CN111738154A - 一种基于rnn的大型土木工程加速度响应时频域分解方法 - Google Patents
一种基于rnn的大型土木工程加速度响应时频域分解方法 Download PDFInfo
- Publication number
- CN111738154A CN111738154A CN202010580935.7A CN202010580935A CN111738154A CN 111738154 A CN111738154 A CN 111738154A CN 202010580935 A CN202010580935 A CN 202010580935A CN 111738154 A CN111738154 A CN 111738154A
- Authority
- CN
- China
- Prior art keywords
- rnn
- data
- frequency domain
- acceleration
- frequency
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于RNN的大型土木工程加速度响应时频域分解方法,将待分解加速度信号划分为多个子段,每个子段分别通过RNN得到时频分解结果,最后进行连接;本发明使用了深层神经网络可动态自适应调整运算逻辑,并根据加速度响应前后段特性推断当前段特性,避免了现有加速度响应时频域分解方法均按照固定的数学逻辑进行运算,在加速度响应的跳跃点和突变点处易出现失真和模态混叠问题,显著提高了在加速度响应跳跃点和突变点处的时频域分解质量。
Description
技术领域
本发明涉及土木工程结构的加速度响应,特别是一种基于RNN的大型土木工程加速度响应时频域分解方法。
背景技术
桥梁、隧道、高层建筑等土木工程结构的加速度响应中包含了丰富的结构状态信息,从其加速度响应中提取反映结构状态的指标是结构健康监测的常用手段。然而,大型土木工程结构的加速度响应具有明显的非平稳、非线性特征,为了从这类响应中准确提取结构状态指标,通常需要使用信号时频域分解方法。信号时频域分解方法按照不同的时频尺度将原始信号逐层分解为一系列的窄带分量,对这些分量的特性进行考察便可跟踪原始信号中不同模式分量在时域和频域上的变化情况,进而评估土木工程结构的健康状态。时频域分解结果质量的高低直接决定了土木工程结构状态评估结果的准确性,因此对高质量的时频域分解方法进行研究很有必要。
目前,常用的信号时频域分解方法主要有维格纳威利分布、小波变换、盲源分离、希尔伯特黄变换以及相应的改进算法。
(1)维格纳威利分布
维格纳威利分布(Wigner Ville Distribution,WVD)被认为是最早出现的信号时频域分解方法之一,由维格纳首先提出,并由威利将其引入到信号分解领域。WVD具有明确的物理意义,能准确描述信号在时域和频域内的能量分布情况,同时又具有时域有界性、频域有界性、时移不变性和频移不变性等优点。
但WVD算法中存在严重缺陷,即交叉干扰项的存在,交叉干扰项是指在信号的两个频率成分之间会存在由该两频率成分干涉所产生的虚假的振荡能量分布。由于交叉干扰项不具有真实的物理意义,它的存在会严重影响对信号各分量特性的提取,且交叉干扰项从数学角度无法消除,目前WVD的应用已相对较少。
(2)小波变换
小波变换(Wavelet Transform,WT)首次由Morlet在地震波分析中应用,WT通过将原始信号进行伸缩和平移,从而分解成一系列具有不同空间分辨率和不同频率特性的子信号,这些子信号在时域和频域内都具有良好的分辨率,可描述原始信号的局部时频域特征。
WT同样也存在缺陷,小波母函数一经选定便不可重选,实际上一个小波母函数难以在不同尺度上准确逼近信号的局部特性;小波母函数形式多样,如何准确快速的找到合适的小波母函数也存在一定的困难。
(3)盲源分离
盲源分离(Blind Source Separation,BSS)由Herault和Jutten提出,是一种可以实现从多通道观测的混合信号中分离出源信号的技术方法。BSS适用于分离非平稳信号与微弱信号,在通信领域应用广泛。
BSS也存在明显不足,在源信号数目大于观测信号数目时或信号中含有较强噪声干扰时,BSS的应用受到限制,另外BSS在分离振动模态相近的信号时也存在困难。
(4)希尔伯特黄变换
希尔伯特黄变换(Hilbert-Huang Transform,HHT)由Nordeng E.Huang提出,HHT以经验模态分解为基础,并引入了Hilbert谱分析方法,可根据信号自身的局部特征而进行自适应地调整分解过程,适用于精细化处理非线性、非平稳信号。
但经验模态分解方法通常存在模态混叠问题,即在同一分解分量中出现了不同的振动模式,或是同一振动模式分散在不同分解分量中,模态混叠问题严重干扰了信号时频分析结果,制约了HHT的应用与推广。
(5)改进算法
针对WT存在的缺陷,有学者提出了改进的经验小波变换(Empirical WaveletTransform,EWT),通过在傅里叶谱上构建分割频带,在不同频带选用不同的小波母函数,这改善了WT的分解质量,但构建分割频带受人为主观影响较大,降低了算法的自适应能力。
