CN114880746A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114880746A CN114880746A CN202210498303.5A CN202210498303A CN114880746A CN 114880746 A CN114880746 A CN 114880746A CN 202210498303 A CN202210498303 A CN 202210498303A CN 114880746 A CN114880746 A CN 114880746A
- Authority
- CN
- China
- Prior art keywords
- building structure
- coefficient
- distribution
- kurtosis
- skewness
- 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
- 230000004044 response Effects 0.000 title claims abstract description 48
- 230000005284 excitation Effects 0.000 title claims abstract description 34
- 230000006378 damage Effects 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000006073 displacement reaction Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000005251 gamma ray Effects 0.000 claims description 3
- 238000010206 sensitivity analysis Methods 0.000 abstract description 5
- 230000009471 action Effects 0.000 description 8
- 230000009466 transformation Effects 0.000 description 8
- 208000010392 Bone Fractures Diseases 0.000 description 5
- 206010017076 Fracture Diseases 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000029058 respiratory gaseous exchange Effects 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005312 nonlinear dynamic Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Abstract
本发明公开了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,包括以下步骤:在建筑结构体的不同位置处分别布置传感器,构成传感器序列;在建筑结构体上施加Д分布的激励,利用传感器序列采集建筑结构体上不同位置处的位移时程响应曲线、并建立位移时程数据库;根据数据库中的位移时程数据,确定不同位置处的峰度系数和偏度系数,并结合传感器序列采集的多点位移响应,形成峰度系数曲线、偏度系数曲线;分析呈现非Д分布的峰度系数曲线和偏度系数曲线,确定建筑结构体上各疲劳裂缝的位置和损伤程度。本发明实现了对不同深度、不同位置疲劳裂缝进行敏感性分析,实现外在激励‑响应数据下的疲劳损伤轻量化检测方法。
Description
技术领域
本发明涉及结构健康监测与安全预警技术领域,具体为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。
背景技术
新时期以来我国建筑设施总量不断增加,对于建筑物监测养护需求呈现快速的增长趋势。大规模监测养护工作的开展以及相关技术研究的提升都离不开全面精准的检测数据做支撑。建筑结构状态的整体演变虽是长期的,且在服役期间其中蕴含的诸多的微观的疲劳裂纹损伤,疲劳裂纹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。
在获取检测数据时,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纹发展趋势判别的准确程度。随着计算能力和数据量的提升,数据驱动、大数据分析决策方法兴起,大数据的兴起引发了新的科学研究模式。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。
