CN111855817B - 复杂结构件云边端协同检测疲劳裂纹的方法 - Google Patents

复杂结构件云边端协同检测疲劳裂纹的方法 Download PDF

Info

Publication number
CN111855817B
CN111855817B CN202010738774.XA CN202010738774A CN111855817B CN 111855817 B CN111855817 B CN 111855817B CN 202010738774 A CN202010738774 A CN 202010738774A CN 111855817 B CN111855817 B CN 111855817B
Authority
CN
China
Prior art keywords
complex structural
data
sound velocity
structural part
vibration
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
Application number
CN202010738774.XA
Other languages
English (en)
Other versions
CN111855817A (zh
Inventor
何鹏举
贾中森
赵子威
朱瑞霖
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202010738774.XA priority Critical patent/CN111855817B/zh
Publication of CN111855817A publication Critical patent/CN111855817A/zh
Application granted granted Critical
Publication of CN111855817B publication Critical patent/CN111855817B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/01—Indexing codes associated with the measuring variable
    • G01N2291/011—Velocity or travel time
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/023—Solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/0289—Internal structure, e.g. defects, grain size, texture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开了一种复杂结构件云边端协同检测疲劳裂纹的方法，首先在复杂结构件易发生裂纹部位通过声发射传感器实时检测复杂结构件的裂纹所产生的声速数据，在复杂结构件上通过振动传感器实时检测复杂结构件的振动数据；其次对声速数据和振动数据分别进行盲源分离，再对声速数据进行特征信号提取处理得到复杂结构件的特征，对振动数据进行复杂追踪处理复杂结构件的振型；最后根据复杂结构件的出厂参数以及出厂后设定时间段内的所有复杂结构件的特征和复杂结构件的振型建立状态模型并对该状态模型进行训练，在出厂后设定时间段之后将实时的复杂结构件的特征和复杂结构件的振型输入到所述的训练好的状态模型中，输出得到复杂结构件的工作状态。