针对HHT存在的缺陷,有学者提出了改进的变分模态分解(Variational ModeDecomposition,VMD),VMD通过求解约束变分模型,将分解结果限制为一系列窄带分量,进而实现对模态混叠问题的抑制。虽然模态混叠问题得到改善,但对分解结果的窄带要求限制了VMD对强非线性信号的分解能力,且分解过程的最优参数确定也较为繁琐。
发明内容
本发明的发明目的在于:针对现有加速度响应时频域分解方法存在的分解结果质量差、自适应性低等问题,提供一种基于RNN的大型土木工程加速度响应时频域分解方法,基于深层神经网络开发一种信号时频域分解方法,为土木工程结构状态评估的准确性提供保证。
为了实现上述目的,本发明采用的技术方案为:
一种基于RNN的大型土木工程加速度响应时频域分解方法,包括如下步骤:
S100将待分解加速度信号S0划分为i个子段S1,S2,S3,...,Si;各子段包含数据点个数为100;
S200根据训练好的RNN,分别获取各子段的时频域分解结果;其中,获取子段Si的时频域分解结果具体包括:
S201将子段Si代入训练好的RNN,分离得到Si中的高频分量Sh1;
S202从Si中减去Sh1得到剩余分量Si1,将Si1作为新的待分解信号;
重复步骤S201、S202,直至得到Shn且剩余分量Sin无法继续分解;将得到的Sh1,Sh2,...,Shn以及Sin作为子段Si的时频域分解结果;
S300将各子段分解出的相近频率成分Sh进行连接,得到信号S0的分解结果。
一种基于RNN的大型土木工程加速度响应时频域分解方法,将待分解加速度信号划分为多个子段,每个子段分别通过RNN得到时频分解结果,最后进行连接;本发明使用了深层神经网络可动态自适应调整运算逻辑,并根据加速度响应前后段特性推断当前段特性,避免了现有加速度响应时频域分解方法均按照固定的数学逻辑进行运算,在加速度响应的跳跃点和突变点处易出现失真和模态混叠问题,显著提高了在加速度响应跳跃点和突变点处的时频域分解质量。
优选的,所述RNN的训练步骤包括:
S210获取多个数据样本作为RNN的样本库;
S220搭建RNN网络模型,设置网络宽度为100、隐藏层个数为3,以网络实际输出Ya与目标输出Yt之差的2范数作为网络损失L;
S230将所述样本库分批次代入步骤S220中的RNN进行训练;
S240当网路损失函数不再降低时训练结束,训练好的RNN用于获得分离加速度信号中最高频分量。
优选的,所述步骤S210中,一个所述数据样本的获取步骤包括:
S2101随机生成N列非平稳、非线性加速度信号S,每列加速度信号包含100个数据点,N的取值范围为[3,5];
S=sin(2πω×n/sf)
其中,ω为频率;n=1~100;sf为采样频率;
S2102使用傅里叶变换对N列加速度信号S进行处理,通过傅里叶频谱F(ω)确定其中频率最高的一列加速度信号并记为S+;
S2103将N列加速度信号S合并成1列,并向其中添加白噪声Swn和位置随机的脉冲噪声Spul,得到组合加速度信号Sc;
Swn=rand(n/sf)
Spul=0.4,0.7,1,0.7,0.4
Sc=S+Swn+Spul
其中,Swn的幅值范围为-1~1;Spul的影响范围为5个数据点;
S2104以组合加速度信号Sc作为输入,以高频加速度信号S+作为输出,组成一个数据样本。
优选的,所述步骤S210获取5000-10000个数据样本作为RNN的样本库。
优选的,所述步骤S220中搭建的RNN模型:
数据由输入数据x(n)开始流入网络,n=1~100,过程如下:
S2201数据由输入层流入隐藏层,同时在同一个隐藏层内流动:
a(n)=b+Wh(n-1)+Ux(n)
h(n)=AF(a(n))
其中,U、W为权重;h(n-1)为前一个隐藏节点状态数据;b为偏置;a(n)为中间量;h(n)为当前隐藏节点状态数据;AF为激活函数;
S2202数据在不同隐藏层间流动,已经设定有3个隐藏层,i=1~3:
h(i)(n)=c+Vh(i-1)(n)
其中,V为权重;c为偏置;
S2203数据由隐藏层流入输出层:
y(n)=d+Ph(n)
其中,y(n)为输出数据;P为权重;d为偏置。
优选的,所述步骤S230:
将所述样本库采用minibatch的方法分批次,每次选200个数据样本代入步骤S220中的RNN进行训练。
一种电子设备,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行以上任一项所述的方法。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明的一种基于RNN的大型土木工程加速度响应时频域分解方法,将待分解加速度信号划分为多个子段,每个子段分别通过RNN得到时频分解结果,最后进行连接;本发明使用了深层神经网络可动态自适应调整运算逻辑,并根据加速度响应前后段特性推断当前段特性,避免了现有加速度响应时频域分解方法均按照固定的数学逻辑进行运算,在加速度响应的跳跃点和突变点处易出现失真和模态混叠问题,显著提高了在加速度响应跳跃点和突变点处的时频域分解质量。
