CN112528849B - 一种基于内积矩阵及深度学习的结构健康监测方法 - Google Patents

一种基于内积矩阵及深度学习的结构健康监测方法 Download PDF

Info

Publication number
CN112528849B
CN112528849B CN202011447691.1A CN202011447691A CN112528849B CN 112528849 B CN112528849 B CN 112528849B CN 202011447691 A CN202011447691 A CN 202011447691A CN 112528849 B CN112528849 B CN 112528849B
Authority
CN
China
Prior art keywords
data
inner product
health
neural network
layer
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
CN202011447691.1A
Other languages
English (en)
Other versions
CN112528849A (zh
Inventor
王乐
陈宇
张敏照
杨智春
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 CN202011447691.1A priority Critical patent/CN112528849B/zh
Publication of CN112528849A publication Critical patent/CN112528849A/zh
Application granted granted Critical
Publication of CN112528849B publication Critical patent/CN112528849B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明一种基于内积矩阵及深度学习的结构健康监测方法，属于结构健康监测技术领域；首先对被测结构的一种健康状态进行振动信号采集，然后每个数据子集的数据进行内积运算，得到该数据子集的内积矩阵；将获得的m个内积矩阵组成被测结构A的当前健康状态下的结构健康特征数据集C作为神经网络的输入层进行分析，然后得到被测结构在获得的m个内积矩阵下的健康状态；将被测结构不同健康状态下的健康特征数据集C作为输入数据提交神经网络时，即可训练出被测结构的健康状态与健康特征数据集C之间的关系，实现结构健康监测。利用神经网络深度学习方法可以直接将采集的内积矩阵作为输入层进行深度学习，大大减少在采集数据后对数据处理的时间和精力。

