CN114441351B - 密封门胶条磨损度检测方法 - Google Patents
密封门胶条磨损度检测方法 Download PDFInfo
- Publication number
- CN114441351B CN114441351B CN202210108977.XA CN202210108977A CN114441351B CN 114441351 B CN114441351 B CN 114441351B CN 202210108977 A CN202210108977 A CN 202210108977A CN 114441351 B CN114441351 B CN 114441351B
- Authority
- CN
- China
- Prior art keywords
- rebound
- depth
- evaluation value
- sequences
- abrasion
- 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
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/40—Investigating hardness or rebound hardness
-
- 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
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Adhesive Tapes (AREA)
Abstract
本发明涉及工业信息和数据处理技术领域,具体涉及密封门胶条磨损度检测方法。该方法通过特定功能的数据处理方法得到胶条的磨损程度,首先拟合回弹速度序列和回弹深度序列,得到多条直线;由直线斜率的差异计算回弹速度衰减指标和回弹深度衰减指标,得到多个磨损度评价值;计算不同温度下的磨损度评价值序列的接近程度,对磨损度评价值序列分组得到多个簇;簇内磨损度评价值序列之间的距离之和作为簇的置信度;由置信度和磨损度评价值序列训练预测磨损度网络,将磨损度评价值序列输入预测磨损度网络输出预测磨损度评价值序列。本发明通过将实时得到的磨损度评价值序列输入预测磨损度网络输出预测磨损度评价值序列,达到了预测胶条磨损程度的目的。
Description
技术领域
本发明涉及工业信息和数据处理技术领域,具体涉及密封门胶条磨损度检测方法。
背景技术
人防又称民防,其中人防门就属于民防防护设备中的一个设备。人防门包括普通单、双扇防护密封门、活门槛单、双扇防护密封门等等。其中,密封门密封性的好坏在于密封胶条和门的贴合程度,贴合的越紧密,则对应的密封性也就越好。但是随着使用时间的推移和使用次数的增加,密封胶条的弹性会下降,导致密封胶条和门的贴合程度也下降,进而会影响密封门的密封性。
目前,常用的对密封门胶条磨损度检测的方法通常为利用时温等效原理和高温下橡胶样品老化的数据来判断胶条的老化程度,该方法仅根据不同温度得到的胶条老化程度,没有考虑胶条的使用过程中的摩擦磨损程度。
发明内容
为了解决上述技术问题,本发明的目的在于提供密封门胶条磨损度检测方法,所采用的技术方案具体如下:
基于同一温度,采集胶条的回弹速度和回弹深度,构建多个回弹速度序列和回弹深度序列;
分别拟合多个所述回弹速度序列和所述回弹深度序列,得到多条速度直线和深度直线;根据同一温度下的各所述速度直线的斜率之间的差异得到多个回弹速度衰减指标,根据同一温度下的各所述深度直线的斜率之间的差异得到多个回弹深度衰减指标;根据所述回弹速度衰减指标和所述回弹深度衰减指标对所述胶条的磨损度进行评价,得到多个磨损度评价值,构建磨损度评价值序列;
计算不同温度下的磨损度评价值序列的接近程度,基于所述接近程度对磨损度评价值序列进行分组,得到多个簇;对于同一簇,将簇内所述磨损度评价值序列之间的样本距离作为对应的簇的置信度;
根据所述置信度和所述磨损度评价值序列训练预测磨损度网络,将所述磨损度评价值序列输入所述预测磨损度网络输出预测磨损度评价值序列。