附图说明
图1为本发明的RNN模型结构示意图。
图2为本发明的RNN模型的隐藏层结构示意图。
图3为本发明提供的电子设备的结构示意图。
具体实施方式
下面结合附图,对本发明作详细的说明。
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用以解释本发明,并不用于限定本发明。
目前常用的加速度响应时频域分解方法普遍存在缺陷:WVD分解结果中存在不具有真实的物理意义的交叉干扰项,严重影响了对信号时频特性的考察;WT存在合适小波母函数不易选取的问题;EWT方法改善了小波母函数选取问题,但分解结果质量严重依赖频带划分的正确性,而频带划分易受人为因素干扰;BSS难以应用于源信号数目大于观测信号数目的情况,且在分解含有较强噪声的信号和振动模态相近的信号时也存在困难;HHT中的经验模态分解存在模态混叠问题,相应的改进方法在一定程度上抑制了模态混叠问题,但又存在自适应性差或运算效率低等问题。针对现有信号时频域分解方法所存在的缺陷,研究学者提出了不少改进算法,但通常都是以牺牲算法的自适应性来提高分解结果质量,这导致了改进算法很难适用于不同类型、不同特性的加速度响应。
针对目前常用加速度响应时频分解方法所存在的缺陷,本发明目的为开发一种基于循环神经网络(Recurrent Neural Network,RNN)的大型土木工程加速度响应时频域分解方法。本发明的技术方案主要包括:
RNN的训练:
S210获取5000-10000个数据样本作为RNN的样本库;其中,一个所述数据样本的获取步骤包括:
S2101随机生成N列非平稳、非线性加速度信号S,每列加速度信号包含100个数据点,N的取值范围为[3,5];
S=sin(2πω×n/sf)
其中,ω为频率;n=1~100;sf为采样频率;
S2102使用傅里叶变换对N列加速度信号S进行处理,通过傅里叶频谱F(ω)确定其中频率最高的一列加速度信号并记为S+;
S2103将N列加速度信号S合并成1列,并向其中添加白噪声Swn和位置随机的脉冲噪声Spul,得到组合加速度信号Sc;
Swn=rand(n/sf)
Spul=0.4,0.7,1,0.7,0.4
Sc=S+Swn+Spul
其中,Swn的幅值范围为-1~1;Spul的影响范围为5个数据点;
S2104以组合加速度信号Sc作为输入,以高频加速度信号S+作为输出,组成一个数据样本。
S220如图1所示,搭建RNN网络模型,设置网络宽度为100、隐藏层个数为3,
数据由输入数据x(n)开始流入网络,n=1~100,过程如下:
S2201数据由输入层流入隐藏层,同时在同一个隐藏层内流动:
a(n)=b+Wh(n-1)+Ux(n)
h(n)=AF(a(n))
其中,U、W为权重;h(n-1)为前一个隐藏节点状态数据;b为偏置;a(n)为中间量;h(n)为当前隐藏节点状态数据;AF为激活函数;
S2202数据在不同隐藏层间流动,已经设定有3个隐藏层,i=1~3:
h(i)(n)=c+Vh(i-1)(n)
其中,V为权重;c为偏置;
S2203如图2,数据由隐藏层流入输出层:
y(n)=d+Ph(n)
其中,y(n)为输出数据;P为权重;d为偏置。
以网络实际输出Ya与目标输出Yt之差的2范数作为网络损失L;
S230将所述样本库采用minibatch的方法分批次,每次选200个数据样本代入步骤S220中的RNN进行训练;
S240当网路损失函数不再降低时训练结束,训练好的RNN用于获得分离加速度信号中最高频分量。
RNN的使用:
S100将待分解加速度信号S0划分为i个子段S1,S2,S3,...,Si;各子段包含数据点个数为100;
S200根据训练好的RNN,分别获取各子段的时频域分解结果;其中,获取子段Si的时频域分解结果具体包括:
S201将子段Si代入训练好的RNN,分离得到Si中的高频分量Sh1;
S202从Si中减去Sh1得到剩余分量Si1,将Si1作为新的待分解信号;
重复步骤S201、S202,直至得到Shn且剩余分量Sin无法继续分解;将得到的Sh1,Sh2,...,Shn以及Sin作为子段Si的时频域分解结果;
S300将各子段分解出的相近频率成分Sh进行连接,得到信号S0的分解结果。
本发明针对现有加速度响应时频域分解方法存在的分解结果质量差、自适应性低等问题,提出了一种基于深层神经网络的大型土木工程结构加速度响应时频域分解新方法。现有加速度响应时频域分解方法均按照固定的数学逻辑进行运算,在加速度响应的跳跃点和突变点处易出现失真和模态混叠问题,而本发明所使用的深层神经网络可动态自适应调整运算逻辑,并根据加速度响应前后段特性推断当前段特性,显著提高了在加速度响应跳跃点和突变点处的时频域分解质量。
为了更直观说明本发明的技术效果,生成包含3个频率分量的非平稳、非线性、含噪声的组合加速度响应,将组合加速度响应调幅至-1g~1g,分别使用本发明所提方法、EWT、VMD对组合加速度响应进行时频域分解,以分解所得加速度分量与原始加速度分量的2范数评价分解结果质量,如下表1所示。
