CN114444550B - 结构化数据解析方法、装置、电子设备及存储介质 - Google Patents
结构化数据解析方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114444550B CN114444550B CN202210340740.4A CN202210340740A CN114444550B CN 114444550 B CN114444550 B CN 114444550B CN 202210340740 A CN202210340740 A CN 202210340740A CN 114444550 B CN114444550 B CN 114444550B
- Authority
- CN
- China
- Prior art keywords
- data
- displacement
- structural state
- parameter
- network model
- 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
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/22—Details, e.g. general constructional or apparatus details
- G01N29/24—Probes
- G01N29/2418—Probes using optoacoustic interaction with the material, e.g. laser radiation, photoacoustics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
-
- 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
- G06N3/09—Supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Optics & Photonics (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明实施例公开了一种结构化数据解析方法、装置、电子设备及存储介质。方法包括获取与对象对应的结构状态参数集和位移分析结果集;基于所述结构状态参数集和所述位移分析结果集训练人工神经网络模型,得到目标网络模型;获取通过激光超声波照射所述对象,使所述对象的表面振动产生的位移数据组,基于所述位移数据组得到预设数量个位移峰值数据;将所述预设数量个位移峰值数据和与每个所述位移峰值数据对应的峰值时间数据输入目标网络模型,判定所述对象是否存在缺陷;若是,基于所述目标网络模型输出所述缺陷的结构状态数据。本发明实施例的技术方案提高了对缺陷检测的准确性。
Description
技术领域
本发明涉及一种数据解析技术领域,尤其涉及一种结构化数据解析方法、装置、电子设备及存储介质。
背景技术
超声波检测是一种应用广泛的检测方法,由于超声波频率高、波长短,可与结构中的微小表征——如缺陷、裂纹、脱层等相互作用。对于火箭、机器人等高端装备的表面通过超声波检测,以确定是否存在缺陷等问题。对于激光超声波信号的解析方法通常采用数据解析的方式。
通过现有的数据解析方法进行计算时,由于结构表面的超声信号存在高强度、长时间的噪声以及超声信号在时域内呈现多波形叠加等特点,导致耗时过长,准确性低。
因此,急需一种对结构化的数据解析方法来解决上述的技术问题。
发明内容
本发明实施例提供一种结构化数据解析方法、装置、电子设备及存储介质,以实现对对象的缺陷的确定,并得到缺陷的位置数据和尺寸数据,方便用户查看。
第一方面,本发明实施例提供了一种结构化数据解析方法,其特征在于,包括:
获取与对象对应的结构状态参数集和位移分析结果集;基于所述结构状态参数集和所述位移分析结果集训练人工神经网络模型,得到目标网络模型;获取通过激光超声波照射所述对象,使所述对象的表面振动产生的位移数据组,基于所述位移数据组得到预设数量个位移峰值数据;将所述预设数量个位移峰值数据和与每个所述位移峰值数据对应的峰值时间数据输入目标网络模型,判定所述对象是否存在缺陷;若是,基于所述目标网络模型输出所述缺陷的结构状态数据;其中,所述结构状态参数集包括至少一组结构状态参数,所述结构状态参数包括缺陷的位置参数Lod、尺寸参数Dod和材料性能参数CHs;所述位移分析结果集包括位移峰值数据和与位移峰值数据对应的峰值时间数据;所述结构状态数据包括所述缺陷的位置数据和尺寸数据。
优选地,所述获取与对象对应的结构状态参数集,包括:通过拉偏测试对对象的缺陷的结构进行拉偏处理,获取每次拉偏处理后的所述缺陷的位置参数Lod、尺寸参数Dod以及材料性能参数CHs,将所述位置参数Lod、尺寸参数Dod以及材料性能参数CHs组合成参数列向量[Lod,Dod,CHs];基于各个参数列向量生成结构状态参数集。
优选地,所述基于各个参数列向量生成结构状态参数集,包括:分别设置位置参数Lod、尺寸参数Dod以及材料性能参数CHs的标识;基于位置参数标识、尺寸参数标识以及材
料性能参数标识生成p行h列的基准矩阵Base_PoM,所述基准矩阵Base_PoM为:,其中,i=1,2…p,j=1,2…h,h为拉偏
水平数,w为拉偏幅值,p为所述参数列向量的长度;基于均匀实验对所述基准矩阵Base_PoM
处理,生成与所述基准矩阵Base_PoM对应的结构状态参数集,所述结构状态参数集包括s
行,p列,其中,s由p和h确定。
优选地,获取所述位移分析结果集,包括:获取所述结构状态参数集中每一行的各个结构状态参数,并基于每一行的各个结构状态参数搭建缺陷模型;针对每个缺陷模型,基于每个缺陷模型以及选取的观测点,确定与所述观测点对应的位移数据以及与所述位移数据对应的时间数据;基于所述位移数据和所述时间数据得到二维曲线图;针对每个二维曲线图,基于时间序列,在所述二维曲线图上选取前q个的位移峰值数据,所述位移峰值数据的坐标数据标记为(dS-1,tS-1)、(dS-2,tS-2)…(dS-q,tS-q);将q个坐标数据合并为坐标列向量[dS-1,tS-1,dS-2,tS-2…dS-q,tS-q],其中所述二维曲线图的个数为s,所述坐标列向量长度为v;针对每个坐标列向量,依次合并全部坐标列向量,得到位移分析结果集,所述位移分析结果集包括s行,v列。
