CN111678992A - 一种用于识别混凝土结构损伤类型的无损检测方法 - Google Patents
一种用于识别混凝土结构损伤类型的无损检测方法 Download PDFInfo
- Publication number
- CN111678992A CN111678992A CN202010428849.4A CN202010428849A CN111678992A CN 111678992 A CN111678992 A CN 111678992A CN 202010428849 A CN202010428849 A CN 202010428849A CN 111678992 A CN111678992 A CN 111678992A
- Authority
- CN
- China
- Prior art keywords
- acoustic emission
- points
- cluster
- damage
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 239000000523 sample Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000000835 fiber Substances 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000007621 cluster analysis Methods 0.000 claims description 2
- 230000008707 rearrangement Effects 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 230000000630 rising effect Effects 0.000 claims 1
- 238000013145 classification model Methods 0.000 abstract description 5
- 230000036541 health Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000007822 coupling agent Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008376 long-term health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 1
- 238000013001 point bending Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 229940099259 vaseline Drugs 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Acoustics & Sound (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开用于识别混凝土结构损伤类型的无损检测方法,针对声发射无损监测没有可靠规范的模型用于对数据进行分析,判定结构损伤类型的问题,参考声发射无损检测数据特征分析,提出CFSFTP方法的声发射数据分类模型;该模型能够结合结构声发射信号的多种特征参数,尽可能全面地保证对数据信息的提取和分类。还能将数据中异常信号进行识别,最后还能将数据簇分为中心和外环,有利于建立在线的结构健康监测。
Description
技术领域
本发明涉及混凝土结构检测技术,具体涉及一种用于识别混凝土结构损伤类型的无损检测方法。
背景技术
在工程的维护与管养中,对大型混凝土结构进行无损检测是非常重要的技术手段,其能够在结构工作期间对其内部产生的损伤进行探测和及时预警。然而当下无损检测技术还未发展完善。声发射技术由于其无需发射换能器、整体探测、适用于动态监测等特点,近年来受到很多人的关注。尤其是在需要长期健康观察的环境中特别有用。
目前,有许多工程尝试使用声发射技术对于大型混凝土结构的内部损伤进行检测。但是由于混凝土内部破坏过程复杂,在其劣化过程中且会产生大量的声发射信号,过大的数据量会给数据分析带来难度,传统的振幅,振铃计数等参数分析的方法虽然简单且易于实现,但是容易受到干扰,不能准确反映结构的损伤状态。频域分析方法具有较强的抗噪能力,但是也存在一致性不好的缺陷,而这可能会造成对信息理解产生偏差从而形成错误的判断。而结构损伤常常分为几种不同类型,而这些方法也并不能清晰的将声发射信号与其实际的物理损伤状态对应,从而影响了对声发射数据信息的提取。
发明内容
发明目的:本发明的目的在于解决现有技术中存在的不足,提供一种用于识别混凝土结构损伤类型的无损检测方法,本发明通过信号处理和机器学习分类模型来实现高效全面的对数据特征进行评估,将不同的信号与结构的实际损伤状态对应。
技术方案:本发明一种用于识别混凝土结构损伤类型的无损检测方法,包括以下步骤:
(1)布置实体结构的监测点,将该监测点设置于混凝土结构上最大荷载节点或易发生破坏的节点;
