CN112597834B - 一种结构表面负载状态识别及厚度测量的方法及装置 - Google Patents
一种结构表面负载状态识别及厚度测量的方法及装置 Download PDFInfo
- Publication number
- CN112597834B CN112597834B CN202011459169.5A CN202011459169A CN112597834B CN 112597834 B CN112597834 B CN 112597834B CN 202011459169 A CN202011459169 A CN 202011459169A CN 112597834 B CN112597834 B CN 112597834B
- Authority
- CN
- China
- Prior art keywords
- load
- thickness
- amplitude
- machine learning
- 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
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
- G06F2218/08—Feature extraction
-
- 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
- G06N20/00—Machine learning
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Measurement Of Length, Angles, Or The Like Using Electric Or Magnetic Means (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明公开了一种结构表面负载状态识别及厚度测量的方法及装置,属于结构表面结冰及积水探测技术领域,包括记录多个振动频率激励下待测负载的振幅数据并根据振幅数据绘制待测负载的振幅频率曲线;根据振幅频率曲线提取待测负载状态及厚度的曲线特征值,将曲线特征值输入多个训练机器学习模型中并得到多个负载类型及负载厚度的输出信息;通过投票系统选出正确的负载类型,并剔除错误的负载类型对应的机器学习,以剩下的机器学习模型对应负载厚度曲线特征值的加权平均值作为最终厚度输出。本发明通过对不同负载情况下的幅频响应曲线进行特征提取,并训练相应的机器学习模型,从而达到使装置准确测量负载类型及厚度的效果。
Description
技术领域
本发明属于结构表面结冰及积水探测技术领域,更具体地,涉及一种结构表面负载状态识别及厚度测量的方法及装置。
背景技术
结冰及积水现象在特定领域被视为严重的安全隐患,如道路、风力机、飞行器、动车组、输电线路及塔架等等。因此,能够测量结冰及积水厚度的方法及技术也得到越来越多的应用。目前已进入实用阶段的测量技术可以分为两大类,即接触式测量技术即非接触式测量技术。
非接触式测量技术主要利用水和冰的光谱特性及偏振特性对负载类型进行区分,可以实现较高的识别率,但不能够很好地测量负载的厚度,因此应用范围存在局限性。接触式测量技术目前大致可以分为光学、电学、声学及力学原理。其中光学原理,如基于光强或相位调制的光纤传感技术等,可在一定程度上实现结冰厚度测量,但仅适用于较为洁净的应用环境。电学原理,如基于多频阻抗的传感技术,可对冰和水实现感知,但不能准确测量负载的厚度。声学原理,如基于超声波的传感技术,可测量负载的厚度,却不能可靠判断负载类型。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种结构表面负载状态识别及厚度测量的方法及装置,由此解决现有结冰及积水探测方法无法同时满足负载状态识别及厚度测量的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种结构表面负载状态识别及厚度测量的方法,该方法包括以下步骤:
记录多个振动频率激励下待测负载的振幅数据并根据所述振幅数据绘制待测负载的振幅频率曲线;
根据所述振幅频率曲线提取待测负载状态及厚度的曲线特征值,将所述曲线特征值输入预先构建的训练机器学习模型中并得到多个负载类型及负载厚度的输出信息;
通过投票机制选出正确的负载类型,并在输出过程中将错误的负载类型对应的机器学习模型剔除,以剩下的机器学习模型对应的负载厚度曲线特征值的加权平均值作为最终的厚度输出。
优选地,训练多个机器学习模型具体包括以下步骤:
在水、冰及干燥状态下以多个振动频率激励负载,根据各个振动频率下的振幅数据绘制负载的振幅频率曲线,并分别提取三个状态下的相关特征量;
将提取的相关特征量及对应的负载状态、负载厚度信息作为训练集,训练不同状态下的多个机器学习模型。
优选地,所述机器学习模型包括人工神经网络、支撑向量机或决策树,依据所述训练集中各机器学习模型的负载类型判断准确率及负载厚度计算准确率为各模型赋予相应的权重。