优选地,所述基于所述结构状态参数集和所述位移分析结果集训练人工神经网络模型,包括:基于所述结构状态参数集、所述位移分析结果集以及所述结构状态参数集和所述位移分析结果集之间的对应关系,训练人工神经网络模型;其中,所述结构状态参数集中每一行的结构状态参数在所述位移分析结果集具有相对应的位移峰值数据。
优选地,所述将所述预设数量个位移峰值数据和与每个所述位移峰值数据对应的峰值时间数据输入目标网络模型,包括:将位移峰值数据和相对应的峰值时间数据组成坐标数据,依次标记为(dT-1,tT-1)、(dT-2,tT-2)…(dT-q,tT-q);所述q为预设数量;将q个坐标数据合并,得到目标列向量[dT-1,tT-1,dT-2,tT-2…dT-q,tT-q];将所述目标列向量输入目标网络模型。
优选地,所述判定所述对象是否存在缺陷,包括:当通过所述目标网络模型判定所述目标列向量存在对应的结构状态参数时,判定所述对象存在缺陷。
第二方面,本发明实施例还提供了一种结构化数据解析装置,其特征在于,包括:数据获取模块,用于获取与对象对应的结构状态参数集和位移分析结果集;模型训练模块,用于基于所述结构状态参数集和所述位移分析结果集训练人工神经网络模型,得到目标网络模型;位移峰值数据获取模块,用于获取通过激光超声波照射所述对象,使所述对象的表面振动产生的位移数据组,基于所述位移数据组得到预设数量个位移峰值数据;缺陷判定模块,用于将所述预设数量个位移峰值数据和与每个所述位移峰值数据对应的峰值时间数据输入目标网络模型,判定所述对象是否存在缺陷;结构状态数据输出模块,用于在判定所述对象存在缺陷的情况下,基于所述目标网络模型输出所述缺陷的结构状态数据;其中,所述结构状态参数集包括至少一组结构状态参数,所述结构状态参数包括缺陷的位置参数Lod、尺寸参数Dod和材料性能参数CHs;所述位移分析结果集包括位移峰值数据和与位移峰值数据对应的峰值时间数据;所述结构状态数据包括所述缺陷的位置数据和尺寸数据。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例任一所述的结构化数据解析方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例任一所述的结构化数据解析的方法。
本发明实施例的技术方案,通过获取与对象对应的结构状态参数集和位移分析结果集,就结构状态参数集和位移分析结果集训练人工神经网络模型,得到训练好的目标网络模型;获取通过激光超声波照射对象,使对象的表面振动产生的位移数据组,并基于位移数据组得到预设数量个位移峰值数据,将预设数量个位移峰值数据和与每个位移峰值数据对应的峰值时间数据输入目标网络模型,判定对象是否存在缺陷。若是,基于目标网络模型输出缺陷的结构状态数据。本发明实施例的技术方案,实现了提取位移峰值数据并以此作为输入,降低了噪声,进而提高了数据解析的准确度,使得得到的缺陷的结构状态数据更加准确。并且,对于时域领域中的位移峰值数据进行直接读取,简化了操作过程,提高了数据解析的效率。
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,下面将对实施例或现有技术描述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。
其中:
图1为本发明实施例一中的一种结构化数据解析方法的流程示意图;
图2为本发明实施例一中的一种二维曲线图的示意图;
图3为本发明实施例二中的一种结构化数据解析方法的流程示意图;
图4为本发明实施例三中的一种结构化数据解析装置的结构示意图;
图5为本发明实施例四中的一种电子设备的结构示意图。
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作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。
实施例一
图1为本发明实施例所提供的一种结构化数据解析方法的流程示意图,本实施例可适用于根据对象表面的位移峰值数据得到缺陷的位置数据和尺寸数据的情况,该方法可以由装置来执行,该装置可以通过软件和/或硬件的形式实现。
如图1所示,本发明实施例的结构化数据解析方法具体包括如下步骤:
S110、获取与对象对应的结构状态参数集D_PoM和位移分析结果集S_dt。
其中,对象是指需要检测是否具有缺陷的对象。在本发明实施例中,对象可以是飞机、火箭、高铁、地铁等高端装备,对高端装备进行检测,确定是否存在缺陷,以对高端装备的健康状态进行评估。结构状态参数集D_PoM包括至少一组结构状态参数,结构状态参数包括缺陷的位置参数Lod、尺寸参数Dod和材料性能参数CHs。位置参数Lod可以明确的表征缺陷所处的位置,位置参数Lod可以是二维位置参数,也可以是三维位置参数,可根据实际情况中的坐标系而定,比如,若对象在空间坐标系下,则可以确定位置参数Lod为三维位置参数。可选地,位置参数Lod可以设置为缺陷中心点的位置对应的参数。尺寸参数Dod表征缺陷的大小。尺寸参数Dod比如是长为1.2mm,宽为2.1mm。材料性能参数是指与缺陷所在的结构的材料性能。比如,导热系数、密度、热膨胀系数等。位移分析结果集S_dt包括位移峰值数据和与位移峰值数据对应的峰值时间数据。位移峰值数据是指基于一系列的位移数据中的峰值数据得到的。在激光照射对象,对象表面产生振动得到位移数据。
具体的,获取与对象对应的结构状态参数集D_PoM和位移分析结果集S_dt,以基于结构状态参数集D_PoM和位移分析结果集S_dt进行后续的人工神经网络模型的训练做准备工作。
进一步的,在本发明实施例中,获取与对象对应的结构状态参数集D_PoM,包括:通过拉偏测试对对象的缺陷的结构进行拉偏处理,获取每次拉偏处理后的缺陷的位置参数Lod、尺寸参数Dod以及材料性能参数CHs,将位置参数Lod、尺寸参数Dod以及材料性能参数CHs组合成参数列向量[Lod,Dod,CHs];基于各个参数列向量生成结构状态参数集D_PoM。
