CN113092531B - 一种基于卷积神经网络的机电阻抗连接结构损伤检测方法 - Google Patents
一种基于卷积神经网络的机电阻抗连接结构损伤检测方法 Download PDFInfo
- Publication number
- CN113092531B CN113092531B CN202110288795.0A CN202110288795A CN113092531B CN 113092531 B CN113092531 B CN 113092531B CN 202110288795 A CN202110288795 A CN 202110288795A CN 113092531 B CN113092531 B CN 113092531B
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- convolutional neural
- impedance
- damage
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Abstract
本发明提出一种基于卷积神经网络的机电阻抗连接结构损伤检测方法,能够在不同温度指标下检测连接机构的损伤情况;对阻抗实部数据进行最大值最小值归一化后将结果转换为汉克矩阵,克服了现有技术无法一维阻抗数据转换为二维图像输入的方法的不足,同时建立了卷积神经网络模型,实现了低模型参数量情况下的,大幅提高了损伤识别精度当训练集的环境温度变化范围涵盖了验证集温度范围时,识别准确率提高至99.22%;同时在训练集温度范围没有涵盖验证集环境温度变化范围时,损伤的识别准确率至96.05%。
Description
技术领域
本发明属于连接结构损伤检测技术领域,特别涉及一种基于卷积神经网络的机电阻抗连接结构损伤检测方法。
背景技术
掌握工程结构,特别是航空航天结构和土木工程结构的健康状况对确保其可靠性和安全性具有重要意义。以螺栓连接为例,工程结构中的螺栓连接部通常承受较大的载荷,而螺栓由于安装时不准确的螺栓预紧力,在时变的外部载荷下极易发生松动,而螺栓松动可能会导致整个结构的失效。因此对于螺栓连接松动等损伤进行监测是确保结构可靠性和安全性的重要手段。机电阻抗方法(electromechanical impedance)通过在被测结构上粘贴压电片传感器,对压电元件施加高频激励信号,进而通过测量压电传感器的高频阻抗信息,反演结构机械阻抗的变化,该方法具有灵敏度高,对结构初期损伤敏感,适应于复杂结构等优点。
在机电阻抗法的实际工程应用中,工程结构服役环境温度会不断变化,温度的变化一方面会引起机电传感器和胶层自身阻抗特性的变化,还会引起结构阻抗的变化,这直接影响了机电阻抗的检测精度。机电阻抗检测方法通常需要将结构损伤前后的机电阻抗信号进行对比,以此实现损伤识别。因此,机器学习方法被广泛应用于机电阻抗损伤检测,学者提出利用传统的前馈神经网络(FNN)实现温度变化情况下的螺栓松动检测(见文献[1]Min J,Park S,Yun C-B,et al.Impedance-based structural health monitoringincorporating neural network technique for identification of damage type andseverity[J].Engineering Structures.2012;39:210-220.)。该方法需要将阻抗曲线分段,并对每段阻抗曲线进行温度补偿,随后计算其与基准信号间的相关系数,以此作为FNN的输入,然而识别精度还有待进一步提高。
不同于上述机器学习方法,深度学习允许由多个处理层组成的计算模型学习具有多个抽象级别的数据表示,可以实现端到端的检测。卷积神经网络(Convolutional NeuralNetwork,CNN)在处理图像,视频,语音和音频方面带来了巨大突破。目前已经学者开始将卷积神经网络应用在机电阻抗的损伤检测中。对于二维深度卷积网络,需要将一维阻抗曲线转换为二维图像,然而由于阻抗曲线是频域信号,无法转化为时频图作为输入,因此如何构建二维输入图像成为一个难点。为此,学者提出通过将阻抗实部数据曲线的频率轴作为垂直坐标轴,将其对应的数值在水平方向延长,以此构建二维RGB彩色图像作为二维神经网络的输入,分别对比了卷积神经网络AlexNet和GoogLeNet对上述图片分类的效果(见文献[2]Choy AW,editor Structural Health Monitoring with Deep learning[C].TheInternational MultiConference of Engineers and Computer Scientists 2018 2018;Hong Kong.)。上述研究中,然而在一维阻抗曲线转换为二维图像时易导致图像尺寸过大,且采用的卷积神经网络AlexNet和GoogLeNet参数量过大,采用AlexNet的损伤分类准确率仅不到60%。
