CN112525467A - 一种适用于悬臂梁的冲击损伤区域识别方法及装置 - Google Patents

一种适用于悬臂梁的冲击损伤区域识别方法及装置 Download PDF

Info

Publication number
CN112525467A
CN112525467A CN202011349488.0A CN202011349488A CN112525467A CN 112525467 A CN112525467 A CN 112525467A CN 202011349488 A CN202011349488 A CN 202011349488A CN 112525467 A CN112525467 A CN 112525467A
Authority
CN
China
Prior art keywords
impact damage
experiment
region
cantilever beam
marginal
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
CN202011349488.0A
Other languages
English (en)
Other versions
CN112525467B (zh
Inventor
王逢德
刘琦
刘冰
姚燕安
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.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and 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 Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202011349488.0A priority Critical patent/CN112525467B/zh
Publication of CN112525467A publication Critical patent/CN112525467A/zh
Priority to ZA2021/09468A priority patent/ZA202109468B/en
Application granted granted Critical
Publication of CN112525467B publication Critical patent/CN112525467B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00Vibration-testing of structures; Shock-testing of structures
    • G01M7/08Shock-testing
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01BMEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00Measuring arrangements characterised by the use of optical techniques
    • G01B11/16Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
    • G01B11/165Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge by means of a grating deformed by the object
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

本发明公开一种适用于悬臂梁的冲击损伤区域识别方法及装置,方法包括利用希尔伯特‑黄变换对各区域内每次冲击损伤实验对应的k个时域应变响应信号进行处理,获得各区域内每次冲击损伤实验对应的k个边际谱;根据各区域内每次冲击损伤实验对应的k个边际谱确定各区域内每次冲击损伤实验对应的1个特征边际谱;根据各区域内每次冲击损伤实验对应的1个特征边际谱构建样本数据库;利用所述样本数据库对支持向量机进行训练;利用训练后的支持向量机对悬臂梁的损伤区域进行识别。本发明将希尔伯特‑黄变换与支持向量机相结合实现了对悬臂梁的损伤区域识别,进一步提高了悬臂梁损伤区域识别的准确性。

