CN110598282A - 一种基于应变振型和深度学习的结构损伤识别方法 - Google Patents

一种基于应变振型和深度学习的结构损伤识别方法 Download PDF

Info

Publication number
CN110598282A
CN110598282A CN201910804112.5A CN201910804112A CN110598282A CN 110598282 A CN110598282 A CN 110598282A CN 201910804112 A CN201910804112 A CN 201910804112A CN 110598282 A CN110598282 A CN 110598282A
Authority
CN
China
Prior art keywords
strain
damage
mode
time
deep learning
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.)
Granted
Application number
CN201910804112.5A
Other languages
English (en)
Other versions
CN110598282B (zh
Inventor
陈贡发
徐潇健
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910804112.5A priority Critical patent/CN110598282B/zh
Publication of CN110598282A publication Critical patent/CN110598282A/zh
Application granted granted Critical
Publication of CN110598282B publication Critical patent/CN110598282B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于应变振型和深度学习的结构损伤识别方法，包括步骤：S1.建立与实际结构一样的模型；S2.设置多种损伤工况进行模态分析，收集各个工况第一阶应变振型；S3.把工况和第一阶应变振型分别作为输出和输入来训练神经网络；S4.采集得到实际结构在激励下的应变时程曲线以及力的时程曲线；S5.对采集到的应变时程和力的时程曲线进行傅里叶变换，得到应变频响函数，提取振动模态信息，包括有应变振型；S6.将实际结构中测得的应变振型输入进训练好的神经网络，得到结构损伤位置和损伤程度。本发明能识别多损时损伤程度和损伤位置，具有较高识别灵敏度，能解决大型桥梁结构传感器难以布置和信号接受的问题。

