CN110243560A - 一种桥梁挠度监测中的温度效应分离方法 - Google Patents

一种桥梁挠度监测中的温度效应分离方法 Download PDF

Info

Publication number
CN110243560A
CN110243560A CN201910453763.4A CN201910453763A CN110243560A CN 110243560 A CN110243560 A CN 110243560A CN 201910453763 A CN201910453763 A CN 201910453763A CN 110243560 A CN110243560 A CN 110243560A
Authority
CN
China
Prior art keywords
bridge
deflection
signal
imf
temperature effect
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
CN201910453763.4A
Other languages
English (en)
Inventor
谭冬梅
柳勇
吴浩
陈方望
刘晓飞
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.)
Wuhan Optical Valley Big Dipper Is Controlled Interest Group Co Ltd
Original Assignee
Wuhan Optical Valley Big Dipper Is Controlled Interest Group Co Ltd
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 Wuhan Optical Valley Big Dipper Is Controlled Interest Group Co Ltd filed Critical Wuhan Optical Valley Big Dipper Is Controlled Interest Group Co Ltd
Priority to CN201910453763.4A priority Critical patent/CN110243560A/zh
Publication of CN110243560A publication Critical patent/CN110243560A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0008—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings of bridges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明属于桥梁监测技术领域，公开了一种桥梁挠度监测中的温度效应分离方法，包括：利用总体经验模态分解法EEMD将桥梁挠度信号分解为本征模函数IMF；基于能量熵增量判别法识别并剔除所述本征模函数IMF中的虚假的IMF分量；将剔除所述虚假的IMF分量后的所述本征模函数IMF组成混合信号；采用矩阵联合近似对角化算法JADE对所述混合信号进行分离得到所述桥梁挠度信号中的温度效应信号。本发明提供了一种能够有效的抑制模态混叠，降低了提取过程中会出现的累积误差，使得提取结果更加接近实际值，温度效应成分更加精确，相比现有提取算法更加简洁，运行速度更加快。