Description

复杂结构件云边端协同检测疲劳裂纹的方法
技术领域
本发明涉及疲劳裂纹检测领域，特别涉及一种复杂结构件云边端协同检测疲劳裂纹的方法。
背景技术
复杂结构件广泛分布于交通运输、电力、石化、工业制造、计量等领域中，大到桥梁结构特种设备(压力容器，管道)，小到信息物理系统中的物理结构。随着现代工业的进步机械的智能化水平不断增加，所带来了节约成本增加效率；另外机械结构组成更加复杂，各部分紧密联系，一旦发生故障将产生严重危害。当前诊断方法通常采用人工手持设备定期巡检效率低下，仅仅检测表面故障，并且诊断结果受人主观因素影响。除此之外，截止到2018年我国天然气管道总长度已达到698042.72公里，并且这一数字还在继续增加，公路桥梁80万余座并且大都处于偏远地区无人看守，一旦发生事故将会出现特大伤亡。因此这些复杂结构件故障诊断对现代工业系统的可靠性和安全性起着重要作用。
发明内容
本发明的目的是克服上述现有技术中存在的问题，提供一种复杂结构件云边端协同检测疲劳裂纹的方法，以解决上述背景技术中所提到的问题。
本发明的技术方案是：一种复杂结构件云边端协同检测疲劳裂纹的方法，包括如下步骤：
S1：在复杂结构件易发生裂纹部位通过声发射传感器实时检测复杂结构件的裂纹所产生的声速数据；在复杂结构件上通过振动传感器实时检测复杂结构件的振动数据；
S2：实时对声速数据和振动数据分别进行预处理，再对声速数据和振动数据分别进行盲源分离，之后再对声速数据进行特征信号提取处理得到复杂结构件的特征，同时对振动数据进行复杂追踪处理复杂结构件的振型；
S3：根据复杂结构件的出厂参数以及出厂后设定时间段内的所有复杂结构件的特征和复杂结构件的振型建立状态模型并对该状态模型进行训练，最终得到训练好的状态模型，在出厂后设定时间段之后将实时的复杂结构件的特征和复杂结构件的振型输入到所述的训练好的状态模型中，输出得到复杂结构件的工作状态。
进一步，在步骤S1中，还在复杂结构件上设置温度传感器实时检测复杂结构件的温度数据，所述温度传感器位于所述声发射传感器周围；
所述声速检测数据ut和温度数据T的关系为
Figure GDA0003273420040000031
其中，i为温度数据T的取值，i的取值范围为自然数，i的单位为开尔文，E为声速弹性模量，α为线涨系数、ρ为密度，在上式中，Ei和ρi为T＝i时的相应值；
当所述声速检测数据与所述声速数据一致的时候，所述声速数据保持不变，当所述声速检测数据与所述声速数据不一致的时候，所述声速数据为所述声速数据和所述声速检测数据的均值。
进一步，在步骤S2中，所述预处理包括依次进行的信号白化处理、去均值处理、去野值处理以及滤波处理。
进一步，在步骤S3中，所述状态模型使用单分类器。
进一步，在步骤S3之后，还包括：
S4 ：当所述状态模型的输出为异常的时候，将本次输入的复杂结构件的特征和复杂结构件的振型存放在异常数据库中；
S5 ：对异常数据库中的复杂结构件的特征和复杂结构件的振型进行无监督学习建模得到监测模型，该监测模型包括训练状态和预测状态，在所述状态模型输出为异常的时候该监测模型为训练状态，在所述状态模型输出为正常的时候该监测模型为预测状态；当该监测模型为训练状态时，输入复杂结构件的特征和复杂结构件的振型对该检测模型进行输入对该监测模型进行修正，当该监测模型为预测状态，输入复杂结构件的特征和复杂结构件的振型得到结构件的变化。
更进一步，在步骤S5 中，该监测模型通过深度高斯过程对模型进行建立，当该监测模型为训练状态时，该监测模型通过深度高斯过程对模型进行修正。
更进一步，步骤S1通过现场嵌入式平台进行，所述现场嵌入式平台包括声发射传感器、振动传感器以及温度传感器；步骤S2通过边缘计算平台进行，所述边缘计算平台包括数据处理器；步骤S3通过云平台进行，所述云平台包括云处理器。
本发明的有益效果：本发明提供了一种复杂结构件云边端协同检测疲劳裂纹的方法，本发明基于复杂追踪理论、模态声发射理论，利用声速信号不受材料限制的特点，基于振动信号分离结构件各阶模态，获取结构件结构模态参数实现对于复杂结构件在线监测，对疲劳裂纹进行实时预警及报警，除此之外将波束形成算法应用于声发射源信号定位中。同时该系统将传感器采集到的数据上传至云平台，构建历史数据库，借助深度高斯过程进行故障特征学习。因此本发明具有重要的现实意义与应用价值。
附图说明
图1是本发明的云边端三层架构；
图2是本发明的现场嵌入式数据采集平台连接关系示意图；
图3是本发明的云平台与边缘计算平台连接关系示意图。
具体实施方式
下面结合附图，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
在本发明中，将整体分为三个层面进行，分别为云边端三层。其中，云层通过云平台进行，所述云平台包括云处理器；边层通过边缘计算平台进行，所述边缘计算平台包括数据处理器；端层通过现场嵌入式平台进行，所述现场嵌入式平台包括声发射传感器、振动传感器以及温度传感器。
其中，云平台和边缘计算平台是通过软件的层面进行的，对数据进行处理，端层是通过硬件搭建的层面进行的，对数据进行采集。
参见图1-3，本发明提供了一种复杂结构件云边端协同检测疲劳裂纹的方法，包括步骤S1、步骤S2和步骤S3。其中，步骤S1通过现场嵌入式平台进行，所述现场嵌入式平台包括声发射传感器、振动传感器以及温度传感器；步骤S2通过边缘计算平台进行，所述边缘计算平台包括数据处理器；步骤S3通过云平台进行，所述云平台包括云处理器。
本发明的具体步骤如下：
S1：在复杂结构件易发生裂纹部位通过声发射传感器实时检测复杂结构件的裂纹所产生的声速数据；在复杂结构件上通过振动传感器实时检测复杂结构件的振动数据。