Description

一种基于应变振型和深度学习的结构损伤识别方法
技术领域
本发明涉及土木工程大型桥梁结构损伤识别的技术领域，尤其涉及到一种基于应变振型和深度学习的结构损伤识别方法。
背景技术
为保障生命和物资财产的安全，减少重大经济损失，避免灾难性的悲剧发生，同时也为对旧有建筑物进行合理维修、减少维护费用，而采取有效的技术手段及方法对现役大型桥梁结构进行安全监控、健康诊断以及安全评估显得尤为重要和迫切。
其中，大型桥梁结构损伤识别技术是最为关键性的环节。目前存在许多基于振动的结构损伤识别指标，但大多数指标对于深度损伤有很好的损伤，轻度损伤不是很灵敏，并且损伤的程度识别一直得不到解决；多损伤时由于不同损伤位置之间干扰导致识别不准确也一直得不到解决；传统传感器测量时，对于大型桥梁来说传感器布置较困难，传感器信号接收也会受到影响。
发明内容
本发明的目的在于克服现有技术的不足，提供一种能识别多损时损伤程度和损伤位置、识别灵敏度高、能解决大型桥梁结构传感器难以布置和信号接受的问题的基于应变振型和深度学习的结构损伤识别方法。
为实现上述目的，本发明所提供的技术方案为：
一种基于应变振型和深度学习的结构损伤识别方法，包括以下步骤：
S1.采用有限元分析软件建立与实际结构一样的模型；
S2.设置多种损伤工况进行模态分析，收集各个工况第一阶应变振型；
S3.把工况和第一阶应变振型分别作为输出和输入来训练神经网络；
S4.通过无人机、高速摄像机、力传感器、动态信息采集仪、笔记本电脑配合采集得到实际结构在激励下的应变时程曲线以及力的时程曲线；
S5.对采集到的应变时程和力的时程曲线进行傅里叶变换，得到应变频响函数，提取振动模态信息，包括频率、模态质量、模态刚度、应变振型；
S6.将实际结构中测得的应变振型输入进训练好的神经网络，最终预测得到结构损伤位置和损伤程度。
进一步地，所述设置的多种损失工况包括单位置损伤、多位置损伤、不同程度损伤；其中，损伤以弹性模量E的折减来表示，损伤程度以弹性模量E的折减量来表示。
进一步地，所述步骤S4的具体过程如下：
S4-1.将高速摄像机搭载在无人机上；
S4-2.遥控无人机飞近所需要识别的桥梁，通过搭载在无人机上的高速摄像机采集该桥梁从被激励开始到静止这段时间的照片，并将照片传输至笔记本电脑；
S4-3.在笔记本电脑中采用编辑好的脚本自动提取激励下的应变时程曲线；
S4-4.通过力传感器和动态信息采集仪配合采集力的时程曲线，并将采集到的力的时程曲线传输给笔记本电脑。
进一步地，所述步骤S4-3中编辑好的脚本通过如下过程得出应变状态：
运用散斑图的灰度分布作为桥梁变形信息的载体，通过跟踪或匹配桥梁表面变形前后两幅散斑图像中相应子区的变化，来获得该子区中心点的位移、应变。
进一步地，所述应变振型从应变频响函数中识别得到，应变频响函数由应变时程曲线在MATLAB中求傅里叶变换得到，应变频响函数表达式为：
式中，和Wi(ξ)分别测量点的第i阶应变正则振型、激励点的第i阶位移正则振型，ωi表示结构第i阶固有频率，ζi表示阻尼比。
当ω趋向于某i阶模态的固有频率时结构发生共振，该阶应变模态在Hε(ω,x,ξ)中起主导作用，称为主导模态，而其余模态几乎不随ω变化，对Hε(ω,x,ξ)影响很小称为剩余导纳通常其值很小，因此用频响函数虚部峰值组成的向量代表应变振型向量，当激励点为1节点时，则应变模态振型为：
式中，表示第一节点激励时，第n节点应变频响函数虚频幅值。
进一步地，所述步骤S3训练网络时，工况以代表损伤位置、损伤程度的矩阵表示，不同工况下测得的模态应变也以矩阵形式表示，两个矩阵分别作为输出和输入，来训练神经网络。
与现有技术相比，本方案原理及优点如下：
本方案采用应变振型作为损伤识别指标，使得显著提高结构损伤识别的灵敏度，对轻度损伤也具有很好的识别。但是只利用应变振型识别损伤，对于多位置损伤时不同损伤位置之间的干扰不能很好抵抗，因此本方案结合BP神经网络和应变振型，使多损时损伤程度和损伤位置的识别得到解决，同时采用无人机代替传统传感器进行动态信息采集也解决了大型桥梁结构传感器难以布置和信号接受的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，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为本发明一种基于应变振型和深度学习的结构损伤识别方法的工作原理图；
图2为应变频响函数的实频图和虚频图；
图3为应变频响函数的合成图。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
如图1所示，本实施例所述的一种基于应变振型和深度学习的结构损伤识别方法，包括以下步骤：
S1.用软件ABAQUS建立与实际桥梁结构一样的有限元模型；
S2.设置多种损伤工况进行模态分析，收集各个工况第一阶应变振型；设置的多种损失工况包括单位置损伤、多位置损伤、不同程度损伤；其中，损伤以弹性模量E的折减来表示，损伤程度以弹性模量E的折减量来表示。
S3.把工况和第一阶应变振型分别以矩阵的形式表示，再分别作为输出和输入来训练神经网络，训练是在MATLAB中进行，采用BP神经网络，要设置的参数有多层网络层数、输入层节点数、隐含层节点数、输出层节点数及传输函数、训练方法、训练参数等；
S4.通过无人机、高速摄像机、力传感器、动态信息采集仪、笔记本电脑配合采集得到实际结构在激励下的应变时程曲线以及力的时程曲线；具体过程如下：
S4-1.将高速摄像机搭载在无人机上；
S4-2.遥控无人机飞近所需要识别的桥梁，通过搭载在无人机上的高速摄像机采集该桥梁从被激励开始到静止这段时间的照片，并将照片传输至笔记本电脑；
S4-3.在笔记本电脑中采用编辑好的脚本自动提取激励下的应变时程曲线；脚本过程如下：
运用散斑图的灰度分布作为桥梁变形信息的载体，通过跟踪或匹配桥梁表面变形前后两幅散斑图像中相应子区的变化，来获得该子区中心点的位移、应变；
S4-4.通过力传感器和动态信息采集仪配合采集力的时程曲线，并将采集到的力的时程曲线传输给笔记本电脑。
S5.对收集到的应变时程和力的时程曲线进行傅里叶变换，得到应变频响函数，识别模态参数，包括频率、模态质量、模态刚度、应变振型；得到结构的应变振型转换为能输入进神经网络的矩阵形式。
如图2所示，应变频响函数化为实部和虚部如下：
应变频响函数的合成如图3所示，表达式为：
式中，和Wi(ξ)分别测量点的第i阶应变正则振型、激励点的第i阶位移正则振型，ωi表示结构第i阶固有频率，ζi表示阻尼比；
当ω趋向于某i阶模态的固有频率时结构发生共振，该阶应变模态在Hε(ω,x,ξ)中起主导作用，称为主导模态，而其余模态几乎不随ω变化，对Hε(ω,x,ξ)影响很小称为剩余导纳通常其值很小，因此用频响函数虚部峰值组成的向量代表应变振型向量，当激励点为1节点时，则应变模态振型为：
式中，表示第一节点激励时，第n节点应变频响函数虚频幅值；
S6.将实际结构中测得的应变振型输入进训练好的神经网络，最终预测得到结构损伤位置和损伤程度。
本实施例结合BP神经网络和应变振型，使得显著提高结构损伤识别的灵敏度，多损时损伤程度和损伤位置的识别得到解决，同时采用无人机代替传统传感器进行动态信息采集也解决了大型桥梁结构传感器难以布置和信号接受的问题。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (7)