Description

一种桥梁挠度监测中的温度效应分离方法
技术领域
本发明涉及桥梁监测技术领域，特别涉及一种桥梁挠度监测中的温度效应分离方法。
背景技术
挠度是桥梁结构损伤诊断和安全评估的关键参数之一，能够直观、有效地反映桥梁结构的整体综合性能。桥梁结构挠度是车辆荷载、温度荷载以及混凝土的收缩徐变等因素共同作用下的综合响应。因此，准确分离出桥梁在各个因素作用下的挠度特性不仅有助于正确诊断桥梁结构病害，还能为桥梁的工作性能与安全评估提供可靠的依据。
现有技术中，传统的经验模态分解对信号进行升维，然后进行独立分量分析。该方法中经验模态分解过程中容易出现模态混叠的问题，同时，分解过程中不可避免地会出现难以与特征信号区别的虚假的IMF分量，最终使分离结果产生较大误差。
发明内容
本发明提供一种桥梁挠度监测中的温度效应分离方法，解决现有技术中桥梁挠度监测中的温度效应分离误差大的技术问题。
为解决上述技术问题，本发明提供了一种桥梁挠度监测中的温度效应分离方法，包括：
利用总体经验模态分解法EEMD将桥梁挠度信号分解为本征模函数IMF；
基于能量熵增量判别法识别并剔除所述本征模函数IMF中的虚假的IMF分量；
将剔除所述虚假的IMF分量后的所述本征模函数IMF组成混合信号；
采用矩阵联合近似对角化算法JADE对所述混合信号进行分离得到所述桥梁挠度信号中的温度效应信号。
进一步地，所述桥梁挠度监测中的温度效应分离方法还包括：
将采样获取的原始桥梁挠度信号进行低通滤波，滤除高频信号，得到所述桥梁挠度信号。
进一步地，所述基于能量熵增量判别法识别并剔除所述本征模函数IMF中的虚假的IMF分量包括：
比较所述本征函数IMF的能量熵增量与设定阈值；
剔除所述本征函数IMF中能量熵增量低于所述设定阈值的虚假的IMF分量。
进一步地，所述桥梁挠度监测中的温度效应分离方法还包括：结果验证步骤，用于验证温度效应分离效果；
所述结果验证步骤包括：
建立桥梁仿真模型，并对其进行结构变形仿真，并获得仿真总挠度信号；
利用总体经验模态分解法EEMD将桥所述总挠度信号分解为仿真本征模函数IMF；
基于能量熵增量判别法识别并剔除所述仿真本征模函数IMF中的仿真虚假的IMF分量；
将剔除所述仿真虚假的IMF分量后的所述本征模函数IMF组成仿真混合信号；
采用矩阵联合近似对角化算法JADE对所述仿真混合信号进行分离得到所述桥梁挠度信号中的仿真温度效应信号；
获取所述仿真温度效应信号与所述温度效应信号的相关系数和二次残差VQM。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例中提供的桥梁挠度监测中的温度效应分离方法，采用的EEMD方法可以有效的抑制模态混叠；采用基于能量熵增量来剔除虚假IMF都降低了提取过程中会出现的累积误差，使得提取结果更加接近实际值。相对而言，现有技术提取算法的提取精度和运行效率都相对较低，分离出来的IMF分量存在模态混叠，且基于时域相关系数的虚假IMF分量剔除精确度都相对较低，这都会造成分离出来的挠度的温度效应成分与实际存在较大的误差。
另一方面，现有算法利用粒子群算法和最小二乘支持向量机算法等都会需要对大量的数据进行处理来建立数据库；相对的，本方法只需对原始数据进行分析，对计算机性能要求较低，所用时间也相对较短。因此，本发明提出的提取算法提取桥梁挠度监测信号中的温度效应成分更加精确，相比现有提取算法更加简洁，运行速度更加快。
附图说明
图1为本发明提供的桥梁挠度监测中的温度效应分离方法流程图；
图2为本发明提供的EEMD算法流程图；
图3为本发明实施例提供的仿真日温差效应时域曲线与频谱图；
图4为本发明实施例提供的仿真年温差效应时域曲线与频谱图；
图5为本发明实施例提供的仿真长期变形时域曲线与频谱图；
图6为本发明实施例提供的仿真总挠度的时程曲线；
图7为本发明实施例提供的仿真信号能量熵增量曲线；
图8为本发明实施例提供的仿真时域相关系数与能量熵增量函数示意图；
图9为本发明实施例提供的仿真分离后日温差效应时域曲线；
图10为本发明实施例提供的仿真分离后年温差效应时域曲线；
图11为本发明实施例提供的下游测点实测挠度时程曲线；
图12为本发明实施例提供的上游测点实测挠度时程曲线；
图13为本发明实施例提供的下游测点实测滤波后的挠度时程曲线；
图14为本发明实施例提供的上游测点实测滤波后的挠度时程曲线；
图15为本发明实施例提供的下游测点日温差效应；
图16为本发明实施例提供的上游测点日温差效应；