(2)搭载声发射系统:安装若干声发射探头形成声发射数据点,将声发射探头与监测点的结构表面接触,并用隔音罩罩住声发射探头;
(3)结构定点荷载试验;采集声发射探头的声发射信号并储存于计算机,对声发射信号进行计算,并自动进行波形分析得到声发射信号参数;
(4)对步骤(3)所得的声发射参数数据进行重新整理,进而筛选得到前三个可靠的声发射信号参数;
(5)采用CFSFDP机器学习算法对整理后的数据进行聚类分析;
(6)将聚类分析结果与混凝土损伤特征进行对应;
(7)开展重复试验验证结论,即重复步骤1至6以避免偶然性。
进一步的,步骤(3)中所述声发射信号参数包括上升时间RT、振铃计数C、能量E、持续时间TD、幅值PA、RA值、中心频率FG。
进一步的,所述步骤(4)中重新整理的具体方法为:引入正交线性变换,利用主成分分析算法将相关的多元数据转化为线性不相关的多元数据;然后用拉普拉系数和相关参数来评估每个声发射数据点不同特征参数的信息性和可信度;进而筛选出前三个可靠的声发射信号参数。
进一步的,所述步骤(5)的详细过程为:
(5.1)对全体声发射数据点计算其中任意两点间的欧氏距离di,j或者di,j,即声发射数据点xi到声发射数据点xj之间的距离,i<j;
dc为截断距离,用dround(mt)代表,round(mt)表示离mt最近的整数,t是截断指数,一般设定为1.5%;
(5.4)计算每个声发射数据点的特征距离δqi;
若某一声发射数据点的局部密度接近零或者具有更高的特征距离,则该声发射数据点视为异常值;
如果以上决策图不足够支持选择簇中心,则通过另一个决策值γi=ρiδi来得到簇中心;
(5.6)对每个声发射数据点生成一个簇标签,如果i=ck,那么yi=k,否则 yi=-1;对每个非中心的声发射数据点xqi(即i≠ck)寻找比xi具有更高的局部密度且与其有最近距离的点xqj;这两个点被划分到同一个簇中;按照局部密度降序分配这些点到其对应的簇中;
进一步的,所述步骤(6)中混凝土损伤类型包括纤维/骨料断裂、纤维或骨料拔出、基质剪切断裂以及基质拉伸断裂。
有益效果:本发明通过建立基于机器学习的声发射信号分类模型结合结构声发射信号的多种特征参数,尽可能全面地保证了对数据信息的提取和分类。本发明不仅可以从声发射数据中挖掘结构损伤类型,还能将数据中异常信号进行识别。同时,本发明还能够将数据簇分为中心和外环,所以数据点离每种破坏模式的接近程度可以被描绘出来,这对于建立在线结构健康监测是非常重要的。
附图说明
图1为本发明的流程示意图;
图2为本发明中声发射信号后处理的流程示意图;
图3为本发明中声发射信号特征参数示意图。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
如图1至图3所示,本实施例的用于识别混凝土结构损伤类型的无损检测方法,包括以下步骤:
第一步,结构的测点布置与加载试验。
首先进行实体结构的监测点布置。对于大型混凝土结构,声发射探头的布置应该接近结构所受荷载最大部位,如梁的跨中,支座处。根据实际结构的尺寸和加载的特点进行不同程度的更改。
本实施例中对混凝土梁结构进行试验。测点布置后,搭载声发射系统。将声发射传感器放置于测点处,利用凡士林作为耦合剂,涂抹在混凝土结构与声发射传感器之间,并用特制的隔音罩罩住声发射探头,特制隔音罩不仅起到固定声发射探头的作用,还能隔绝外界噪音对声发射探头的干扰。
随后对结构进行定点加载试验,本实施例中采用三点弯试验方法对混凝土梁结构进行加载,同时对梁的跨中,支座处进行声发射信号采集,采集的信号通过数据线导入到示波器中,得到的声发射信号如图2。然后通过软件的计算和分析得到波形等声发射信号参数,储存在电脑中。数据分析得到的参数包括上升时间 (RT)、振铃计数(C)、能量(E)、持续时间(TD)、幅值(PA)、RA值、中心频率(FG)。
第二步,构建分类模型。
先进行数据参数的选取,数据进行重新整理时引入正交线性变换,利用主成分分析算法将相关的多元数据转化为线性不相关的多元数据。然后用拉普拉斯系数和相关参数来评估每个声发射数据点不同特征参数的信息性和可信度。进而筛选出三个可靠的参数。
本实施例中所选出的参数为中心频率、持续时间和幅值。采用CFSFDP机器学习算法对数据进行聚类分析,包括以下步骤:
步骤03:用公式计算每个点的局部密度,并将点按照降序排列,声发射点标记为xqi(i=1,2,...,n);dc为截断距离用dround(mt)代表,其中round(mt) 表示离mt最近的整数,t是截断指数,一般设定为1.5%;
步骤05:每个簇中心的决策图按照局部密度和特征距离来绘制,随后有比较高的ρi和δi的簇中心被突出,用表示。局部密度接近零或者具有更高的特征距离的声发射点可以被视为异常值;如果以上决策图不足够支持选择簇中心,可以通过另一个决策值γi=ρiδi来得到簇中心;
步骤06:对每个声发射数据点生成一个簇标签,如果i=ck,那么yi=k,否则yi=-1;对每个非中心的声发射数据点xqi(即i≠ck)寻找比xi具有更高的局部密度且与其有最近距离的点xqj。这两个点被划分到同一个簇中。按照局部密度降序分配这些点到他们对应的簇中;