1.一种基于应变振型和深度学习的结构损伤识别方法，其特征在于，包括以下步骤：
S1.采用有限元分析软件建立与实际结构一样的模型；
S2.设置多种损伤工况进行模态分析，收集各个工况第一阶应变振型；
S3.把工况和第一阶应变振型分别作为输出和输入来训练神经网络；
S4.通过无人机、高速摄像机、力传感器、动态信息采集仪、笔记本电脑配合采集得到实际结构在激励下的应变时程曲线以及力的时程曲线；
S5.对采集到的应变时程和力的时程曲线进行傅里叶变换，得到应变频响函数，提取振动模态信息，包括频率、模态质量、模态刚度、应变振型；
S6.将实际结构中测得的应变振型输入进训练好的神经网络，最终预测得到结构损伤位置和损伤程度。
2.根据权利要求1所述的一种基于应变振型和深度学习的结构损伤识别方法，其特征在于，所述设置的多种损失工况包括单位置损伤、多位置损伤、不同程度损伤；其中，损伤以弹性模量E的折减来表示，损伤程度以弹性模量E的折减量来表示。
3.根据权利要求1所述的一种基于应变振型和深度学习的结构损伤识别方法，其特征在于，所述步骤S4的具体过程如下：
S4-1.将高速摄像机搭载在无人机上；
S4-2.遥控无人机飞近所需要识别的桥梁，通过搭载在无人机上的高速摄像机采集该桥梁从被激励开始到静止这段时间的照片，并将照片传输至笔记本电脑；
S4-3.在笔记本电脑中采用编辑好的脚本自动提取激励下的应变时程曲线；
S4-4.通过力传感器和动态信息采集仪配合采集力的时程曲线，并将采集到的力的时程曲线传输给笔记本电脑。
4.根据权利要求3所述的一种基于应变振型和深度学习的结构损伤识别方法，其特征在于，所述步骤S4-3中编辑好的脚本通过如下过程得出应变状态：
运用散斑图的灰度分布作为桥梁变形信息的载体，通过跟踪或匹配桥梁表面变形前后两幅散斑图像中相应子区的变化，来获得该子区中心点的位移、应变。
5.根据权利要求1所述的一种基于应变振型和深度学习的结构损伤识别方法，其特征在于，所述应变振型从应变频响函数中识别得到，应变频响函数由应变时程曲线在MATLAB中求傅里叶变换得到，应变频响函数表达式为：
式中，Wi ε(x)和Wi(ξ)分别测量点的第i阶应变正则振型、激励点的第i阶位移正则振型，ωi表示结构第i阶固有频率，ζi表示阻尼比。
6.根据权利要求5所述的一种基于应变振型和深度学习的结构损伤识别方法，其特征在于，当ω趋向于某i阶模态的固有频率时结构发生共振，该阶应变模态在Hε(ω,x,ξ)中起主导作用，称为主导模态，而其余模态几乎不随ω变化，对Hε(ω,x,ξ)影响很小称为剩余导纳通常其值很小，因此用频响函数虚部峰值组成的向量代表应变振型向量，当激励点为1节点时，则应变模态振型为：
式中，表示第一节点激励时，第n节点应变频响函数虚频幅值。
7.根据权利要求1所述的一种基于应变振型和深度学习的结构损伤识别方法，其特征在于，所述步骤S3训练网络时，工况以代表损伤位置、损伤程度的矩阵表示，不同工况下测得的模态应变也以矩阵形式表示，两个矩阵分别作为输出和输入，来训练神经网络。
CN201910804112.5A 2019-08-28 2019-08-28 一种基于应变振型和深度学习的结构损伤识别方法 Active CN110598282B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910804112.5A CN110598282B (zh) 2019-08-28 2019-08-28 一种基于应变振型和深度学习的结构损伤识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910804112.5A CN110598282B (zh) 2019-08-28 2019-08-28 一种基于应变振型和深度学习的结构损伤识别方法