现有的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。目前常用疲劳裂纹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,通过广义似然比检验、幅值包络解调、贝叶斯等方法进行裂缝的识别。广义似然比检验方法来研究疲劳裂纹,旨在检测出中最小的裂纹尺寸,缺少对不同裂缝的深度,缺乏多个裂缝的识别与定位;利用幅值包络解调如共振解调法来提裂纹故障引起的冲击信息,但是由于调幅现象和调频现象同时存在,故障引起的冲击振动比较微弱,被淹没在强大的背景噪声中,单一的幅值共振解调难以及时有效地提取齿轮裂纹故障信息;贝叶斯方法和非线性模型进行检测的疲劳裂缝,该方法旨在定位和量化呼吸性裂纹,并利用非线性结构响应描述其条件。结果表明,即使在噪声条件下,该方法也能检测和定位单个呼吸裂纹,缺少对多个裂缝的分析。
发明内容
本发明的目的在于提供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,针对疲劳裂纹在激励作用下,产生与激励作用分布不同的时程数据分布曲线的特性,通过传感器位置和其得到的时程位移曲线,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。
本发明提供了一种利用激励响应数据统计分布转异的疲劳损伤检测方法,包括以下步骤:
在建筑结构体的不同位置处分别布置传感器,构成传感器序列;
在建筑结构体上施加Д分布的激励,利用传感器序列采集建筑结构体上不同位置处的位移时程响应曲线、并建立位移时程数据库;
根据数据库中的位移时程数据,确定不同位置处的峰度系数和偏度系数,并结合传感器序列采集的多点位移响应,形成峰度系数曲线、偏度系数曲线;其中,当建筑结构体完好时,峰度系数曲线和偏度系数曲线均与Д分布一致;当建筑结构体受损时,峰度系数曲线和偏度系数曲线均呈现非Д分布;
分析呈现非Д分布的峰度系数曲线和偏度系数曲线,确定建筑结构体上各疲劳裂缝的位置和损伤程度。
进一步地,所述Д分布包括:高斯分布、对数分布。
进一步地,建筑结构体受损时,所述位移时程响应曲线与激励的Д分布不同。
进一步地,根据数据库中的位移时程数据,基于时域响应中高阶峰度系数与偏度系数的分析方法,确定不同位置处的峰度系数和偏度系数。
进一步地,所述偏度系数计算公式为:
所述峰度系数计算公式为:
其中γ3为转异系数中的偏度系数;γ4分别为转异系数中峰度系数;
x为建筑结构体上的某一个采集点在受到激励后的位移值;
μ为建筑结构体上的所有不同位置处的采集点在受到激励后的位移均值,其计算公式为:
其中i为建筑结构体上的所有不同位置处的采集点,i=1,2,3,...,n;
σ为建筑结构体上的所有不同位置在受到激励后的位移标准差,其计算公式为:
其中i为建筑结构体上的所有不同位置处的采集点,i=1,2,3,...,n;
E(x-μ)为建筑结构体上的某一个采集点的位移期望。
进一步地,所述呈现非Д分布的峰度系数曲线和偏度系数曲线包括:尖峰。
进一步地,通过分析呈现非Д分布的峰度系数曲线和偏度系数曲线的跳变及跳变程度,确定建筑结构体上各疲劳裂缝的位置和损伤程度。
与现有技术相比,本发明的有益效果:
本发明方法相比传统方法不能直接具体刻画时域信息响应中非线性程度,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,针对疲劳裂纹在激励作用下,产生与激励作用分布不同的时时程数据分布曲线的特性,通过传感器位置和其得到的时程位移曲线,能够快速判断多疲劳裂缝的所在区域,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,实现外在激励-响应数据下的疲劳损伤轻量化检测方法。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明提出的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的流程图;
图2是本发明的实施例中的梁裂缝的建模模型;
图3是本发明的实施例中的三种不同的裂纹深度的梁裂缝偏度系数和峰度系数曲线;
图4是本发明的实施例中的三种不同的裂纹深度在不同噪音条件下的偏度系数曲线;
图5是本发明的实施例中的三种不同的裂纹深度在不同噪音条件下的峰度系数曲线。
具体实施方式
下面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、完整的描述,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。
在长期服役过程中,结构存在大量呼吸疲劳性裂纹,随着疲劳裂纹扩展,断口表面就产生一道裂纹,裂纹在循环载荷的作用下,不断向前扩展,当扩展至一定程度,构件即进入最后的断裂阶段,从裂源点向外辐射,造成构件断裂。本发明针对疲劳裂纹在任意Д分布(高斯分布、对数分布等)激励作用下,产生与激励作用分布不同的时程数据分布曲线的特性,分析其转异系数,当结构完好转异系数与激励分布转异系数一致,响应为Д分布;相反,当系统受损时转异系数会与与激励分布转异系数不一致,即系统为非线性分布,响应为非Д分布,通过传感器布置能够快速判断多疲劳裂缝的所在区域,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,实现外在激励-响应数据下的疲劳损伤轻量化检测方法。