Description

一种适用于悬臂梁的冲击损伤区域识别方法及装置
技术领域
本发明涉及结构健康监测技术领域,特别是涉及一种适用于悬臂梁的冲击损伤区域识别方法及装置。
背景技术
结构健康监测指的是针对工程结构的损伤识别及其特征化的策略和过程。结构损伤指的是结构材料参数及其几何特征的改变。现有结构健康监测的核心问题是模式识别,主要涉及特征参数提取和识别算法。结构健康监测方法从技术角度分,主要包括两类:其一,基于振动的损伤监测方法;其二,基于信号的损伤监测方法,该方法主要采用建立非参数模型进行损伤识别,利用非参数模型进行识别可通过直接记录系统输出对输入的响应,但是这种直接辨识方法只能应用于无随机噪声的系统,对于存在噪声的系统无法进行识别,因此存在识别精度低的问题。
发明内容
基于此,本发明的目的是提供一种适用于悬臂梁的冲击损伤区域识别方法及装置,以提高损伤区域识别的准确性。
为实现上述目的,本发明提供了一种适用于悬臂梁的冲击损伤区域识别方法,所述方法包括:
步骤S1:根据识别精度将悬臂梁分割成m个区域;其中,m为大于1的正整数;
步骤S2:获取悬臂梁上各区域内每次冲击损伤实验对应的k个时域应变响应信号;其中,k为传感器的个数;
步骤S3:基于希尔伯特-黄变换对各区域内每次冲击损伤实验对应的k个时域应变响应信号进行处理,获得各区域内每次冲击损伤实验对应的k个边际谱;
步骤S4:根据各区域内每次冲击损伤实验对应的k个边际谱确定各区域内每次冲击损伤实验对应的1个特征边际谱;
步骤S5:根据各区域内每次冲击损伤实验对应的1个特征边际谱构建样本数据库;所述样本数据库包括n×m个冲击损伤实验的样本,每个样本包括1个特征边际谱;
步骤S6:利用所述样本数据库对支持向量机进行训练;
步骤S7:利用训练后的支持向量机对悬臂梁的损伤区域进行识别。
可选地,所述基于希尔伯特-黄变换对各区域内每次冲击损伤实验对应的k个时域应变响应信号进行处理,获得各区域内每次冲击损伤实验对应的k个边际谱,具体包括:
步骤S31:对各所述时域应变响应信号分别进行经验模态分解,分别获得所述时域应变响应信号的本征模函数;
步骤S32:应用hhspectrum函数计算本征模函数分量的瞬时频率与振幅;
步骤S33:以所述瞬时频率、所述振幅和时间为输入,应用toimage函数计算时域应变响应信号的Hilbert谱,根据所述Hilbert谱确定中心频率和幅值;
步骤S34:以所述中心频率为输入,应用length函数确定中心频率的点数;
步骤S35:应用sum函数、size函数以及plot函数,以所述中心频率为横坐标,以所述幅值为纵坐标,根据所述中心频率的点数绘制各区域内每次冲击损伤实验对应的k个边际谱。
可选地,所述根据各区域内每次冲击损伤实验对应的k个边际谱确定各区域内每次冲击损伤实验对应的1个特征边际谱,具体包括:
步骤S41:在第i个区域内第t次击损伤实验对应的k个边际谱上分别截取特征频率范围内边际谱,得到第i个区域内第t次击损伤实验对应的p×k个选带边际谱,其中,p为特征频带的个数;
步骤S42:将第i个区域内第t次冲击损伤实验获得的p×k个所述选带边际谱进行组合,获得第i个区域内第t次冲击损伤实验对应的1个特征边际谱;其中,m≥i≥1,n≥t≥1
可选地,所述利用所述样本数据库对支持向量机进行训练,具体包括:
步骤S61:将所述样本数据库中设定个数的样本作为训练集,将所述样本数据库中剩余个数的样本作为测试集;
步骤S62:利用所述训练集对支持向量机进行训练;
步骤S63:将所述测试集输入训练后的支持向量机进行测试,获得预测损伤区域,确定识别率;
步骤S64:判断所述识别率是否等于100%;如果所述识别率等于100%,则执行步骤S65;如果所述识别率小于100%,则令n=n+1,返回步骤S2,增加冲击损伤实验的次数,即增加冲击损伤实验的样本;