图17为本发明实施例提供的下游测点实测信号时域相关系数与能量熵增量函数示意图；
图18为本发明实施例提供的上游测点实测信号时域相关系数与能量熵增量函数示意图；
图19为本发明实施例提供的下游测点实测日温差效应对比；
图20为本发明实施例提供的上游测点实测日温差效应对比。
具体实施方式
本申请实施例通过提供一种桥梁挠度监测中的温度效应分离方法，解决现有技术中桥梁挠度监测中的温度效应分离误差大的技术问题。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细说明，应当理解本发明实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
参见图1，本发明提供了一种桥梁挠度监测中的温度效应分离方法，包括：
利用总体经验模态分解法EEMD将桥梁挠度信号分解为本征模函数IMF；
基于能量熵增量判别法识别并剔除所述本征模函数IMF中的虚假的IMF分量；
将剔除所述虚假的IMF分量后的所述本征模函数IMF组成混合信号；
采用矩阵联合近似对角化算法JADE对所述混合信号进行分离得到所述桥梁挠度信号中的温度效应信号。
本方法采用总体经验模态分解法EEMD可以有效的抑制模态混叠，并采用基于能量熵增量为判断依据来剔除虚假IMF都降低了提取过程中会出现的累积误差，使得提取结果更加接近实际值。也就是建立基于EEMD-JADE的桥梁挠度监测中温度效应成分的分离方法，配合基于能量熵增量在桥梁监测信号中温度效应分离时虚假IMF的剔除方案实现整体的温度效应分离。
相对而言，现有算法利用粒子群算法和最小二乘支持向量机算法等都会需要对大量的数据进行处理来建立数据库，在运行时间上本方法只需对原始数据进行分析，对计算机性能要求较低，所用时间也相对较短。所以本发明的优点体现在提出的提取算法提取桥梁挠度监测信号中的温度效应成分更加精确，相比现有提取算法更加简洁，运行速度更加快。
一般来说，为了降低信号干扰，所述桥梁挠度监测中的温度效应分离方法还包括：
将采样获取的原始桥梁挠度信号进行低通滤波，滤除高频信号，得到所述桥梁挠度信号。一般来说，挠度的车辆荷载效应和环境噪声效应的高频干扰需要被分离。车辆荷载效应和环境噪声分布在信号的高频部分，与其他信号的频率差别较大，故可以借助低通滤波方法剔除高频信号
进一步地，所述基于能量熵增量判别法识别并剔除所述本征模函数IMF中的虚假的IMF分量包括：
比较所述本征函数IMF的能量熵增量与设定阈值；
剔除所述本征函数IMF中能量熵增量低于所述设定阈值的虚假的IMF分量。
本实施例还系统性的设置了验证步骤，用于验证分离的可靠性。所述桥梁挠度监测中的温度效应分离方法还包括：结果验证步骤，用于验证温度效应分离效果。
所述结果验证主要通过相关系数和二次残差VQM来衡量，具体步骤包括：
建立桥梁仿真模型，并对其进行结构变形仿真，并获得仿真总挠度信号；
利用总体经验模态分解法EEMD将桥所述总挠度信号分解为仿真本征模函数IMF；
基于能量熵增量判别法识别并剔除所述仿真本征模函数IMF中的仿真虚假的IMF分量；
将剔除所述仿真虚假的IMF分量后的所述本征模函数IMF组成仿真混合信号；
采用矩阵联合近似对角化算法JADE对所述仿真混合信号进行分离得到所述桥梁挠度信号中的仿真温度效应信号；
获取所述仿真温度效应信号与所述温度效应信号的相关系数和二次残差VQM。
下面将具体说明。
本实施例提供一种基于EEMD-JADE的分离算法，利用EEMD将通过监测桥梁得到的混合挠度信号进行分解，然后采用基于能量熵增量的判别法识别并剔除虚假的IMF分量，最后采用JADE对所得信号进行分离得到桥梁在温度的单独作用下产生的挠度。相比于传统的EMD，EEMD在其分解步骤上进行了改进，能够较好地抑制模态混叠。而虚假的IMF分量也能迅速地被基于能量熵增量的判别法识别。
EEMD-JADE分离算法，
参见图2，首先利用总体经验模态分解法(Ensemble Empirical ModeDecomposition,EEMD)将单通道的桥梁挠度信号分解为一系列线性平稳的本征模函数(Intrinsic Mode Function,IMF)，然后采用基于能量熵增量的判别法识别并剔除虚假的IMF分量。
将能量熵增量较大的IMF分量组成盲源分离模型的输入信号，最后采用矩阵联合近似对角化(Joint Approximate Diagonalization of Eigen-matrices,JADE)算法对输入信号进行盲源分离，最终实现桥梁各挠度成分的分离。
