CN110231395B - 一种钢丝绳断丝损伤识别方法及系统 - Google Patents
一种钢丝绳断丝损伤识别方法及系统 Download PDFInfo
- Publication number
- CN110231395B CN110231395B CN201910581645.1A CN201910581645A CN110231395B CN 110231395 B CN110231395 B CN 110231395B CN 201910581645 A CN201910581645 A CN 201910581645A CN 110231395 B CN110231395 B CN 110231395B
- Authority
- CN
- China
- Prior art keywords
- steel wire
- wire rope
- neural network
- wavelet
- broken
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/83—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields
- G01N27/84—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields by applying magnetic powder or magnetic ink
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electrochemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Immunology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了一种基于小波变换和神经网络的钢丝绳断丝损伤识别方法,属于土木工程结构检测领域。该方法包括以下步骤:首先,运用钢丝绳探测仪检测未知断丝数目的钢丝绳,提取检测到的漏磁信号并记录钢丝绳直径、钢丝绳探测仪运行速度等参数;然后,利用小波变换的多分辨率特征和奇异性检测能力,对提取的检测到的漏磁信号进行连续小波变换,记录变换后的小波系数峰峰值;接着,将记录的峰峰值以及钢丝绳直径等特征值导入已经训练好的神经网络;最后,得到神经网络输出的参数,即可完成钢丝绳断丝数目的定量损伤识别。通过本发明,实现了钢丝绳断丝数目的定量识别,具有较强的实用性。
Description
技术领域
本发明属于土木工程结构检测领域,涉及一种钢丝绳断丝损伤识别方法及系统,更具体地,涉及一种基于小波变换和神经网络的钢丝绳断丝损伤识别方法及系统。
背景技术
钢丝绳作为工程材料或器件已广泛应用于我国基础建设项目当中,随着社会生产建设的迅猛发展,钢丝绳的生产和需求不断增长,其生产效率和速度也迅速提高。钢丝绳在作业过程中受环境腐蚀、不确定性交变荷载、机械冲击、磨损等影响,会出现断丝等损伤。
传统的钢丝绳无损检测方法有磁粉检测(MPI)、渗透检测(PT)、涡流检测(ECT)、漏磁检测(MFL)及超声检测(UT)等。磁粉与渗透检测效率较低,多为人工手动配合得以完成;涡流检测方法只能检测钢丝绳表面或近表面损伤,且与超声一样存在着激励与检测频率之间的匹配扫描速度难以提高的问题;漏磁检测作为一种高效而强有力的探伤技术,已被广泛应用于各种铁磁性材料的检测,目前,在全世界范围内钢丝绳的快速探伤方法与设备中,漏磁检测技术与相应的设备占有超80%的份量。钢丝绳探测仪也是基于漏磁原理而研发的设备。
钢丝绳探测仪在钢丝绳断丝位置处会产生缺陷漏磁场,钢丝绳断丝越多,其缺陷漏磁场越大,所获得的漏磁信号峰峰值也越大。然而,钢丝绳探测仪只能定性的分析钢丝绳断丝损伤情况,而无法定量的分析出钢丝绳的断丝数目。而且,检测信号易受外界噪声等因素影响,导致信号峰峰值不明显。
由此可见,传统的钢丝绳无损检测方法大多数都只能检测出钢丝绳是否出现断丝,而无法准确判断断丝的数目。
发明内容
针对现有技术的缺陷或改进需求,本发明提供了一种基于小波变换和神经网络的钢丝绳断丝损伤识别方法及系统,其目的在于充分利用小波变换的多分辨率特征和奇异性检测能力,有效滤除外界干扰信号的影响,并且将钢丝绳断丝处信号放大,使峰峰值更明显,以及利用神经网络强大的自学习、自组织和自适应性,根据对已有的断丝数据训练,由此完成钢丝绳断丝数目的定量识别。
为实现上述目的,按照本发明的一个方面,提供了一种钢丝绳断丝损伤识别方法,包括离线训练步骤和在线检测步骤,其中:
所述离线训练步骤包括:
(1)将大量已知断丝数目的钢丝绳作为训练样本,将钢丝绳直径、钢丝绳探测仪运行速度、钢丝绳探测仪检测到的漏磁信号对应的小波系数峰峰值,这三种特征量作为输入层参数,将对应的钢丝绳断丝数目作为输出层参数,对选定的神经网络进行训练,直至神经网络的输出结果在允许误差范围内,得到训练好的神经网络;