其中,拉偏处理和下述的均匀实验是指数学领域的方法,在本发明实施例中拉偏处理是指将缺陷的结构进行预设幅值的拉偏处理,基于每次的结构变化得到一组位置参数Lod、尺寸参数Dod以及材料性能参数CHs。
具体的,针对每次拉偏处理,得到每次拉偏处理后的与缺陷对应的位置参数Lod、
尺寸参数Dod以及材料性能参数CHs。将每组位置参数Lod、尺寸参数Dod以及材料性能参数CHs组合成参数列向量[Lod,Dod,CHs],基于各组参数列向量得到结构状态参数集D_PoM。可
选地,依次设置位置参数Lod、尺寸参数Dod以及材料性能参数CHs的参数大小为n、m、k。则参
数列向量的大小为。
进一步的,在本发明实施例中,基于各个参数列向量生成结构状态参数集D_PoM,
包括:分别设置位置参数Lod、尺寸参数Dod以及材料性能参数CHs的标识;基于位置参数标
识、尺寸参数标识以及材料性能参数标识生成p行h列的基准矩阵Base_PoM,基准矩阵Base_ PoM为:,其中,i=1,2…p,j=1,2…h,h
为拉偏水平数,w为拉偏幅值,p为参数列向量的长度;基于均匀实验对基准矩阵Base_PoM处
理,生成与基准矩阵Base_PoM对应的结构状态参数集D_PoM,结构状态参数集D_PoM包括s
行,p列,其中,s由p和h确定。
其中,位置参数标识是指位置参数的索引,每个位置参数Lod具有唯一标识,用来
区分该位置参数Lod与其他的位置参数Lod。位置参数标识的表现形式可以是数字、英文字
母或者数字与英文字母的组合形式,比如,位置参数标识表示为A1、A2等。尺寸参数标识以
及材料性能参数标识的含义与位置参数标识的含义相同,这里不再赘述。应当理解,位置参
数标识不仅用来区分各个位置参数Lod,也用来区分位置参数Lod与其他参数,比如,尺寸参
数Dod、材料性能参数CHs等。比如,在一组结构状态参数中,位置参数Lod可以为(1.2,2.1,
2.0),相对应的位置参数标识依次为A1,A2,A3。尺寸参数Dod可以包括长度和宽度,相对应
的尺寸参数标识依次为B1,B2。材料性能参数CHs包括热膨胀系数2.36e-5(1/k),密度2700
(kg/m3),相对应的材料性能参数标识依次为C1,C2。拉偏幅值用于对拉偏尺度进行约束,拉
偏幅值的范围可以为。拉偏水平数是指拉偏的次数。在本发明实施例中,
拉偏水平数取奇数,并且大于等于3。
具体的,针对每组位置参数Lod、尺寸参数Dod以及材料性能参数CHs,依次设置位置参数标识、尺寸参数标识以及材料性能参数标识,并以各组位置参数标识、尺寸参数标识以及材料性能参数标识进行基准矩阵Base_PoM的建立。得到p行h列的基准矩阵Base_PoM。
在均匀实验中,取p个标识,h水平均匀表格生成结构状态参数集D_PoM,结构状态参数集D_PoM包括s行p列,其中,s由p个标识和h水平均匀表格确定。通过均匀实验对基准矩阵Base_PoM进行处理,将基准矩阵Base_PoM转换为表格形式,并将p行,h列的表格进行均匀实验,得到标识均匀表格,并基于标识均匀表格得到相对应的结构状态参数集D_PoM。比如,位置参数标识包括A1,A2。尺寸参数标识包括B1,B2。性能参数标识包括C1,C2。则通过均匀实验得到的标识均匀表格的过程参见表1。
表1
其中,格式为Ax-By-Cz的数据为经过均匀实验得到的标识均匀表格。x,y,z为常数。由于A1,A2,B1,B2,C1和C2都有对应的参数数值,所以可以根据标识均匀表格得到对应的参数表格,也即结构状态参数集D_PoM。
通过均匀实验生成的结构状态参数集D_PoM可以使结构状态参数分布的更加均匀,这样后续基于结构状态参数集D_PoM得到的位移分析结果集S_dt更加全面,使得通过结构状态参数集D_PoM和位移分析结果集S_dt训练人工神经网络模型得到的目标网络模型精准度更高。
进一步的,在本发明实施例中,获取位移分析结果集,包括:获取结构状态参数集D_PoM中每一行的各个结构状态参数,并基于每一行的各个结构状态参数搭建缺陷模型;针对每个缺陷模型,基于每个缺陷模型以及选取的观测点,确定与观测点对应的位移数据以及与位移数据对应的时间数据;基于位移数据和时间数据得到二维曲线图CoSi;针对每个二维曲线图CoSi,基于时间序列,在二维曲线图CoSi上选取前q个的位移峰值数据,位移峰值数据的坐标数据标记为(dS-1,tS-1)、(dS-2,tS-2)…(dS-q,tS-q);将q个坐标数据合并为坐标列向量[dS-1,tS-1,dS-2,tS-2…dS-q,tS-q],其中二维曲线图CoSi的个数为s,坐标列向量长度为v;针对每个坐标列向量,依次合并全部坐标列向量,得到位移分析结果集S_ dt位移分析结果集S_dt包括s行,v列。
需要说明的是,通过结构状态参数集D_PoM中的每一行的各个结构状态参数,搭建缺陷模型,并对缺陷模型的材料参数进行初始化设置。在本发明实施例中的激光为脉冲激光,激光参数包括脉宽、能量值,在本发明实施例中,脉宽设置为1ns,能量值为5mJ。观测点的选取可根据实际情况进行设置,这里不做具体限定。应当理解,这里的材料参数,激光参数等可以根据具体实验情况进行设置,这里只做示例性说明。由图2可知,位移峰值数据随时间的增加而逐渐平稳,因此,在本发明实施例中设置获取位移峰值数据的条件为选择前q个位移峰值。在本发明实施例中选择前q个位移峰值数据的限制条件也可以替换为:当位移峰值数据的绝对值大于预设阈值时,提取该位移峰值数据。
具体的,针对每个缺陷模型,基于每个缺陷模型以及选取的观测点,输出与观测点对应的位移-时间仿真数据,标记为D_Si。以位移为纵轴,时间为横轴,将观测点对应的位移-时间仿真数据D_Si绘制为二维曲线图CoSi,从二维曲线图CoSi上取前q个位移峰值数据,各位移峰值数据对应的坐标数据依次标记为(dS-1,tS-1)、(dS-2,tS-2)…(dS-q,tS- q)。如图2所示,q取3。将q个坐标数据合并为坐标列向量[dS-1,tS-1,dS-2,tS-2…dS-q,tS- q],其中二维曲线图CoSi的个数为s,坐标列向量长度为v。将各个坐标列向量进行合并,得到位移分析结果集RS_dt,其规模为s行、v列。