Description

一种基于内积矩阵及深度学习的结构健康监测方法
技术领域
本发明属于结构健康监测技术领域，具体涉及一种基于内积矩阵及深度学习的结构健康监测方法。
背景技术
基于振动的结构健康监测方法因其容易实现在线监测，一直以来受到国内外研究者的广泛关注。根据结构健康监测是否需要建立准确的结构理论模型，基于振动的结构健康监测方法可分为基于模型的方法及不基于模型的方法。对于较为复杂的结构而言，一般不容易建立其准确的理论模型，因此不基于模型的方法更容易应用于复杂结构的健康监测。不基于模型的方法一般利用结构时域响应、频域响应或模态参数及其组合，并结合相关数据处理方法，建立结构振动响应特征量与结构健康状态的对应关系。可以看出，数据处理在不基于模型的方法中有着至关重要的作用；同时，针对实际工程结构的健康监测往往涉及到大量的测试数据，因此基于大数据及深度学习思想的结构健康监测研究是该领域的一个发展方向。
深度学习作为一种更容易实现人工智能的机器学习方法，近些年来首先在计算机视觉、语音识别、自然语言处理等领域取得了显著的成效。深度学习的本质是通过深层次特征提取来获取数据特征，因此在与数据处理相关的其它领域也开始受到关注，如数据拟合、数据检测、优化设计、结构健康监测等多个领域。在结构健康监测领域，目前基于深度学习的方法主要从两个方面开展研究，一类基于图像识别的方法，另一类是基于振动响应信号处理的方法。基于图像识别的方法通过对结构局部照片图像进行特征提取并识别其健康状态，一般监测的均为结构表面裂纹、表面腐蚀等结构表面损伤，其本质属于图像识别，且广泛采用的是卷积神经网络及其扩展网络。基于振动响应信号处理的方法利用深度神经网络从振动响应中提取损伤特征，进而建立振动响应与结构健康状态的映射关系，目前研究中最常采用的都是卷积神经网络或自编码器。
不管是基于图像识别的表面损伤检测还是基于振动信号处理的各类型损伤检测，其基本原理都是利用深度神经网络强大的特征提取功能，建立可获取的损伤图像或振动响应与结构健康状态之间的映射关系。
在振动与冲击学术期刊上，第32卷第14期中论文名称为“基于振动响应内积向量和数据融合的结构损伤检测方法试验研究”(DOI：10.13465/j.cnki.jvs.2013.14.007)的文章中提出了一种以内积向量(inner product vector，IPV)作为损伤指标的损伤检测方法。文中表明，内积向量与结构的模态振型有关，可直接通过时域响应内积进行计算，且在其计算过程中可自动剔除相关测量噪声的影响。然而，该方法由于使用一维的内积向量作为反映结构健康特征的指标，无法使用神经网络等大数据处理的深度学习方法，因此，在对结构健康监测的数据处理时较为繁琐。
发明内容
要解决的技术问题：
为了避免现有技术的不足之处，本发明提出一种基于内积矩阵及深度学习的结构健康监测方法，以振动时域响应的相关性分析为基础，获取表征结构健康状态的原始特征信息，即内积矩阵，进而结合二维卷积神经网络的深层次特征提取功能，建立相应的结构健康监测方法。
本发明的技术方案是：一种基于内积矩阵及深度学习的结构健康监测方法，其特征在于具体步骤如下：
步骤一：对被测结构的一种健康状态进行振动信号采集；
首先，使用n个传感器采集被测结构在一种健康状态下的振动时域响应数据，将每个传感器所采集的整段数据等分为m段；然后，将同一时间段下各传感器采集的振动时域响应数据作为一个数据子集，即得到m个数据子集；
步骤二：将步骤一中得到的每个数据子集的数据按照以下公式进行内积运算，
Figure BDA0002825220890000021
其中，Rkl(0)表示响应xk(t)(k＝1，2，...，n)与响应xl(t)的互相关函数在时间延迟τ＝0时的值，＜，＞表示内积运算符，T为时域响应采样点数；
得到该数据子集的内积矩阵：
Figure BDA0002825220890000031
最后，得到由m个内积矩阵组成被测结构的当前健康状态下的结构健康特征数据集C；
步骤三：将获得的m个内积矩阵组成被测结构A的当前健康状态下的结构健康特征数据集C作为神经网络的输入层进行分析，然后得到被测结构在获得的m个内积矩阵下的健康状态；
步骤四：对被测结构的多种健康状态进行数据采集时，重复步骤一到三，即获得被测结构在多种结构健康状态下的不同健康特征数据集C；然后，将被测结构不同健康状态下的健康特征数据集C作为输入数据提交神经网络时，即可训练出被测结构的健康状态与健康特征数据集C之间的关系，从而通过该关系来反推出被测结构的健康状态，实现结构健康监测。