优选地,选定多个振动频率中的多个频率点作为固定频率点,并根据测量需求在选定的频率点间作自由切换。
优选地,根据所述振幅频率曲线提取待测负载状态及厚度的曲线特征值包括以下步骤:
根据振动频率与振幅峰值绘制反映负载幅频特性的曲线图,通过特征提取方法提取用于识别待测负载状态及计算负载厚度的曲线特征值。
优选地,所述曲线特征值包括振幅相对离散指标、振幅平均值、振幅方差、各阶谐振峰幅值和各阶谐振频率。
优选地,负载类型的投票结果通过所有机器学习模型对多个负载类型的加权统计数据得到。
按照本发明的另一方面,提供了一种结构表面负载状态识别及厚度测量的装置,该装置包括:外壳以及设置于所述外壳的
驱动单元,包括一驱动端面,所述驱动单元用于使所述驱动端面靠近待测负载表面并以多个不同频率激励所述装置表面及待测负载振动;
探测单元,包括一探测端面,所述探测单元用于使所述探测端面靠近待测负载表面并将探测到所述装置表面及待测负载振动的振幅数据传输至嵌入式系统;
嵌入式系统,用于将所述振幅数据转换为装置表面及负载的振幅频率曲线并提取相关特征量,通过相关特征量训练机器学习模型,使用训练完成的机器学习模型对结构表面负载类型进行识别并对厚度进行实时测量。
优选地,所述嵌入式系统包括中心控制模块、电源管理模块、数据存储模块、数据处理模块和数字通讯模块;电源管理模块、数据存储模块、数据处理模块和数字通讯模块分别与所述中心控制模块连接。
优选地,所述驱动单元包括驱动端外壳、驱动端起振器、信号发生电路和导线;所述驱动端外壳平齐设置于所述外壳并与待测负载的表面相接触,所述驱动端起振器贴合于所述驱动端外壳的内表面设置,所述信号发生电路通过所述导线连接于所述驱动端起振器;
所述探测单元包括探测端外壳、探测端拾振器、信号采集电路和导线;所述探测端外壳平齐设置于所述外壳并与待测负载的表面相接触,所述探测端拾振器贴合于所述探测端外壳的内表面设置,所述信号采集电路通过所述导线连接于所述探测端拾振器。
优选地,所述驱动单元与所述探测单元的位置关系包括但不限于并列安装、包围式安装。
优选地,所述驱动端起振器的起振原理包括但不限于逆压电效应、电磁振动原理。
优选地,所述探测端拾振器的拾振原理包括但不限于压电效应、电磁振动原理。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
1、本发明所提出的方法通过以多个不同频率激励负载振动并记录在不同频率下的振动情况,依据振幅数据获取负载的振幅频率曲线并提取特征值,通过特征值及实际负载的类型及厚度数据训练机器学习模型,使用训练完成的机器学习模型可以对负载类型进行精确识别并对厚度进行实时测量。
2、本发明所提出的方法通过将提取的特征值输入训练完成的多个机器学习模型,其输出的信息将包括多组负载类型(干燥、水、冰)及负载厚度,依据投票机制与加权平均相结合的仲裁方法,对多组输出进行评估及融合,得出最精确的结果。
3、本发明利用了结冰和积水现象会改变驱动单元、探测单元及负载(冰或水)所组成振动系统的阻尼、质量、等效弯曲模量进而改变系统的幅频响应的特点,通过对不同负载情况下的幅频响应曲线进行特征提取,并训练相应的机器学习模型,从而达到精确识别负载类型及测量负载厚度的效果。
4、本发明所提出的装置体积小巧,安装便捷,工作稳定,可为各个特定结构表面的结冰和积水测量工作提供及时可靠的数据支持。
附图说明
图1是本发明实施例中结构表面负载状态识别及厚度测量的发明的流程图;
图2是本发明实施例中结构表面负载状态识别及厚度测量的装置的结构示意图;
图3是本发明另一个实施例中结构表面负载状态识别及厚度测量的装置的结构示意图;
图4是本发明实施例中构表面负载状态识别及厚度测量的方法的学习模型与结果仲裁的示意图。
在所有附图中,相同的附图标记用来表示相同的元件或结构,其中:驱动端外壳101;驱动端起振器102;信号发生电路103;导线104;探测端外壳201;探测端拾振器202;信号采集电路203;导线204;特征提取算法模块301;机器学习模型模块302;嵌入式系统4;中心控制模块401;数据存储模块402;数据处理模块403;数字通讯模块404;电源管理模块405;外壳5;安装螺钉6;多芯线缆7。
具体实施方式
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仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明提出了一种结构表面负载状态识别及厚度测量的方法,通过以多个不同频率激励负载振动并记录在不同频率下的振动情况,依据振幅数据获取负载的振幅频率曲线并提取特征值;通过特征值及实际负载的类型及厚度数据训练机器学习模型,使用训练完成的机器学习模型对结构表面负载类型进行识别并对厚度进行实时测量。
具体的,首先需要训练多个机器学习模型,包括以下步骤:
S100,在水、冰及干燥状态下以多个振动频率激励负载,根据各个振动频率下的振幅数据绘制负载的振幅频率曲线,并分别提取三个状态下的相关特征量。