Publications (2)

Publication Number Publication Date
CN110598282A true CN110598282A (zh) 2019-12-20
CN110598282B CN110598282B (zh) 2023-05-23

Family

ID=68856393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910804112.5A Active CN110598282B (zh) 2019-08-28 2019-08-28 一种基于应变振型和深度学习的结构损伤识别方法

Country Status (1)

Country Link
CN (1) CN110598282B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112833808A (zh) * 2021-01-05 2021-05-25 厦门银江智慧城市技术股份有限公司 基于卷积神经网络算法的设备形变检测方法和装置
CN113378426A (zh) * 2021-05-05 2021-09-10 温州大学 一种基于信息融合的机械叶片损伤识别方法
CN117312916A (zh) * 2023-09-28 2023-12-29 中国南方电网有限责任公司超高压输电公司大理局 结构损伤识别方法、装置、计算机设备和存储介质
CN118090093A (zh) * 2024-04-24 2024-05-28 甘肃农业大学 一种桥梁静动载试验应变测试方法及装置
CN118261001A (zh) * 2024-04-03 2024-06-28 中国水利水电科学研究院 一种融合视频微振动监测和传感器的视频振动校准方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200005A (zh) * 2014-07-28 2014-12-10 东北大学 基于神经网络的桥梁损伤识别方法
WO2017202139A1 (zh) * 2016-05-26 2017-11-30 东南大学 一种基于长标距应变影响包络线的桥梁损伤识别方法
CN108122248A (zh) * 2018-01-15 2018-06-05 武汉大学 基于视频测量的大坝自振频率识别方法
CN108802176A (zh) * 2018-04-08 2018-11-13 大连理工大学 一种基于pvdf传感器与应变模态的结构损伤识别实验方法
CN109115879A (zh) * 2018-08-22 2019-01-01 广东工业大学 一种基于模态振型和卷积神经网络的结构损伤识别方法
CN109145446A (zh) * 2018-08-22 2019-01-04 广东工业大学 一种基于模态应变能和卷积神经网络的结构损伤识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200005A (zh) * 2014-07-28 2014-12-10 东北大学 基于神经网络的桥梁损伤识别方法
WO2017202139A1 (zh) * 2016-05-26 2017-11-30 东南大学 一种基于长标距应变影响包络线的桥梁损伤识别方法
CN108122248A (zh) * 2018-01-15 2018-06-05 武汉大学 基于视频测量的大坝自振频率识别方法
CN108802176A (zh) * 2018-04-08 2018-11-13 大连理工大学 一种基于pvdf传感器与应变模态的结构损伤识别实验方法
CN109115879A (zh) * 2018-08-22 2019-01-01 广东工业大学 一种基于模态振型和卷积神经网络的结构损伤识别方法
CN109145446A (zh) * 2018-08-22 2019-01-04 广东工业大学 一种基于模态应变能和卷积神经网络的结构损伤识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
吴加权;李红艳;叶飞;马琨;: "基于应变响应的预损伤钢筋混凝土梁损伤识别研究" *
李雪艳;张惠民;: "基于应变脉冲响应协方差的损伤识别方法研究" *
杜永峰;邵云飞;: "基于应变模态的桁架结构损伤指标研究" *
杜永峰等: "基于应变模态的桁架结构损伤指标研究", 《甘肃科学学报》 *
苏娟,陆秋海,管迪华: "神经网络法在定量损伤识别研究中的应用" *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112833808A (zh) * 2021-01-05 2021-05-25 厦门银江智慧城市技术股份有限公司 基于卷积神经网络算法的设备形变检测方法和装置
CN113378426A (zh) * 2021-05-05 2021-09-10 温州大学 一种基于信息融合的机械叶片损伤识别方法
CN113378426B (zh) * 2021-05-05 2023-07-14 温州大学 一种基于信息融合的机械叶片损伤识别方法
CN117312916A (zh) * 2023-09-28 2023-12-29 中国南方电网有限责任公司超高压输电公司大理局 结构损伤识别方法、装置、计算机设备和存储介质
CN118261001A (zh) * 2024-04-03 2024-06-28 中国水利水电科学研究院 一种融合视频微振动监测和传感器的视频振动校准方法
CN118090093A (zh) * 2024-04-24 2024-05-28 甘肃农业大学 一种桥梁静动载试验应变测试方法及装置
CN118090093B (zh) * 2024-04-24 2024-06-25 甘肃农业大学 一种桥梁静动载试验应变测试方法及装置