优选的,所述分别拟合多个所述回弹速度序列和所述回弹深度序列,得到多条速度直线和深度直线,包括:
利用最小二乘法拟合多个所述回弹速度序列和所述回弹深度序列,得到多条速度直线和深度直线。
优选的,所述胶条的回弹速度的获取方法,包括:
利用红外光幕技术获取胶条在光幕下的阻光速度,所述阻光速度为回弹速度。
优选的,所述根据同一温度下的各所述速度直线的斜率之间的差异得到多个回弹速度衰减指标,包括:
获取同一温度下所有速度直线的斜率中的第一最小值和第一最大极差;
将任意回弹速度序列对应的速度直线的斜率作为目标速度直线斜率,获取所述目标速度直线斜率和所述第一最小值的差值,作为第一目标差值;
所述第一目标差值和所述第一最大极差的比值为所述目标速度直线斜率对应的回弹速度衰减指标。
优选的,所述根据同一温度下的各所述深度直线的斜率之间的差异得到多个回弹深度衰减指标,包括:
获取同一温度下所有深度直线的斜率中的第二最小值和第二最大极差;
将任意回弹深度序列对应的深度直线的斜率作为目标深度直线斜率,获取所述目标深度直线斜率和所述第二最小值的差值,作为第二目标差值;
所述第二目标差值和所述第二最大极差的比值为所述目标深度直线斜率对应的回弹深度衰减指标。
优选的,所述计算不同温度下的磨损度评价值序列的接近程度,包括:
获取任意两个不同温度下的两个磨损度评价值序列的皮尔逊相关系数;
利用所述皮尔逊相关系数和两个磨损度评价值序列对应的温度的差值计算两个磨损度评价值序列的接近程度。
优选的,所述预测磨损度网络的损失函数为:以归一化后的所述置信度为权重的均方差损失函数。
优选的,所述基于所述接近程度对磨损度评价值序列进行分组,得到多个簇,包括:
由所述接近程度计算各所述磨损度评价值序列之间的样本距离,根据所述样本距离对磨损度评价值序列进行分组。
本发明实施例至少具有如下有益效果:
本发明实施例利用工业信息和数据处理技术,通过特定功能的数据处理和计算方法得到胶条的磨损程度,首先基于同一温度,获取胶条的多个回弹速度序列和回弹深度序列;分别拟合多个回弹速度序列和回弹深度序列,得到多条速度直线和深度直线;根据同一温度下的各速度直线的斜率之间的差异得到多个回弹速度衰减指标,根据同一温度下的各深度直线的斜率之间的差异得到多个回弹深度衰减指标;根据回弹速度衰减指标和回弹深度衰减指标对胶条的磨损度进行评价,得到多个磨损度评价值,构建磨损度评价值序列;计算不同温度下的磨损度评价值序列的接近程度,基于接近程度对磨损度评价值序列进行分组,得到多个簇,将温差较小且磨损度评价值序列相似的温度划分到一个簇,将同一簇的磨损度评价值序列进行训练,简化了后续的损失函数的训练过程;对于同一簇,将簇内磨损度评价值序列之间的样本距离作为对应的簇的置信度,根据簇内摩损度评价值序列的差异性得到该簇的置信度,置信度越高说明该簇的可靠性越高;根据置信度和磨损度评价值序列训练预测磨损度网络,将磨损度评价值序列输入预测磨损度网络输出预测磨损度评价值序列。本发明利用训练好的预测磨损度网络,将实时得到的磨损度评价值序列输入预测磨损度网络输出预测磨损度评价值序列,既考虑了胶条在使用过程中的摩擦磨损度,且可根据实时的摩擦磨损评价值得到预测值,达到了提前预测和实时检测胶条摩擦磨损度的目的。
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和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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它附图。
图1为本发明一个实施例所提供的密封门胶条磨损度检测方法的方法流程图;
