CN114791928A - 一种时域信息熵驱动的边界自适应结构疲劳损伤检测方法 - Google Patents
一种时域信息熵驱动的边界自适应结构疲劳损伤检测方法 Download PDFInfo
- Publication number
- CN114791928A CN114791928A CN202210385643.7A CN202210385643A CN114791928A CN 114791928 A CN114791928 A CN 114791928A CN 202210385643 A CN202210385643 A CN 202210385643A CN 114791928 A CN114791928 A CN 114791928A
- Authority
- CN
- China
- Prior art keywords
- information entropy
- time
- course
- crack
- curve
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 230000004044 response Effects 0.000 claims abstract description 23
- 238000006073 displacement reaction Methods 0.000 claims abstract description 18
- 230000005284 excitation Effects 0.000 claims abstract description 16
- 230000009191 jumping Effects 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 35
- 230000008859 change Effects 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 230000036541 health Effects 0.000 abstract description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 description 9
- 239000000284 extract Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 230000036039 immunity Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010206 sensitivity analysis Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
- G01M5/0066—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by exciting or detecting vibration or acceleration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
- G01M5/0033—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by determining damage, crack or wear
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
- G01M5/0008—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings of bridges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Fuzzy Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明涉及结构健康监测技术领域,公开了一种时域信息熵驱动的边界自适应结构疲劳损伤检测方法,包括:在结构体上布置多个传感器组成的传感器序列,对结构体施加激励,采集结构体上不同位置处的位移时程响应曲线,建立时程数据的数据库;根据数据库中的数据集,基于信息熵度量时域响应信号紊乱程度,得到采集结构上不同位置处时程响应的信息熵值,根据多个传感器所在的位置,将得到时程响应的信息熵值依次连接,得到结构体整体的时程信息熵曲线;分析时程信息熵曲线,信息熵曲线产生跳跃现象,从而确定裂缝产生的位置,这种方法,能够有效辨识疲劳裂缝的发生、程度及位置,具备较好的鲁棒性和抗噪能力。
Description
技术领域
