络包含输入层、输出层、隐藏层以及全连接层;其中,所述隐藏层的核心是长短期记忆单元。
优选的,所述隐藏层包括第一隐藏层和第二隐藏层。
优选的,所述步骤S130具体包括:
步骤S131:根据时间窗口大小w选择为第i座桥梁的桥梁徐变上拱值序列Yi={Yi (d)|i=1,2,...,N;d=1,2,...,D-w},其中,
步骤S132:选择作为Ground Truth构建桥梁徐变上拱数据集,并按照4:1的比例将所述桥梁徐变上拱数据集划分训练集和测试集;
步骤S133:使用基于Python的Keras深度学习框架,构建所述长短期记忆循环神经网络,在桥梁徐变上拱数据集训练集上进行训练,得到桥梁徐变上拱时间序列预测模型;
步骤S134:将序列Yi (d)输入所述桥梁徐变上拱时间序列预测模型中,其中,长短期记忆循环网络的第一层隐藏层的输出为:
第二层隐藏层的输出为h′i,最后经过全连接层输出为第i座桥第d+w检测时间点的桥梁徐变上拱预测数值,记
优选的,所述步骤S112中,选用bior4.4小波基,对进行5级小波分解。
优选的,在步骤S113中,第i座桥梁徐变上拱值Ui的计算公式为:
本发明有益效果:基于高速铁路动态检测数据,能够实现高速铁路桥梁徐变上拱数值的准确预测,为保障高速铁路运营的安全舒适性,指导线路养护维修工作提供了依据。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法的流程示意图。
图2为本发明实施例所述的基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法中桥梁徐变上拱值的计算方法示意图。
图3为本发明实施例所述的基于长短期记忆循环神经网络的桥梁徐变上拱预测模型结构图。
具体实施方式
下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或模块,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、模块和/或它们的组。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以具体实施例为例做进一步的解释说明,且实施例并不构成对本发明实施例的限定。
本领域普通技术人员应当理解的是,附图只是一个实施例的示意图,附图中的部件或装置并不一定是实施本发明所必须的。
实施例1
如图1所示,本发明实施例1提供了一种基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法,包括如下流程步骤:
步骤S110:对高速铁路动态检测数据的高低项采用小波分解法滤波,计算桥梁徐变上拱值,连续检测时间点的桥梁徐变上拱值构成桥梁徐变上拱时间序列;
步骤S120:采用线性插值法对所述桥梁徐变上拱时间序列进行均匀等时距变换,获取均匀等时距桥梁徐变上拱时间序列;
步骤S130:基于长短期记忆循环神经网络,结合所述均匀等时距桥梁徐变上拱时间序列,获取高速铁路桥梁徐变上拱预测值。
所述步骤S110具体包括:
步骤S111:某检测时间点的高速铁路动态检测数据的高低项记为
步骤S112:选用小波基对进行小波分解,滤除噪声和高频信号的干扰,提取低频信号a5
步骤S113:对滤波处理后的轨道不平顺波形a5计算波形极大值Ai、第一波形极小值Bi1和第二波形极小值Bi2,i表示桥梁编号,i=1,2,3...,N,计算检测时间点第i座桥梁徐变上拱值Ui,其中,N为检测线路的桥梁数;
步骤S114:重复步骤S113计算连续T次动态检测数据的桥梁徐变上拱值,建立桥梁徐变上拱时间序列,记为
所述步骤S120具体包括:
计算相邻两次检测时间点的相隔天数δ,根据线性插值公式计算进行线性插值,得到均匀等时距桥梁徐变上拱时间序列X′i (d)={x′i 1,x′i 2,...,x′i D|i=1,2,...,N};其中,d表示检测开始的第d天;D表示连续T次检测的总天数。
的计算公式为:
所述步骤S130中,所述长短期记忆循环神经网络包含输入层、输出层、隐藏层以及全连接层;其中,所述隐藏层的核心是长短期记忆单元。
所述隐藏层包括第一隐藏层和第二隐藏层。
所述步骤S130具体包括:
步骤S131:根据时间窗口大小w选择为第i座桥梁的桥梁徐变上拱值序列Yi={Yi (d)|i=1,2,...,N;d=1,2,...,D-w},其中,
步骤S132:选择作为Ground Truth构建桥梁徐变上拱数据集,并按照4:1的比例将所述桥梁徐变上拱数据集划分训练集和测试集;
步骤S133:使用基于Python的Keras深度学习框架,构建所述长短期记忆循环神经网络,在桥梁徐变上拱数据集训练集上进行训练,得到桥梁徐变上拱时间序列预测模型;
步骤S134:将序列Yi (d)输入所述桥梁徐变上拱时间序列预测模型中,其中,长短期记忆循环网络的第一层隐藏层的输出为:
第二层隐藏层的输出为hi′,最后经过全连接层输出为第i座桥第d+w检测时间点的桥梁徐变上拱预测数值,记
所述步骤S112中,选用bior4.4小波基,对进行5级小波分解。
在步骤S113中,第i座桥梁徐变上拱值Ui的计算公式为:
实施例2
本发明实施例2提供一种基于动态检测数据的高速铁路桥梁徐变上拱方法,所述方法包括:
S1、针对高低不平顺波形的局部极小值对桥梁徐变上拱计算的干扰问题,本发明实施例1中,针对高速铁路动态检测数据的高低项,采用小波分解法滤波,然后计算桥梁徐变上拱值。
连续检测时间点的桥梁徐变上拱值构成桥梁徐变上拱时间序列。其中桥梁徐变上拱值计算方式如图2所示,具体实施方法如下:
S11、输入为某检测时间点t高速铁路动态检测数据的高低项,记为
S12、选用bior4.4小波基,对进行5级小波分解,滤除噪声和高频信号的干扰,提取低频信号a5
S13、对滤波处理后的轨道不平顺波形a5计算波形极大值和极小值,分别记为Ai、Bi1、Bi2,i表示桥梁编号,使用公式i=1,2,3...,N,计算检测时间点t第i座桥梁徐变上拱值其中N为检测线路的桥梁数;
S14、重复步骤S13计算连续T次动态检测数据的桥梁徐变上拱值,建立起一座桥梁以15天左右为时间跨度的桥梁徐变上拱时间序列,记为如,第t=1次与t=2次检测的时间跨度为13天,第t=2次与t=3次检测的时间跨度为15天,第t=3次与t=4次检测的时间跨度为16天。
S2、针对高速铁路动态检测数据检测时间点间隔不均匀以及检测数据中出现漏检、错检等时间序列异常问题,采用线性插值法对S14中的桥梁徐变上拱时间序列进行均匀等时距变换,具体实施方法如下:
S21、输入桥梁徐变上拱时间序列
S22、计算两次检测时间点的相隔天数δ,根据线性插值公式计算进行线性插值,得到时间跨度为一天的均匀等时距桥梁徐变上拱时间序列X′i (d)={x′i 1,x′i 2,...,x′i D|i=1,2,...,N};其中,d表示检测开始的第d天,D为检测时间总天数。
S3、基于长短期记忆循环神经网络进行桥梁徐变上拱预测,其网络结构如图3所示,该网络包含一个输入层,一个输出层,两层隐藏层以及一层全连接层,其中隐藏层的核心是一个长短期记忆单元。具体实施方法如下:
S31、输入均匀等时距桥梁徐变上拱时间序列X′i (d)={x′i 1,x′i 2,...,x′i D|i=1,2,...,N};
S32、根据时间窗口大小w选择桥梁徐变上拱序列Yi={Yi (d)|i=1,2,...,N;d=1,2,...,D-w},其中,再选择作为Ground Truth构建桥梁徐变上拱数据集,并按照4:1的比例划分训练集和测试集;
S33、使用基于Python的Keras深度学习框架,构建长短期记忆循环神经网络,在桥梁徐变上拱数据集训练集上进行训练,得到桥梁徐变上拱时间序列预测模型,保存为model.h5格式;
S34、使用S33得到的桥梁徐变上拱时间序列预测模型进行桥梁徐变上拱数值预测。输入为第i座桥梁自检测时间点d开始,序列长度为w的桥梁徐变上拱值序列Yi (d),其中长短期记忆循环网络的第一层隐藏层的输出为第二层隐藏层的输出为hi′,最后经过全连接层输出为第i座桥第d+w检测时间点的桥梁徐变上拱预测数值,记使用均方根误差RMSE作为评价指标对模型进行评价,其计算公式为:其中,m为待预测桥梁个数。
综上所述,本发明基于高速铁路动态检测数据,能够实现高速铁路桥梁徐变上拱数值的准确预测,为保障高速铁路运营的安全舒适性,指导线路养护维修工作提供了依据。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。