选用相关系数、二次残差作为评价指标对分离结果进行验证。
桥梁仿真挠度信号分离
首先桥梁模型，应用Midas软件对其进行结构变形仿真分析，获取其变形值。
令截面温差沿截面高度线性变化。整体每升温1℃，主跨跨中下挠1.44mm；截面线性升高温差1℃，主跨跨中下挠0.23mm。令日温差和年温差均为按正弦变化的周期性函数，取每天的整体日温差12℃，截面日温差6℃以及年温差35℃。
由此可得整体日温差：
截面日温差：
年温差：
令温度与桥梁结构变形呈线性关系，则，
整体日温差效应：
截面日温差效应：
年温差效应：
日温差效应f1的计算公式为：
f1＝f11+f12
令长期挠度由预应力损失、混凝土收缩徐变以及结构损伤等因素引起，采用《公路钢筋混凝土及预应力混凝土桥涵设计规范》(JTGD62-2004)计算该桥梁长期挠度变形f3，并用指数型函数进行拟合，得到长期挠度形。
根据挠度加法模型，跨中总挠度F由日温差效应、年温差效应及长期挠度构成，即：
F＝f1+f2+f3
上式中挠度的单位为mm，t表示时间，单位为小时。
参见图3、图4和图5，各挠度信号的时域曲线与频谱图，总挠度时程曲线见图6。
对总挠度信号进行EEMD分解，得到一系列的IMF分量。仿真信号中只包含三个频率成分，由此可见在分解的过程中产生了较多的虚假IMF分量。
参见图7，各阶IMF的能量熵增量函数曲线，IMF7、IMF11以及IMF14对应的能量熵增量较大，可作为IMF主分量；其余阶次所对应的能量熵增量几乎为0，可以认为是虚假的IMF分量，予以剔除。
参见图8，比较时域相关系数与能量熵增量函数，运用时域相关系数所识别得到的主分量是IMF6、IMF7、IMF8、IMF10、IMF11、IMF12、IMF13和IMF14。并且其中几项IMF分量之间的数值差别较小，故利用基于能量熵增量函数识别虚假IMF分量成分相比传统时域相关系数识别度更高。选取第7、11、14阶IMF分量组成多通道的混合信号，再利用JADE盲源分离算法估计出源信号。
参见图9和图10，为克服分离结果的幅值不确定性，对分离结果和原选取的IMF进行傅里叶变换，然后进行幅值对比，将其比值作为系数与分离结果相乘，得到最终的结果。与图3、图4和图5比较，可得分离得到的各信号时域曲线与对应的原始信号时域曲线基本相同，桥梁挠度信号得到了很好的分离。
为定量说明盲源信号分离的效果，从不同方面面反映分离信号与源信号之间的误差度量，本文引入相关系数，二次残差VQM(Vestigial Quadratic Mismatch)两种评价指标，仿真信号分离前后的信号相关系数与二次残差如表1所示。由表中数值可知分离较为精确。
表1
桥梁实测挠度信号分离
某桥梁安全监测项目主要针对大桥桥体，采用北斗卫星导航定位技术，在桥梁关键部位设计布设北斗桥梁监测站，监测桥梁日常运行状态。北斗卫星导航定位技术作为一种全新的现代空间定位技术，能实时自动提供连续的观测值，具有全天候、高精度、点间不需相互通视等特点。利用北斗导航定位技术的高精度实时差分定位和事后差后定位，可以随时掌握桥梁的结构变形，为桥梁的运营管理、安全评估以及科学研究提供可靠的依据。
现提取主跨跨中下游测点和上游测点的挠度数据，时间段为2017年10月13日02：00到2017年10月15日02:00，采样频率为10s/次。
参见图11和图12，各测点的挠度时程曲线。可知主跨跨中竖向挠度的日变化曲线整体呈现余弦变化特征。
由于采样数据的时间跨度较短，可以忽略年温差挠度值与长期挠度在采样时间段内的变化，认为在这段时间内其变形值为恒定值。所以挠度信号的变化主要是由于车辆荷载，环境噪声以及日温差效应所引起。车辆荷载效应和环境噪声分布在信号的高频部分，与其他信号的频率差别较大，故可以借助低通滤波方法剔除高频信号。
参见图13和图14，滤波后的挠度时程曲线。
将滤波前后对应的曲线对比可知，滤除车辆荷载与噪声等高频信号后，曲线的变化趋势大致相同，由此可知温度作用对挠度的影响决定着挠度变化的趋势。
通过滤波算法剔除车辆荷载效应以及环境噪声等高频信号后，剩余变形可以认为是由日温差效应挠度值、恒定的年温差挠度值和恒定的长期挠度变形值所组成的。
参见图15和图16，根据日温差效应的特性可知，在两个周期内日温差效应的均值为零。将滤波后的挠度数据进行中心化处理后得到如图15和图16所示的曲线，该曲线即可近似为日温差效应曲线。现在对下游测点与上游测点的实测挠度信号用EEMD-JADE进行分离。