本发明涉及结构健康监测技术领域,特别涉及一种时域信息熵驱动的边界自适应结构疲劳损伤检测方法。
背景技术
新时期以来我国桥梁建设总量不断增加,对于桥梁监测养护需求呈现快速的增长趋势。为保证桥梁运维的安全,对桥梁状况的监测是必不可少的。随着传感技术,数据传输、存储、处理技术的发展,海量的结构健康检测数据被提取,这些海量的数据中包含丰富的表征结构损伤的信息,海量监测数据的充分利用,需要能够高效率地提取海量数据中的损伤特征的损伤识别算法。桥梁结构状态的整体演变虽是长期的,桥梁结构在服役期间其中蕴含的诸多的微观的疲劳裂缝损伤,疲劳裂缝经过一次次交变载荷循环,不断向前扩张最终从裂源点向外辐射,造成构件断裂,但低频的检测不具有时效性,难以完整及时观测变化过程,需要通过高频率、时效性的检测数据才能保证对结构疲劳裂缝发展趋势判别的准确程度。由于结构状态的诸多不确定性,通过单一的理论假设难以建立较准确的数学模型,传统的基于理论驱动的建模方法已经无法满足需求。
数据驱动的分析方法以其对随机扰动的稳定性和强适应性的优势,可以为结构状态疲劳裂缝分析提供解决方案。目前常用疲劳裂缝识别方法主要基于已知系统及其动力输出信号,利用监测传感器采集的响应数据,通过恢复力曲面模型方法(RFS)、Volterra级数高阶频响函数法、短时傅立叶变换(STFT)等方法进行裂缝的识别,研究方法如下:恢复力曲面模型方法(RFS)将速度、位移相关的力作为系统的内部恢复力,建立系统恢复力、位移、速度的三维关系来研究疲劳裂缝,对线性系统识别较好,缺乏对非线性系统裂缝损伤识别;Volterra级数高阶频响函数法在简谐激励下,研究非线性结构系统的损伤识别和双线性参数估计,参数的大小取值与裂缝大小和结构退化程度有关,参数估计采用递归迭代求解,在裂缝深度较小的情况下能够识别裂缝,但方法依赖于参数大小取值;短时傅立叶变换(STFT)方法提出了短时傅立叶变换(STFT),作为一种信号的时频分析方法,采用不同中心频率的带通滤波器对信号的谱分量进行分割提取,再对输出的包络求平方,以此来反映信号中频段范围内频率分量的功率随时间的变化规律,从而识别裂缝损伤,其不能在频率和时间这两个方面同时实现较高的分辨率,从而在一定程度上影响了时频分析的准确性。
目前缺少一种能够快速简易分析各传感器海量数据,提取疲劳裂缝的信息,达到轻量化的目的。本发明方法针对时域数据中提取疲劳裂缝的信息,通过传感器位置和其得到的时程位移曲线得到结构时域信息熵的分布曲线,根据信息熵将疲劳裂缝信息独立化特性,通过曲线跳动能够快速判断对多疲劳裂缝的所在区域下,对不同深度、不同位置疲劳裂缝进行敏感性分析,避免因边界条件变化无法识别缺点,同时具备较好的鲁棒性和抗噪能力。
发明内容
本发明提供一种时域信息熵驱动的边界自适应结构疲劳损伤检测方法,能够快速判断对多疲劳裂缝的所在区域下,对不同深度、不同位置疲劳裂缝进行敏感性分析,同时具备较好的鲁棒性和抗噪能力。
本发明提供了一种时域信息熵驱动的边界自适应结构疲劳损伤检测方法,包括以下步骤:
S1、在结构体上布置多个传感器组成的传感器序列,对结构体施加激励,采集结构体上不同位置处的位移时程响应曲线,建立时程数据的数据库;
S2、根据数据库中的数据集,基于信息熵度量时域响应信号紊乱程度,得到采集结构上不同位置处时程响应的信息熵值,根据多个传感器所在的位置,将得到时程响应的信息熵值依次连接,得到结构体整体的时程信息熵曲线;
S3、分析时程信息熵曲线,因疲劳裂缝具有“一张一合”特性,信息熵会突出疲劳裂缝张开的信息量,即信息熵值会产生突变,信息熵曲线产生跳跃现象,从而确定裂缝产生的位置。
上述施加激励为Л分布的激励、高斯分布的激励或者对数分布的激励。
上述时程响应的信息熵值为:
其中,x0,x1,x2,x3,…,xN-1,表示在所有事件的时间记录中,事件i的概率为P(xi)的信号X得到的结果,P(xi)为第i时刻结构位移占全时刻位移和的比重。
与现有技术相比,本发明的有益效果在于:
本发明方法相比传统方法会因边界条件的变化无法辨识疲劳裂缝,克服了传统方法难以及时有效地提取裂纹信息且没有良好的抗噪能力,本发明针对时域数据中提取疲劳裂缝的信息,通过传感器位置和其得到的时程位移曲线得到结构时域信息熵的分布曲线,根据信息熵将疲劳裂缝信息独立化特性,通过曲线跳动能够快速判断对多疲劳裂缝的所在区域下,对不同深度、不同位置疲劳裂缝进行敏感性分析,避免因边界条件变化无法识别缺点,同时具备较好的鲁棒性和抗噪能力。
附图说明
图1是本发明方法具体流程示意图。
图2是本发明中梁裂缝的建模模型。
图3是本发明中单呼吸裂缝悬臂边界情况下不同位置处香农熵曲线。
图4是本发明中单呼吸裂缝固定-简支情况下不同位置处香农熵曲线。
图5是本发明中单呼吸裂缝两端简支情况下不同位置处香农熵曲线。
图6是本发明中单呼吸裂缝两端固定情况下不同位置处香农熵曲线。
图7是本发明中多呼吸裂缝不同位置处偏香农熵曲线。