表1 2范数评价分解结果质量对比
分解误差2范数 | 分量1 | 分量2 | 分量3 |
所提方法 | 0.12 | 0.31 | 0.48 |
VMD | 0.25 | 0.62 | 1.03 |
EWT | 0.37 | 1.22 | 1.46 |
可以看出,本申请的方法得到分量1、分量2、分量3的分解误差2范数均小于传统的VMD或是EWT方法所得到的分解误差2范数,本方法得到的分解结果更接近目标。
如图3所示,根据本发明示例性实施例的电子设备(例如具备程序执行功能的计算机服务器),其包括至少一个处理器,电源,以及与所述至少一个处理器通信连接的存储器和输入输出接口;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述任一实施例所公开的方法;所述输入输出接口可以包括显示器、键盘、鼠标、以及USB接口,用于输入输出数据;电源用于为电子设备提供电能。
本领域技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
当本发明上述集成的单元以软件功能单元的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
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 (7)
1.一种基于RNN的大型土木工程加速度响应时频域分解方法,其特征在于,包括如下步骤:
S100将待分解加速度信号S0划分为i个子段S1,S2,S3,...,Si;各子段包含数据点个数为100;
S200根据训练好的RNN,分别获取各子段的时频域分解结果;其中,获取子段Si的时频域分解结果具体包括:
S201将子段Si代入训练好的RNN,分离得到Si中的高频分量Sh1;
S202从Si中减去Sh1得到剩余分量Si1,将Si1作为新的待分解信号;
重复步骤S201、S202,直至得到Shn且剩余分量Sin无法继续分解;将得到的Sh1,Sh2,...,Shn以及Sin作为子段Si的时频域分解结果;
S300将各子段分解出的相近频率成分Sh进行连接,得到信号S0的分解结果。
3.根据权利要求2所述的方法,其特征在于,所述步骤S210中,一个所述数据样本的获取步骤包括:
S2101随机生成N列非平稳、非线性加速度信号S,每列加速度信号包含100个数据点,N的取值范围为[3,5];
S=sin(2πω×n/sf)
其中,ω为频率;n=1~100;sf为采样频率;
S2102使用傅里叶变换对N列加速度信号S进行处理,通过傅里叶频谱F(ω)确定其中频率最高的一列加速度信号并记为S+;
S2103将N列加速度信号S合并成1列,并向其中添加白噪声Swn和位置随机的脉冲噪声Spul,得到组合加速度信号Sc;
Sc=S+Swn+Spul
Swn=rand(n/sf)
Spul=0.4,0.7,1,0.7,0.4
其中,Swn的幅值范围为-1~1;Spul的影响范围为5个数据点;
S2104以组合加速度信号Sc作为输入,以高频加速度信号S+作为输出,组成一个数据样本。
4.根据权利要求3所述的方法,其特征在于,所述步骤S210获取5000-10000个数据样本作为RNN的样本库。
5.根据权利要求4所述的方法,其特征在于,所述步骤S220中搭建的RNN模型:
数据由输入数据x(n)开始流入网络,n=1~100,过程如下:
S2201数据由输入层流入隐藏层,同时在同一个隐藏层内流动:
a(n)=b+Wh(n-1)+Ux(n)
h(n)=AF(a(n))
其中,U、W为权重;h(n-1)为前一个隐藏节点状态数据;b为偏置;a(n)为中间量;h(n)为当前隐藏节点状态数据;AF为激活函数;
S2202数据在不同隐藏层间流动,已经设定有3个隐藏层,i=1~3:
h(i)(n)=c+Vh(i-1)(n)
其中,V为权重;c为偏置;
S2203数据由隐藏层流入输出层:
y(n)=d+Ph(n)
其中,y(n)为输出数据;P为权重;d为偏置。
6.根据权利要求5所述的方法,其特征在于,所述步骤S230:
将所述样本库采用minibatch的方法分批次,每次选200个数据样本代入步骤S220中的RNN进行训练。
7.一种电子设备,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010580935.7A CN111738154B (zh) | 2020-06-23 | 2020-06-23 | 一种基于rnn的大型土木工程加速度响应时频域分解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010580935.7A CN111738154B (zh) | 2020-06-23 | 2020-06-23 | 一种基于rnn的大型土木工程加速度响应时频域分解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111738154A true CN111738154A (zh) | 2020-10-02 |