步骤S65:判断所述识别精度是否符合设定要求;如果所述识别精度符合设定要求,则输出所述冲击损伤模型;如果所述识别精度不符合设定要求,则令m=m+1,返回步骤S1;或令n=n+1,返回步骤S2,增加冲击损伤实验的次数,即增加冲击损伤实验的样本。
可选地,p为2,所述特征频带分别为0~40Hz和70~110Hz。
本发明还提供一种适用于悬臂梁的冲击损伤区域识别装置,所述装置包括:
应变响应信号采集系统,用于检测悬臂梁上各区域内每次冲击损伤实验对应的k个时域应变响应信号;
计算机,与所述应变响应信号采集系统连接,用于根据上述方法进行损伤区域识别。
可选地,所述应变响应信号采集系统包括:
k个光纤光栅传感器,用于检测悬臂梁上各区域内每次冲击损伤实验对应的k个应变信号;
光纤解调仪,分别与各所述光纤光栅传感器连接,用于对各所述应变信号进行转换,获得各所述应变信号对应的时域应变响应信号。
可选地,所述光纤光栅传感器为光纤布拉格光栅传感器。
可选地,所述光纤光栅传感器埋入悬臂梁内部。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开一种适用于悬臂梁的冲击损伤区域识别方法及装置,方法包括利用希尔伯特-黄变换对各区域内每次冲击损伤实验对应的k个时域应变响应信号进行处理,获得各区域内每次冲击损伤实验对应的k个边际谱;根据各区域内每次冲击损伤实验对应的k个边际谱确定各区域内每次冲击损伤实验对应的1个特征边际谱;根据各区域内每次冲击损伤实验对应的1个特征边际谱构建样本数据库;利用所述样本数据库对支持向量机进行训练;利用训练后的支持向量机对悬臂梁的损伤区域进行识别。本发明将希尔伯特-黄变换与支持向量机相结合实现了对悬臂梁的损伤区域识别,进一步提高了悬臂梁损伤区域识别的准确性。
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,下面将对实施例中所需要使用的附图作简单地介绍,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为本发明实施例1适用于悬臂梁的冲击损伤区域识别方法;
图2为本发明实施例1悬臂梁冲击损伤区域识别具体流程图;
图3为本发明实施例2适用于悬臂梁的冲击损伤区域识别装置结构图;
图4为本发明实施例3悬臂梁区域划分示意图;
图5为本发明实施例3低速冲击损伤区域划分示意图;
其中,1、光纤光栅传感器,2、光纤解调仪,3,计算机,4、悬臂梁。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种适用于悬臂梁的冲击损伤区域识别方法及装置,以提高损伤区域识别的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
希尔伯特-黄变换(Hilbert-Huang Transform,简称HHT)是信号分析领域处理非线性、非稳态信号的新技术。HHT谱能够准确反映物理过程中信号在空间或时间各种尺度上的分布规律,是一种自适应能力很强的先进时频域信号处理方法。因此本发明基于希尔伯特-黄变换(HHT)获得用于悬臂梁冲击损伤区域识别的特征参数——边际谱。应用支持向量机(SVM)实现悬臂梁损伤区域的识别,为实现梁式结构的冲击损伤识别提供了新手段。
实施例1
如图1-2所示,本发明公开一种适用于悬臂梁的冲击损伤区域识别方法,其特征在于,所述方法包括:
步骤S1:根据识别精度将悬臂梁分割成m个区域;其中,m为大于1的正整数。
步骤S2:获取悬臂梁上各区域内每次冲击损伤实验对应的k个时域应变响应信号;其中,k为传感器的个数。
步骤S3:基于希尔伯特-黄变换对各区域内每次冲击损伤实验对应的k个时域应变响应信号进行处理,获得各区域内每次冲击损伤实验对应的k个边际谱。