Almeida等(见文献[3]Almeida JHL,Lopes LAR,Silva MAB,et al.,editors.Convolutional Neural Networks applied in the monitoring of metallicparts.International Joint Conference on Neural Networks[C],Jul 8-Jul 13,2018,Rio,Brazil:IEEE.)分别建立了仅含一个卷积层的一维CNN和二维CNN,一维CNN直接利用阻抗曲线作为输入,对于二维CNN,其直接将一维曲线截断为若干段,并将其直接叠加构建二维图,然而该方法会导致截断处出现跳变,上述两个对金属板的四种损伤类型进行分类精度最高仅为88.95%,其原因是仅利用一个卷积层无法很好的提取图像特征。De Oliveira等人(见文献[4]De Oliveira MA,Monteiro AV,Vieira Filho J.A New StructuralHealth Monitoring Strategy Based on PZT Sensors and Convolutional NeuralNetwork.Sensors.2018Sep 5;18(9).)将阻抗实部曲线分段并计算每段阻抗实部之间欧氏距离,利用得到的欧氏距离矩阵转化为图像作为输入特征,建立了含有三个卷积层的神经网络,以此识别了铝板上的模拟损伤。然而该方法在制作二维输入图像时需要较宽频率范围的阻抗曲线及复杂的处理方法,没有发挥深度卷积网络端到端的分类能力。上述工作都没有考虑温度变化对于阻抗检测的影响,de Rezende等(见文献[5]de Rezende SWF,deMoura JdRV,Neto RMF,et al.Convolutional neural network and impedance-basedSHM applied to damage detection.Engineering Research Express.2020;2(3).)建立了仅含一个卷积层的一维卷积神经网络,实现了窄铝板在三个温度下的模拟损伤识别,然而其仅考虑了三个温度下的简单损伤,具有一定的局限性。
可以看出目前基于卷积神经网络的机电阻抗检测方法仍然存在一些不足。首先是上述研究均利用模拟损伤开展,且没有考虑实际中温度的连续变化情况。第二是,采用二维深度学习模型时,将一维阻抗数据转换为二维图像输入的方法有待改进。第三是,所建立的深度学习模型也没有针对机电阻抗检测,特别是其温度变化特点进行优化,损伤的识别精度有待提高。
发明内容
本发明解决的技术问题是:为了解决现有技术中无法在环境温度变化下对连接结构损伤进行检测的缺陷,本发明提出一种基于卷积神经网络的机电阻抗连接结构损伤检测方法,旨在实现环境温度变化下连接结构损伤的准确检测。
本发明的技术方案是:一种基于卷积神经网络的机电阻抗连接结构损伤检测方法,包括以下步骤:
步骤1:在连接结构中被测部位附近粘贴压电陶瓷片;
步骤2:采用阻抗分析仪测量无损伤情况下压电片的机电阻抗,对结构进行预扫频,得到机电阻抗实部曲线;
步骤3:根据步骤2得到的机电阻抗实部曲线,选取共振峰幅值最大或共振峰幅值最大附近的频率段;
步骤4:将连接结构损伤状态分为若干类,采用阻抗分析仪测量不同温度下,不同损伤类别下压电片的机电阻抗实部数据;
步骤5:对阻抗实部数据进行最大值最小值归一化;
式中,ω为角频率,Z为阻抗,Re为实部;
步骤6:将步骤5中的结果转换为汉克矩阵:
步骤7:将步骤6中的汉克矩阵转换为可视图像,并利用插值方法改变可视图像的像素;
步骤8:将机电阻抗实部数据每种损伤类别下80%随机选为训练数据,其余为验证集;
步骤9:利用深度学习平台框架建立卷积神经网络模型,并利用训练集进行训练,
步骤10:利用验证集的数据对分类精度进行验证评估;
步骤11:利用对实际测试的数据利用步骤5-7中的方法进行处理,并利用步骤9建立的神经网络进行分类,实现螺栓预紧力状态的评估。
本发明进一步的技术方案是:所述步骤2中的环境条件为温度选择为室温,信号频率范围为10kHz-300kHz。
本发明进一步的技术方案是:所述步骤3中的频率段宽度为5-10kHz,频段中包含约500-800个点的频率段。
本发明进一步的技术方案是:所述步骤4中的测试数据为每种工况60-100组。
本发明进一步的技术方案是:所述步骤4中的不同温度选取条件为在连接结构能够正常工作的温度范围下,均匀选取具体的温度值。
本发明进一步的技术方案是:所述步骤7中的可视图像采用8位灰度图。
本发明进一步的技术方案是:所述步骤7中的改变可视图像的像素变为224×224。
本发明进一步的技术方案是:所述步骤9中的深度学习平台框架为Pytorch平台框架。
本发明进一步的技术方案是:所述步骤9中的卷积神经网络模型,其中该模型包含如下参数:
特征提取模块的第一层为卷积层,卷积核7×7,步长2,两端补零数3,输出通道8;第二层为ReLu激活函数;第三层为Dropout层,丢弃率p=0.2;第四层为池化层,池化核为4,步长4;第五层为卷积层,卷积核5×5,步长1,输出通道8;第六层为ReLu激活函数;第七层为Dropout,丢弃率0.2;第八层为池化层,池化核为2,步长2;第九层为卷积层,卷积核为3×3,步长1,两端补零1,输出通道32;第十层为ReLu激活函数;第十一层为Dropout,丢弃率0.2;第十二层为卷积层,卷积核为3×3,步长1,两端补零1,输出通道32;第十三层为ReLu激活函数。随后接分类模块,其第一层为全连接层,输入4608,输出256;第二层为ReLu激活函数;第三层为Dropout,丢弃率0.5;第四层为全连接层,输出数目为缺陷的类别数目;第五层为Softmax回归。
本发明进一步的技术方案是:所述步骤1中的压电陶瓷片采用环氧树脂胶与连接结构中被测部位进行粘接。
发明效果
本发明的技术效果在于:本发明提出一种基于卷积神经网络的机电阻抗连接结构损伤检测方法,能够在不同温度指标下检测连接机构的损伤情况;对阻抗实部数据进行最大值最小值归一化后将结果转换为汉克矩阵,克服了现有技术无法一维阻抗数据转换为二维图像输入的方法的不足,同时采用卷积神经网络模型,填补了在机电阻抗检测没有使用深度学习模型的空白。本方法可以提高损伤检测方法的损伤识别精度,当训练集的环境温度变化范围涵盖了验证集温度范围时,识别准确率提高至99.22%(见具体实施例1);同时在训练集温度范围没有涵盖验证集环境温度变化范围时,损伤的识别准确率至96.05%(见具体实施例2)。
附图说明
图1为被测螺栓连接结构及粘贴的PZT压电片;
图2为对于被测螺栓连接结构的预扫频结果;
图3为卷积神经网络结构示意图;
具体实施方式
参见图1-图3,本发明的目的通过以下技术方案解决:
步骤1:在连接结构中被测部位附近粘贴压电陶瓷(PZT)片。
步骤2:采用阻抗分析仪测量不同损伤下压电片的机电阻抗,温度选择为室温,信号频率范围为10kHz-300kHz,对结构进行预扫频。
步骤3:根据预扫频的机电阻抗实部曲线,选取共振峰幅值较大的频率段,频率段长度为5-10kHz,频段中包含约500-800个点。
步骤4:将连接结构损伤状态分为若干类,采用阻抗分析仪测量不同温度下,不同损伤类别下压电片的机电阻抗实部,频率段为步骤3中优选的频率段,测试数据为每种工况60-100组。
步骤5:对每组阻抗实部数据利用下式进行最大值最小值归一化;
式中,ω为角频率,Z为阻抗,Re为实部
步骤6:将步骤5中式(1)的结果转换为如下式所示的汉克矩阵(Hankel matrix)。
步骤7:将步骤6中的汉克矩阵转换为8位灰度图,并利用插值方法将灰度图的像素变为224×224。
步骤8:将实验数据每种损伤类别下80%随机选为训练数据,其余为验证集。
步骤9:利用深度学习平台框架,如Pytorch等建立如下表所示的卷积神经网络,并利用训练集进行训练,并调整训练中的学习率、训练轮数等超参数,提高训练集精度。
表1卷积神经网络结构及参数
特征提取模块的第一层为卷积层,卷积核7×7,步长2,两端补零数3,输出通道8;第二层为ReLu激活函数;第三层为Dropout层,丢弃率p=0.2;第四层为池化层,池化核为4,步长4;第五层为卷积层,卷积核5×5,步长1,输出通道8;第六层为ReLu激活函数;第七层为Dropout,丢弃率0.2;第八层为池化层,池化核为2,步长2;第九层为卷积层,卷积核为3×3,步长1,两端补零1,输出通道32;第十层为ReLu激活函数;第十一层为Dropout,丢弃率0.2;第十二层为卷积层,卷积核为3×3,步长1,两端补零1,输出通道32;第十三层为ReLu激活函数。随后接分类模块,其第一层为全连接层,输入4608,输出256;第二层为ReLu激活函数;第三层为Dropout,丢弃率0.5;第四层为全连接层,输出数目为缺陷的类别数目;第五层为Softmax回归。
步骤:10:利用验证集数据对分类精度进行验证评估。
步骤11:利用对实际测试的数据利用步骤5-7中的方法进行处理,并利用步骤9建立的神经网络进行分类,实现螺栓预紧力状态的评估。
下面结合附图对本发明的监测方法作进一步详细说明。
具体实施例一:基于卷积神经网络的两螺栓松动状态机电阻抗检测
步骤1:参见附图1,在被测螺栓连接结构上用环氧树脂胶粘贴一片PZT压电陶瓷片。PZT的尺寸为10mm×8mm×0.5mm,型号P5H。
步骤2:采用扭矩扳手对两个螺栓施加预计力,本实施例中采用数显扭矩扳手STANLEY SD-030-22施加预紧力至10Nm。
步骤3:采用阻抗分析仪HIOKI IM3570在室温25℃下,对压电片的机电阻抗进行测量,两个螺栓的预紧力均为10Nm,扫频的频率范围为10kHz-300kHz,结果参见附图2。优于在40kHz-50kHz下共振峰值较高,后续实验频率范围选取为40kHz~45kHz。
步骤4:设置了9种螺栓预紧力状态,如下表2所示,每组工况80组数据,对于9种工况采用扭矩扳手对试件进行了3次拧紧,对于每种工况分别进行3次升温,2次降温过程,利用阻抗分析仪测量不同温度下的阻抗数据。需要说明的是,每种工况下测量机电阻抗时其温度并没有固定值,而是在温度范围内均匀分布。
表2具体实施例一的拧紧工况