(6)将上述分类结果与混凝土损伤特征对应:混凝土损伤类型一般可包括纤维/骨料断裂、纤维/骨料拔出、基质剪切断裂,基质拉伸断裂,在由CFSFTP 方法计算得到的数据簇中,对分类得到的不同簇的幅值进行判定。
本实施例中,数据簇1,2,3,4的幅值范围分别为30-55dB,50-65dB,60-80dB, 75-90dB,根据混凝土结构损伤量级的特征,即即可将这些声发射信号簇中信号分别对应混凝土的基质剪切,基质拉伸,骨料拔出和骨料断裂四种损伤模式。
(7)开展重复试验验证结论,对相同试件进行同种试验并进行分类,确定分类簇数据结果的准确性。
通过上述实施例的过程和结果可以看出,本发明构建基于CFSFTP方法的声发射数据分类模型,且在前期的数据处理中通过主成分分析的方法选取可靠度和信息度更高的特征参数从而大大减小了数据量,其计算效率高,分类效果好,非常适合用于长期结构监测的声发射方法。
Claims (5)
1.一种用于识别混凝土结构损伤类型的无损检测方法,其特征在于:包括以下步骤:
(1)布置实体结构的监测点,将该监测点设置于混凝土结构上最大荷载节点或易发生破坏的节点;
(2)搭载声发射系统:安装若干声发射探头形成声发射数据点,将声发射探头与监测点的结构表面接触,并用隔音罩罩住声发射探头;
(3)结构定点荷载试验;采集声发射探头的声发射信号并储存于计算机,对声发射信号进行计算,并自动进行波形分析得到声发射信号参数;
(4)对步骤(3)所得的声发射参数数据进行重新整理,进而筛选得到前三个可靠的声发射信号参数;
(5)采用CFSFDP机器学习算法对整理后的数据进行聚类分析;
(6)将聚类分析结果与混凝土损伤特征进行对应;
(7)开展重复试验验证结论,即重复步骤1至6以避免偶然性。
2.根据权利要求1所述的用于识别混凝土结构损伤类型的无损检测方法,其特征在于:步骤(3)中所述声发射信号参数包括上升时间RT、振铃计数C、能量E、持续时间TD、幅值PA、RA值、中心频率FG。
3.根据权利要求1所述的用于识别混凝土结构损伤类型的无损检测方法,其特征在于:所述步骤(4)中重新整理的具体方法为:引入正交线性变换,利用主成分分析算法将相关的多元数据转化为线性不相关的多元数据;然后用拉普拉系数和相关参数来评估每个声发射数据点不同特征参数的信息性和可信度;进而筛选出前三个可靠的声发射信号参数。
4.根据权利要求1所述的用于识别混凝土结构损伤类型的无损检测方法,其特征在于:所述步骤(5)的详细过程为:
(5.1)对全体声发射数据点计算其中任意两点间的欧氏距离di,j,即声发射数据点xi到声发射数据点xj之间的距离,i<j;
dc为截断距离,用dround(mt)代表,round(mt)表示离mt最近的整数,t是截断指数;
(5.4)计算每个声发射数据点的特征距离δqi;
若某一声发射数据点的局部密度接近零或者具有更高的特征距离,则该声发射数据点视为异常值;
如果以上决策图不足够支持选择簇中心,则通过另一个决策值γi=ρiδi来得到簇中心;
(5.6)对每个声发射数据点生成一个簇标签,如果i=ck,那么yi=k,否则yi=-1;对每个非中心的声发射数据点xqi寻找比xi具有更高的局部密度且与其有最近距离的点xqj;这两个点被划分到同一个簇中;按照局部密度降序分配这些点到其对应的簇中;
5.根据权利要求1所述的用于识别混凝土结构损伤类型的无损检测方法,其特征在于:所述步骤(6)中混凝土损伤类型包括纤维/骨料断裂、纤维或骨料拔出、基质剪切断裂以及基质拉伸断裂。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010428849.4A CN111678992A (zh) | 2020-05-20 | 2020-05-20 | 一种用于识别混凝土结构损伤类型的无损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010428849.4A CN111678992A (zh) | 2020-05-20 | 2020-05-20 | 一种用于识别混凝土结构损伤类型的无损检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111678992A true CN111678992A (zh) | 2020-09-18 |
Family
ID=72452536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010428849.4A Pending CN111678992A (zh) | 2020-05-20 | 2020-05-20 | 一种用于识别混凝土结构损伤类型的无损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111678992A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113984500A (zh) * | 2021-10-27 | 2022-01-28 | 中国航发北京航空材料研究院 | 一种材料失效监测装置及其分类方法 |