S2：实时对声速数据和振动数据分别进行预处理，再对声速数据和振动数据分别进行盲源分离，之后再对声速数据进行特征信号提取处理得到复杂结构件的特征，同时对振动数据进行复杂追踪处理复杂结构件的振型。
S3：根据复杂结构件的出厂参数以及出厂后设定时间段内的所有复杂结构件的特征和复杂结构件的振型建立状态模型并对该状态模型进行训练，最终得到训练好的状态模型，在出厂后设定时间段之后将实时的复杂结构件的特征和复杂结构件的振型输入到所述的训练好的状态模型中，输出得到复杂结构件的工作状态。
其中，由于裂纹产生会发生声发射波，因此设置在复杂结构件易发生裂纹部位通过声发射传感器实时检测复杂结构件的裂纹所产生的声速数据，而振动传感器检测到的振动数据复杂追踪处理后可以得到复杂结构件的振型。
上述的复杂追踪处理是利用盲源分离技术，分解观测信号得到各阶模态响应，完成结构动力响应从物理空间到模态空间的转换，同时确定了结构的振型；接着，应用单模态识别技术从分离出的模态响应中，提取结构各阶模态频率和阻尼。当疲劳裂纹产生时，结构件各阶模态频率与阻尼也会发生变化。
为了使得声速的数据更加的准确，加入温度传感器所检测到的温度数据，从而修正检测到的声速数据，在步骤S1中，还在复杂结构件上设置温度传感器实时检测复杂结构件的温度数据，所述温度传感器位于所述声发射传感器周围；所述声速检测数据ut和温度数据T的关系为
Figure GDA0003273420040000071
其中，i为温度数据T的取值，i的取值范围为自然数，i的单位为开尔文，E为声速弹性模量，α为线涨系数、ρ为密度，在上式中，Ei和ρi为T＝i时的相应值。需要说明的是，T取任意值的时候，每一个T的值都会对应有一个E的值和ρ的值，这个可以通过数据库的方式进行设置和查找。
当所述声速检测数据与所述声速数据一致的时候，所述声速数据保持不变，当所述声速检测数据与所述声速数据不一致的时候，所述声速数据为所述声速数据和所述声速检测数据的均值。
同时，在步骤S3中，包括两个阶段，分别是学习阶段和工作阶段。
在学习阶段的时候，即是厂家刚刚将复杂结构件生产出来的时候，我们认为此时复杂结构件工作在正常状态，同时，可以得到厂家的出厂复杂结构件的参数，一般的，要采集复杂结构件的尺寸和材质，并且此时，我们认为所输入的复杂结构件的特征和复杂结构件的振型为正常的数据，并进行建模，在出厂后设定时间段内，所累积的数据已经足够将模型建立并训练好之后，就可以转入工作状态。一般的，出厂后设定时间段内我们一般两天到一周的时间。在建模时，我们选取的模型框架是单分类器的模型框架。
在工作阶段，我们输入复杂结构件的特征和复杂结构件的振型输入到训练好的模型中，就可以得到输出的复杂结构件工作状态，即为正常或异常。
当复杂结构件的工作状态为异常的时候，就可以进行报警。
同时，本发明的云平台还与用户终端连接，使得用户可以在用户终端就可以看到复杂结构件工作状态。用户终端可以是手机APP，也可以是Web终端。
在现场嵌入式平台中，图2给出了其硬件连接结构，声发射信号传感器、振动传感器、温度传感器，声发射传感器用以检测复杂结构件中产生的声发射信号，用以疲劳裂纹检测，振动传感器实时采集复杂结构件振动信号，进行复杂结构件模态参数识别(振型、阻尼比、固有频率包括多阶固有频率第一阶固有频率，第二阶固有频率，第三节固有频率，本设备仅仅进行三阶固有频率识别)。温度传感器用以实时检测温度用以修正疲劳裂纹定位。其中声发射传感器与振动传感器输出信号为模拟信号所以需要进行信号调理以及用模数转化芯片 LTC2320(16通道串行输入)进行模数转化。而温度传感器输出为数字信号直接输入FPGA即可使用。FPGA将采集来的数据进行变换处理添加帧头帧尾便于后续数据处理识别，将采集来的实时数据流通过FPGA自带的IP核DDR2 SDRAM控制器存入DDR2 SDRAM 中进行数据缓存，同时FPGA中使用IP核fir滤波器根据声发射信号的频段宽度(50kHz-950kHz)划分了8个频段(50-180kHz、 160-290kHz、270-400kHz、380-510kHz、490-620kHz、600-730kHz、710-840kHz、820-950kHz)根据需要可自由选择，通过使用有限状态机以及EMIF总线将数据传送至边缘计算平台的数据处理器中。
另外，在步骤S2中，所述预处理包括依次进行的信号白化处理、去均值处理、去野值处理以及滤波处理。
另外，在步骤S3中，所述状态模型使用单分类器。
在本实施例中，在步骤S3之后，我们对状态模型输出为异常的时候进行处理，具体的，包括下述步骤：
S4：当所述状态模型的输出为异常的时候，将本次输入的复杂结构件的特征和复杂结构件的振型存放在异常数据库中；
S5：对异常数据库中的复杂结构件的特征和复杂结构件的振型进行无监督学习建模得到监测模型，该监测模型包括训练状态和预测状态，在所述状态模型输出为异常的时候该监测模型为训练状态，在所述状态模型输出为正常的时候该监测模型为预测状态；当该监测模型为训练状态时，输入复杂结构件的特征和复杂结构件的振型对该检测模型进行输入对该监测模型进行修正，当该监测模型为预测状态，输入复杂结构件的特征和复杂结构件的振型得到结构件的变化。
同时，在步骤S5中，该监测模型通过深度高斯过程对模型进行建立，当该监测模型为训练状态时，该监测模型通过深度高斯过程对模型进行修正。深度高斯过程即是无监督学习建模的其中一种方式。以上实施例仅用以说明本发明的技术方案而非限制，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (6)