本发明的进一步技术方案是：所述步骤一中时域响应包括位移响应、速度响应、加速度响应。
本发明的进一步技术方案是：所述步骤三中的神经网络为卷积神经网路。
本发明的进一步技术方案是：所述步骤三中将输入层导入卷积神经网路后，其输入层之后连接若干个卷积层，以逐层提取输入数据中所包含的结构健康特征信息；卷积层之后连接一个批归一化层及一个池化层，以提升网络训练效率并防止过拟合；池化层之后连接一个拉直层，以实现二维数据向一维数据的转变，服务与后续的分类问题；拉直层之后连接若干个全连接层，以逐步整合前述层中具有类别区分性的局部信息；最后为分类层，以获得各个分类的概率，即给出被测结构A在获得的m个内积矩阵下的健康状态。
有益效果
本发明的有益效果在于：考虑到深度学习中的卷积神经网络可以从大量数据中提取深层次的特征信息，并充分利用结构各个测点时域响应的相关性分析数据，本发明将一维的内积向量扩展到了二维的内积矩阵，进而结合深度学习中常用的二维卷积神经网络，提出基于内积矩阵及二维卷积神经网络的结构健康监测方法。
在环境激励下，利用结构上多个测点振动时域响应(包括位移响应、速度响应、加速度响应)相互进行内积运算可以获得内积矩阵；根据振动理论可知，内积矩阵中的任何一行或者一列均为结构各阶模态振动的加权叠加，且各阶模态的加权系数与结构的模态参数有关；通常，结构损伤导致的物理参数变化(包括刚度下降、质量减小)会体现在相关模态振型的突变上，因此内积矩阵中的相关元素也会因结构局部损伤而发生突变，即可以利用内积矩阵作为结构损伤指标来进行结构健康监测。
利用内积矩阵作为结构损伤指标来进行结构健康监测时，可以使用神经网络等大数据处理的深度学习方法来解决结构健康监测时，采集的大量数据处理问题。利用神经网络等深度学习的方法可以直接将采集的内积矩阵作为输入层进行深度学习，大大减少在采集数据后对数据处理的时间和精力。
本发明原理简单，效果明显，为未来结构健康监测的工程应用提供了新的思路，且在结构健康监测方面应用前景广阔。
附图说明
图1是本发明中一种状态下结构健康特征数据集的构建示意图；
附图标记说明：本发明中包括被测结构A、神经网络B、结构健康特征数据集C、传感器(包括：传感器1、传感器2、…、和传感器n)、传感器采集的振动时域响应数据(包括数据1_1、数据1_2、数据1_3、…、数据1_m；数据2_1、数据2_2、数据2_3、…、数据2_m；数据n_1、数据n_2、数据n_3、…、数据n_m；)、同一时间段下传感器采集的振动时域响应数据子集(包括数据子集1、数据子集2、…、数据子集n)、内积矩阵(包括内积矩阵1、内积矩阵2、…、内积矩阵n)。
具体实施方式
下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
首先，假设可获得被测结构n个测点的时域响应x1(t)，x2(t)，...，xn(t)，取其中测点l的响应xl(t)为参考响应，内积向量为
R＝{R1l(0)，R2l(0)，...，Rnl(0)} (1)
其中，Rkl(0)表示响应xk(t)(k＝1，2，...，n)与响应xl(t)的互相关函数在时间延迟τ＝0时的值，根据互相关函数的定义可知
Figure BDA0002825220890000051
/>
其中，<，>表示内积运算符，T为时域响应采样点数。
研究表明，在带通白噪声激励下内积向量是结构各阶模态振型的加权叠加，且各阶模态的加权系数与结构的模态参数有关。对于一般的环境激励谱，可视为若干个不同频带范围的带通白噪声的组合谱，根据线性系统的叠加原理可知，在环境激励下内积向量仍是结构各阶模态振型的加权叠加，同时各阶模态的加权系数也与结构的模态参数有关。通常，结构物理参数的变化(例如结构损伤导致的局部刚度下降)会体现在相关模态振型的突变上，因此内积向量也会因结构局部损伤而发生突变，即可以利用内积向量作为结构损伤指标来进行结构健康监测。
可以看出，内积向量是一个典型的一维向量，且只包含了结构各测点时域响应的部分内积计算数据，而深度学习中常用的二维卷积神经网络的输入是一个二维矩阵，为了采用内积向量作为二维卷积神经网络的输入，并充分利用结构各测点时域响应的所有内积计算数据，可将内积向量扩展到内积矩阵。从内积向量的定义式可以看出，内积向量仅采用某一个测点l的响应xl(t)作为参考响应来与其它测点响应进行内积运算，若参考测点l的取值也分别设为各个测点，即l＝1，2，...，n，则可获得内积矩阵