首先由EEMD分解后得到一系列的IMF分量，然后利用能量熵增量识别虚假的IMF分量。
参见图17和图18，对比时域相关系数与能量熵增量函数，采用相关系数进行识别得到的主分量是IMF2、IMF10、IMF11和IMF12，而其中部分IMF分量之间数值差别较小，难以识别。而采用能量熵增量识别得到的主分量为IMF11与IMF13，且二者与其他阶次的IMF所对应的数值相差较大，故可将IMF11与IMF13作为主分量。
将选取的主分量作为JADE盲源分离的模型输入信号，再通过JADE算法分析与处理，最终估计出源信号。
参见图19和图20，将分离出的结果进行中心化处理后与实际日温差效应对比。分别计算上、下游测点分离日温差效应与实际日温差效应相关系数和二次残差，见表2。基于EEMD-JADE的分离方法对源信号具有良好的分离效果，两种指标都接近于理想值。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例中提供的桥梁挠度监测中的温度效应分离方法，采用的EEMD方法可以有效的抑制模态混叠；采用基于能量熵增量来剔除虚假IMF都降低了提取过程中会出现的累积误差，使得提取结果更加接近实际值。相对而言，现有技术提取算法的提取精度和运行效率都相对较低，分离出来的IMF分量存在模态混叠，且基于时域相关系数的虚假IMF分量剔除精确度都相对较低，这都会造成分离出来的挠度的温度效应成分与实际存在较大的误差。
另一方面，现有算法利用粒子群算法和最小二乘支持向量机算法等都会需要对大量的数据进行处理来建立数据库；相对的，本方法只需对原始数据进行分析，对计算机性能要求较低，所用时间也相对较短。因此，本发明提出的提取算法提取桥梁挠度监测信号中的温度效应成分更加精确，相比现有提取算法更加简洁，运行速度更加快。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种桥梁挠度监测中的温度效应分离方法，其特征在于，包括：
利用总体经验模态分解法EEMD将桥梁挠度信号分解为本征模函数IMF；
基于能量熵增量判别法识别并剔除所述本征模函数IMF中的虚假的IMF分量；
将剔除所述虚假的IMF分量后的所述本征模函数IMF组成混合信号；
采用矩阵联合近似对角化算法JADE对所述混合信号进行分离得到所述桥梁挠度信号中的温度效应信号。
2.如权利要求1所述的桥梁挠度监测中的温度效应分离方法，其特征在于，所述桥梁挠度监测中的温度效应分离方法还包括：
将采样获取的原始桥梁挠度信号进行低通滤波，滤除高频信号，得到所述桥梁挠度信号。
3.如权利要求1所述的桥梁挠度监测中的温度效应分离方法，其特征在于，所述基于能量熵增量判别法识别并剔除所述本征模函数IMF中的虚假的IMF分量包括：
比较所述本征函数IMF的能量熵增量与设定阈值；
剔除所述本征函数IMF中能量熵增量低于所述设定阈值的虚假的IMF分量。
4.如权利要求1所述的桥梁挠度监测中的温度效应分离方法，其特征在于，所述桥梁挠度监测中的温度效应分离方法还包括：结果验证步骤，用于验证温度效应分离效果；
所述结果验证步骤包括：
建立桥梁仿真模型，并对其进行结构变形仿真，并获得仿真总挠度信号；
利用总体经验模态分解法EEMD将桥所述总挠度信号分解为仿真本征模函数IMF；
基于能量熵增量判别法识别并剔除所述仿真本征模函数IMF中的仿真虚假的IMF分量；
将剔除所述仿真虚假的IMF分量后的所述本征模函数IMF组成仿真混合信号；
采用矩阵联合近似对角化算法JADE对所述仿真混合信号进行分离得到所述桥梁挠度信号中的仿真温度效应信号；
获取所述仿真温度效应信号与所述温度效应信号的相关系数和二次残差VQM。
CN201910453763.4A 2019-05-28 2019-05-28 一种桥梁挠度监测中的温度效应分离方法 Pending CN110243560A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910453763.4A CN110243560A (zh) 2019-05-28 2019-05-28 一种桥梁挠度监测中的温度效应分离方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910453763.4A CN110243560A (zh) 2019-05-28 2019-05-28 一种桥梁挠度监测中的温度效应分离方法