S110,将提取的相关特征量及对应状态下的负载状态、负载厚度信息作为训练集,训练不同状态下的多个机器学习模型。
在机器学习模型训练完成后,将所述机器学习模型存储起来用以对待测负载状态识别及厚度测量。具体包括以下步骤:
S200,记录多个振动频率下待测负载的振幅数据并根据所述振幅数据绘制待测负载的振幅频率曲线。
具体的,选定多个振动频率中的多个频率点作为固定频率点,并根据测量需求在选定的频率点间作自由切换。
S210,根据所述振幅频率曲线提取待测负载状态及厚度的曲线特征值,将所述曲线特征值输入预先构建的多个训练机器学习模型中并得到多个负载类型及负载厚度的输出信息。
具体的,所述提取曲线特征值包括根据振动频率与振幅峰值绘制反映装置表面及负载幅频特性的曲线图,通过特征提取方法提取用于识别待测负载状态及计算负载厚度的曲线特征值,如振幅相对离散指标、振幅平均值、振幅方差、各阶谐振峰幅值、各阶谐振频率等。设振幅为x,频率点数为n,振幅相对离散指标V的计算方法如下所示:
具体的,所述机器学习模型包括人工神经网络、支撑向量机、决策树,依据所述训练集中各机器学习模型的负载类型判断准确率及负载厚度计算准确率为各模型赋予相应的权重ws及wt。
S220,通过投票系统选出正确的负载类型,并在输出过程中将错误的负载类型对应的机器学习模型剔除,以剩下的机器学习模型对应的负载厚度曲线特征值的加权平均值作为最终的厚度输出。
具体的,负载类型的投票结果通过所有机器学习模型对多个负载类型的加权统计数据得到。
将提取的特征值输入训练完成的多个机器学习模型,其输出的信息将包括多组负载类型(干燥、水、冰)及负载厚度。依据投票机制与加权平均相结合的仲裁方法,对多组输出进行评估及融合,得出最精确的结果。其中,负载类型投票结果S通过所有模型对三种负载类型的加权统计数据得到,负载厚度T则为最终选定负载类型L对应模型结果t的加权平均值,如下所示:
需要说明的是,所述机器训练模型可以是一个或多个。在较简易的情况下,使用单一机器学习模型进行数据处理,免去了剔除其他模型及加权平均的过程。在多个机器学习模型共同作用的情况下,可以混合使用同一种类型或不同类型的机器学习模型,数量不受限制,但机器学习模型数量过多将削减方法的时效性、增加方法的复杂性。本发明的优选实施例中,所述机器学习模型的数量为2至4个。
本发明的一个实施例提出一种结构表面负载状态识别及厚度测量的装置,该装置用于通过上文所述的方法对结构表面的负载状态进行识别及负载厚度进行测量。
如图1所示,该装置包括外壳5以及安装于外壳5内的驱动单元、探测单元和嵌入式系统,其中
驱动单元包括驱动端外壳101、驱动端起振器102、信号发生电路103和导线104,所述驱动外壳101平齐设置于所述外壳5并与待测负载的表面相接触,所述驱动端起振器102贴合于所述驱动端外壳101的内表面设置,所述信号发生电路103通过所述导线104连接于所述驱动端起振器。
探测单元包括探测端外壳201、探测端拾振器202、信号采集电路203和导线204;所述探测端外壳201平齐设置于所述外壳5并与待测负载的表面相接触,所述探测端拾振器202贴合于所述探测端外壳201的内表面设置,所述信号采集电路203通过所述导线204连接于所述探测端拾振器。
嵌入式系统包括中心控制模块401、电源管理模块405、数据存储模块402、数据处理模块403和数字通讯模块404。
具体的,所述中心控制模块401通过所述信号发生电路103驱动所述驱动端起振器102以多个振动频率激励装置表面及负载,所述探测端拾振器202用于接收装置表面及负载在多个振动频率下的振幅数据,并将所述振幅数据通过所述信号采集电路203传输至所述中心控制模块401。所述数据处理模块403将所述振幅数据转换成振幅频率曲线并分别提取负载在三个状态下的相关特征量,以提取的相关特征量作为训练集,训练不同状态下的多个及机器学习模型,并将机器学习模型存储至所述数据存储模块402,通过使用训练完成的机器学习模型对负载类型进行识别并对厚度进行实时测量。
本发明的装置主要利用了结冰和积水现象会改变驱动单元、探测单元及负载(冰或水)所组成振动系统的阻尼、质量、等效弯曲模量进而改变系统的幅频响应的特点。通过对不同负载情况下的幅频响应曲线进行特征提取,并训练相应的机器学习模型,从而达到使装置准确测量负载类型及厚度的效果。
优选地,所述驱动端起振器的起振原理包括但不限于逆压电效应、电磁振动原理。所述探测端拾振器的拾振原理包括但不限于压电效应、电磁振动原理。
由机械谐振的原理可知,当装置敏感表面为积水时,振动系统的阻尼微弱增加,振动质量增加,等效弯曲模量几乎不变,因此其幅频响应曲线呈现整体左移且幅值随水膜厚度缓慢下降的趋势。当装置敏感表面为结冰状态时,振动系统的阻尼大幅增加,振动质量增加,等效弯曲模量增加,其幅频响应曲线呈现整体右移且幅值随冰层厚度快速下降的趋势。通过特征提取可精简地描述这一变化特性,从而在机器学习模型中计算得出负载的类型及厚度信息。
更进一步的说明,上述实施例中所述驱动单元与所述探测单元的位置关系为并列安装,但本发明中所述驱动单元与所述探测单元的位置关系不仅限于并列安装,其他安装方式如包围式安装等也可实现。