图8是本发明中不同噪音条件下香农熵曲线。
具体实施方式
下面结合附图1-8,对本发明的一个具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
如图1所示,本发明实施例提供的一种时域信息熵驱动的边界自适应结构疲劳损伤检测方法,包括:
步骤一、结构上施加Л分布的激励,沿结构体布置由多个传感器组成的传感器序列,采集结构上不同位置处的位移时程响应曲线,建立时程数据的数据库。
步骤二、导入步骤一数据库中的数据集,基于信息熵度量时域响应信号紊乱程度,得到不同采集点处的信息熵值,根据传感器所在的位置,将得到时程响应的信息熵值依次连接,得到结构整体时程信息熵曲线。
其中,x0,x1,x2,x3,…,xN-1,表示在所有事件的时间记录中,事件i的概率为P(xi)的信号X得到的结果,P(xi)为第i时刻结构位移占全时刻位移和的比重。
步骤三、分析信息熵曲线,因疲劳裂缝具有“一张一合”特性,信息熵会突出疲劳裂缝张开的信息量,信息熵值会产生突变,信息熵曲线产生跳跃现象,从而确定裂缝产生的位置。
下面结合具体实施例作具体实施方式的详细说明。
实施例为梁结构中可能发生的不同深度和位置、不同噪声条件、不同边界条件下下单呼吸及多疲劳裂缝下的方法。数值模拟梁结构的非线性动态特征,包括单呼吸裂纹和多呼吸裂纹,并利用高阶时域响应统计分析方法,详细计算步骤如下:
悬臂梁在固定端使用高斯白噪声激发进行激励,而测量点同样位于梁表面的10个不同位置,以记录纵向位移,如图2所示,呼吸性裂纹的位置和深度可以使用无量纲参数来指定,位置为ζ=xc/l,深度为ξ=a/c,xc为监测点的位置,l为梁的长度,a为裂缝深度,c为横截面高度,设置的工况的如下:
考虑了3种不同的裂纹深度,即3.5mm(ξ1=0.1)、10.5mm(ξ2=0.3)和17.5mm(ξ3=0.5)。
考虑了6种情况下的噪声情况,SNR=85,65,45,25,10,0db。
考虑4种条件单呼吸裂缝下不同边界条件下(悬臂、固定-简支、两端固定、两段简支)的裂缝识别与定位;
步骤一、结构上施加Л分布的激励,沿结构体布置由多个传感器组成的传感器序列,采集结构上不同位置处的位移时程响应曲线,建立时程数据的数据库。
步骤二、导入步骤一数据库中的数据集,基于信息熵度量时域响应信号紊乱程度,得到不同采集点处的信息熵值,根据传感器所在的位置,将得到时程响应的信息熵值依次连接,得到结构整体时程信息熵曲线。见图3-8。
步骤三、分析信息熵曲线,因疲劳裂缝具有“一张一合”特性,信息熵会突出疲劳裂缝张开的信息量,信息熵值会产生突变,信息熵曲线产生跳跃现象,从而确定裂缝产生的位置。由图3-8可得:
信息熵法对所有研究位置的呼吸性裂纹都很敏感,该方法对裂纹位置的灵敏度从裂纹两侧的跳跃中可以明显看出,这表明了裂纹的位置。此外,可以观察到在裂纹位置有一个散射点,表明裂纹的位置。当裂纹深度显著时,跳转更为明显,并随着裂纹深度的减小而逐渐减小。同时显示了噪声水平对此方法性能的影响,结果表明,该方法具有良好的鲁棒性,证明该方法能够检测不同噪声条件下的单个和多个呼吸性裂纹。
本发明公开了一种时域信息熵驱动的边界自适应结构疲劳损伤检测方法,该方法的具体技术元素包括:结构含有疲劳裂缝,在激励下经过疲劳裂缝调制后位移响应的信息分布会发生跳变,采用信息熵反映了疲劳裂缝信息量,沿结构体布置多个传感器组成的传感器序列,将传感器序列所采集的多点信息熵的统计分析,形成信息熵曲线,信息熵跳变揭示了疲劳裂缝的位置和程度。相比传统统计量,信息熵将疲劳裂缝信息独立化,避免因边界条件变化无法有效辨识疲劳裂缝的发生、程度及位置,用统计属性表征损伤赋予该方法良好的噪声鲁棒性,该方法不依赖数值或物理模型,提供了一种采用监测数据对实际结构进行疲劳裂损伤监(检)测的轻量化技术。
本发明方法相比传统方法会因边界条件的变化无法辨识疲劳裂缝,克服了传统方法难以及时有效地提取裂纹信息且没有良好的抗噪能力,本发明针对时域数据中提取疲劳裂缝的信息,通过传感器位置和其得到的时程位移曲线得到结构时域信息熵的分布曲线,根据信息熵将疲劳裂缝信息独立化特性,通过曲线跳动能够快速判断对多疲劳裂缝的所在区域下,对不同深度、不同位置疲劳裂缝进行敏感性分析,避免因边界条件变化无法识别缺点,同时具备较好的鲁棒性和抗噪能力。
以上公开的仅为本发明的几个具体实施例,但是,本发明实施例并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (3)
1.一种时域信息熵驱动的边界自适应结构疲劳损伤检测方法,其特征在于,包括以下步骤:
S1、在结构体上布置多个传感器组成的传感器序列,对结构体施加激励,采集结构体上不同位置处的位移时程响应曲线,建立时程数据的数据库;