步骤S4:根据各区域内每次冲击损伤实验对应的k个边际谱确定各区域内每次冲击损伤实验对应的1个特征边际谱。
步骤S5:根据各区域内每次冲击损伤实验对应的1个特征边际谱构建样本数据库;所述样本数据库包括n×m个冲击损伤实验的样本,每个样本包括1个特征边际谱。
步骤S6:利用所述样本数据库对支持向量机进行训练。此时训练后的支持向量机已经具有识别功能。
步骤S7:利用训练后的支持向量机对悬臂梁的损伤区域进行识别。
下面对各个步骤进行详细论述:
步骤S1:根据识别精度将悬臂梁分割成m个区域;其中,m为大于1的正整数;本实施例中的识别精度根据具体实际需求进行设置。
步骤S3:基于希尔伯特-黄变换对各区域内每次冲击损伤实验对应的k个时域应变响应信号进行处理,获得各区域内每次冲击损伤实验对应的k个边际谱,具体包括:
步骤S31:对各所述时域应变响应信号分别进行经验模态分解(EMD),分别获得所述时域应变响应信号的本征模函数(IMFs)。
步骤S32:应用hhspectrum函数计算本征模函数分量的瞬时频率与振幅。
步骤S33:以所述瞬时频率、所述振幅和时间为输入,应用toimage函数计算时域应变响应信号的Hilbert谱,根据所述Hilbert谱确定中心频率和幅值。
步骤S34:以所述中心频率为输入,应用length函数确定中心频率的点数。
步骤S35:应用sum函数、size函数以及plot函数,以所述中心频率为横坐标,以所述幅值为纵坐标,根据所述中心频率的点数绘制各区域内每次冲击损伤实验对应的k个边际谱。
以上实施例中采用MATLAB中的hhspectrum函数、toimage函数、length函数、sum函数、size函数以及plot函数,但并不限于MATLAB中的这些函数,只要满足以上功能即可。
步骤S4:根据各区域内每次冲击损伤实验对应的k个边际谱确定各区域内每次冲击损伤实验对应的1个特征边际谱,具体包括:
步骤S41:在第i个区域内第t次击损伤实验对应的k个边际谱上分别截取特征频率范围内边际谱,得到第i个区域内第t次击损伤实验对应的p×k个选带边际谱,其中,p为特征频带的个数;本发明的特征频率范围分为两个特征频带,分别为0~40Hz和70~110Hz,所以p为2。
步骤S42:将第i个区域内第t次冲击损伤实验获得的p×k个所述选带边际谱进行组合,获得第i个区域内第t次冲击损伤实验对应的1个特征边际谱;其中,m≥i≥1,n≥t≥1
步骤S6:利用所述样本数据库对支持向量机进行训练,具体包括:
步骤S61:将所述样本数据库中设定个数的样本作为训练集,将所述样本数据库中剩余个数的样本作为测试集。
步骤S62:利用所述训练集对支持向量机进行训练。
步骤S63:将所述测试集输入训练后的支持向量机进行测试,获得预测损伤区域;根据所述预测损伤区域与实际损伤区域确定识别率。
步骤S64:判断所述识别率是否等于100%;如果所述识别率等于100%,则执行步骤S65;如果所述识别率小于100%,则令n=n+1,返回步骤S2,增加冲击损伤实验的次数,即增加冲击损伤实验的样本。
步骤S65:判断所述识别精度是否符合设定要求;如果所述识别精度符合设定要求,则输出所述冲击损伤模型;如果所述识别精度不符合设定要求,则令m=m+1,返回步骤S1;或令n=n+1,返回步骤S2,增加冲击损伤实验的次数,即增加冲击损伤实验的样本。
实施例2
如图3所示,本发明还提供一种适用于悬臂梁的冲击损伤区域识别装置,所述装置包括:应变响应信号采集系统和计算机3,所述应变响应信号采集系统与所述计算机连接,所述应变响应信号采集系统用于检测悬臂梁上各区域内每次冲击损伤实验对应的k个时域应变响应信号;所述计算机3用于上述适用于悬臂梁的冲击损伤区域识别方法进行损伤区域的识别。
作为一种实施例,本发明所述应变响应信号采集系统包括:k个光纤光栅传感器1和光纤解调仪2;所述光纤解调仪2分别与各所述光纤光栅传感器1连接;k个光纤光栅传感器1用于检测悬臂梁上各区域内每次冲击损伤实验对应的k个应变信号;所述光纤解调仪2用于对各所述应变信号进行转换,获得各所述应变信号对应的时域应变响应信号。