Publications (1)

Publication Number Publication Date
CN110243560A true CN110243560A (zh) 2019-09-17

Family

ID=67885247

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910453763.4A Pending CN110243560A (zh) 2019-05-28 2019-05-28 一种桥梁挠度监测中的温度效应分离方法

Country Status (1)

Country Link
CN (1) CN110243560A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110633752A (zh) * 2019-09-18 2019-12-31 广州大学 一种挠度信号分离方法和装置
CN111521356A (zh) * 2020-05-06 2020-08-11 中铁桥隧技术有限公司 一种桥梁挠度预警方法及系统
CN112577461A (zh) * 2020-07-01 2021-03-30 广州大学 一种基于挠度分离的大跨径梁桥状态的预测方法及系统
CN113033509A (zh) * 2021-05-21 2021-06-25 中铁大桥科学研究院有限公司 5g模式斜拉桥温度效应分离数据监测识别方法及设备
CN113176054A (zh) * 2021-04-19 2021-07-27 广西交科集团有限公司 桥梁钢管拱肋变形位移监控系统
CN113204850A (zh) * 2021-05-28 2021-08-03 重庆交通大学 一种桥梁挠度监测中的温度效应分离方法
CN113506627A (zh) * 2020-11-25 2021-10-15 中国人民解放军陆军特种作战学院 一种夜间人体生理机能评估方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573248A (zh) * 2015-01-16 2015-04-29 东南大学 基于emd的光纤陀螺温度漂移多尺度极限学习机训练方法
US20150164413A1 (en) * 2013-12-13 2015-06-18 National Chung Shan Institute Of Science And Technology Method of creating anesthetic consciousness index with artificial neural network
CN106197770A (zh) * 2016-08-29 2016-12-07 孟玲 一种桥梁健康监测系统
CN107273585A (zh) * 2017-05-25 2017-10-20 国网山东省电力公司青岛供电公司 一种有载分接开关故障检测方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150164413A1 (en) * 2013-12-13 2015-06-18 National Chung Shan Institute Of Science And Technology Method of creating anesthetic consciousness index with artificial neural network
CN104573248A (zh) * 2015-01-16 2015-04-29 东南大学 基于emd的光纤陀螺温度漂移多尺度极限学习机训练方法
CN106197770A (zh) * 2016-08-29 2016-12-07 孟玲 一种桥梁健康监测系统
CN107273585A (zh) * 2017-05-25 2017-10-20 国网山东省电力公司青岛供电公司 一种有载分接开关故障检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈凤林: ""基于JADE的轴承故障诊断与寿命预测研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110633752B (zh) * 2019-09-18 2022-08-09 广州大学 一种挠度信号分离方法和装置
CN110633752A (zh) * 2019-09-18 2019-12-31 广州大学 一种挠度信号分离方法和装置
CN111521356A (zh) * 2020-05-06 2020-08-11 中铁桥隧技术有限公司 一种桥梁挠度预警方法及系统
CN111521356B (zh) * 2020-05-06 2022-03-25 中铁桥隧技术有限公司 一种桥梁挠度预警方法及系统
CN112577461A (zh) * 2020-07-01 2021-03-30 广州大学 一种基于挠度分离的大跨径梁桥状态的预测方法及系统
CN112577461B (zh) * 2020-07-01 2022-04-19 广州大学 一种基于挠度分离的大跨径梁桥状态的预测方法及系统
CN113506627B (zh) * 2020-11-25 2023-03-24 中国人民解放军陆军特种作战学院 一种夜间人体生理机能评估方法及系统
CN113506627A (zh) * 2020-11-25 2021-10-15 中国人民解放军陆军特种作战学院 一种夜间人体生理机能评估方法及系统
CN113176054A (zh) * 2021-04-19 2021-07-27 广西交科集团有限公司 桥梁钢管拱肋变形位移监控系统
CN113176054B (zh) * 2021-04-19 2024-04-26 广西交科集团有限公司 桥梁钢管拱肋变形位移监控系统
CN113033509A (zh) * 2021-05-21 2021-06-25 中铁大桥科学研究院有限公司 5g模式斜拉桥温度效应分离数据监测识别方法及设备
CN113033509B (zh) * 2021-05-21 2021-08-24 中铁大桥科学研究院有限公司 5g模式斜拉桥温度效应分离数据监测识别方法及设备
CN113204850A (zh) * 2021-05-28 2021-08-03 重庆交通大学 一种桥梁挠度监测中的温度效应分离方法