图2为本发明一个实施例所提供的获取摩损度评价值序列的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的密封门胶条磨损度检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供了密封门胶条磨损度检测方法的具体实施方法,该方法适用于密封门胶条磨损度检测场景。该场景在密封门没有胶条的一侧布置光幕传感器,在胶条表面布置接收器,以利用红外光幕技术获取胶条实时的回弹速度和回弹深度;且在胶条附近布置有温度传感器,实时检测胶料附近的环境温度。为了解决仅通过温度考虑胶条的摩擦磨损程度,而没有考虑胶条在使用过程中的摩擦磨损程度的问题。本发明实施例利用工业信息和数据处理技术,通过特定功能的数据处理和计算方法得到胶条的磨损程度,首先通过回弹深度和回弹速度得到了胶条的磨损度评价值,并将磨损度评价值序列输入训练好的预测磨损度网络以输出预测磨损度评价值序列,不仅考虑胶条在使用过程中的摩擦磨损度,且根据实时的摩擦磨损评价值得到预测值,达到了提前预测和实时检测胶条摩擦磨损度的目的。
下面结合附图具体的说明本发明所提供的密封门胶条磨损度检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的密封门胶条磨损度检测方法的步骤流程图,该方法包括以下步骤:
步骤S100,基于同一温度,采集胶条的回弹速度和回弹深度,构建多个回弹速度序列和回弹深度序列。
橡胶制品的老化是一个不可逆的变化过程,其实质是橡胶的分子结构在天候、温度等因素的影响下发生氧化降解反应或结构化反应。降解反应使得橡胶分子的平均相对分子量下降,橡胶的拉伸强度下降,进而导致橡胶的性能下降;结构化反应则是进一步支化交联,也会使得橡胶的拉伸强度下降,橡胶表面硬化、龟裂进而失去弹性。密封门的胶条的弹性下降会严重影响密封门的密封性,胶条弹性越差,密封门的密封性越差。
温度的变化是导致胶条弹性下降的因素之一,当温度越低时,胶条的弹性就越差。故需要获取胶条附近的温度变化信息。
利用温度传感器来获取胶条附近的温度信息,以此来检测不同温度下胶条的弹性变化程度。
基于同一温度,采集胶条的回弹速度和回弹深度,构建多个回弹速度序列和回弹深度序列。
利用红外光幕技术获取胶条在光幕下的阻光速度,阻光速度即为回弹速度。胶条的回弹速度的快慢能够反映胶条的弹性的好坏。当回弹速度快时,说明此时胶条的弹性好,磨损度小;反之,当回弹速度慢时,说明此时胶条的弹性差,磨损度大。
在密封门使用过程中,密封门上的胶条可能会受各种因素的影响,回弹速度呈下降趋势,因此可以获取同一温度下的回弹速度序列,对回弹速度序列进行后续的衰减评价分析。具体的:基于同一温度,测定10000次额定回弹速度数据,以每100个回弹速度数据作为一个速度变化序列,记为回弹速度序列。得到一个回弹速度序列集合{K1…K100},该集合中包含多个回弹速度序列。
进一步的,胶条在受外力作用的时候,除去作用力时能够恢复到原来的形状,回弹后胶条的厚度能够代表胶条的回弹深度,也可以说胶条的深度能够代表胶条的回弹深度。
当密封门在使用一段时间后,在压力和所受温度的影响下,胶条的内部分子链会受到破坏,导致胶条受力后,无法回到原来的状态,进而胶条的回弹深度会发生变化,胶条的回弹深度大小会影响胶条的磨损度高低,所以需要对回弹深度信息进行采集。可以获取同一温度下的回弹深度序列,对回弹深度序列进行后续的衰减评价分析。具体的:利用红外光幕对胶条的形变程度以及回弹深度进行检测,胶条对红外光的阻挡程度代表回弹深度。基于同一温度,在获取回弹速度的同时,同步获取回弹深度的变化情况。将10000次额定回弹深度数据按每100次分成100个序列,也即每100个回弹深度数据作为一个深度变化序列,即为回弹深度序列。得到一个回弹深度序列集合{H1…,H100},该集合中包含多个回弹深度序列。
步骤S200,分别拟合多个回弹速度序列和回弹深度序列,得到多条速度直线和深度直线;根据同一温度下的各速度直线的斜率之间的差异得到多个回弹速度衰减指标,根据同一温度下的各深度直线的斜率之间的差异得到多个回弹深度衰减指标;根据回弹速度衰减指标和回弹深度衰减指标对胶条的磨损度进行评价,得到多个磨损度评价值,构建磨损度评价值序列。
请参阅图2,对回弹速度序列和回弹深度序列进行分析处理得到磨损度评价值和磨损度评价值序列的步骤,具体的:
步骤S210,分别拟合多个回弹速度序列和回弹深度序列,得到多条速度直线和深度直线。
利用最小二乘法拟合回弹速度序列集合中的多个回弹速度序列,得到多条速度直线。其中,每个回弹速度序列对应一条速度直线。