CN111738154B CN111738154B (zh) | 2022-08-05 |
Family
ID=72650603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010580935.7A Active CN111738154B (zh) | 2020-06-23 | 2020-06-23 | 一种基于rnn的大型土木工程加速度响应时频域分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738154B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5995910A (en) * | 1997-08-29 | 1999-11-30 | Reliance Electric Industrial Company | Method and system for synthesizing vibration data |
US20120059498A1 (en) * | 2009-05-11 | 2012-03-08 | Akita Blue, Inc. | Extraction of common and unique components from pairs of arbitrary signals |
CN206504869U (zh) * | 2017-02-27 | 2017-09-19 | 苏州大学 | 一种滚动轴承故障诊断装置 |
CN107506330A (zh) * | 2017-08-14 | 2017-12-22 | 电子科技大学 | 一种基于粒子群算法的变分模态分解算法参数优化方法 |
CN107563565A (zh) * | 2017-09-14 | 2018-01-09 | 广西大学 | 一种考虑气象因素变化的短期光伏分解预测方法 |
CN109685314A (zh) * | 2018-11-20 | 2019-04-26 | 中国电力科学研究院有限公司 | 一种基于长短期记忆网络的非侵入负荷分解方法和系统 |
CN109781411A (zh) * | 2019-01-28 | 2019-05-21 | 西安交通大学 | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 |
CN109829402A (zh) * | 2019-01-21 | 2019-05-31 | 福州大学 | 基于gs-svm的不同工况下轴承损伤程度诊断方法 |
CN110046379A (zh) * | 2019-03-04 | 2019-07-23 | 浙江大学 | 一种基于空间-频率信息的结构整体损伤识别方法 |
-
2020
- 2020-06-23 CN CN202010580935.7A patent/CN111738154B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5995910A (en) * | 1997-08-29 | 1999-11-30 | Reliance Electric Industrial Company | Method and system for synthesizing vibration data |
US20120059498A1 (en) * | 2009-05-11 | 2012-03-08 | Akita Blue, Inc. | Extraction of common and unique components from pairs of arbitrary signals |
CN206504869U (zh) * | 2017-02-27 | 2017-09-19 | 苏州大学 | 一种滚动轴承故障诊断装置 |
CN107506330A (zh) * | 2017-08-14 | 2017-12-22 | 电子科技大学 | 一种基于粒子群算法的变分模态分解算法参数优化方法 |
CN107563565A (zh) * | 2017-09-14 | 2018-01-09 | 广西大学 | 一种考虑气象因素变化的短期光伏分解预测方法 |
CN109685314A (zh) * | 2018-11-20 | 2019-04-26 | 中国电力科学研究院有限公司 | 一种基于长短期记忆网络的非侵入负荷分解方法和系统 |
CN109829402A (zh) * | 2019-01-21 | 2019-05-31 | 福州大学 | 基于gs-svm的不同工况下轴承损伤程度诊断方法 |
CN109781411A (zh) * | 2019-01-28 | 2019-05-21 | 西安交通大学 | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 |