步骤5:对每组阻抗实部数据利用下式进行最大值最小值归一化;
式中,ω为角频率,Z为阻抗,Re为实部
步骤6:将步骤5中式(3)的结果转换为如下式所示的汉克矩阵(Hankel matrix)。
步骤7:将步骤6中的汉克矩阵转换为8位灰度图,并利用三次样条曲线插值方法将灰度图的像素变为224×224。
步骤8:利用深度学习框架Pytorch建立卷积神经网络EMINet,网络结构参见附图3所示,其参数如下表所示
表3卷积神经网络EMINet结构及参数
步骤9:将9工况数据集中每个松动类别中随机分60组作为训练集,20组作为验证集。利用训练集对EMINet进行训练,并利用验证集验证其精度。训练中采用的学习率采用Ray Tune库对学习率进行优化,最终采用的超参数如下表所示:
表4训练中的超参数
步骤10:将验证集结果与现有方法进行对比,分别与文献1中前馈神经网络方法(简称FNN)、文献4中建立的卷积神经网络(简称OliveiraNet)进行对比,结果如下表所示:
表5具体实施例一结果对比
从表中可以看出,所提出的方法在验证集中对不同种类的螺栓预紧力状态的识别精度最高,而参数数目低于现有的卷积神经网和OliveiraNet,有望在集成化的监测装置中应用。
具体实施例二:基于预训练的环境温度变化下螺栓松动识别
步骤1-步骤8与具体实施例一相同。
步骤9:利用网络上的公开数据集Fashion-Mnist对EMINet进行预训练。该数据集为包含10类时尚物品,包括鞋、服装等,每类物品6000张图片作为训练集,1000张图片作为测试集,每张图片均为28×28的灰度图。因此将该数据集中的图片采用三次样条曲线进行上采样,使其变为224×224的灰度图,同时将EMINet中最后一个全连接层的输出类别修改为10,以此利用Fashion-Mnist的训练集对EMINet进行预训练。
步骤10:将9工况数据集中每个松动类别中温度范围为:30-60℃区间测量的阻抗实部曲线作为训练集,其余测量温度范围16-30℃及60-70℃温度下测量的数据作为验证集,此时训练集数据共396组,验证集数据为324组且训练集与验证集的温度范围不同。
步骤11:将EMINet最后一个全连接层的输出类别重新修改为9,并将其两个全连接层的参数全部进行随机初始化。利用步骤10中的训练集对EMINet网络参数进行进一步的精调训练,此时卷积层部分的学习率为3.15e-4,而全连接层的学习率为6.3e-4。
步骤12:将步骤10中验证集结果与现有方法进行对比,分别与文献1中前馈神经网络方法(简称FNN)、文献4中建立的卷积神经网络(简称OliveiraNet)进行对比,结果如下表所示:
表5具体实施例一结果对比
从表中可以看出,所提出的方法在验证集中对不同种类的螺栓预紧力状态的识别精度最高,而且能够适用于训练温度与验证集温度不同的情况。
Claims (10)
1.一种基于卷积神经网络的机电阻抗连接结构损伤检测方法,其特征在于,包括以下步骤:
步骤1:在连接结构中被测部位附近粘贴压电陶瓷片;
步骤2:采用阻抗分析仪测量无损伤情况下压电片的机电阻抗,对结构进行预扫频,得到机电阻抗实部曲线;
步骤3:根据步骤2得到的机电阻抗实部曲线,选取共振峰幅值最大或共振峰幅值最大附近的频率段;
步骤4:将连接结构损伤状态分为若干类,采用阻抗分析仪测量不同温度下,不同损伤类别下压电片的机电阻抗实部数据;
步骤5:对阻抗实部数据进行最大值最小值归一化;
式中,ω为角频率,Z为阻抗,Re为实部;
步骤6:将步骤5中的结果转换为汉克矩阵:
步骤7:将步骤6中的汉克矩阵转换为可视图像,并利用插值方法改变可视图像的像素;
步骤8:将机电阻抗实部数据每种损伤类别下80%随机选为训练数据,其余为验证集;
步骤9:利用深度学习平台框架建立卷积神经网络模型,并利用训练集进行训练,
步骤10:利用验证集的数据对分类精度进行验证评估;
步骤11:利用对实际测试的数据利用步骤5-7中的方法进行处理,并利用步骤9建立的神经网络进行分类,实现螺栓预紧力状态的评估。
2.如权利要求1所述的一种基于卷积神经网络的机电阻抗连接结构损伤检测方法,其特征在于,所述步骤2中的环境条件为温度选择为室温,信号频率范围为10kHz-300kHz。
3.如权利要求1所述的一种基于卷积神经网络的机电阻抗连接结构损伤检测方法,其特征在于,所述步骤3中的频率段宽度为5-10kHz,频段中包含约500-800个点的频率段。
4.如权利要求1所述的一种基于卷积神经网络的机电阻抗连接结构损伤检测方法,其特征在于,所述步骤4中的测试数据为每种工况60-100组。
5.如权利要求1所述的一种基于卷积神经网络的机电阻抗连接结构损伤检测方法,其特征在于,所述步骤4中的不同温度选取条件为在连接结构能够正常工作的温度范围下,均匀选取具体的温度值。
6.如权利要求1所述的一种基于卷积神经网络的机电阻抗连接结构损伤检测方法,其特征在于,所述步骤7中的可视图像采用8位灰度图。
7.如权利要求1或者6所述的一种基于卷积神经网络的机电阻抗连接结构损伤检测方法,其特征在于,所述步骤7中的改变可视图像的像素变为224×224。