CN115048731A (zh) * | 2021-09-09 | 2022-09-13 | 海沃机械(中国)有限公司 | 用于垃圾转运车的拉臂的健康评估方法和装置 |
CN115043118A (zh) * | 2021-09-09 | 2022-09-13 | 海沃机械(中国)有限公司 | 用于垃圾转运车的拉臂部件的损伤识别方法和装置 |
CN117007688A (zh) * | 2023-08-07 | 2023-11-07 | 郑州大学 | 一种桥梁预应力钢束损伤声发射监测噪声实时滤除方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654963A (zh) * | 2016-03-23 | 2016-06-08 | 天津大学 | 频谱校正及数据密度聚类法语音欠定盲识别方法和装置 |
CN107562742A (zh) * | 2016-06-30 | 2018-01-09 | 苏宁云商集团股份有限公司 | 一种图像数据处理方法及装置 |
CN107886071A (zh) * | 2017-11-10 | 2018-04-06 | 南京航空航天大学 | 一种纤维增强复合材料损伤声发射信号的处理方法 |
CN110008766A (zh) * | 2019-03-26 | 2019-07-12 | 南京大学 | 一种基于射频识别技术的室内人数统计方法 |
CN110232414A (zh) * | 2019-06-11 | 2019-09-13 | 西北工业大学 | 基于k近邻与共享近邻的密度峰值聚类算法 |
CN110609091A (zh) * | 2019-09-10 | 2019-12-24 | 三峡大学 | 一种混凝土锈蚀声发射信号数据分析处理系统 |
-
2020
- 2020-05-20 CN CN202010428849.4A patent/CN111678992A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654963A (zh) * | 2016-03-23 | 2016-06-08 | 天津大学 | 频谱校正及数据密度聚类法语音欠定盲识别方法和装置 |
CN107562742A (zh) * | 2016-06-30 | 2018-01-09 | 苏宁云商集团股份有限公司 | 一种图像数据处理方法及装置 |
CN107886071A (zh) * | 2017-11-10 | 2018-04-06 | 南京航空航天大学 | 一种纤维增强复合材料损伤声发射信号的处理方法 |
CN110008766A (zh) * | 2019-03-26 | 2019-07-12 | 南京大学 | 一种基于射频识别技术的室内人数统计方法 |
CN110232414A (zh) * | 2019-06-11 | 2019-09-13 | 西北工业大学 | 基于k近邻与共享近邻的密度峰值聚类算法 |
CN110609091A (zh) * | 2019-09-10 | 2019-12-24 | 三峡大学 | 一种混凝土锈蚀声发射信号数据分析处理系统 |
Non-Patent Citations (3)
Title |
---|
张志龙 等: "基于密度峰值搜索聚类的超像素分割算法", 《计算机学报》 * |
王鹏飞等: "密度峰值快速聚类算法优化研究", 《计算机工程与科学》 * |
马春来等: "一种基于CFSFDP改进算法的重要地点识别方法研究", 《计算机应用研究》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115048731A (zh) * | 2021-09-09 | 2022-09-13 | 海沃机械(中国)有限公司 | 用于垃圾转运车的拉臂的健康评估方法和装置 |
CN115043118A (zh) * | 2021-09-09 | 2022-09-13 | 海沃机械(中国)有限公司 | 用于垃圾转运车的拉臂部件的损伤识别方法和装置 |
CN115043118B (zh) * | 2021-09-09 | 2023-10-13 | 海沃机械(中国)有限公司 | 用于垃圾转运车的拉臂部件的损伤识别方法和装置 |
CN115048731B (zh) * | 2021-09-09 | 2023-10-31 | 海沃机械(中国)有限公司 | 用于垃圾转运车的拉臂的健康评估方法和装置 |
CN113984500A (zh) * | 2021-10-27 | 2022-01-28 | 中国航发北京航空材料研究院 | 一种材料失效监测装置及其分类方法 |
CN117007688A (zh) * | 2023-08-07 | 2023-11-07 | 郑州大学 | 一种桥梁预应力钢束损伤声发射监测噪声实时滤除方法 |