所述在线检测步骤包括:
(2)针对未知断丝数目的待测钢丝绳,提取钢丝绳探测仪检测到的漏磁信号并记录钢丝绳直径、钢丝绳探测仪运行速度;
(3)对提取的漏磁信号进行连续小波变换,得到小波系数峰峰值;
(4)将步骤(2)记录的钢丝绳直径、钢丝绳探测仪运行速度和步骤(3)得到的小波系数峰峰值导入步骤(1)得到的训练好的神经网络,得到神经网络输出的参数,即为待测钢丝绳的断丝数目。
进一步地,步骤(3)包括如下子步骤:
(3.1)选取复Morlet小波作为小波母函数,表达式为:
其中,fb表示带宽参数,fc表示小波中心频率,j是虚数符号,t是时间参数;
(3.2)基于复Morlet小波,对检测到的漏磁信号进行连续小波变换:
进一步地,步骤(1)包括以下子步骤:
(1.1)将大量已知断丝数目的钢丝绳作为训练样本,将钢丝绳直径、钢丝绳探测仪运行速度、钢丝绳探测仪检测到的漏磁信号对应的小波系数峰峰值,这三种特征量作为输入层参数,将对应的钢丝绳断丝数目作为输出层参数,建立神经网络;
(1.2)设置神经网络的层数以及每层神经元的个数、神经元激活函数的种类、学习的回合数Epoch以及允许误差;
(1.3)利用步骤(1.1)选取的训练样本和步骤(1.2)设定的参数进行神经网络的迭代优化,直至迭代次数达到指定的Epoch且输出结果在允许误差范围内,得到训练好的神经网络;
进一步地,所述步骤(2)包括以下子步骤:
(2.1)固定好待检测钢丝绳,记录钢丝绳的直径;
(2.2)设置好钢丝绳探测仪的运行速度,沿轴向检测钢丝绳,提取检测到的漏磁信号。
为了实现上述目的,本发明还提供了一种钢丝绳断丝损伤识别系统,包括处理器、离线训练程序模块、神经网络程序模块和在线检测程序模块,其特征在于:
所述离线训练程序模块在被所述处理器调用时,按照如权利要求1~4任意一项所述的步骤(1)对所述神经网络程序模块进行训练;
所述在线检测程序模块在被所述处理器调用时,执行如权利要求1~4任意一项所述的步骤(2)~(4)。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,由于结合了小波变换的多分辨率特性、奇异性检测能力和神经网络强大的自学习、自组织以及分类能力,能够取得下列有益效果:
1)利用小波变换的多分辨率特征和奇异性检测能力,有效滤除了外界干扰信号的影响,并且将钢丝绳断丝处信号放大,使信号峰峰值更明显。
2)神经网络作为一种自适应模式识别技术,可通过训练和学习来获得网络的权值,形成良好的网络结构,能实现输入模式到输出模式的高度非线性映射,并表现出较强的自学习能力和对环境的自适应能力。利用神经网络强大的自学习、自组织和自适应性,根据对已有的断丝数据训练,由此完成钢丝绳断丝数目的定量识别。
附图说明
图1是本发明基于小波变换和神经网络的钢丝绳断丝损伤识别方法的主要步骤流程图;
图2是本发明优选实施例的钢丝绳损伤探测实验示意图;
图3(a)是钢丝绳断一根丝时,经过小波变换后的漏磁信号图;
图3(b)是钢丝绳断两根丝时,经过小波变换后的漏磁信号图;
图3(c)是钢丝绳断三根丝时,经过小波变换后的漏磁信号图;
图3(d)是钢丝绳断四根丝时,经过小波变换后的漏磁信号图;
图4(a)是待检测钢丝绳断丝真实值与神经网络识别值对比图;
图4(b)是待检测钢丝绳断丝真实值与神经网络识别值之间相对误差图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明优选实施例的一种基于小波变换和神经网络的钢丝绳断丝损伤识别方法,包括离线训练步骤和在线检测步骤,其中:
所述离线训练步骤包括:
(1)将大量已知断丝数目的钢丝绳作为训练样本,将钢丝绳直径、钢丝绳探测仪运行速度、钢丝绳探测仪检测到的漏磁信号对应的小波系数峰峰值,这三种特征量作为输入层参数,将对应的钢丝绳断丝数目作为输出层参数,对选定的神经网络进行训练,直至神经网络的输出结果在允许误差范围内,得到训练好的神经网络;具体包括如下子步骤:
(1.1)对于大量已知断丝数目的钢丝绳,将钢丝绳直径、钢丝绳探测仪运行速度以及小波系数峰峰值这三种特征量作为输入层参数,将对应的钢丝绳断丝数目作为输出层参数,建立神经网络。本发明的方法适用于常见的神经网络,如全连接神经网络、卷积神经网络、循环神经网络或者其他形式神经网络,其基本原理都是以自适应迭代更新网络参数的方式,建立输入参数与输出参数的准确函数关系,从而可以直接根据输入的参数得到目标参数的结果。
(1.2)设置神经网络的层数以及每层神经元的个数,神经元激活函数的种类,学习的回合数Epoch,允许误差等参数。这些参数都是可以影响神经网络学习速度和最终的训练结果,按照经验值进行设定和调节即可。
(1.3)进行神经网络的迭代训练,并保存已经训练完的神经网络。
所述在线检测步骤包括:
(2)针对未知断丝数目的待测钢丝绳,提取钢丝绳探测仪检测到的漏磁信号并记录钢丝绳直径、钢丝绳探测仪运行速度;具体包括如下子步骤:
(1.1)固定好待检测钢丝绳,记录钢丝绳的直径;
(1.2)设置好钢丝绳探测仪的运行速度,沿轴向检测钢丝绳,提取检测到的漏磁信号。
(3)对提取的漏磁信号进行连续小波变换,得到小波系数峰峰值;具体包括如下子步骤:
(3.1)首先选取合适的小波母函数。小波母函数有很多种,如Haar、Daubechies、Biorthogonal、Coiflets、Symlets、Morlet、Mexican Hat、Meyer等。本实施例选取最常用的复Morlet小波,复Morlet小波是一种单频复正弦调制高斯波,该小波在时频两域均具有良好的分辨率,复Morlet小波的表达式为:
其中,fb表示带宽参数,fc表示小波中心频率,j是虚数符号。
(3.2)然后利用小波变换的多分辨率特征和奇异性检测能力,对检测到的漏磁信号进行连续小波变换:
其中,a表示尺度因子,b表示平移因子(时间因子),Wψ(a,b)表示小波变换后的小波系数,x(t)表示检测到的漏磁信号,是小波母函数ψ(a,b)的复共轭形式。由于小波变换的奇异性检测能力,钢丝绳出现断丝时,其对应位置的小波系数会出现明显峰峰值,记录每次变换后的峰峰值。因此,小波系数出现峰峰值的位置,即为钢丝绳出现断丝的位置,峰峰值的大小与钢丝绳断丝数目有着正相关的关系。
(4)将步骤(2)记录的检测的钢丝绳(断丝数目未知)的钢丝绳直径、钢丝绳探测仪运行速度和步骤(3)得到的小波系数峰峰值,导入步骤(1)得到的训练好的神经网络,得到神经网络输出的参数,即为待测钢丝绳的断丝数目。
下面以图2所示的钢丝绳断丝损伤探测实验为对象,来描述基于小波变换和神经网络的钢丝绳断丝损伤识别过程。
图2中钢丝绳的直径为34mm,长度为2m。所使用的钢丝绳探测仪的直径为36mm,探测仪沿环向布置有12个霍尔元件传感器,钢丝绳探测仪沿轴向的运行速度为0.32m/s。
为验证本发明的效果,设置了四种钢丝绳断丝损伤工况:第一种工况是钢丝绳表面断一根丝;第二种工况是钢丝绳表面连续断两根丝;第三种工况是钢丝绳表面连续断三根丝;第四种工况是钢丝绳表面连续断四根丝。
在同一根钢丝绳上等间距地布置这四种工况,使用钢丝绳探测仪沿轴向探测,重复10次实验。按照本发明的上述方法步骤(2)得到某次实验处理之后的小波系数图分别如图3(a)~3(d)所示。提取每次图内的峰峰值,一共可以得到4×10组峰峰值,将峰峰值、钢丝绳直径以及运行速度这三种特征值作为输入层数据,将每个峰峰值对应的断丝数作为输出层数据;然后将输入层数据按照4:1的比例分成两组,分别作为神经网络的训练输入样本和检验输入样本,将与输入数据对应的输出数据按照4:1比例分成两组,分别作为训练输出样本和检验真实值;最后,将训练输入样本和训练输出样本按照本发明步骤(3)导入网络,训练神经网络,训练好之后,将检验输入样本代入神经网络,就会得到神经网络输出值,即断丝数目识别值。识别值与真实值的对比以及相对误差如图4(a)~4(b)所示。可以看出,本方法的断丝数目识别结果与实际断丝数目非常接近,能较准确地识别出钢丝绳断丝损伤数目。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种钢丝绳断丝损伤识别方法,包括离线训练步骤和在线检测步骤,其特征在于:
所述离线训练步骤包括:
(1)将大量已知断丝数目的钢丝绳作为训练样本,将钢丝绳直径、钢丝绳探测仪运行速度、钢丝绳探测仪检测到的漏磁信号对应的小波系数峰峰值,这三种特征量作为输入层参数,将对应的钢丝绳断丝数目作为输出层参数,对选定的神经网络进行训练,直至神经网络的输出结果在允许误差范围内,得到训练好的神经网络;步骤(1)包括以下子步骤:
(1.1)将大量已知断丝数目的钢丝绳作为训练样本,将钢丝绳直径、钢丝绳探测仪运行速度、钢丝绳探测仪检测到的漏磁信号对应的小波系数峰峰值,这三种特征量作为输入层参数,将对应的钢丝绳断丝数目作为输出层参数,建立神经网络;
(1.2)设置神经网络的层数以及每层神经元的个数、神经元激活函数的种类、学习的回合数Epoch以及允许误差;
(1.3)利用步骤(1.1)选取的训练样本和步骤(1.2)设定的参数进行神经网络的迭代优化,直至迭代次数达到指定的Epoch且输出结果在允许误差范围内,得到训练好的神经网络;
所述在线检测步骤包括:
(2)针对未知断丝数目的待测钢丝绳,提取钢丝绳探测仪检测到的漏磁信号并记录钢丝绳直径、钢丝绳探测仪运行速度;
(3)对提取的漏磁信号进行连续小波变换,得到小波系数峰峰值,包括如下子步骤:
(3.1)选取复Morlet小波作为小波母函数,表达式为:
其中,fb表示带宽参数,fc表示小波中心频率,j是虚数符号,t是时间参数;
(3.2)基于复Morlet小波,对检测到的漏磁信号进行连续小波变换:
(4)将步骤(2)记录的钢丝绳直径、钢丝绳探测仪运行速度和步骤(3)得到的小波系数峰峰值导入步骤(1)得到的训练好的神经网络,得到神经网络输出的参数,即为待测钢丝绳的断丝数目。