8.如权利要求1所述的一种基于卷积神经网络的机电阻抗连接结构损伤检测方法,其特征在于,所述步骤9中的深度学习平台框架为Pytorch平台框架。
9.如权利要求1所述的一种基于卷积神经网络的机电阻抗连接结构损伤检测方法,其特征在于,所述步骤9中的卷积神经网络模型,其中该模型包含如下参数:
特征提取模块的第一层为卷积层,卷积核7×7,步长2,两端补零数3,输出通道8;第二层为ReLu激活函数;第三层为Dropout层,丢弃率p=0.2;第四层为池化层,池化核为4,步长4;第五层为卷积层,卷积核5×5,步长1,输出通道8;第六层为ReLu激活函数;第七层为Dropout,丢弃率0.2;第八层为池化层,池化核为2,步长2;第九层为卷积层,卷积核为3×3,步长1,两端补零1,输出通道32;第十层为ReLu激活函数;第十一层为Dropout,丢弃率0.2;第十二层为卷积层,卷积核为3×3,步长1,两端补零1,输出通道32;第十三层为ReLu激活函数;随后接分类模块,其第一层为全连接层,输入4608,输出256;第二层为ReLu激活函数;第三层为Dropout,丢弃率0.5;第四层为全连接层,输出数目为缺陷的类别数目;第五层为Softmax回归。
10.如权利要求1所述的一种基于卷积神经网络的机电阻抗连接结构损伤检测方法,其特征在于,所述步骤1中的压电陶瓷片采用环氧树脂胶与连接结构中被测部位进行粘接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110288795.0A CN113092531B (zh) | 2021-03-18 | 2021-03-18 | 一种基于卷积神经网络的机电阻抗连接结构损伤检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110288795.0A CN113092531B (zh) | 2021-03-18 | 2021-03-18 | 一种基于卷积神经网络的机电阻抗连接结构损伤检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113092531A CN113092531A (zh) | 2021-07-09 |
CN113092531B true CN113092531B (zh) | 2023-06-23 |
Family
ID=76668402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110288795.0A Active CN113092531B (zh) | 2021-03-18 | 2021-03-18 | 一种基于卷积神经网络的机电阻抗连接结构损伤检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113092531B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113640301B (zh) * | 2021-08-03 | 2024-02-09 | 江苏省特种设备安全监督检验研究院 | 特种设备的螺栓检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614981A (zh) * | 2018-10-17 | 2019-04-12 | 东北大学 | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 |
CN110210555A (zh) * | 2019-05-29 | 2019-09-06 | 西南交通大学 | 基于深度学习的钢轨鱼鳞伤损检测方法 |
WO2020156028A1 (zh) * | 2019-01-28 | 2020-08-06 | 南京航空航天大学 | 一种基于深度学习的室外非固定场景天气识别方法 |
CN112418266A (zh) * | 2020-10-15 | 2021-02-26 | 南昌大学 | 一种基于卷积神经网络的桩基础完整性分类识别方法 |
-
2021
- 2021-03-18 CN CN202110288795.0A patent/CN113092531B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614981A (zh) * | 2018-10-17 | 2019-04-12 | 东北大学 | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 |
WO2020156028A1 (zh) * | 2019-01-28 | 2020-08-06 | 南京航空航天大学 | 一种基于深度学习的室外非固定场景天气识别方法 |
CN110210555A (zh) * | 2019-05-29 | 2019-09-06 | 西南交通大学 | 基于深度学习的钢轨鱼鳞伤损检测方法 |