基于任意回弹速度序列,对该回弹速度序列进行线性化表示。理想的实验情况中,胶条的回弹速度是呈线性下降的。故可以用线性表述,检测回弹速度序列的数据可靠性。分别拟合多个回弹速度序列得到多条速度直线,并利用最小二乘法计算速度直线的斜率。
同样的,利用最小二乘法拟合回弹深度序列集合中的多个回弹深度序列,得到多条深度直线。其中,每个回弹深度列对应一条深度直线。
基于任意回弹深度序列,对该回弹深度序列进行线性化表示。理想的实验情况中,胶条的回弹深度是呈线性下降的。故可以用线性表述,检测回弹深度序列的数据可靠性。分别拟合多个回弹深度序列得到多条速度直线,并利用最小二乘法计算深度直线的斜率。
步骤S220,根据同一温度下的各速度直线的斜率之间的差异得到多个回弹速度衰减指标,根据同一温度下的各深度直线的斜率之间的差异得到多个回弹深度衰减指标。
根据同一温度下的各速度直线的斜率之间的差异得到多个回弹速度衰减指标。具体的:获取同一温度下所有速度直线的斜率中的第一最小值和第一最大极差。将任意回弹速度序列对应的速度直线的斜率作为目标速度直线斜率,获取目标速度直线斜率和第一最小值的差值,作为第一目标差值。第一目标差值和第一最大极差的比值为目标速度直线斜率对应的回弹速度衰减指标。其中,每个速度直线均对应一个回弹速度衰减指标。
根据同一温度下的各深度直线的斜率之间的差异得到多个回弹深度衰减指标。具体的:获取同一温度下所有深度直线的斜率中的第二最小值和第二最大极差。将任意回弹深度序列对应的深度直线的斜率作为目标深度直线斜率,获取目标深度直线斜率和第二最小值的差值,作为第二目标差值。第二目标差值和第二最大极差的比值为目标深度直线斜率对应的回弹深度衰减指标。其中,每个深度直线均对应一个回弹深度衰减指标。
步骤S230,根据回弹速度衰减指标和回弹深度衰减指标对胶条的磨损度进行评价,得到多个磨损度评价值,构建磨损度评价值序列。
回弹速度和回弹深度均能反映出胶条的磨损度,基于得到的回弹速度衰减指标和回弹深度衰减指标对胶条的磨损度进行评价,得到磨损度评价值。
第i个回弹深度序列和第i个回弹速度序列对应的磨损度评价值Ui的计算公式为:
其中,Wi为第i个回弹深度序列对应的回弹深度衰减指标;Vi为第i个回弹速度序列对应的回弹速度衰减指标。
获取多个回弹深度序列和回弹速度序列对应的磨损度评价值,得到磨损度评价值序列U′。
步骤S300,计算不同温度下的磨损度评价值序列的接近程度,基于接近程度对磨损度评价值序列进行分组,得到多个簇;对于同一簇,将簇内磨损度评价值序列之间的样本距离作为对应的簇的置信度。
不同的温度对胶条造成的磨损度不同,温度越低,胶条的硬化越明显,受力时所造成的磨损也会越严重。
当两个温度比较接近的时候,对胶条造成的磨损程度也接近,对应的磨损度评价值也会接近。故本发明利用磨损度评价值的差异反映磨损度的差异,对不同的磨损度评价值序列进行分类。
计算不同温度下的磨损度评价值序列的接近程度。具体的:获取任意两个不同温度下的两个磨损度评价值序列的皮尔逊相关系数。利用皮尔逊相关系数和两个磨损度评价值序列对应的温度的差值计算两个磨损度评价值序列的接近程度。
任意磨损度评价值序列U′A和任意磨损度评价值序列U′B的接近程度的计算公式为R(U′A,U′B):
其中,为磨损度评价值序列U′A和任意磨损度评价值序列U′B的皮尔逊相关系数;TA为磨损度评价值序列U′A对应的温度;TB为磨损度评价值序列U′B对应的温度;abs(TA-TB)为温度TA和温度TB的差值的绝对值。
两个温度对应的差值的绝对值越大,则反映两个接近程度越不相似;反之两个温度对应的差值的绝对值越小,则反映两个接近程度越不相似。
该接近程度的取值范围为[0,1],两个磨损度评价值序列的变化趋势和数值越相似,该接近程度的取值越接近于1,反之则越接近于0。
由接近程度计算各磨损度评价值序列之间的样本距离。利用DBSCAN密度聚类算法根据样本距离对磨损度评价值序列进行分组。
该样本距离的获取方法为:将两个磨损度评价值序列对应的接近程度加上数据值1,作为第一接近值,该第一接近值的倒数即为两个磨损度评价值序列之间的样本距离。