本实施例中所述光纤光栅传感器1为光纤布拉格光栅传感器,但并不限于这一种,只要实现上述功能的传感器即可。
本实施例中所述光纤光栅传感器既可以埋入悬臂梁内部,还可以设置在悬臂梁的外部。
实施例3
本发明基于悬臂梁、2个光纤光栅传感器、计算机和光纤解调仪搭建了适用于悬臂梁的冲击损伤区域识别装置,2个光纤光栅传感器分别安装于悬臂梁两端,2个光纤光栅传感器分别通过导线与光纤解调仪相连,光纤解调仪与计算机相连。光纤光栅传感器还可埋入结构内部,便于实现结构的应变监测,具有抗腐蚀、抗电磁干扰、高灵敏度等优点。悬臂梁由固定端至自由端的距离为750mm,平均分成25个区域,如图4所示。实验中采集的信号是悬臂梁的时域应变响应信号,开展了两次实验。第一次实验采集了6组样本,随机选取其中5组用来训练算法,剩余1组用来测试算法;最近一次实验采集了12组样本,随机选取其中11组样本作为训练集,剩余1组用于测试集。应用训练集对支持向量机进行训练,使训练后的支持向量机具备识别悬臂梁低速冲击损伤位置的功能,应用测试集测试训练后的支持向量机,通过实验验证可知,第一次实验可精确识别9个损伤区域,第二次实验可精确识别16个损伤区域,识别率达到了100%,如图5所示,1-25代表区域编号,图中每个英文字母代表1个损伤区域,例如,1区域和2区域为同一损伤区域a,3区域和4区域为同一损伤区域b,后续同理,在此不再一一论述。
通过上述实验主要得出以下优点:
1、本发明提出的方法仅用2个光纤光栅传感器,即可识别出悬臂梁的冲击区域损伤的位置,减少了设置光纤光栅传感器的个数,进而降低了适用于悬臂梁的冲击损伤区域识别装置的结构复杂度。
2、本发明提出的方法在靠近悬臂梁固定端的区域识别精度更高。
3、本发明所提出方法的识别精度随着样本的数量增加而升高。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种适用于悬臂梁的冲击损伤区域识别方法,其特征在于,所述方法包括:
步骤S1:根据识别精度将悬臂梁分割成m个区域;其中,m为大于1的正整数;
步骤S2:获取悬臂梁上各区域内每次冲击损伤实验对应的k个时域应变响应信号;其中,k为传感器的个数;
步骤S3:基于希尔伯特-黄变换对各区域内每次冲击损伤实验对应的k个时域应变响应信号进行处理,获得各区域内每次冲击损伤实验对应的k个边际谱;
步骤S4:根据各区域内每次冲击损伤实验对应的k个边际谱确定各区域内每次冲击损伤实验对应的1个特征边际谱;
步骤S5:根据各区域内每次冲击损伤实验对应的1个特征边际谱构建样本数据库;所述样本数据库包括n×m个冲击损伤实验的样本,每个样本包括1个特征边际谱;
步骤S6:利用所述样本数据库对支持向量机进行训练;
步骤S7:利用训练后的支持向量机对悬臂梁的损伤区域进行识别。
2.根据权利要求1所述的适用于悬臂梁的冲击损伤区域识别方法,其特征在于,所述基于希尔伯特-黄变换对各区域内每次冲击损伤实验对应的k个时域应变响应信号进行处理,获得各区域内每次冲击损伤实验对应的k个边际谱,具体包括:
步骤S31:对各所述时域应变响应信号分别进行经验模态分解,分别获得所述时域应变响应信号的本征模函数;
步骤S32:应用hhspectrum函数计算本征模函数分量的瞬时频率与振幅;
步骤S33:以所述瞬时频率、所述振幅和时间为输入,应用toimage函数计算时域应变响应信号的Hilbert谱,根据所述Hilbert谱确定中心频率和幅值;
步骤S34:以所述中心频率为输入,应用length函数确定中心频率的点数;
步骤S35:应用sum函数、size函数以及plot函数,以所述中心频率为横坐标,以所述幅值为纵坐标,根据所述中心频率的点数绘制各区域内每次冲击损伤实验对应的k个边际谱。