Figure BDA0002825220890000052
结合内积向量的定义式，从内积矩阵的定义式可以看出，内积矩阵其实就是将参考响应测点分别设置为不同测点的多个内积向量依次排列组成的矩阵，因此内积矩阵也可以作为结构特征参数来进行结构健康监测。
二维卷积神经网络通常用于处理图片信息，将图片每一个像素点的颜色信息作为特征，针对每一个图片构建一个数值矩阵，并以数值矩阵作为深度神经网络的输入。考虑到表征结构健康状态特征的内积矩阵也是数值矩阵，且与二维图片像素颜色信息构成的数据矩阵有着相同的形式，则可将内积矩阵作为二维卷积神经网络的输入来构建深度神经网络，以实现基于内积矩阵及卷积神经网络的结构健康监测。
基于深度学习的结构健康监测方法与传统的基于机器学习的结构健康监测方法类似，通常均包含两个关键的步骤，即标签数据库的构建以及网络模型的设计。标签数据库是指用于训练、验证、测试模型的输入输出数据，通常由一组特征数据及其对应的结构状态标签构成。网络模型是指用于描述输入输出关系的复杂非线性函数，在结构健康监测中，网络的输入为可测量的结构特征参数，网络的输出为结构健康状态标签。
如图1所示，本发明是这样来工作和实施的，采用一种基于内积矩阵及深度学习的结构健康监测方法，被测结构A、神经网络B、结构健康特征数据集C、传感器(包括：传感器1、传感器2、…、和传感器n)、传感器采集的振动响应数据(包括数据1_1、数据1_2、数据1_3、…、数据1_m；数据2_1、数据2_2、数据2_3、…、数据2_m；数据n_1、数据n_2、数据n_3、…、数据n_m；)、同一时间段下传感器采集的振动响应数据子集(包括数据子集1、数据子集2、…、数据子集n)、内积矩阵(包括内积矩阵1、内积矩阵2、…、内积矩阵n)。
具体实施过程如图1所示。首先对被测结构A的一种健康状态进行振动信号采集，使用传感器1、传感器2、…、和传感器n采集被测结构A在一种健康状态下的振动时域响应数据，其中将传感器1采集的整段数据分成m段，并命名为数据1_1、数据1_2、数据1_3、…、数据1_m，其中每段数据长度相等。类似地，按照以上命名方式得到传感器2采集的数据为数据2_1、数据2_2、数据2_3、…、数据2_m；传感器n采集的数据为数据n_1、数据n_2、数据n_3、…、数据n_m。将被测结构A的一种健康状态下，同一时间段下传感器采集的振动时域响应数据作为一个数据子集，如将数据1_1、数据2_1、数据3_1、…、数据n_1组成为数据子集1。同理，将数据1_2、数据2_2、数据3_2、…、数据n_2组成为数据子集2；将数据1_3、数据2_3、数据3_3、…、数据n_3组成为数据子集3；将数据1_m、数据2_m、数据3_m、…、数据n_m组成为数据子集m。将获得的每一个数据子集中的数据按照公式(2)的内积运算得到该数据子集的内积矩阵(如公式(3))，如数据子集1中的数据通过内积运算得到内积矩阵1；数据子集2中的数据通过内积运算得到内积矩阵2；数据子集3中的数据通过内积运算得到内积矩阵3；数据子集m中的数据通过内积运算得到内积矩阵m。获得的m个内积矩阵组成被测结构A的当前健康状态下的结构健康特征数据集C。
将获得的m个内积矩阵组成被测结构A的当前健康状态下的结构健康特征数据集C作为神经网络B的输入层进行分析，以卷积神经网路为例(本发明可使用神经网络不限于此)，将输入层导入神经网络后，其输入层之后连接若干个卷积层，以逐层提取输入数据中所包含的结构健康特征信息；卷积层之后连接一个批归一化层及一个池化层，以提升网络训练效率并防止过拟合；池化层之后连接一个拉直层，以实现二维数据向一维数据的转变，服务与后续的分类问题；拉直层之后连接若干个全连接层，以逐步整合前述层中具有类别区分性的局部信息；最后为分类层，以获得各个分类的概率，即给出被测结构A在获得的m个内积矩阵下的健康状态。
当对被测结构A多种健康状态下进行数据采集时，并重复以上步骤，即获得了被测结构A多种结构健康状态下的不同健康特征数据集C。将被测结构A，不同健康状态下的健康特征数据集C作为输入数据提交神经网络时，即可训练出被测结构A的健康状态与健康特征数据集C之间的关系，从而通过该关系来反推出被测结构A的健康状态，实现结构健康监测。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (4)