1.复杂结构件云边端协同检测疲劳裂纹的方法，其特征在于，包括如下步骤：
S1：在复杂结构件易发生裂纹部位通过声发射传感器实时检测复杂结构件的裂纹所产生的声速数据；在复杂结构件上通过振动传感器实时检测复杂结构件的振动数据；
S2：实时对声速数据和振动数据分别进行预处理，再对声速数据和振动数据分别进行盲源分离，之后再对声速数据进行特征信号提取处理得到复杂结构件的特征，同时对振动数据进行复杂追踪处理复杂结构件的振型；
S3：根据复杂结构件的出厂参数以及出厂后设定时间段内的所有复杂结构件的特征和复杂结构件的振型建立状态模型并对该状态模型进行训练，最终得到训练好的状态模型，在出厂后设定时间段之后将实时的复杂结构件的特征和复杂结构件的振型输入到所述的训练好的状态模型中，输出得到复杂结构件的工作状态；
在步骤S1中，还在复杂结构件上设置温度传感器实时检测复杂结构件的温度数据，所述温度传感器位于所述声发射传感器周围；
声速检测数据ut和温度数据T的关系为
Figure FDA0003273420030000011
其中，i为温度数据T的取值，i的取值范围为自然数，i的单位为开尔文，E为声速弹性模量，α为线涨系数、ρ为密度，在上式中，Ei和ρi为T＝i时的相应值；
当所述声速检测数据与所述声速数据一致的时候，所述声速数据保持不变，当所述声速检测数据与所述声速数据不一致的时候，所述声速数据为所述声速数据和所述声速检测数据的均值。
2.如权利要求1所述的复杂结构件云边端协同检测疲劳裂纹的方法，其特征在于，在步骤S2中，所述预处理包括依次进行的信号白化处理、去均值处理、去野值处理以及滤波处理。
3.如权利要求1所述的复杂结构件云边端协同检测疲劳裂纹的方法，其特征在于，在步骤S3中，所述状态模型使用单分类器。
4.如权利要求1所述的复杂结构件云边端协同检测疲劳裂纹的方法，其特征在于，在步骤S3之后，还包括：
S4：当所述状态模型的输出为异常的时候，将本次输入的复杂结构件的特征和复杂结构件的振型存放在异常数据库中；
S5：对异常数据库中的复杂结构件的特征和复杂结构件的振型进行无监督学习建模得到监测模型，该监测模型包括训练状态和预测状态，在所述状态模型输出为异常的时候该监测模型为训练状态，在所述状态模型输出为正常的时候该监测模型为预测状态；当该监测模型为训练状态时，输入复杂结构件的特征和复杂结构件的振型对该监测 模型进行输入对该监测模型进行修正，当该监测模型为预测状态，输入复杂结构件的特征和复杂结构件的振型得到结构件的变化。
5.如权利要求4所述的复杂结构件云边端协同检测疲劳裂纹的方法，其特征在于，在步骤S5中，该监测模型通过深度高斯过程对模型进行建立，当该监测模型为训练状态时，该监测模型通过深度高斯过程对模型进行修正。
6.如权利要求1所述的复杂结构件云边端协同检测疲劳裂纹的方法，其特征在于，步骤S1通过现场嵌入式平台进行，所述现场嵌入式平台包括声发射传感器、振动传感器以及温度传感器；步骤S2通过边缘计算平台进行，所述边缘计算平台包括数据处理器；步骤S3通过云平台进行，所述云平台包括云处理器。
CN202010738774.XA 2020-07-28 2020-07-28 复杂结构件云边端协同检测疲劳裂纹的方法 Active CN111855817B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010738774.XA CN111855817B (zh) 2020-07-28 2020-07-28 复杂结构件云边端协同检测疲劳裂纹的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010738774.XA CN111855817B (zh) 2020-07-28 2020-07-28 复杂结构件云边端协同检测疲劳裂纹的方法