Similar Documents

Publication Publication Date Title
CN110243560A (zh) 一种桥梁挠度监测中的温度效应分离方法
CN108170925A (zh) 一种基于arma模型的桥梁损伤预警方法
CN103592369B (zh) 一种航空发动机盘类零件在位裂纹检测方法
Ciloglu et al. Impacts of epistemic uncertainty in operational modal analysis
CN109784383A (zh) 一种基于图域特征和ds证据理论融合的钢轨裂纹识别方法
CN105258789A (zh) 一种振动信号特征频率带的提取方法及装置
CN110619479A (zh) 光伏组件的故障判别模型建模方法及故障判别方法
CN108470163B (zh) 轨道道岔板离缝病害检测方法及终端设备
CN113204850A (zh) 一种桥梁挠度监测中的温度效应分离方法
CN102303377B (zh) 一种橡胶门尼粘度的在线自动测量方法
CN114583767A (zh) 一种数据驱动的风电场调频响应特性建模方法及系统
CN105259398A (zh) 一种基于总方差的光纤电流互感器随机误差特性分析方法
CN101609480B (zh) 基于广域测量类噪声信号的电力系统节点间相位关系辨识方法
Allen Global and multi-input-multi-output (MIMO) extensions of the algorithm of mode isolation (AMI)
CN106022636A (zh) 一种宇航元器件pid实施成效评价方法
RU161314U1 (ru) Система принятия решений о соответствии положениям икао государственных стандартов и постановлений авиационных властей по контролю за обеспечением безопасности полетов
CN112966346B (zh) 一种基于等效频率离散的频响函数不确定性分析方法
CN109033564A (zh) 一种飞机机载设备测试性验证指标评估方法
CN110781606B (zh) 一种针对梁结构的多设计点非概率可靠性分析方法
CN103399974A (zh) 量化比较随机振动仿真数据与实验数据的方法
Shantz Uncertainty quantification in crack growth modeling under multi-axial variable amplitude loading
CN104182583A (zh) 基于联合分析法的配电网设备状态指标权重分析方法
Hinton Problems associated with statistical pattern recognition of acoustic emission signals in a compact tension fatigue specimen
de Almeida Cardoso et al. An enhanced approach for automatic modal identification of structures
CN113222425A (zh) 检验检测机构资质合规管理的评价系统及方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190917

WD01 Invention patent application deemed withdrawn after publication