本发明的另一个实施例提出一种结构表面负载状态识别及厚度测量的装置,如图3所示,装置外壳可以为任意方便制造或安装的形状,本实施例中装置为长方体型。在该实施例中,驱动单元与探测单元共用一个外壳101/201,其上表面为装置敏感表面,外壳以激光焊接形式固定于装置外壳5上,且保证水密性。驱动端起振器102为一片面积较大的矩形压电陶瓷片,探测端拾振器202为一片面积较小的矩形压电陶瓷片,二者间距很小,且保持相互电绝缘。嵌入式系统4通过安装螺钉6固定于装置外壳5上,并通过多芯线缆7获取电源及传输数据。
其工作流程:嵌入式系统4通过控制信号发生电路103驱动起振压电陶瓷周期性地振动,振动频率范围为5kHz-500kHz,步长为500Hz。同时通过信号采集电路203获取每一固定振动频率下拾振压电陶瓷上的电信号,存储于数据存储模块402中。特征提取算法301及机器学习模型302以代码形式存储于嵌入式系统4中,数据处理模块403将所获得的电信号转换成为幅频响应曲线,并使用特征提取算法依次提取出曲线的振幅相对离散指标、前十阶谐振频率及幅值、电信号平均值、电信号方差值、电信号中位值等特征量。以获得的特征量及对应的负载状态、负载厚度信息为训练集,训练多种不同结构的人工神经网络模型及支撑向量回归模型。在训练集标注中,标签的绝对值代表负载厚度,绝对值小于0.2mm的值代表干燥状态,其余值域中正值代表结冰状态、负值代表积水状态。当所有模型达到负载类型判断准确率高于95%,负载厚度判断精度达到0.5mm的效果,则认为模型训练完成。依据训练集中各模型的负载类型判断准确率及负载厚度计算准确率为各模型赋予相应的权重ws及wt。如图4所示,将提取的已知负载状态及厚度的特征向量输入支撑向量回归及人工神经网络模型中进行训练,训练完成后以未知负载状态及厚度的特征向量输入模型中进行计算,得出多组负载类型及厚度数据。通过投票系统选出正确的负载类型,并在此轮结果输出过程中将错误的负载类型对应的模型剔除,以剩下模型对应的厚度数据的加权平均值作为最终的厚度输出。
本领域的技术人员容易理解,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 (8)
1.一种结构表面负载状态识别及厚度测量装置,其特征在于,该装置包括:外壳(5)以及设置于所述外壳(5)的
驱动单元,包括一驱动端面,所述驱动单元用于使所述驱动端面靠近待测负载表面并以多个不同频率激励所述装置表面及待测负载振动;
探测单元,包括一探测端面,所述探测单元用于使所述探测端面靠近待测负载表面并将探测到所述装置表面及待测负载振动的振幅数据传输至嵌入式系统;
嵌入式系统,用于将所述振幅数据转换为装置表面及负载的振幅频率曲线并提取相关特征量,通过相关特征量训练机器学习模型,使用训练完成的机器学习模型对结构表面负载类型进行识别并对厚度进行实时测量;通过投票机制选出正确的负载类型,并在输出过程中将错误的负载类型对应的机器学习模型剔除,以剩下的机器学习模型对应的负载厚度曲线特征值的加权平均值作为最终的厚度输出;
所述驱动单元包括驱动端外壳(101)、驱动端起振器(102)、信号发生电路(103)和导线(104);所述驱动端外壳(101)平齐设置于所述外壳(5)并与待测负载的表面相接触,所述驱动端起振器(102)贴合于所述驱动端外壳(101)的内表面设置,所述信号发生电路(103)通过所述导线(104)连接于所述驱动端起振器(102);
所述探测单元包括探测端外壳(201)、探测端拾振器(202)、信号采集电路(203)和导线(204);所述探测端外壳(201)平齐设置于所述外壳(5)并与待测负载的表面相接触,所述探测端拾振器(202)贴合于所述探测端外壳(201)的内表面设置,所述信号采集电路(203)通过所述导线(204)连接于所述探测端拾振器(202)。
2.根据权利要求1所述的一种结构表面负载状态识别及厚度测量装置,其特征在于,所述驱动单元与所述探测单元的位置关系包括但不限于并列安装、包围式安装。
3.根据权利要求2所述的一种结构表面负载状态识别及厚度测量装置,其特征在于,所述驱动端起振器的起振原理包括但不限于逆压电效应或电磁振动原理;所述探测端拾振器的拾振原理包括但不限于压电效应或电磁振动原理。
4.根据权利要求1所述的一种结构表面负载状态识别及厚度测量装置,其特征在于,训练多个机器学习模型具体包括以下步骤:
在水、冰及干燥状态下以多个振动频率激励负载,根据各个振动频率下的振幅数据绘制负载的振幅频率曲线,并分别提取三个状态下的相关特征量;
将提取的相关特征量及对应的负载状态、负载厚度信息作为训练集,训练不同状态下的多个机器学习模型。
5.根据权利要求4所述的一种结构表面负载状态识别及厚度测量装置,其特征在于,所述机器学习模型包括人工神经网络、支撑向量机或决策树,依据所述训练集中各机器学习模型的负载类型判断准确率及负载厚度计算准确率为各模型赋予相应的权重。