CN112418266A (zh) * | 2020-10-15 | 2021-02-26 | 南昌大学 | 一种基于卷积神经网络的桩基础完整性分类识别方法 |
Non-Patent Citations (1)
Title |
---|
一种基于卷积神经网络的结构损伤检测方法;张盼盼;张健飞;;河南科学(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113092531A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Data-driven fault diagnosis method based on compressed sensing and improved multiscale network | |
CN112507915B (zh) | 一种基于振动响应信息的螺栓连接结构松动状态识别方法 | |
CN109858352B (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
Rai et al. | Lamb wave based damage detection in metallic plates using multi-headed 1-dimensional convolutional neural network | |
Nardi et al. | Detection of low-velocity impact-induced delaminations in composite laminates using Auto-Regressive models | |
WO2019011026A1 (zh) | 基于聚类分析的复合材料结构有限元模型修正方法 | |
CN111191740B (zh) | 一种滚动轴承故障诊断方法 | |
CN106204620B (zh) | 一种基于微视觉的触觉三维力检测方法 | |
CN113092531B (zh) | 一种基于卷积神经网络的机电阻抗连接结构损伤检测方法 | |
CN108896230A (zh) | 一种基于有限元的螺栓紧固力超声检测及关键检测参数确定方法 | |
CN105844055B (zh) | 基于导波动态强化裂变-聚合概率模型的损伤监测方法 | |
CN109613976B (zh) | 一种智能柔性压力传感手语识别装置 | |
CN110555235A (zh) | 基于向量自回归模型的结构局部缺陷检测方法 | |
CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
Ma et al. | Hybrid calibration method for six-component force/torque transducers of wind tunnel balance based on support vector machines | |
CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
Fang et al. | A cross-modal tactile sensor design for measuring robotic grasping forces | |
CN116465628A (zh) | 一种基于改进多源域异构模型参数传递的滚动轴承故障诊断方法 | |
CN114358091B (zh) | 一种基于卷积神经网络的桩损伤识别方法、设备及介质 | |
Wang et al. | An improved MSCNN and GRU model for rolling bearing fault diagnosis | |
Moallem et al. | Compensation of capacitive differential pressure sensor using multi layer perceptron neural network | |
Roy et al. | Real-time prediction of impact-induced damage for composite structures based on failure analysis and efficient database methods | |
CN116030292A (zh) | 基于改进ResNext的混凝土表面粗糙度检测方法 | |
CN112614089A (zh) | 基于贝叶斯压缩感知和深度学习的fpc缺陷检测方法 | |
Hong et al. | Ball screw stability degradation stages evaluation based on deep residual neural network and multi-sensor fusion |
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 |