S120、基于结构状态参数集D_PoM和位移分析结果集S_dt训练人工神经网络模型,得到目标网络模型。
其中,人工神经网络模型具有反演特性,更加适用于本发明实施例。当然,也可以采用具有反演特性的其他模型。本发明中的反演是指由位移峰值数据可以得到缺陷的位置数据、尺寸数据等。
具体的,通过结构状态参数集D_PoM以及根据结构状态参数集D_PoM生成的位移分析结果集S_dt,训练人工神经网络模型,得到目标网络模型,可以使目标网络模型在进行数据处理时的准确度更高。
S130、获取通过激光超声波照射对象,使对象的表面振动产生的位移数据组,基于位移数据组得到预设数量个位移峰值数据。
其中,激光超声波是指通过激光脉冲在对象表面上激发超声波,并用激光束探测超声波的传播,可以得到位移数据。由于激光是脉冲激光,所以具有时间周期,因此,得到与时间数据相关的位移数据组。
具体的,获取位移数据组,并基于位移数据组得到预设数量个位移峰值数据,具体得到位移峰值数据的方式与前述通过位移数据与时间数据建立二维曲线图CoSi,并从二维曲线图CoSi中获取位移峰值数据的方式相同,这里不再赘述。获取位移峰值数据,作为目标网络模型的输入,由于本发明实施例使用的是位移峰值作为输入,降低了噪声,提高了数据解析的准确度。
S140、将预设数量个位移峰值数据和与位移峰值数据对应的峰值时间数据输入目标网络模型,判定对象是否存在缺陷。
具体的,根据位移峰值数据和与位移峰值数据对应的峰值时间数据,得到坐标数据,并将预设数量个坐标数据进行合并,得到坐标列向量,将坐标列向量输入目标网络模型中,判定对象是否存在缺陷。若是,可执行步骤S150。若否,可以执行S110。
进一步的,在本发明实施例中,判定对象是否存在缺陷,包括:当通过目标网络模型判定目标列向量存在对应的结构状态参数时,判定对象存在缺陷。
具体的,当目标列向量输入目标网络模型,显示有输出结果时,判定对象存在缺陷。由于目标网络模型是基于缺陷的结构状态参数集D_PoM和位移分析结果集S_dt进行训练的,所以当目标网络模型具有输出结果时,判定对象存在缺陷。
S150、基于目标网络模型输出缺陷的结构状态数据。
其中,结构状态数据包括缺陷的位置数据和尺寸数据。位置数据可以表示缺陷的位置。尺寸数据可以表示缺陷的尺寸大小。
具体的,根据目标网络模型的输出结果可以得到缺陷的位置数据和尺寸数据,为工作人员对对象的检修提供便利。
应当理解,在本发明实施例中的结构状态参数集D_PoM和位移分析结果集S_dt属于结构化的数据,在对人工神经网络模型进行训练时,通过结构状态参数集D_PoM和位移分析结果集S_dt的结构化数据进行训练,对于目标网络模型的输入同样是结构化的目标列向量。数据的结构化特点,加快了数据解析的效率。
本发明实施例的技术方案,通过获取与对象对应的结构状态参数集D_PoM和位移分析结果集S_dt,就结构状态参数集D_PoM和位移分析结果集S_dt训练人工神经网络模型,得到训练好的目标网络模型;获取通过激光超声波照射对象,使对象的表面振动产生的位移数据组,并基于位移数据组得到预设数量个位移峰值数据,将预设数量个位移峰值数据和与每个位移峰值数据对应的峰值时间数据输入目标网络模型,判定对象是否存在缺陷。若是,基于目标网络模型输出缺陷的结构状态数据。本发明实施例的技术方案,实现了提取位移峰值数据并以此作为输入,降低了噪声,进而提高了数据解析的准确度,使得得到的缺陷的结构状态数据更加准确。并且,对于时域领域中的位移峰值数据进行直接读取,简化了操作过程,提高了数据解析的效率。
实施例二
图3是本发明实施例提供的一种结构化数据解析方法的流程示意图,本发明实施例在上述实施例的可选方案的基础上对步骤S120进行的细化。其中,与上述实施例相同或者相似的技术术语将不再赘述。
如图3所示,本发明实施例所提供的结构化数据解析方法具体包括如下步骤:
S210、获取与对象对应的结构状态参数集D_PoM和位移分析结果集S_dt。
S220、基于结构状态参数集D_PoM、位移分析结果集S_dt以及结构状态参数集D_ PoM和位移分析结果集S_dt之间的对应关系,训练人工神经网络模型。
其中,结构状态参数集D_PoM中每一行的结构状态参数在位移分析结果集S_dt具有相对应的位移峰值数据。
具体的,根据具有对应关系的结构状态参数集D_PoM和位移分析结果集S_dt,以及二者的对应关系作为训练样本TR_RSD,对人工神经网络模型进行训练。这种训练样本TR_ RSD可以使人工神经网络模型进行训练的时候,对结构状态参数集D_PoM和位移分析结果集S_dt之间的关系进行训练,使得目标网络模型更加符合反演特性,进而使得目标网络模型的准确度更高。
进一步的,在本发明实施例中,基于结构状态参数集D_PoM、位移分析结果集S_dt以及结构状态参数集D_PoM和位移分析结果集S_dt之间的对应关系,训练人工神经网络模型包括:步骤1)分别取位移分析结果集S_dt和结构状态参数集D_PoM的第一行数据,基于两个第一行数据生成对应关系,RS_dt(1,:)→RS_dt(1,:)。依次分别取位移分析结果集RS_ dt、结构状态参数集D_PoM的第2,3…s行,重复操作1)共计(s-1)次。将操作1)、操作2)生成的对应关系进行合并,生成训练样本TR_RSD:训练样本TR_RSD包括位移分析结果集RS_dt、结构状态参数集D_PoM以及二者的对应关系。基于训练样本TR_RSD训练人工神经网络模型。
S230、获取通过激光超声波照射对象,使对象的表面振动产生的位移数据组,基于位移数据组得到预设数量个位移峰值数据。
S240、将预设数量个位移峰值数据和与位移峰值数据对应的峰值时间数据输入目标网络模型,判定对象是否存在缺陷。
进一步的,在本发明实施例中,将预设数量个位移峰值数据和与位移峰值数据对应的峰值时间数据输入目标网络模型,包括:将每个位移峰值数据和相对应的峰值时间数据组成坐标数据,依次标记为(dT-1,tT-1)、(dT-2,tT-2)…(dT-q,tT-q);q为预设数量;将q个坐标数据合并,得到目标列向量[dT-1,tT-1,dT-2,tT-2…dT-q,tT-q];将目标列向量输入目标网络模型。