Publications (2)

Publication Number Publication Date
CN111855817A CN111855817A (zh) 2020-10-30
CN111855817B true CN111855817B (zh) 2021-10-26

Family

ID=72948275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010738774.XA Active CN111855817B (zh) 2020-07-28 2020-07-28 复杂结构件云边端协同检测疲劳裂纹的方法

Country Status (1)

Country Link
CN (1) CN111855817B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112749457A (zh) * 2021-01-22 2021-05-04 天津大学 一种导管架式海洋平台损伤智能识别方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5159563A (en) * 1989-03-14 1992-10-27 Rem Technologies, Inc. Crack detection method for operating shaft
FR2758388A1 (fr) * 1997-01-10 1998-07-17 Rolls Royce Plc Procede et appareil pour detecter a distance une pression, une force, une temperature, une densite, une vibration, une viscosite et une vitesse du son dans un fluide
JPH1151909A (ja) * 1997-07-30 1999-02-26 Nkk Corp 超音波探傷方法
CN103900826A (zh) * 2014-04-01 2014-07-02 重庆长安汽车股份有限公司 实时监测汽车底盘结构疲劳损伤的方法
CN104007175A (zh) * 2014-05-09 2014-08-27 华南理工大学 一种悬臂柔性梁多裂缝损伤识别装置及方法
CN105021699A (zh) * 2015-07-16 2015-11-04 无锡市崇安区科技创业服务中心 一种桥梁桥墩裂纹无损伤检测装置
CN204758542U (zh) * 2015-07-02 2015-11-11 上海市特种设备监督检验技术研究院 一种金属结构的裂纹的检测装置
EP3023913A1 (en) * 2014-11-11 2016-05-25 Kabushiki Kaisha Toshiba Crack data collection method and crack data collection program
EP3039419A2 (en) * 2013-08-30 2016-07-06 Nederlandse Organisatie voor toegepast- natuurwetenschappelijk onderzoek TNO System and method for defect monitoring
CN108802203A (zh) * 2018-06-20 2018-11-13 中国科学院声学研究所 一种基于多模态技术的杆状构件内部缺陷定位方法
CN109459500A (zh) * 2018-10-31 2019-03-12 西北工业大学深圳研究院 声发射信号的在线高速采集处理系统
CN110530973A (zh) * 2019-07-31 2019-12-03 西安交通大学 数字孪生驱动的航空发动机涡轮盘裂纹检测与诊断方法
CN110994798A (zh) * 2019-12-16 2020-04-10 深圳供电局有限公司 变电设备监控系统
CN110990978A (zh) * 2019-12-20 2020-04-10 河南九域恩湃电力技术有限公司 一种螺栓状态监测方法和装置