1.一种基于内积矩阵及深度学习的结构健康监测方法，其特征在于具体步骤如下：
步骤一：对被测结构的一种健康状态进行振动信号采集；
首先，使用n个传感器采集被测结构在一种健康状态下的振动时域响应数据，将每个传感器所采集的整段数据等分为m段；然后，将同一时间段下各传感器采集的振动时域响应数据作为一个数据子集，即得到m个数据子集；
步骤二：将步骤一中得到的每个数据子集的数据按照以下公式进行内积运算，
Figure FDA0003953722990000011
其中，Rkl(0)表示响应xk(t)与响应xl(t)的互相关函数在时间延迟τ＝0时的值，其中，k＝1,2,...,n，<,>表示内积运算符，T为时域响应采样点数；
得到该数据子集的内积矩阵：
Figure FDA0003953722990000012
最后，得到由m个内积矩阵组成被测结构的当前健康状态下的结构健康特征数据集C；
步骤三：将获得的m个内积矩阵组成被测结构A的当前健康状态下的结构健康特征数据集C作为神经网络的输入层进行分析，然后得到被测结构在获得的m个内积矩阵下的健康状态；
步骤四：对被测结构的多种健康状态进行数据采集时，重复步骤一到三，即获得被测结构在多种结构健康状态下的不同健康特征数据集C；然后，将被测结构不同健康状态下的健康特征数据集C作为输入数据提交神经网络时，即可训练出被测结构的健康状态与健康特征数据集C之间的关系，从而通过该关系来反推出被测结构的健康状态，实现结构健康监测。
2.根据权利要求1所述基于内积矩阵及深度学习的结构健康监测方法，其特征在于：所述步骤一中时域响应包括位移响应、速度响应、加速度响应。
3.根据权利要求1所述基于内积矩阵及深度学习的结构健康监测方法，其特征在于：所述步骤三中的神经网络为卷积神经网路。
4.根据权利要求1所述基于内积矩阵及深度学习的结构健康监测方法，其特征在于：所述步骤三中将输入层导入卷积神经网路后，其输入层之后连接若干个卷积层，以逐层提取输入数据中所包含的结构健康特征信息；卷积层之后连接一个批归一化层及一个池化层，以提升网络训练效率并防止过拟合；池化层之后连接一个拉直层，以实现二维数据向一维数据的转变，服务与后续的分类问题；拉直层之后连接若干个全连接层，以逐步整合前述层中具有类别区分性的局部信息；最后为分类层，以获得各个分类的概率，即给出被测结构A在获得的m个内积矩阵下的健康状态。
CN202011447691.1A 2020-12-09 2020-12-09 一种基于内积矩阵及深度学习的结构健康监测方法 Active CN112528849B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011447691.1A CN112528849B (zh) 2020-12-09 2020-12-09 一种基于内积矩阵及深度学习的结构健康监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011447691.1A CN112528849B (zh) 2020-12-09 2020-12-09 一种基于内积矩阵及深度学习的结构健康监测方法