具体的,将每个位移峰值数据和相对应的峰值时间数据组成坐标数据,并将q个坐标数据进行合并,得到目标列向量,将目标列向量输入目标网络模型,以通过目标网络模型对目标列向量进行处理,判定对象是否存在缺陷。若是,执行S250,若否,执行步骤S210。
S250、基于目标网络模型输出缺陷的结构状态数据。
本发明实施例的技术方案,通过获取与对象对应的结构状态参数集D_PoM和位移分析结果集S_dt,基于结构状态参数集D_PoM和位移分析结果集S_dt训练人工神经网络模型,得到训练好的目标网络模型;获取通过激光超声波照射对象,使对象的表面振动产生的位移数据组,并基于位移数据组得到预设数量个位移峰值数据,将预设数量个位移峰值数据和与每个位移峰值数据对应的峰值时间数据输入目标网络模型,判定对象是否存在缺陷。若是,基于目标网络模型输出缺陷的结构状态数据。本发明实施例的技术方案,实现了通过目标网络模型对位移峰值数据进行处理,判定对象是否存在缺陷,若是,输出缺陷的结构状态数据,提高了结构状态数据输出的准确性。
实施例三
图4为本发明实施例提供的一种结构化数据解析装置的结构示意图,本发明实施例所提供的结构化数据解析装置可执行本发明任意实施例所提供的结构化数据解析方法,具备执行方法相应的功能模块和有益效果。该结构化数据解析装置包括:数据获取模块410、模型训练模块420、位移峰值数据获取模块430、缺陷判定模块440和结构状态数据输出模块450;其中:
数据获取模块410,用于获取与对象对应的结构状态参数集D_PoM和位移分析结果集S_dt;模型训练模块420,用于基于结构状态参数集D_PoM和位移分析结果集S_dt训练人工神经网络模型,得到目标网络模型;位移峰值数据获取模块430,用于获取通过激光超声波照射对象,使对象的表面振动产生的位移数据组,基于位移数据组得到预设数量个位移峰值数据;缺陷判定模块440,用于将预设数量个位移峰值数据和与每个位移峰值数据对应的峰值时间数据输入目标网络模型,判定对象是否存在缺陷;结构状态数据输出模块450,用于在判定所述对象存在缺陷的情况下,基于目标网络模型输出缺陷的结构状态数据;其中,结构状态参数集D_PoM包括至少一组结构状态参数,所述结构状态参数包括缺陷的位置参数Lod、尺寸参数Dod和材料性能参数CHs;位移分析结果集S_dt包括位移峰值数据和与位移峰值数据对应的峰值时间数据;结构状态数据包括缺陷的位置数据和尺寸数据。
进一步的,在本发明实施例中,数据获取模块410还用于:通过拉偏测试对对象的缺陷的结构进行拉偏处理,获取每次拉偏处理后的缺陷的位置参数Lod、尺寸参数Dod以及材料性能参数CHs,将位置参数Lod、尺寸参数Dod以及材料性能参数CHs组合成参数列向量[Lod,Dod,CHs];基于各个参数列向量生成结构状态参数集D_PoM。
进一步的,在本发明实施例中,数据获取模块410还用于:分别设置位置参数Lod、
尺寸参数Dod以及材料性能参数CHs的标识;基于位置参数标识、尺寸参数标识以及材料性
能参数标识生成p行h列的基准矩阵Base_PoM,基准矩阵Base_PoM为:,其中,i=1,2…p,j=1,2…h,h为拉偏
水平数,w为拉偏幅值,p为参数列向量的长度;基于均匀实验对基准矩阵Base_PoM处理,生
成与基准矩阵Base_PoM对应的结构状态参数集D_PoM,结构状态参数集D_PoM包括s行,p列,
其中,s由p和h确定。
进一步的,在本发明实施例中,数据获取模块410还用于:获取结构状态参数集D_ PoM中每一行的各个结构状态参数,并基于每一行的各个结构状态参数搭建缺陷模型;针对每个缺陷模型,基于每个缺陷模型以及选取的观测点,确定与观测点对应的位移数据以及与位移数据对应的时间数据;基于位移数据和时间数据得到二维曲线图CoSi;针对每个二维曲线图CoSi,基于时间序列,在二维曲线图CoSi上选取前q个的位移峰值数据,位移峰值数据的坐标数据标记为(dS-1,tS-1)、(dS-2,tS-2)…(dS-q,tS-q);将q个坐标数据合并为坐标列向量[dS-1,tS-1,dS-2,tS-2…dS-q,tS-q],其中坐标列向量长度为v,二维曲线图CoSi的个数为s;针对每个坐标列向量,依次合并全部坐标列向量,得到位移分析结果集S_ dt,位移分析结果集S_dt包括s行,v列。
进一步的,在本发明实施例中,模型训练模块420还用于:基于结构状态参数集D_ PoM、位移分析结果集S_dt以及结构状态参数集D_PoM和位移分析结果集S_dt之间的对应关系,训练人工神经网络模型;其中,结构状态参数集D_PoM中每一行的结构状态参数在位移分析结果集S_dt具有相对应的位移峰值数据。
进一步的,在本发明实施例中,缺陷判定模块440还用于:将位移峰值数据和相对应的峰值时间数据组成坐标数据,依次标记为(dT-1,tT-1)、(dT-2,tT-2)…(dT-q,tT-q);q为预设数量;将q个坐标数据合并,得到目标列向量[dT-1,tT-1,dT-2,tT-2…dT-q,tT-q];将目标列向量输入目标网络模型。
进一步的,在本发明实施例中,缺陷判定模块440还用于:当通过目标网络模型判定目标列向量存在对应的结构状态参数时,判定对象存在缺陷。
本发明实施例的技术方案,通过获取与对象对应的结构状态参数集D_PoM和位移分析结果集S_dt,就结构状态参数集D_PoM和位移分析结果集S_dt训练人工神经网络模型,得到训练好的目标网络模型;获取通过激光超声波照射对象,使对象的表面振动产生的位移数据组,并基于位移数据组得到预设数量个位移峰值数据,将预设数量个位移峰值数据和与每个位移峰值数据对应的峰值时间数据输入目标网络模型,判定对象是否存在缺陷。若是,基于目标网络模型输出缺陷的结构状态数据。本发明实施例的技术方案,实现了提取位移峰值数据并以此作为输入,降低了噪声,进而提高了数据解析的准确度,使得得到的缺陷的结构状态数据更加准确。并且,对于时域领域中的位移峰值数据进行直接读取,简化了操作过程,提高了数据解析的效率。
值得注意的是,上述装置所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能模块的具体名称也只是为了便于相互区分,并不用于限制本发明实施例的保护范围。
实施例四