2.如权利要求1所述的一种钢丝绳断丝损伤识别方法,其特征在于,所述步骤(2)包括以下子步骤:
(2.1)固定好待检测钢丝绳,记录钢丝绳的直径;
(2.2)设置好钢丝绳探测仪的运行速度,沿轴向检测钢丝绳,提取检测到的漏磁信号。
3.一种钢丝绳断丝损伤识别系统,包括处理器、离线训练程序模块、神经网络程序模块和在线检测程序模块,其特征在于:
所述离线训练程序模块在被所述处理器调用时,按照如权利要求1或2所述的步骤(1)对所述神经网络程序模块进行训练;
所述在线检测程序模块在被所述处理器调用时,执行如权利要求1或2所述的步骤(2)~(4)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910581645.1A CN110231395B (zh) | 2019-06-30 | 2019-06-30 | 一种钢丝绳断丝损伤识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910581645.1A CN110231395B (zh) | 2019-06-30 | 2019-06-30 | 一种钢丝绳断丝损伤识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110231395A CN110231395A (zh) | 2019-09-13 |
CN110231395B true CN110231395B (zh) | 2021-01-19 |
Family
ID=67856568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910581645.1A Active CN110231395B (zh) | 2019-06-30 | 2019-06-30 | 一种钢丝绳断丝损伤识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110231395B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110930357B (zh) * | 2019-10-17 | 2023-11-14 | 中国矿业大学 | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 |
CN111310686B (zh) * | 2020-02-25 | 2022-03-29 | 江西理工大学 | 一种ipso-bp神经网络的钢丝绳断丝损伤识别方法 |
CN111506870B (zh) * | 2020-04-27 | 2023-03-31 | 中铁二院工程集团有限责任公司 | 一种基于小波变换的时变结构损伤识别方法 |
CN112131781B (zh) * | 2020-08-26 | 2024-06-21 | 浙江工业大学 | 基于全连接神经网络与传递率函数的钢结构损伤检测方法 |
CN112229901B (zh) * | 2020-12-10 | 2021-03-05 | 湖南久钰电子有限公司 | 环形铁磁检测装置及钢缆在线监测系统 |
CN118373278A (zh) * | 2024-04-18 | 2024-07-23 | 重庆市特种设备检测研究院(重庆市特种设备事故应急调查处理中心) | 一种电梯曳引系统中曳引绳的监测方法、系统及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5747988A (en) * | 1994-06-23 | 1998-05-05 | Sumitomo Metal Industires Limited | Method and apparatus for flaw detection by leakage fluxes and leakage flux sensor |
JPH112626A (ja) * | 1997-06-13 | 1999-01-06 | Hitachi Cable Ltd | 探傷傷種別の自動判定方法 |
CN104458814B (zh) * | 2014-11-28 | 2017-01-18 | 中国矿业大学(北京) | 钢丝绳在线检测信号的预处理方法及装置 |
CN104808107A (zh) * | 2015-04-16 | 2015-07-29 | 国家电网公司 | 一种xlpe电缆局部放电缺陷类型识别方法 |
CN107301271B (zh) * | 2017-05-23 | 2020-05-29 | 哈尔滨工业大学深圳研究生院 | 一种钢丝绳外层损伤漏磁检测定量方法 |