当两个磨损度评价值序列的样本距离的值越大,则反映两个磨损度评价值序列越相似,其对应的温度也相似。
利用DBSCAN密度聚类算法进行分组,得到多个簇。在本发明实施例中遍历区间的聚类阈值设置为0.5,在其他实施例中实施者可根据实际情况调整该阈值。
对于同一簇,将簇内多个磨损度评价值序列融合为一个总磨损度评价值序列。
获取该总磨损度评价值序列中任意两个磨损度评价值之间的样本距离之和,获取样本距离之和的倒数,对得到的倒数加1得到第一取值,该第一取值即为目标磨损度评价值的置信度。其中,每个簇对应一个置信度。置信度越高,则说明对应簇的可信度越高;反之,置信度越低,则说明对应簇的可信度越低。
对置信度进行归一化。
步骤S400,根据置信度和磨损度评价值序列训练预测磨损度网络,将磨损度评价值序列输入预测磨损度网络输出预测磨损度评价值序列。
将得到的磨损度评价值序列作为特征序列的前一部分,输入到TCN网络中进行训练。将得到的下一个值作为TCN网络的标签,使得TCN网络能够学习到当前磨损度评价值序列的下一个预测值,该预测值为预测磨损度评价值。
该TCN网络记为预测磨损度网络,根据置信度和磨损度评价值序列训练预测磨损度网络。该预测磨损度网络的损失函数为:以归一化后的置信度为权重的均方差损失函数。
将历史数据中的磨损度评价值序列作为预测磨损度网络的训练数据样本,对预测磨损度网络进行训练,不断减小预测误差,当损失函数收敛时预测磨损度网络即训练完成。
预测磨损度网络训练完成后,将任意温度下对应的磨损度评价值序列输入预测磨损度网络中,即可得到后续的预测磨损度评价值序列。
对于预测磨损度评价值序列,当得到的预测磨损度评价值达到了预测磨损度网络的输出标准时,说明胶条的磨损度达到了极限,该胶条对密封门的密封性就会有一定的影响,应更换胶条。
胶条随着使用次数的增加,它的弹性会呈线性下降,直至失去弹性。胶条失去弹性后,回弹速度和回弹深度则不会发生变化,因此磨损度评价值也会稳定不变,故当预测磨损度评价值序列中的预测磨损度评价值的变化细微或者保持不变时,则反映胶条失去弹性,应更换胶条。
综上所述,本发明实施例利用工业信息和数据处理技术,通过特定功能的数据处理和计算方法得到胶条的磨损程度,首先基于同一温度,获取胶条的多个回弹速度序列和回弹深度序列;分别拟合多个回弹速度序列和回弹深度序列,得到多条速度直线和深度直线;根据同一温度下的各速度直线的斜率之间的差异得到多个回弹速度衰减指标,根据同一温度下的各深度直线的斜率之间的差异得到多个回弹深度衰减指标;根据回弹速度衰减指标和回弹深度衰减指标对胶条的磨损度进行评价,得到多个磨损度评价值,构建磨损度评价值序列;计算不同温度下的磨损度评价值序列的接近程度,基于接近程度对磨损度评价值序列进行分组,得到多个簇;对于同一簇,将簇内磨损度评价值序列之间的样本距离作为对应的簇的置信度;根据置信度和磨损度评价值序列训练预测磨损度网络,将磨损度评价值序列输入预测磨损度网络输出预测磨损度评价值序列。本发明利用训练好的预测磨损度网络,将实时得到的磨损度评价值序列输入预测磨损度网络输出预测磨损度评价值序列,既考虑了胶条在使用过程中的摩擦磨损度,且可根据实时的摩擦磨损评价值得到预测值,达到了提前预测和实时检测胶条摩擦磨损度的目的。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.密封门胶条磨损度检测方法,其特征在于,该方法包括以下步骤:
基于同一温度,采集胶条的回弹速度和回弹深度,构建多个回弹速度序列和回弹深度序列;
分别拟合多个所述回弹速度序列和所述回弹深度序列,得到多条速度直线和深度直线;根据同一温度下的各所述速度直线的斜率之间的差异得到多个回弹速度衰减指标,根据同一温度下的各所述深度直线的斜率之间的差异得到多个回弹深度衰减指标;根据所述回弹速度衰减指标和所述回弹深度衰减指标对所述胶条的磨损度进行评价,得到多个磨损度评价值,构建磨损度评价值序列;
计算不同温度下的磨损度评价值序列的接近程度,基于所述接近程度对磨损度评价值序列进行分组,得到多个簇;对于同一簇,将簇内所述磨损度评价值序列之间的样本距离作为对应的簇的置信度;