Claims (9)

1.一种基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法,其特征在于,包括如下流程步骤:
步骤S110:对高速铁路动态检测数据的高低项采用小波分解法滤波,计算桥梁徐变上拱值,连续检测时间点的桥梁徐变上拱值构成桥梁徐变上拱时间序列;
步骤S120:采用线性插值法对所述桥梁徐变上拱时间序列进行均匀等时距变换,获取均匀等时距桥梁徐变上拱时间序列;
步骤S130:基于长短期记忆循环神经网络,结合所述均匀等时距桥梁徐变上拱时间序列,获取高速铁路桥梁徐变上拱预测值。
2.根据权利要求1所述的基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法,其特征在于,所述步骤S110具体包括:
步骤S111:某检测时间点的高速铁路动态检测数据的高低项记为
步骤S112:选用小波基对进行小波分解,滤除噪声和高频信号的干扰,提取低频信号a5
步骤S113:对滤波处理后的轨道不平顺波形a5计算波形极大值Ai、第一波形极小值Bi1和第二波形极小值Bi2,i表示桥梁编号,i=1,2,3...,N,计算检测时间点第i座桥梁徐变上拱值Ui,其中,N为检测线路的桥梁数;
步骤S114:重复步骤S113计算连续T次动态检测数据的桥梁徐变上拱值,建立桥梁徐变上拱时间序列,记为
3.根据权利要求2所述的基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法,其特征在于,所述步骤S120具体包括:
计算相邻两次检测时间点的相隔天数δ,根据线性插值公式计算对所述桥梁徐变上拱时间序列进行线性插值,得到均匀等时距桥梁徐变上拱时间序列其中,d表示检测开始的第d天,D表示连续T次检测的总天数。
4.根据权利要求3所述的基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法,其特征在于,的计算公式为:
5.根据权利要求3所述的基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法,其特征在于,所述步骤S130中,所述长短期记忆循环神经网络包含输入层、输出层、隐藏层以及全连接层;其中,所述隐藏层的核心是长短期记忆单元。
6.根据权利要求5所述的基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法,其特征在于,所述隐藏层包括第一隐藏层和第二隐藏层。
7.根据权利要求6所述的基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法,其特征在于,所述步骤S130具体包括:
步骤S131:根据时间窗口大小w选择为第i座桥梁的桥梁徐变上拱值序列Yi={Yi (d)|i=1,2,...,N;d=1,2,...,D-w},其中,
步骤S132:选择作为GroundTruth构建桥梁徐变上拱数据集,并按照4:1的比例将所述桥梁徐变上拱数据集划分训练集和测试集;
步骤S133:使用基于Python的Keras深度学习框架,构建所述长短期记忆循环神经网络,在桥梁徐变上拱数据集训练集上进行训练,得到桥梁徐变上拱时间序列预测模型;
步骤S134:将序列Yi (d)输入所述桥梁徐变上拱时间序列预测模型中,其中,长短期记忆循环网络的第一层隐藏层的输出为:
第二层隐藏层的输出为h′i,最后经过全连接层输出为第i座桥第d+w检测时间点的桥梁徐变上拱预测数值,记
8.根据权利要求7所述的基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法,其特征在于,所述步骤S112中,选用bior4.4小波基,对进行5级小波分解。
9.根据权利要求8所述的基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法,其特征在于,在步骤S113中,第i座桥梁徐变上拱值Ui的计算公式为:
CN201910438524.1A 2019-05-24 2019-05-24 基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法 Pending CN110162887A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910438524.1A CN110162887A (zh) 2019-05-24 2019-05-24 基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910438524.1A CN110162887A (zh) 2019-05-24 2019-05-24 基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法

Publications (1)

Publication Number Publication Date
CN110162887A true CN110162887A (zh) 2019-08-23

Family

ID=67632556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910438524.1A Pending CN110162887A (zh) 2019-05-24 2019-05-24 基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法

Country Status (1)