CN110046379A (zh) * | 2019-03-04 | 2019-07-23 | 浙江大学 | 一种基于空间-频率信息的结构整体损伤识别方法 |
Non-Patent Citations (4)
Title |
---|
ALI GHOLAMI: "Sparse time-frequency decomposition and some applications", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
宋明亮: "环境激励下结构模态参数自动识别研究", 《中国博士学位论文全文数据库(电子期刊)》 * |
文成林等: "基于数据驱动的微小故障诊断方法与综述", 《自动化学报》 * |
陈哲等: "基于非平稳信号组合分析的故障诊断方法", 《通信学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111738154B (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108714026B (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
CN110657985B (zh) | 基于奇异值谱流形分析的齿轮箱故障诊断方法及系统 | |
CN108334987B (zh) | 一种基于小波分解-神经网络的海浪波高预测方法 | |
CN113723171B (zh) | 基于残差生成对抗网络的脑电信号去噪方法 | |
CN110568483A (zh) | 基于卷积神经网络的地震线性噪声压制效果自动评估方法 | |
CN112949383B (zh) | 一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法 | |
CN113067653B (zh) | 一种频谱感知方法、装置、电子设备及介质 | |
CN110879351A (zh) | 一种基于rcca-svm的非线性模拟电路故障诊断方法 | |
CN113189561A (zh) | 一种海杂波参数估计方法、系统、设备及存储介质 | |
CN103926097B (zh) | 一种用于采集和提取低速重载设备故障特征信息的方法 | |
You et al. | Attenuation of seismic swell noise using convolutional neural networks in frequency domain and transfer learning | |
CN111738154B (zh) | 一种基于rnn的大型土木工程加速度响应时频域分解方法 | |
CN114817034A (zh) | 一种测试质量的分析方法、装置及电子设备 | |
CN113608259A (zh) | 一种基于iceemdan约束广义s变换的地震薄层检测方法 | |
CN116758922A (zh) | 一种用于变压器的声纹监测与诊断方法 | |
CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
CN115859048A (zh) | 一种局放信号的噪声处理方法及装置 | |
Guo et al. | Deep learning-based adaptive mode decomposition and instantaneous frequency estimation for vibration signal | |
CN112766044B (zh) | 疏松样品纵横波速度分析方法、装置及计算机存储介质 | |
CN112183848B (zh) | 基于dwt-svqr集成的电力负荷概率预测方法 | |
CN113722308A (zh) | 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 | |
Liu et al. | A method for blind source separation of multichannel electromagnetic radiation in the field | |
Rios et al. | A systematic literature review on decomposition approaches to estimate time series components | |
Biswal et al. | Time frequency analysis and FPGA implementation of modified S-transform for de-noising | |
CN117574056B (zh) | 基于混合神经网络模型的广域电磁数据去噪方法及系统 |
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 |