根据所述置信度和所述磨损度评价值序列训练预测磨损度网络,将所述磨损度评价值序列输入所述预测磨损度网络输出预测磨损度评价值序列;
其中,回弹速度衰减指标的获取方法为:获取同一温度下所有速度直线的斜率中的第一最小值和第一最大极差;将任意回弹速度序列对应的速度直线的斜率作为目标速度直线斜率,获取所述目标速度直线斜率和所述第一最小值的差值,作为第一目标差值;所述第一目标差值和所述第一最大极差的比值为所述目标速度直线斜率对应的回弹速度衰减指标;
其中,回弹深度衰减指标的获取方法为:获取同一温度下所有深度直线的斜率中的第二最小值和第二最大极差;将任意回弹深度序列对应的深度直线的斜率作为目标深度直线斜率,获取所述目标深度直线斜率和所述第二最小值的差值,作为第二目标差值;所述第二目标差值和所述第二最大极差的比值为所述目标深度直线斜率对应的回弹深度衰减指标;
其中,第i个回弹深度序列和第i个回弹速度序列对应的磨损度评价值Ui的计算公式为:
其中,Wi为第i个回弹深度序列对应的回弹深度衰减指标;Vi为第i个回弹速度序列对应的回弹速度衰减指标;
其中,接近程度的获取方法为:获取任意两个不同温度下的两个磨损度评价值序列的皮尔逊相关系数;利用所述皮尔逊相关系数和两个磨损度评价值序列对应的温度的差值计算两个磨损度评价值序列的接近程度;
其中,样本距离的获取方法为:将两个磨损度评价值序列对应的接近程度加上数据值1,作为第一接近值,该第一接近值的倒数即为两个磨损度评价值序列之间的样本距离;
其中,将簇内所述磨损度评价值序列之间的样本距离作为对应簇的置信度为:对于同一簇,将簇内多个磨损度评价值序列融合为一个总磨损度评价值序列;获取该总磨损度评价值序列中任意两个磨损度评价值之间的样本距离之和,获取样本距离之和的倒数,对得到的倒数加1得到第一取值,该第一取值即为置信度。
2.根据权利要求1所述的密封门胶条磨损度检测方法,其特征在于,所述分别拟合多个所述回弹速度序列和所述回弹深度序列,得到多条速度直线和深度直线,包括:
利用最小二乘法拟合多个所述回弹速度序列和所述回弹深度序列,得到多条速度直线和深度直线。
3.根据权利要求1所述的密封门胶条磨损度检测方法,其特征在于,所述胶条的回弹速度的获取方法,包括:
利用红外光幕技术获取胶条在光幕下的阻光速度,所述阻光速度为回弹速度。
4.根据权利要求1所述的密封门胶条磨损度检测方法,其特征在于,所述预测磨损度网络的损失函数为:以归一化后的所述置信度为权重的均方差损失函数。
5.根据权利要求1所述的密封门胶条磨损度检测方法,其特征在于,所述基于所述接近程度对磨损度评价值序列进行分组,得到多个簇,包括:
由所述接近程度计算各所述磨损度评价值序列之间的样本距离,根据所述样本距离对磨损度评价值序列进行分组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210108977.XA CN114441351B (zh) | 2022-01-28 | 2022-01-28 | 密封门胶条磨损度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210108977.XA CN114441351B (zh) | 2022-01-28 | 2022-01-28 | 密封门胶条磨损度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114441351A CN114441351A (zh) | 2022-05-06 |
CN114441351B true CN114441351B (zh) | 2022-10-28 |
Family
ID=81371777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210108977.XA Active CN114441351B (zh) | 2022-01-28 | 2022-01-28 | 密封门胶条磨损度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114441351B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114925424B (zh) * | 2022-05-16 | 2022-12-09 | 浙江博宏工程管理咨询有限公司 | 工程造价进度管理控制方法及系统 |