Country Link
CN (1) CN110162887A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329974A (zh) * 2020-09-03 2021-02-05 中国人民公安大学 基于lstm-rnn的民航安保事件行为主体识别与预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6382029B1 (en) * 2000-03-07 2002-05-07 The United States Of America As Represented By The Secretary Of Commerce Apparatus and method for utilizing electromagnetic acoustic transducers to non-destructively analyze in-service conductive materials
CN105760934A (zh) * 2016-03-02 2016-07-13 浙江工业大学 一种基于小波与bp神经网络的桥梁异常监测数据修复方法
CN107988864A (zh) * 2017-12-12 2018-05-04 西南交通大学 桥梁变形与轨道随机不平顺检测装置与方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6382029B1 (en) * 2000-03-07 2002-05-07 The United States Of America As Represented By The Secretary Of Commerce Apparatus and method for utilizing electromagnetic acoustic transducers to non-destructively analyze in-service conductive materials
CN105760934A (zh) * 2016-03-02 2016-07-13 浙江工业大学 一种基于小波与bp神经网络的桥梁异常监测数据修复方法
CN107988864A (zh) * 2017-12-12 2018-05-04 西南交通大学 桥梁变形与轨道随机不平顺检测装置与方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FENGQING HAN等: "A New Multi-Resolution Wavelet Neural Network For Bridge Health Monitoring", 《INTELLIGENT AUTOMATION & SOFT COMPUTING》 *
洪晓江等: "改进的小波神经网络在桥梁施工控制中的应用", 《交通科技与经济》 *
贾朝龙: "铁路轨道不平顺数据挖掘及其时间序列趋势预测研究", 《中国博士学位论文全文数据库.工程科技II辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329974A (zh) * 2020-09-03 2021-02-05 中国人民公安大学 基于lstm-rnn的民航安保事件行为主体识别与预测方法及系统
CN112329974B (zh) * 2020-09-03 2024-02-27 中国人民公安大学 基于lstm-rnn的民航安保事件行为主体识别与预测方法及系统

Similar Documents

Publication Publication Date Title
Mousavi et al. Structural damage detection method based on the complete ensemble empirical mode decomposition with adaptive noise: A model steel truss bridge case study
CN104970789B (zh) 心电图分类方法及系统
Catbas et al. Nonparametric analysis of structural health monitoring data for identification and localization of changes: Concept, lab, and real-life studies
CN109323754A (zh) 一种列车车轮多边形故障诊断检测方法
CN109645989A (zh) 一种麻醉深度估计方法及系统
CN113077005B (zh) 一种基于lstm自编码器和正常信号数据的异常检测系统及方法
CN109033612A (zh) 一种基于振动噪声及bp神经网络的变压器故障诊断方法
Jayasundara et al. Vibration-based dual-criteria approach for damage detection in arch bridges
Andrade Nunes et al. A hybrid learning strategy for structural damage detection
CN110046379A (zh) 一种基于空间-频率信息的结构整体损伤识别方法
Giglioni et al. Autoencoders for unsupervised real‐time bridge health assessment
CN109858503A (zh) 基于梯度提升决策树的牵引变流器故障诊断方法
Dackermann et al. Cepstrum-based damage identification in structures with progressive damage
Saravanakumar et al. Hierarchical symbolic analysis and particle swarm optimization based fault diagnosis model for rotating machineries with deep neural networks
Svendsen et al. A hybrid structural health monitoring approach for damage detection in steel bridges under simulated environmental conditions using numerical and experimental data
CN106407659A (zh) 一种空气质量指数预测方法和装置
CN107274890A (zh) 声纹谱提取方法及装置
CN108256751A (zh) 基于大数据的在线教学过程评价方法
Käser et al. Cluster-based prediction of mathematical learning patterns
CN110162887A (zh) 基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法
Cañete et al. Wireless sensor networks and structural health monitoring: Experiences with slab track infrastructures
Mousavi et al. Damage detection and characterization of a scaled model steel truss bridge using combined complete ensemble empirical mode decomposition with adaptive noise and multiple signal classification approach
CN106644035A (zh) 一种基于时频变换特性的振动源识别方法及系统
CN110245446A (zh) 一种配电电缆剩余寿命预测方法
CN106650951B (zh) 基于时域全局相似度的多通道测量数据自动筛选方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190823