Publications (2)

Publication Number Publication Date
CN112528849A CN112528849A (zh) 2021-03-19
CN112528849B true CN112528849B (zh) 2023-03-24

Family

ID=74998560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011447691.1A Active CN112528849B (zh) 2020-12-09 2020-12-09 一种基于内积矩阵及深度学习的结构健康监测方法

Country Status (1)

Country Link
CN (1) CN112528849B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1804612A (zh) * 2005-12-29 2006-07-19 西北工业大学 基于互相关函数幅值向量的随机振动结构损伤的检测方法
CN102330645A (zh) * 2011-09-19 2012-01-25 吴建华 一种风电机组结构健康监测系统及其方法
CN104698837A (zh) * 2014-12-11 2015-06-10 华侨大学 一种时变线性结构工作模态参数识别方法、装置及应用
JP2017040585A (ja) * 2015-08-20 2017-02-23 株式会社熊谷組 構造物の劣化判定方法
CN107066736A (zh) * 2017-04-14 2017-08-18 厦门大学 一种基于压缩采样的模态分析及结构冲击监测方法
CN108287964A (zh) * 2018-01-23 2018-07-17 重庆大学 一种基于加速度内积向量的灰云推理结构损伤识别方法
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
CN109446552A (zh) * 2018-09-14 2019-03-08 北京理工大学 多轴相关随机激励下结构疲劳寿命时域计算方法
CN110502991A (zh) * 2019-07-18 2019-11-26 武汉理工大学 基于随机卷积神经网络结构的内燃机健康监测方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1804612A (zh) * 2005-12-29 2006-07-19 西北工业大学 基于互相关函数幅值向量的随机振动结构损伤的检测方法
CN102330645A (zh) * 2011-09-19 2012-01-25 吴建华 一种风电机组结构健康监测系统及其方法
CN104698837A (zh) * 2014-12-11 2015-06-10 华侨大学 一种时变线性结构工作模态参数识别方法、装置及应用
JP2017040585A (ja) * 2015-08-20 2017-02-23 株式会社熊谷組 構造物の劣化判定方法
CN107066736A (zh) * 2017-04-14 2017-08-18 厦门大学 一种基于压缩采样的模态分析及结构冲击监测方法
CN108287964A (zh) * 2018-01-23 2018-07-17 重庆大学 一种基于加速度内积向量的灰云推理结构损伤识别方法
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
CN109446552A (zh) * 2018-09-14 2019-03-08 北京理工大学 多轴相关随机激励下结构疲劳寿命时域计算方法
CN110502991A (zh) * 2019-07-18 2019-11-26 武汉理工大学 基于随机卷积神经网络结构的内燃机健康监测方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Optimization the inner product vector method and its application to structural health monitoring;Sattar Mohammadi Esfarjani et al;《JVE INTERNATIONAL LTD. JOURNAL OF VIBROENGINEERING》;20170630;第19卷(第4期);2578-2585 *
Structural Damage Detection with Automatic Feature-Extraction through Deep Learning;Yi-zhou Lin et al;《Computer-Aided Civil and Infrastructure Engineering》;20171231;1-22 *
基于内积向量的复合材料结构损伤检测;杨智春 等;《工程力学》;20090930;第26卷(第9期);191-196 *
基于加速度内积向量和灰云模型的结构损伤识别;王玉山 等;《重庆大学学报》;20180131;第41卷(第1期);9-16 *
基于振动响应内积向量和数据融合的结构损伤检测方法试验研究;胡鑫 等;《振动与冲击》;20130731;第32卷(第14期);109-115 *

Also Published As

Publication number Publication date
CN112528849A (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
Wang et al. A new intelligent bearing fault diagnosis method using SDP representation and SE-CNN
CN109765053B (zh) 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法
CN109781411B (zh) 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法
CN111967486A (zh) 一种基于多传感器融合的复杂装备故障诊断方法
CN110991690B (zh) 一种基于深度卷积神经网络的多时次风速预测方法
CN115018021B (zh) 基于图结构与异常注意力机制的机房异常检测方法及装置
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN112651167A (zh) 一种基于图神经网络的半监督滚动轴承故障诊断方法
CN106295124A (zh) 利用多种图像检测技术综合分析基因子图相似概率量的方法
CN111580151B (zh) 一种基于SSNet模型的地震事件到时识别方法
CN113865868B (zh) 基于时频域表达的滚动轴承故障诊断方法
CN111122162B (zh) 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法
CN111595541A (zh) 一种海量振动传递率数据卷积神经网络处理的多维结构损伤识别方法
CN114358124B (zh) 基于深度对抗卷积神经网络的旋转机械新故障诊断方法
CN113607325A (zh) 一种钢结构螺栓群松动定位智能监测方法及系统
CN111753776B (zh) 基于回声状态与多尺度卷积联合模型的结构损伤识别方法
CN113887342A (zh) 基于多源信号和深度学习的设备故障诊断方法
CN110555235A (zh) 基于向量自回归模型的结构局部缺陷检测方法
Liu et al. Multi-Scale Fusion Attention Convolutional Neural Network for Fault Diagnosis of Aero-Engine Rolling Bearing
Li et al. Transformer-based meta learning method for bearing fault identification under multiple small sample conditions
CN117516939A (zh) 基于改进EfficientNetV2的轴承跨工况故障检测方法及系统
CN112528849B (zh) 一种基于内积矩阵及深度学习的结构健康监测方法
CN116541771A (zh) 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法
CN113973403B (zh) 基于结构离散测点拓扑的温致应变场重分布智能感知方法
Balaji et al. Plant Infirmity Detection Using Vgg-16 Convolutional Neural Network

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