CN107506768A (zh) * | 2017-10-11 | 2017-12-22 | 电子科技大学 | 一种基于全卷积神经网络的输电线路导线断股识别方法 |
-
2019
- 2019-06-30 CN CN201910581645.1A patent/CN110231395B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110231395A (zh) | 2019-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110231395B (zh) | 一种钢丝绳断丝损伤识别方法及系统 | |
Wang et al. | A non-contact fault diagnosis method for rolling bearings based on acoustic imaging and convolutional neural networks | |
Yu et al. | An iterative stacking method for pipeline defect inversion with complex MFL signals | |
Hasan et al. | Multi-sensor fusion-based time-frequency imaging and transfer learning for spherical tank crack diagnosis under variable pressure conditions | |
CN115824519B (zh) | 基于多传感器信息融合的阀门泄露故障综合诊断方法 | |
Jin et al. | A multi-scale convolutional neural network for bearing compound fault diagnosis under various noise conditions | |
CN105466693B (zh) | 基于灰色模型的柴油机燃油系统故障预诊断方法 | |
CN115563553B (zh) | 波动工况下深度迁移图卷积网络的航空轴承故障诊断方法 | |
CN111042917B (zh) | 一种基于goa-mckd和层次离散熵的共轨喷油器微弱故障诊断方法 | |
CN110646507B (zh) | 基于锁相放大的多频旋转磁场的金属缺陷检测装置及方法 | |
CN112215803B (zh) | 一种基于改进生成对抗网络的铝板电涡流检测图像缺陷分割方法 | |
Liu et al. | An intelligent defect detection approach based on cascade attention network under complex magnetic flux leakage signals | |
CN114137079A (zh) | 一种基于深度学习和Duffing系统结合的超声导波无损检测方法 | |
CN114091539A (zh) | 一种多模态深度学习的滚动轴承故障诊断方法 | |
Silva Jr et al. | Intelligent embedded system for decision support in pulsed eddy current corrosion detection using Extreme Learning Machine | |
CN115656335A (zh) | 一种轴承套圈内部缺陷快速检测与识别方法 | |
CN109100416A (zh) | 基于正交多频电磁检测的铁磁性管道内壁缺陷检测装置 | |
CN115420806A (zh) | 一种基于神经网络及图像融合的无损超声检测方法 | |
Shen et al. | SSCT-Net: A semisupervised circular teacher network for defect detection with limited labeled multiview MFL samples | |
CN117214398A (zh) | 一种深层地下水体污染物检测方法及系统 | |
CN116662872A (zh) | 汽车面板精整线轴承类机械故障诊断方法 | |
CN116773654A (zh) | 一种基于周向导波的管道缺陷智能检测装置及检测方法 | |
CN115452957B (zh) | 基于注意力原型网络的小样本金属损伤识别方法 | |
CN116183718A (zh) | 基于Lamb波非线性混频和LT网络的微裂纹定位与评估方法 | |
CN116244631A (zh) | 基于双通道卷积神经网络的桩基础多缺陷识别方法及其系统 |
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 |