本发明实施例提出的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,具体包括以下步骤:
步骤一、结构上施加Д分布的激励,沿结构体合理布置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,基于时域响应中高阶峰度系数与偏度系数的分析方法,得到不同采集点处的峰度系数和偏度系数,每个传感器采集位移响应的统计分析的峰度系数和偏度系数反映了该位置的疲劳裂缝程度,从传感器序列所采集的多点位移响应,形成峰度系数曲线、偏度系数曲线。
其中γ3和γ4分别为转异系数中的偏度系数和峰度系数,x位移时程响应中的位移值,μ为x的均值,σ为x的标准差,E(t)为采集点t的期望。当结构完好且受到Д分布激励时,由于系统是线性的,转异系数与激励分布的转异系数一致。相反,当系统受损时其转异系数发生突变,即系统响应呈现为非Д分布。
步骤三、分析峰度系数和偏度系数的分布曲线,因疲劳裂缝具有“一张一合”特性,会突出位移响应曲线的非Д分布信息,故峰度系数和偏度系数的分布曲线反映了结构上各点的疲劳裂缝程度。对于一般含一个或几个疲劳裂缝的结构,峰度系数和偏度系数的跳变及跳变程度揭示了疲劳裂缝的位置和程度。
下面结合具体实施例作具体实施方式的详细说明。
本实施例中Д分布使用高斯分布下的激励。实施为梁结构中可能发生的不同深度和位置,不同噪声条件下单呼吸及多疲劳裂缝下方法的。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,详细步骤如下:
1、采用ABAQUS构造悬臂梁。梁的几何尺寸:长度(L=300mm)、宽度(B=25mm)和厚度(H=10mm),
2、损伤设置为疲劳裂缝
疲劳裂纹的打开和关闭被认为是一个局部接触问题。通过将其中一个裂纹表面视为主表面,将另一个视为从属表面,对疲劳裂纹表面之间的相互作用进行建模。在梁振动过程中,疲劳裂纹出现三种接触状态:
(i)裂纹完全打开,这意味着主表面和从表面之间没有接触;
(ii)从裂纹表面和主裂纹表面上的所有节点均接触,且裂纹完全闭合。
(iii)从裂纹表面和主裂纹表面部分接触。
3、沿梁的长度方向设置损伤位置,损伤位置离端部的距离为xc,损伤的深度为a,为了方便定义损伤的位置和损伤深度,将损伤位置和损伤深度,定义为:
ζ=xc/L
ξ=a/H
其中xc代表损伤位置距离端部的位置,L为梁的长度,ζ代表裂缝距离端部的相对位置,a代表裂缝的深度,H代表梁的厚度,ζ代表裂缝的相对深度。
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。
4、沿梁的长度方向设置传感器,选取10个点作为传感器的位置。
5、悬臂梁的自由端施加Д分布激励(采用高斯分布随机激励)。
6、通过10个点采集加速度响应,组成不同位置处的时域响应数据库。
7、根据结构体上的不同位置处的位移时程响应曲线中的数据信息,计算结构体上的不同位置处的位移时程响应的转异系数。
其中偏度系数计算公式为:
其中峰度系数计算公式为:
其中γ3为转异系数中的偏度系数;γ4分别为转异系数中峰度系数;
x为结构体上的某一个采集点在受到激励后的位移值;
μ为结构体上的所有不同位置处的采集点在受到激励后的位移均值,其计算公式为:
其中i为结构体上的所有不同位置处的采集点,i=1,2,3,...,n;
σ为结构体上的所有不同位置在受到激励后的位移标准差,其计算公式为:
其中i为结构体上的所有不同位置处的采集点,i=1,2,3,...,n;
E(x-μ)为结构体上的某一个采集点的位移期望。
8、根据不同采集点处的峰度系数和偏度系数,每个传感器采集位移响应的统计分析的峰度系数和偏度系数反映了该位置的疲劳裂缝程度,从传感器序列所采集的多点位移响应,形成峰度系数曲线、偏度系数曲线。见图3、图4、图5。
9、分析峰度系数和偏度系数的分布曲线,因疲劳裂缝具有“一张一合”特性,会突出位移响应曲线的非Д分布信息,故峰度系数和偏度系数的分布曲线反映了结构上各点的疲劳裂缝程度。对于一般含一个或几个疲劳裂缝的结构,峰度系数和偏度系数的跳变及跳变程度揭示了疲劳裂缝的位置和程度。
由图3、图4、图5可得:
疲劳裂缝对在高斯激励下,导致位移响应分布转异,从而偏离高斯分布。利用高阶(>2阶)峰度系数与高价偏度系数定量刻画位移响应的非高斯程度,据其反映疲劳裂缝的发生和程度。因疲劳裂缝具有位置敏感性,其所在位置处位移响应的非高斯程度会发生突变,其峰度系数曲线和偏度系数曲线的跳跃揭示了疲劳裂缝的位置,当裂纹深度显著时,跳转更为明显。相比传统的二阶统计量不能刻画非高斯程度,从而无法从非高斯程度来反映疲劳裂缝,该方法通过表征非高斯性来反映疲劳裂缝,能够有效辨识疲劳裂缝的发生、程度和位置,且具有良好的噪声鲁棒性,适合实际结构的疲劳类裂缝监(检)测。