CN114646664B (zh) * | 2022-05-20 | 2022-08-12 | 领合(南通)新型建材科技有限公司 | 新型复合门窗型材隔热性能质量监测方法与系统 |
CN114964670B (zh) * | 2022-08-01 | 2022-11-01 | 宇一精工科技(南通)有限公司 | 一种密封橡胶圈缺陷检测方法 |
CN116933102B (zh) * | 2023-09-15 | 2023-12-19 | 成都数之联科技股份有限公司 | 一种橡胶质量检验方法、装置、介质、设备及程序产品 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110514373A (zh) * | 2019-06-24 | 2019-11-29 | 贵州大自然科技股份有限公司 | 一种床垫弹性评价方法 |
CN210090463U (zh) * | 2019-06-21 | 2020-02-18 | 济南城建集团有限公司 | 一种道路桥梁混凝土结构检测装置 |
CN113933195A (zh) * | 2021-10-14 | 2022-01-14 | 广东省有色工业建筑质量检测站有限公司 | 基于图像数字化处理的混凝土抗压强度预测方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150235143A1 (en) * | 2003-12-30 | 2015-08-20 | Kantrack Llc | Transfer Learning For Predictive Model Development |
BRPI0923582B8 (pt) * | 2008-12-25 | 2021-08-17 | Nippon Steel & Sumitomo Metal Corp | método e dispositivo para análise de uma causa de recuperação elástica em um produto formado |
US9821345B2 (en) * | 2015-11-06 | 2017-11-21 | Glenn STERKEL | Apparatus and method for sorting objects by rebound behavior |
CN113837669B (zh) * | 2021-11-26 | 2022-03-18 | 腾讯科技(深圳)有限公司 | 一种标签体系的评价指标构建方法和相关装置 |
-
2022
- 2022-01-28 CN CN202210108977.XA patent/CN114441351B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN210090463U (zh) * | 2019-06-21 | 2020-02-18 | 济南城建集团有限公司 | 一种道路桥梁混凝土结构检测装置 |
CN110514373A (zh) * | 2019-06-24 | 2019-11-29 | 贵州大自然科技股份有限公司 | 一种床垫弹性评价方法 |
CN113933195A (zh) * | 2021-10-14 | 2022-01-14 | 广东省有色工业建筑质量检测站有限公司 | 基于图像数字化处理的混凝土抗压强度预测方法及系统 |
Non-Patent Citations (4)
Title |
---|