图5为本发明实施例提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施例实施方式的示例性电子设备50的框图。图5显示的电子设备50仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备50以通用计算设备的形式表现。电子设备50的组件可以包括但不限于:一个或者多个处理器或者处理单元501,系统存储器502,连接不同系统组件(包括系统存储器502和处理单元501)的总线503。
总线503表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备50典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备50访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器502可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)504和/或高速缓存存储器505。电子设备50可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统506可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM, DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线503相连。存储器502可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块507的程序/实用工具508,可以存储在例如存储器502中,这样的程序模块507包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块507通常执行本发明所描述的实施例中的功能和/或方法。
电子设备50也可以与一个或多个外部设备509(例如键盘、指向设备、显示器510等)通信,还可与一个或者多个使得用户能与该电子设备50交互的设备通信,和/或与使得该电子设备50能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口511进行。并且,电子设备50还可以通过网络适配器512与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器512通过总线503与电子设备50的其它模块通信。应当明白,尽管图5中未示出,可以结合电子设备50使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元501通过运行存储在系统存储器502中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的结构化数据解析方法。
实施例五
本发明实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种结构化数据解析方法,所述方法包括:
获取与对象对应的结构状态参数集D_PoM和位移分析结果集S_dt;基于结构状态参数集D_PoM和位移分析结果集S_dt训练人工神经网络模型,得到训练好的目标网络模型;获取通过激光超声波照射所述对象,使所述对象的表面振动产生的位移数据组,基于所述位移数据组得到预设数量个位移峰值数据;将所述预设数量个位移峰值数据和与每个所述位移峰值数据对应的峰值时间数据输入目标网络模型,判定所述对象是否存在缺陷;若是,基于所述目标网络模型输出所述缺陷的结构状态数据;其中,所述结构状态参数集D_PoM包括至少一组结构状态参数,所述结构状态参数包括缺陷的位置参数Lod、尺寸参数Dod和材料性能参数CHs;所述位移分析结果集S_dt包括至少一组结构状态参数,所述结构状态参数包括位移峰值数据和与位移峰值数据对应的峰值时间数据;所述结构状态数据包括缺陷的位置数据和尺寸数据。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (9)
1.一种结构化数据解析方法,其特征在于,包括:
通过拉偏测试对对象的缺陷的结构进行拉偏,获取每次拉偏后的所述缺陷的位置参数Lod、尺寸参数Dod以及材料性能参数CHs,将所述位置参数Lod、尺寸参数Dod以及材料性能参数CHs组合成参数列向量[Lod,Dod,CHs];
基于各个参数列向量生成结构状态参数集;
获取与对象对应的位移分析结果集;
基于所述结构状态参数集和所述位移分析结果集训练人工神经网络模型,得到目标网络模型;
获取通过激光超声波照射所述对象,使所述对象的表面振动产生的位移数据组,基于所述位移数据组得到预设数量个位移峰值数据;
根据所述预设数量个位移峰值数据和与每个所述位移峰值数据对应的峰值时间数据,得到预设数量个坐标数据,并将所述预设数量个坐标数据进行合并,得到坐标列向量,将所述坐标列向量输入目标网络模型,判定所述对象是否存在缺陷;
若是,基于所述目标网络模型输出所述缺陷的结构状态数据;
其中,所述结构状态参数集包括至少两组结构状态参数,所述结构状态参数包括缺陷的位置参数Lod、尺寸参数Dod和材料性能参数CHs;所述位移分析结果集包括位移峰值数据和与位移峰值数据对应的峰值时间数据;所述结构状态数据包括所述缺陷的位置数据和尺寸数据。
2.根据权利要求1所述的结构化数据解析方法,其特征在于,所述基于各个参数列向量生成结构状态参数集,包括:
分别设置位置参数Lod、尺寸参数Dod以及材料性能参数CHs的标识;
基于位置参数标识、尺寸参数标识以及材料性能参数标识生成p行h列的基准矩阵Base_PoM,
其中,h为拉偏水平数,所述拉偏水平数是指拉偏的次数;p为所述参数列向量的长度;
基于均匀实验对所述基准矩阵Base_PoM处理,生成与所述基准矩阵Base_PoM对应的结构状态参数集,所述结构状态参数集包括s行,p列,其中,s由p和h确定。
3.根据权利要求1所述的结构化数据解析方法,其特征在于,所述获取与对象对应的位移分析结果集,包括:
获取所述结构状态参数集中每一行的各个结构状态参数,并基于每一行的各个结构状态参数搭建缺陷模型;