3.根据权利要求1所述的适用于悬臂梁的冲击损伤区域识别方法,其特征在于,所述根据各区域内每次冲击损伤实验对应的k个边际谱确定各区域内每次冲击损伤实验对应的1个特征边际谱,具体包括:
步骤S41:在第i个区域内第t次击损伤实验对应的k个边际谱上分别截取特征频率范围内边际谱,得到第i个区域内第t次击损伤实验对应的p×k个选带边际谱,其中,p为特征频带的个数;
步骤S42:将第i个区域内第t次冲击损伤实验获得的p×k个所述选带边际谱进行组合,获得第i个区域内第t次冲击损伤实验对应的1个特征边际谱;其中,m≥i≥1,n≥t≥1。
4.根据权利要求1所述的适用于悬臂梁的冲击损伤区域识别方法,其特征在于,所述利用所述样本数据库对支持向量机进行训练,具体包括:
步骤S61:将所述样本数据库中设定个数的样本作为训练集,将所述样本数据库中剩余个数的样本作为测试集;
步骤S62:利用所述训练集对支持向量机进行训练;
步骤S63:将所述测试集输入训练后的支持向量机进行测试,获得预测损伤区域,确定识别率;
步骤S64:判断所述识别率是否等于100%;如果所述识别率等于100%,则执行步骤S65;如果所述识别率小于100%,则令n=n+1,返回步骤S2,增加冲击损伤实验的次数,即增加冲击损伤实验的样本;
步骤S65:判断所述识别精度是否符合设定要求;如果所述识别精度符合设定要求,则输出所述冲击损伤模型;如果所述识别精度不符合设定要求,则令m=m+1,返回步骤S1;或令n=n+1,返回步骤S2,增加冲击损伤实验的次数,即增加冲击损伤实验的样本。
5.根据权利要求3所述的适用于悬臂梁的冲击损伤区域识别方法,其特征在于,p为2,所述特征频带分别为0~40Hz和70~110Hz。
6.一种适用于悬臂梁的冲击损伤区域识别装置,其特征在于,所述装置包括:
应变响应信号采集系统,用于检测悬臂梁上各区域内每次冲击损伤实验对应的k个时域应变响应信号;
计算机,与所述应变响应信号采集系统连接,用于根据权利要求1-4任一项所述的方法进行损伤区域的识别。
7.根据权利要求6所述的适用于悬臂梁的冲击损伤区域识别装置,其特征在于,所述应变响应信号采集系统包括:
k个光纤光栅传感器,用于检测悬臂梁上各区域内每次冲击损伤实验对应的k个应变信号;
光纤解调仪,分别与各所述光纤光栅传感器连接,用于对各所述应变信号进行转换,获得各所述应变信号对应的时域应变响应信号。
8.根据权利要求7所述的适用于悬臂梁的冲击损伤区域识别装置,其特征在于,所述光纤光栅传感器为光纤布拉格光栅传感器。
9.根据权利要求7所述的适用于悬臂梁的冲击损伤区域识别装置,其特征在于,所述光纤光栅传感器埋入悬臂梁内部。
CN202011349488.0A 2020-11-26 2020-11-26 一种适用于悬臂梁的冲击损伤区域识别方法及装置 Active CN112525467B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011349488.0A CN112525467B (zh) 2020-11-26 2020-11-26 一种适用于悬臂梁的冲击损伤区域识别方法及装置
ZA2021/09468A ZA202109468B (en) 2020-11-26 2021-11-24 Method for identifying impact damage region applicable to cantilever beam and device thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011349488.0A CN112525467B (zh) 2020-11-26 2020-11-26 一种适用于悬臂梁的冲击损伤区域识别方法及装置