6.根据权利要求5所述的一种结构表面负载状态识别及厚度测量装置,其特征在于,根据所述振幅频率曲线提取待测负载状态及厚度的曲线特征值包括以下步骤:
根据振动频率与振幅峰值绘制反映负载幅频特性的曲线图,通过特征提取方法提取用于识别待测负载状态及计算负载厚度的曲线特征值。
7.根据权利要求6所述的一种结构表面负载状态识别及厚度测量装置,其特征在于,所述曲线特征值包括振幅相对离散指标、振幅平均值、振幅方差、各阶谐振峰幅值和各阶谐振频率。
8.根据权利要求7所述的一种结构表面负载状态识别及厚度测量装置,其特征在于,负载类型的投票结果通过所有机器学习模型对多个负载类型的加权统计数据得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011459169.5A CN112597834B (zh) | 2020-12-11 | 2020-12-11 | 一种结构表面负载状态识别及厚度测量的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011459169.5A CN112597834B (zh) | 2020-12-11 | 2020-12-11 | 一种结构表面负载状态识别及厚度测量的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112597834A CN112597834A (zh) | 2021-04-02 |
CN112597834B true CN112597834B (zh) | 2022-05-17 |
Family
ID=75192813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011459169.5A Active CN112597834B (zh) | 2020-12-11 | 2020-12-11 | 一种结构表面负载状态识别及厚度测量的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112597834B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11867509B2 (en) | 2021-03-03 | 2024-01-09 | Invensense, Inc. | Robust method for gyroscope drive amplitude measurement |
CN113408400A (zh) * | 2021-06-16 | 2021-09-17 | 广东电网有限责任公司 | 混凝土钢筋保护层厚度检验方法、系统、终端及介质 |
CN114123921A (zh) * | 2021-11-26 | 2022-03-01 | 广东美的暖通设备有限公司 | 振动频率确定方法、装置、压缩机系统和可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5854993A (en) * | 1996-12-10 | 1998-12-29 | Caterpillar Inc. | Component machine testing using neural network processed vibration data analysis |
CN109974835A (zh) * | 2018-12-29 | 2019-07-05 | 无锡联河光子技术有限公司 | 一种基于光纤信号特征的振动检测识别和时空定位方法和系统 |
CN110017800A (zh) * | 2019-03-12 | 2019-07-16 | 华中科技大学 | 一种检测结冰厚度的方法及装置 |
CN111553495A (zh) * | 2020-04-29 | 2020-08-18 | 山东卓文信息科技有限公司 | 一种基于概率神经网络的小型断路器故障分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060229854A1 (en) * | 2005-04-08 | 2006-10-12 | Caterpillar Inc. | Computer system architecture for probabilistic modeling |
-
2020
- 2020-12-11 CN CN202011459169.5A patent/CN112597834B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5854993A (en) * | 1996-12-10 | 1998-12-29 | Caterpillar Inc. | Component machine testing using neural network processed vibration data analysis |