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5159563A (en) * 1989-03-14 1992-10-27 Rem Technologies, Inc. Crack detection method for operating shaft
FR2758388A1 (fr) * 1997-01-10 1998-07-17 Rolls Royce Plc Procede et appareil pour detecter a distance une pression, une force, une temperature, une densite, une vibration, une viscosite et une vitesse du son dans un fluide
JPH1151909A (ja) * 1997-07-30 1999-02-26 Nkk Corp 超音波探傷方法
EP3039419A2 (en) * 2013-08-30 2016-07-06 Nederlandse Organisatie voor toegepast- natuurwetenschappelijk onderzoek TNO System and method for defect monitoring
CN103900826A (zh) * 2014-04-01 2014-07-02 重庆长安汽车股份有限公司 实时监测汽车底盘结构疲劳损伤的方法
CN104007175A (zh) * 2014-05-09 2014-08-27 华南理工大学 一种悬臂柔性梁多裂缝损伤识别装置及方法
EP3023913A1 (en) * 2014-11-11 2016-05-25 Kabushiki Kaisha Toshiba Crack data collection method and crack data collection program
CN204758542U (zh) * 2015-07-02 2015-11-11 上海市特种设备监督检验技术研究院 一种金属结构的裂纹的检测装置
CN105021699A (zh) * 2015-07-16 2015-11-04 无锡市崇安区科技创业服务中心 一种桥梁桥墩裂纹无损伤检测装置
CN108802203A (zh) * 2018-06-20 2018-11-13 中国科学院声学研究所 一种基于多模态技术的杆状构件内部缺陷定位方法
CN109459500A (zh) * 2018-10-31 2019-03-12 西北工业大学深圳研究院 声发射信号的在线高速采集处理系统
CN110530973A (zh) * 2019-07-31 2019-12-03 西安交通大学 数字孪生驱动的航空发动机涡轮盘裂纹检测与诊断方法
CN110994798A (zh) * 2019-12-16 2020-04-10 深圳供电局有限公司 变电设备监控系统
CN110990978A (zh) * 2019-12-20 2020-04-10 河南九域恩湃电力技术有限公司 一种螺栓状态监测方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Fault Feature Selection and Diagnosis of Rolling Bearings Based on EEMD and Optimized Elman_AdaBoost Algorithm";Qiang Fu 等;《IEEE SENSORS JOURNAL》;20180615;第18卷(第12期);第5024-5034页 *
"基于云计算与盲源分离的设备故障预测系统研发";何鹏举 等;《知网科技成果数据库》;20181201;第1-3页 *
"模态声发射技术在构件疲劳裂纹检测中的应用";李耀东 等;《振动与冲击》;20051231;第24卷(第2期);第122-125页 *

Also Published As

Publication number Publication date
CN111855817A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN107796611B (zh) 一种用于检测风力发电机异常工作的报警系统
CN112304613B (zh) 一种基于特征融合的风电机组发电机轴承预警方法
CN107238507B (zh) 一种基于深度学习的工业设备故障预测方法
CN103471841B (zh) 一种旋转机械振动故障诊断方法
CN108444662B (zh) 一种基于日温度效应的桥梁损伤在线监测方法
CN105760934A (zh) 一种基于小波与bp神经网络的桥梁异常监测数据修复方法
CN110132402B (zh) 振动趋势数据中尖峰和故障的检测
Zhang et al. Wavelet energy transmissibility function and its application to wind turbine bearing condition monitoring
CN111855817B (zh) 复杂结构件云边端协同检测疲劳裂纹的方法
Xiao et al. A multichannel fusion approach based on coupled hidden Markov models for rolling element bearing fault diagnosis
CN110987396B (zh) 一种用于采煤机摇臂的智能故障诊断及寿命预测方法
CN113361324B (zh) 一种基于lstm的电机电流异常检测方法
KR101955091B1 (ko) 이상 신호 복원 시스템 및 방법
CN103852338A (zh) 空气净化器异常噪声故障检测方法
JP2007327885A (ja) 異常判定方法および異常判定装置
KR101926257B1 (ko) 이상 신호 복원 시스템 및 방법
CN107194034B (zh) 一种基于gpr的设备损伤检测方法及系统
CN114818813A (zh) 一种基于自注意力卷积神经网络的刀具磨损值预测算法
CN104462770A (zh) 考虑传感器性能退化的信号重构方法
KR20180055477A (ko) 이상 신호 복원 장치 및 방법
Liu et al. Research on online monitoring technology for transmission tower bolt looseness
CN108627357B (zh) 一种采煤机截割载荷软测量方法
CN112486096A (zh) 一种机床运行状态的监控方法
Wen et al. Vibration feature extraction via graph-modeled SVD for running stability assessment of industrial machine
CN114460466B (zh) 一种用于传动监测的虚拟传感器设备及其监测方法

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