根据以上分析可知:
本发明针对建筑结构上的疲劳裂纹在任意Д分布,如高斯分布、对数分布等激励作用下,产生与激励作用分布不同的时程数据分布曲线的特性,分析其转异系数:当结构完好转异系数与激励分布转异系数一致,响应为Д分布;相反,当系统受损时转异系数会与与激励分布转异系数不一致,即系统为非线性分布,响应为非Д分布。即通过传感器布置能够快速判断多疲劳裂缝的所在区域,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,实现外在激励-响应数据下的疲劳损伤轻量化检测方法;相比传统的二阶统计量不能刻画非Д分布信息,该方法通过表征数据转异来反映疲劳裂缝,能够有效辨识疲劳裂缝的位置和程度,具有良好的噪声鲁棒性,且不依赖数值或物理模型。
最后说明的是:以上公开的仅为本发明的一个具体实施例,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 (7)
1.一种利用激励响应数据统计分布转异的疲劳损伤检测方法,其特征在于,包括以下步骤:
在建筑结构体的不同位置处分别布置传感器,构成传感器序列;
在建筑结构体上施加Д分布的激励,利用传感器序列采集建筑结构体上不同位置处的位移时程响应曲线、并建立位移时程数据库;
根据数据库中的位移时程数据,确定不同位置处的峰度系数和偏度系数,并结合传感器序列采集的多点位移响应,形成峰度系数曲线、偏度系数曲线;其中,当建筑结构体完好时,峰度系数曲线和偏度系数曲线均与Д分布一致;当建筑结构体受损时,峰度系数曲线和偏度系数曲线均呈现非Д分布;
分析呈现非Д分布的峰度系数曲线和偏度系数曲线,确定建筑结构体上各疲劳裂缝的位置和损伤程度。
2.根据权利要求1所述的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,其特征在于:所述Д分布包括:高斯分布、对数分布。
3.根据权利要求1所述的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,其特征在于:建筑结构体受损时,所述位移时程响应曲线与激励的Д分布不同。
4.根据权利要求1所述的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,其特征在于:根据数据库中的位移时程数据,基于时域响应中高阶峰度系数与偏度系数的分析方法,确定不同位置处的峰度系数和偏度系数。
5.根据权利要求4所述的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,其特征在于:所述偏度系数计算公式为:
所述峰度系数计算公式为:
其中γ3为转异系数中的偏度系数;γ4分别为转异系数中峰度系数;
x为建筑结构体上的某一个采集点在受到激励后的位移值;
μ为建筑结构体上的所有不同位置处的采集点在受到激励后的位移均值,其计算公式为:
其中i为建筑结构体上的所有不同位置处的采集点,i=1,2,3,...,n;
σ为建筑结构体上的所有不同位置在受到激励后的位移标准差,其计算公式为:
其中i为建筑结构体上的所有不同位置处的采集点,i=1,2,3,...,n;
E(x-μ)为建筑结构体上的某一个采集点的位移期望。
6.根据权利要求5所述的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,其特征在于:所述呈现非Д分布的峰度系数曲线和偏度系数曲线包括:尖峰。
7.根据权利要求6所述的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,其特征在于:
通过分析呈现非Д分布的峰度系数曲线和偏度系数曲线的跳变及跳变程度,确定建筑结构体上各疲劳裂缝的位置和损伤程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210498303.5A CN114880746A (zh) | 2022-05-09 | 2022-05-09 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210498303.5A CN114880746A (zh) | 2022-05-09 | 2022-05-09 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114880746A true CN114880746A (zh) | 2022-08-09 |
Family