Dynamic System Identification by Neural Network: A New, Fast Learning Method Based on Error Back Propagation;NAOKI KAYABA 等;《JOURNAL OF INTELLIGENT MATERIAL SYSTEMS AND STRUCTURES》;19940131;第5卷;第127-135页 * |
建筑门窗常用密封胶条;杨连飞等;《门窗》;20100920(第9期);第32-35页 * |
无监督缺陷模块序列预测模型:一个工作量感知评价;赵东晓;《软件导刊》;20131010;第12卷(第09期);第35-37页 * |
橡胶沥青弹性恢复性能指标的对比试验研究;王铁庆等;《公路交通科技》;20160415;第33卷(第4期);第32-38页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114441351A (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114441351B (zh) | 密封门胶条磨损度检测方法 | |
CN109657937B (zh) | 一种基于退化数据的产品可靠性评估与寿命预测方法 | |
CN107766877B (zh) | 一种桥梁监测系统中超重车动态识别方法 | |
CN110879253B (zh) | 一种基于改进长短时记忆网络的钢轨裂纹声发射信号检测方法 | |
CN111273623A (zh) | 基于Stacked LSTM的故障诊断方法 | |
CN114646664B (zh) | 新型复合门窗型材隔热性能质量监测方法与系统 | |
CN110738355A (zh) | 一种基于神经网络的城市内涝预测方法 | |
CN116320042B (zh) | 边缘计算的物联终端监测控制系统 | |
CN111597991A (zh) | 一种基于信道状态信息和BiLSTM-Attention的康复检测方法 | |
CN112818608A (zh) | 一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法 | |
CN114020730A (zh) | 一种水环境监测数据中异常值的检测和修复方法 | |
CN114355298A (zh) | 一种雷达复合调制脉冲信号识别方法 | |
CN116257651B (zh) | 一种贯通道渡板异响智能监测系统 | |
US6594622B2 (en) | System and method for extracting symbols from numeric time series for forecasting extreme events | |
CN109840386B (zh) | 基于因子分析的损伤识别方法 | |
CN115963420A (zh) | 一种电池soh影响因素分析方法 | |
CN113821866B (zh) | 一种城轨门系统护指胶条剩余寿命预测方法 | |
CN113435321A (zh) | 一种主轴轴承状态评估方法、系统、设备及可读存储介质 | |
CN112529386B (zh) | 一种沥青路面使用性能定量确定方法 | |
CN117151194B (zh) | 一种基于高频涡流的轴承涂层厚度检测方法及系统 | |
KR20050081630A (ko) | 인공신경망을 사용한 동적신호의 스펙트럼 패턴 비교를통한 구조물의 상태평가기법 | |
CN113408422B (zh) | 一种适用于微弱目标的多帧联合检测跟踪与分类方法 | |
Guastella et al. | Evaluating Correlations in IoT Sensors for Smart Buildings. | |
CN114584432B (zh) | 基于改进平滑周期图算法的信号检测方法 | |
CN115828138A (zh) | 基于MFCC特征和Transformer集成分类器的LFM信号分类方法 |
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 |