Also Published As

Publication number Publication date
CN110598282B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN110598282B (zh) 一种基于应变振型和深度学习的结构损伤识别方法
Zonzini et al. Structural health monitoring and prognostic of industrial plants and civil structures: A sensor to cloud architecture
CN110704801B (zh) 桥梁集群结构运营安全智能监测与快速检测成套方法
CN103674578B (zh) 高速列车运行动力学性能状态的检测方法
CN106442720A (zh) 一种声振式轨道桥梁健康监测装置、系统及方法
CN105424364A (zh) 列车轴承故障的诊断方法和装置
WO2005031502B1 (en) Methods for monitoring structural health conditions
CN108444662A (zh) 一种基于日温度效应的桥梁损伤在线监测方法
CN105074503B (zh) 地震预测装置
CN105000033B (zh) 一种轨道几何不平顺的检测评估系统
CN102901560A (zh) 一种海洋导管架平台结构安全综合监测系统
CN112162034B (zh) 一种应用结构噪声的钢-混凝土组合梁损伤识别方法
CN109145446B (zh) 一种基于模态应变能和卷积神经网络的结构损伤识别方法
CN110939040A (zh) 一种基于模态参数识别的路基压实质量检测方法及系统
CN110285909A (zh) 基于同步压缩变换的索承桥梁瞬时索力计算方法
CN104197988B (zh) 大型结构传感资源冲突和功能复用协作融合监测系统
CN114298549A (zh) 一种基于大数据的水利安全监测系统及方法
CN114357567A (zh) 基于bim的风振监测、系统、存储介质及计算机设备
Huang et al. Online dual‐rate decentralized structural identification for wireless sensor networks
CN112765857A (zh) 一种列车结构损伤识别方法、装置、电子设备和存储介质
Yang et al. Closely spaced modes of bridges estimated by a hybrid time–frequency method using a multi-sensor scanning vehicle: Theory and practice
CN118070105A (zh) 一种路面智能自适应检测与维护方法及系统
CN114019935A (zh) 一种基于工业物联网设备实时检测诊断系统
Xiang et al. Vibration-based structural damage identification using P-CNN and time-frequency hybrid index under the conditions of uncertainties and incomplete measurements
CN104807661B (zh) 一种高层与高耸结构动力检测承载能力评价方法

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