S2、根据数据库中的数据集,基于信息熵度量时域响应信号紊乱程度,得到采集结构上不同位置处时程响应的信息熵值,根据多个传感器所在的位置,将得到时程响应的信息熵值依次连接,得到结构体整体的时程信息熵曲线;
S3、分析时程信息熵曲线,因疲劳裂缝具有“一张一合”特性,信息熵会突出疲劳裂缝张开的信息量,即信息熵值会产生突变,信息熵曲线产生跳跃现象,从而确定裂缝产生的位置。
2.如权利要求1所述的时域信息熵驱动的边界自适应结构疲劳损伤检测方法,其特征在于,所述施加激励为Л分布的激励、高斯分布的激励或者对数分布的激励。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210385643.7A CN114791928A (zh) | 2022-04-13 | 2022-04-13 | 一种时域信息熵驱动的边界自适应结构疲劳损伤检测方法 |
US18/134,058 US20230358630A1 (en) | 2022-04-13 | 2023-04-13 | Boundary adaptive structural fatigue damage detection method driven by time-domain information entropy |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210385643.7A CN114791928A (zh) | 2022-04-13 | 2022-04-13 | 一种时域信息熵驱动的边界自适应结构疲劳损伤检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114791928A true CN114791928A (zh) | 2022-07-26 |
Family
ID=82462281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210385643.7A Pending CN114791928A (zh) | 2022-04-13 | 2022-04-13 | 一种时域信息熵驱动的边界自适应结构疲劳损伤检测方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230358630A1 (zh) |
CN (1) | CN114791928A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103940905A (zh) * | 2014-04-16 | 2014-07-23 | 山东农业大学 | 基于平稳小波变换和分形分析的梁结构损伤检测方法 |
CN107356417A (zh) * | 2017-06-30 | 2017-11-17 | 暨南大学 | 一种融合时序分析与信息熵的栓接结合部损伤识别方法 |
CN108956767A (zh) * | 2018-06-13 | 2018-12-07 | 天津大学 | 基于频率-信息熵的钢筋混凝土锈蚀疲劳损伤评价方法 |
CN109085244A (zh) * | 2018-07-10 | 2018-12-25 | 南京邮电大学 | 一种基于压电阵列的非线性Lamb波结构疲劳损伤层析成像方法 |
CN111737848A (zh) * | 2020-05-12 | 2020-10-02 | 南京航空航天大学 | 基于时域应变信号分解的起重机械主梁结构裂纹识别方法 |
CN114062490A (zh) * | 2021-06-29 | 2022-02-18 | 北京交通大学 | 基于GAN的钢轨焊缝Lamb波模态分解与裂纹损伤监测方法 |
-
2022
- 2022-04-13 CN CN202210385643.7A patent/CN114791928A/zh active Pending
-
2023
- 2023-04-13 US US18/134,058 patent/US20230358630A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103940905A (zh) * | 2014-04-16 | 2014-07-23 | 山东农业大学 | 基于平稳小波变换和分形分析的梁结构损伤检测方法 |
CN107356417A (zh) * | 2017-06-30 | 2017-11-17 | 暨南大学 | 一种融合时序分析与信息熵的栓接结合部损伤识别方法 |
CN108956767A (zh) * | 2018-06-13 | 2018-12-07 | 天津大学 | 基于频率-信息熵的钢筋混凝土锈蚀疲劳损伤评价方法 |
CN109085244A (zh) * | 2018-07-10 | 2018-12-25 | 南京邮电大学 | 一种基于压电阵列的非线性Lamb波结构疲劳损伤层析成像方法 |