Publications (2)

Publication Number Publication Date
CN112525467A true CN112525467A (zh) 2021-03-19
CN112525467B CN112525467B (zh) 2022-09-13

Family

ID=74993804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011349488.0A Active CN112525467B (zh) 2020-11-26 2020-11-26 一种适用于悬臂梁的冲击损伤区域识别方法及装置

Country Status (2)

Country Link
CN (1) CN112525467B (zh)
ZA (1) ZA202109468B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104200265A (zh) * 2014-07-28 2014-12-10 东北大学 一种改进的基于神经网络的桥梁损伤识别方法
CN106990018A (zh) * 2017-02-28 2017-07-28 河海大学 一种预应力混凝土梁灌浆密实度智能识别方法
CN108663712A (zh) * 2018-05-08 2018-10-16 四川大学 一种边坡震害损伤的能量识别方法
CN109635382A (zh) * 2018-11-28 2019-04-16 青岛理工大学 基于改进支持向量机钢筋混凝土简支梁火灾损伤识别方法
CN109946389A (zh) * 2019-01-31 2019-06-28 青岛理工大学 基于总体经验模态分解与卷积神经网络的结构损伤识别法
CN110991544A (zh) * 2019-12-10 2020-04-10 上海交通大学 一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法
CN111488801A (zh) * 2020-03-16 2020-08-04 天津大学 基于振动噪声识别的船舶分类方法
CN111737848A (zh) * 2020-05-12 2020-10-02 南京航空航天大学 基于时域应变信号分解的起重机械主梁结构裂纹识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104200265A (zh) * 2014-07-28 2014-12-10 东北大学 一种改进的基于神经网络的桥梁损伤识别方法
CN106990018A (zh) * 2017-02-28 2017-07-28 河海大学 一种预应力混凝土梁灌浆密实度智能识别方法
CN108663712A (zh) * 2018-05-08 2018-10-16 四川大学 一种边坡震害损伤的能量识别方法
CN109635382A (zh) * 2018-11-28 2019-04-16 青岛理工大学 基于改进支持向量机钢筋混凝土简支梁火灾损伤识别方法
CN109946389A (zh) * 2019-01-31 2019-06-28 青岛理工大学 基于总体经验模态分解与卷积神经网络的结构损伤识别法
CN110991544A (zh) * 2019-12-10 2020-04-10 上海交通大学 一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法
CN111488801A (zh) * 2020-03-16 2020-08-04 天津大学 基于振动噪声识别的船舶分类方法
CN111737848A (zh) * 2020-05-12 2020-10-02 南京航空航天大学 基于时域应变信号分解的起重机械主梁结构裂纹识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MIANJIANG: "A nonlinearity measure-based damage location method for beam-like structures", 《MEASUREMENT》, vol. 146, 2 July 2019 (2019-07-02), pages 571 - 581, XP085761109, DOI: 10.1016/j.measurement.2019.06.049 *
张建伟: "基于VMD-HHT边际谱的水工结构损伤诊断", 《振动、测试与诊断》, vol. 38, no. 4, 31 August 2018 (2018-08-31), pages 852 - 858 *
王醇涛: "基于HHT边际谱与SVM的柴油机故障诊断方法研究", 《航海工程》, vol. 39, no. 3, 30 June 2010 (2010-06-30), pages 73 - 76 *

Also Published As

Publication number Publication date
ZA202109468B (en) 2022-02-23
CN112525467B (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
CN108593260B (zh) 光缆线路故障定位和检测方法及终端设备
CN109541028B (zh) 一种风力机叶片裂纹位置定位检测方法及系统
CN104620119B (zh) 监测电网的装置和方法
CN105572501B (zh) 一种基于sst变换和ls-svm的电能质量扰动识别方法
KR20120135035A (ko) 이상음 진단 장치
CN104165742B (zh) 一种基于互谱函数的运行模态分析实验方法及装置
CN106771589B (zh) 一种频谱分析实时瀑布图的实现方法
KR20180114983A (ko) 다중 메타학습을 이용한 플랜트 배관 이상 감지 장치 및 방법
CN112529842B (zh) 一种基于小波包能量的多激励融合板结构损伤识别方法
CN113340353B (zh) 一种输电线路的监测方法、设备及介质
CN110568082A (zh) 一种基于声发射信号的缆索断丝的判别方法
CN113343541A (zh) 长大跨桥梁的涡激振动预警方法、装置及终端
CN112525467B (zh) 一种适用于悬臂梁的冲击损伤区域识别方法及装置
CN114358091A (zh) 一种基于卷积神经网络的桩损伤识别方法、设备及介质
CN114266008A (zh) 桥梁损伤识别方法、装置及终端设备
CN110057918A (zh) 强噪声背景下的复合材料损伤定量识别方法及系统
CN113627268A (zh) 模型训练方法、矿井提升机用减速器故障检测方法和装置
Zhong et al. Fault diagnosis of motor bearing using self-organizing maps
CN115876371A (zh) 基于多阶模态振型拟合的索力光学测量方法及其测量系统
US20220083039A1 (en) Abnormality detection apparatus, abnormality detection system, and learning apparatus, and methods for the same and nontemporary computer-readable medium storing the same
CN115436037A (zh) 基于ssi参数识别的输电杆塔健康状态判别方法及装置
CN105156901B (zh) 一种基于小波分析的光纤预警系统降噪方法及装置
CN114397521A (zh) 一种针对电子设备的故障诊断方法及系统
KR101078820B1 (ko) 평면 형상 변형 인식방법 및 그 장치
CN112016235A (zh) 一种柔性天线结构的冲击载荷识别方法及系统

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