CN109974835A (zh) * | 2018-12-29 | 2019-07-05 | 无锡联河光子技术有限公司 | 一种基于光纤信号特征的振动检测识别和时空定位方法和系统 |
CN110017800A (zh) * | 2019-03-12 | 2019-07-16 | 华中科技大学 | 一种检测结冰厚度的方法及装置 |
CN111553495A (zh) * | 2020-04-29 | 2020-08-18 | 山东卓文信息科技有限公司 | 一种基于概率神经网络的小型断路器故障分析方法 |
Non-Patent Citations (1)
Title |
---|
路面气象状态识别关键技术研究;桂康;《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》;20200115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112597834A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112597834B (zh) | 一种结构表面负载状态识别及厚度测量的方法及装置 | |
US11855265B2 (en) | Acoustic signal based analysis of batteries | |
US7584075B2 (en) | Systems and methods of generating diagnostic images for structural health monitoring | |
CN108507507B (zh) | 一种回波式超声测冰厚装置及其测冰厚的方法 | |
CN102171706A (zh) | 用于声学超声阻抗描计术生物测量感测的方法和系统 | |
CN102077219B (zh) | 用于多模机械谐振器的方法和系统 | |
US6260415B1 (en) | System and method for material testing, material suitable for such testing and method for producing such material | |
US10914641B2 (en) | Smart parts with intentional internal voids | |
CN108132092A (zh) | 基于自适应均值去阈值光纤振动事件识别方法 | |
CN106017834A (zh) | 非接触式模态测试方法、装置和系统 | |
RU2009122350A (ru) | Способ картирования коллекторов углеводородов на мелководье и устройство для осуществления этого способа | |
CN115234850A (zh) | 一种基于声波振动的光纤传感器气体泄漏检测方法 | |
US11619542B2 (en) | Distributed acoustic sensing based natural frequency measurement of civil infrastructures | |
US20230366703A1 (en) | System to measure coil locations and lengths on aerial fiber cables by distributed fiber sensing | |
CN106997022A (zh) | 基于激光测距补偿紫外局放光子数的检测装置 | |
CN114609245B (zh) | 一种阵列式超声导波仪、钢结构损伤监测系统及方法 | |
JP5172595B2 (ja) | Sawセンサ判別装置およびsawセンサ判別方法 | |
CN109470353B (zh) | 级联复用本征干涉型光纤光栅超声传感器 | |
CN202383113U (zh) | 可编码振动信号发生装置 | |
US20230266196A1 (en) | Audio based wooden utility pole decay detection based on distributed acoustic sensing and machine learning | |
CN205748754U (zh) | 小阻力扣件纵向阻力的测试系统 | |
CN116390050A (zh) | 无线振弦类传感器数据采集设备及包括该设备的安全监测应用平台 | |
CN117857996A (zh) | 扬声器测试方法、扬声器模块及电子装置 | |
JPH10153541A (ja) | 光ファイバを用いた路面湿潤計測方法とそれに使用される路面湿潤計測装置 | |
CN113670271A (zh) | 一种海洋结构物表面波浪监测传感器 |
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 |