CN111737848A (zh) * | 2020-05-12 | 2020-10-02 | 南京航空航天大学 | 基于时域应变信号分解的起重机械主梁结构裂纹识别方法 |
CN114062490A (zh) * | 2021-06-29 | 2022-02-18 | 北京交通大学 | 基于GAN的钢轨焊缝Lamb波模态分解与裂纹损伤监测方法 |
Also Published As
Publication number | Publication date |
---|---|
US20230358630A1 (en) | 2023-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751073A (zh) | 基于分布式光纤传感和深度学习的管道早期损伤模式识别方法 | |
CN105067239B (zh) | 基于扫频激励振动的梁裂纹故障检测装置及方法 | |
CN112834193B (zh) | 一种基于三维图的运营桥梁振动和健康状态异常预警方法 | |
CN110160765A (zh) | 一种基于声音或振动信号的冲击特征识别方法及系统 | |
CN107748209B (zh) | 一种结构损伤检测方法 | |
CN110514745A (zh) | 一种基于多频声发射信号的缆索断丝位置确定的方法 | |
Shi et al. | Structural damage detection using artificial neural networks and wavelet transform | |
CN111780866B (zh) | 一种柴油机试验底座安装状态固有频率测试方法及装置 | |
Vazirizade et al. | Online nonlinear structural damage detection using Hilbert Huang transform and artificial neural networks | |
CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
CN111721834A (zh) | 一种电缆局部放电在线监测缺陷辨识方法 | |
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 | |
CN112067701A (zh) | 基于声学诊断的风机叶片远程听诊方法 | |
Li et al. | An improved AIC onset-time picking method based on regression convolutional neural network | |
CN114791928A (zh) | 一种时域信息熵驱动的边界自适应结构疲劳损伤检测方法 | |
Wan et al. | Adaptive asymmetric real Laplace wavelet filtering and its application on rolling bearing early fault diagnosis | |
CN110568081B (zh) | 一种古建筑损伤测试装置及测试方法 | |
CN105651537B (zh) | 一种高损伤敏感性的桁架结构损伤实时监测系统 | |
Jiang et al. | Rolling bearing quality evaluation based on a morphological filter and a Kolmogorov complexity measure | |
CN116881712A (zh) | 一种混凝土大坝活动裂纹电磁脉冲信号识别方法 | |
CN114880746A (zh) | 一种利用激励响应数据统计分布转异的疲劳损伤检测方法 | |
CN114528868A (zh) | 一种压缩机叶片裂纹故障检测方法 | |
Hall et al. | Acoustic Emission Signal Classification in Condition Monitoring Using the Kolmogorov-Smirnov Statistic. | |
CN112213104B (zh) | 轴承检测方法、装置和系统 | |
CN111006713B (zh) | 基于cwd谱峭度与二次时频分析的接触线不平顺检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220726 |
|
RJ01 | Rejection of invention patent application after publication |