针对每个缺陷模型,基于每个缺陷模型以及选取的观测点,确定与所述观测点对应的位移数据以及与所述位移数据对应的时间数据;
基于所述位移数据和所述时间数据得到二维曲线图;
针对每个二维曲线图,基于时间序列,在所述二维曲线图上选取前q个的位移峰值数据,所述位移峰值数据的坐标数据标记为(dS-1,tS-1)、(dS-2,tS-2)…(dS-q,tS-q);将q个坐标数据合并为坐标列向量[dS-1,tS-1,dS-2,tS-2…dS-q,tS-q],其中所述二维曲线图的个数为s,所述坐标列向量长度为v;
针对每个坐标列向量,依次合并全部坐标列向量,得到位移分析结果集,所述位移分析结果集包括s行,v列。
4.根据权利要求3所述的结构化数据解析方法,其特征在于,所述基于所述结构状态参数集和所述位移分析结果集训练人工神经网络模型,包括:
基于所述结构状态参数集、所述位移分析结果集以及所述结构状态参数集和所述位移分析结果集之间的对应关系,训练人工神经网络模型;
其中,所述结构状态参数集中每一行的结构状态参数在所述位移分析结果集具有相对应的位移峰值数据。
5.根据权利要求4所述的结构化数据解析方法,其特征在于,所述根据所述预设数量个位移峰值数据和与每个所述位移峰值数据对应的峰值时间数据,得到预设数量个坐标数据,并将所述预设数量个坐标数据进行合并,得到坐标列向量,将所述坐标列向量输入目标网络模型,包括:
将位移峰值数据和相对应的峰值时间数据组成坐标数据,依次标记为(dT-1,tT-1)、(dT-2,tT-2)…(dT-q,tT-q);q为预设数量;
将q个坐标数据合并,得到目标列向量[dT-1,tT-1,dT-2,tT-2…dT-q,tT-q];
将所述目标列向量输入目标网络模型。
6.根据权利要求5所述的结构化数据解析方法,其特征在于,所述判定所述对象是否存在缺陷,包括:
当通过所述目标网络模型判定所述目标列向量存在对应的结构状态参数时,判定所述对象存在缺陷。
7.一种结构化数据解析装置,其特征在于,包括:
数据获取模块,用于通过拉偏测试对对象的缺陷的结构进行拉偏,获取每次拉偏后的所述缺陷的位置参数Lod、尺寸参数Dod以及材料性能参数CHs,将所述位置参数Lod、尺寸参数Dod以及材料性能参数CHs组合成参数列向量[Lod,Dod,CHs];基于各个参数列向量生成结构状态参数集;获取与对象对应的位移分析结果集;
模型训练模块,用于基于所述结构状态参数集和所述位移分析结果集训练人工神经网络模型,得到目标网络模型;
位移峰值数据获取模块,用于获取通过激光超声波照射所述对象,使所述对象的表面振动产生的位移数据组,基于所述位移数据组得到预设数量个位移峰值数据;
缺陷判定模块,用于根据所述预设数量个位移峰值数据和与每个所述位移峰值数据对应的峰值时间数据,得到预设数量个坐标数据,并将所述预设数量个坐标数据进行合并,得到坐标列向量,将所述坐标列向量输入目标网络模型,判定所述对象是否存在缺陷;
结构状态数据输出模块,用于在判定所述对象存在缺陷的情况下,基于所述目标网络模型输出所述缺陷的结构状态数据;其中,所述结构状态参数集包括至少两组结构状态参数,所述结构状态参数包括缺陷的位置参数Lod、尺寸参数Dod和材料性能参数CHs;所述位移分析结果集包括位移峰值数据和与位移峰值数据对应的峰值时间数据;所述结构状态数据包括所述缺陷的位置数据和尺寸数据。
8.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的结构化数据解析方法。
9.一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6中任一所述的结构化数据解析方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210340740.4A CN114444550B (zh) | 2022-04-02 | 2022-04-02 | 结构化数据解析方法、装置、电子设备及存储介质 |
LU502236A LU502236B1 (en) | 2022-04-02 | 2022-06-08 | Structured data parsing method and apparatus, electronic device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210340740.4A CN114444550B (zh) | 2022-04-02 | 2022-04-02 | 结构化数据解析方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114444550A CN114444550A (zh) | 2022-05-06 |
CN114444550B true CN114444550B (zh) | 2022-07-29 |
Family
ID=81359027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210340740.4A Active CN114444550B (zh) | 2022-04-02 | 2022-04-02 | 结构化数据解析方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114444550B (zh) |
LU (1) | LU502236B1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114609245B (zh) * | 2022-05-10 | 2022-08-23 | 西南交通大学 | 一种阵列式超声导波仪、钢结构损伤监测系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106896264A (zh) * | 2015-12-17 | 2017-06-27 | 上海贝岭股份有限公司 | 用于电能表的降低噪底装置及方法 |
CN112070135A (zh) * | 2020-08-28 | 2020-12-11 | 广东电网有限责任公司 | 电力设备图像检测方法、装置、电力设备及存储介质 |