CN117007688B (zh) * | 2023-08-07 | 2024-05-28 | 郑州大学 | 一种桥梁预应力钢束损伤声发射监测噪声实时滤除方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111678992A (zh) | 一种用于识别混凝土结构损伤类型的无损检测方法 | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN106780121B (zh) | 一种基于用电负荷模式分析的用电异常识别方法 | |
Li et al. | Multi-sensor data-driven remaining useful life prediction of semi-observable systems | |
CN113344134B (zh) | 一种低压配电监控终端数据采集异常检测方法及系统 | |
Chen et al. | Automated function generation of symptom parameters and application to fault diagnosis of machinery under variable operating conditions | |
Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
US20050144537A1 (en) | Method to use a receiver operator characteristics curve for model comparison in machine condition monitoring | |
Monaco et al. | Guided waves based SHM systems for composites structural elements: statistical analyses finalized at probability of detection definition and assessment | |
CN117270514B (zh) | 基于工业物联网的生产过程全流程故障检测方法 | |
Paulraj et al. | Structural steel plate damage detection using non destructive testing, frame energy based statistical features and artificial neural networks | |
Vidya Sagar et al. | Combined usage of acoustic emission technique and ultrasonic pulse velocity test to study crack classification in reinforced concrete structures | |
CN111678991B (zh) | 一种用于混凝土结构无损检测损伤识别的方法 | |
Rentala et al. | POD evaluation: the key performance indicator for NDE 4.0 | |
CN115221973A (zh) | 一种基于增强加权异质集成学习的航空轴承故障诊断方法 | |
CN112147221B (zh) | 基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及系统 | |
CN113837591A (zh) | 一种面向多工况运行条件的装备健康评估方法 | |
Gidiagba et al. | Crack Detection on a Structural Beam: A Simplified Analytical Method Based on Artificial Neural Network Model | |
CN116502119A (zh) | 一种结构健康监测系统的传感器故障检测方法和装置 | |
US20230081224A1 (en) | Method and system for evaluating test data, wafer test system, and storage medium | |
CN113642209B (zh) | 基于数字孪生的结构植入故障响应数据获取及评判方法 | |
CN112732773B (zh) | 一种继电保护缺陷数据的唯一性校核方法及系统 | |
CN114383834B (zh) | 一种海洋工程结构微小损伤判定方法 | |
Zhang et al. | Detection capability for incipient faults in a noisy environment using PDF and CDF based techniques: a comparative study | |
CN106501360A (zh) | 基于自比较趋势分析和振动声学的瓷绝缘子缺陷检测装置、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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200918 |