CN113887454A (zh) * | 2021-10-11 | 2022-01-04 | 华南理工大学 | 基于卷积神经网络点源识别的非接触激光超声检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7052530B2 (ja) * | 2018-04-25 | 2022-04-12 | コニカミノルタ株式会社 | 超音波診断装置、および、超音波信号処理方法 |
CN113536770B (zh) * | 2021-09-09 | 2021-11-30 | 平安科技(深圳)有限公司 | 基于人工智能的文本解析方法、装置、设备及存储介质 |
CN114218219A (zh) * | 2021-12-17 | 2022-03-22 | 中国建设银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
-
2022
- 2022-04-02 CN CN202210340740.4A patent/CN114444550B/zh active Active
- 2022-06-08 LU LU502236A patent/LU502236B1/en active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106896264A (zh) * | 2015-12-17 | 2017-06-27 | 上海贝岭股份有限公司 | 用于电能表的降低噪底装置及方法 |
CN112070135A (zh) * | 2020-08-28 | 2020-12-11 | 广东电网有限责任公司 | 电力设备图像检测方法、装置、电力设备及存储介质 |
CN113887454A (zh) * | 2021-10-11 | 2022-01-04 | 华南理工大学 | 基于卷积神经网络点源识别的非接触激光超声检测方法 |
Non-Patent Citations (2)
Title |
---|
A Light-Weighted CNN Model for Wafer Structural Defect Detection;Xiaoyan Chen,and etc;《 IEEE Access》;20200130;第24006-24018页 * |
基于人工神经网络和多频超声波检测技术的变压器油界面张力预测;杨壮等;《高电压技术》;20191031;第45卷(第10期);第3343-3349页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114444550A (zh) | 2022-05-06 |
LU502236B1 (en) | 2022-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447156B (zh) | 用于生成模型的方法和装置 | |
CN112734691B (zh) | 一种工业制品缺陷检测方法、装置、终端设备及存储介质 | |
CN103528617A (zh) | 一种座舱仪表自动识别和检测方法及装置 | |
CN114155244B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN114444550B (zh) | 结构化数据解析方法、装置、电子设备及存储介质 | |
CN102495926B (zh) | 三维原始模型的检验方法及装置 | |
CN110146792A (zh) | 基于生成对抗网络的变压器局部放电图谱生成方法 | |
CN105930257A (zh) | 一种确定目标测试用例的方法及装置 | |
CN116226728B (zh) | 基于单次规则波激励的浮式结构频响函数识别方法 | |
CN111563029A (zh) | 对话机器人的测试方法、系统、存储介质及计算机设备 | |
CN111124896B (zh) | 一种主次峰值比计算算法的蜕变测试系统 | |
CN109840212B (zh) | 应用程序的功能测试方法、装置、设备及可读存储介质 | |
CN113536894A (zh) | 缺陷检测方法、缺陷检测装置和计算机可读存储介质 | |
CN113722441A (zh) | 一种相似文本的生成方法、装置、设备及存储介质 | |
EP3819789A3 (en) | Method, apparatus, device and storage medium for map retrieval test | |
CN116433661B (zh) | 多任务学习的半导体晶圆检测方法、装置、设备及介质 | |
CN117191956A (zh) | 一种基于声发射的钛合金应力腐蚀损伤分类方法及装置 | |
CN114782845B (zh) | 爆破后建筑物新生裂缝识别方法、装置、设备及介质 | |
Wang et al. | Comparative study of modal strain energy based damage localization methods for three-dimensional structure | |
CN113763395B (zh) | 一种基于图像分析空化泡动力学特性的方法 | |
CN115859836A (zh) | 一种岩体蠕变本构模型参数识别方法、装置、设备及介质 | |
Lai et al. | Quantify Resonance Inspection With Finite Element-Based Modal Analyses | |
CN115754007A (zh) | 一种基于声发射技术和层析成像技术的损伤检测方法 | |
CN115598993A (zh) | 半实物仿真红外场景物理效应模拟效果的评估方法和系统 | |
CN114593898A (zh) | 基于折射数据的透镜质量分析方法、装置、设备及介质 |
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 |