ID=82673384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210498303.5A Pending CN114880746A (zh) | 2022-05-09 | 2022-05-09 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114880746A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116698318A (zh) * | 2023-07-20 | 2023-09-05 | 山东高速集团有限公司创新研究院 | 一种基于加速度监测数据的桥梁裂缝识别装置和方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105067239A (zh) * | 2015-07-31 | 2015-11-18 | 电子科技大学 | 基于扫频激励振动的梁裂纹故障检测装置及方法 |
US20190086370A1 (en) * | 2017-09-18 | 2019-03-21 | Quanta Associates, L.P. | Statistical analysis of chaotic response signals for tubulars |
CN110427716A (zh) * | 2019-08-09 | 2019-11-08 | 重庆大学 | 基于统计矩的高层结构无模型损伤识别方法 |
-
2022
- 2022-05-09 CN CN202210498303.5A patent/CN114880746A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105067239A (zh) * | 2015-07-31 | 2015-11-18 | 电子科技大学 | 基于扫频激励振动的梁裂纹故障检测装置及方法 |
US20190086370A1 (en) * | 2017-09-18 | 2019-03-21 | Quanta Associates, L.P. | Statistical analysis of chaotic response signals for tubulars |
CN110427716A (zh) * | 2019-08-09 | 2019-11-08 | 重庆大学 | 基于统计矩的高层结构无模型损伤识别方法 |
Non-Patent Citations (5)
Title |
---|
PETER H. WESTFALL: "Kurtosis as Peakedness, 1905 – 2014. R.I.P.", NIH PUBLIC ACCESS, vol. 68, no. 3, pages 191 * |
S. BENFRATELLO等: "Numerical and experimental verification of a technique for locating a fatigue crack on beams vibrating under Gaussian excitation", ENGINEERING FRACTURE MECHANICS, vol. 74, pages 2992 - 3001, XP022265515, DOI: 10.1016/j.engfracmech.2006.06.023 * |
孙业华;宋固全;廖伟盛;胡淑军;: "矩形截面高层建筑横向风激励时程模拟", 应用力学学报, no. 06, pages 174 - 180 * |
林武强;陶俊勇;程红伟;: "悬臂梁结构单点非高斯激励动态位移响应分析", 机械科学与技术, vol. 35, no. 02, pages 196 - 202 * |
肖青松;雷家艳;施伟;王子豪;: "基于随机动力响应时程统计指标的结构损伤初步识别", 动力学与控制学报, vol. 17, no. 06, pages 567 - 574 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116698318A (zh) * | 2023-07-20 | 2023-09-05 | 山东高速集团有限公司创新研究院 | 一种基于加速度监测数据的桥梁裂缝识别装置和方法 |
CN116698318B (zh) * | 2023-07-20 | 2023-12-26 | 山东高速集团有限公司创新研究院 | 一种基于加速度监测数据的桥梁裂缝识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10877084B2 (en) | Nonlinear model transformation solving and optimization method for partial discharge positioning based on multi-ultrasonic sensor | |
Nigro et al. | Localized structural damage detection: a change point analysis | |
CN110362886B (zh) | 一种基于不确定性分析的城镇砌体住宅安全评估方法 | |
CN113219070B (zh) | 一种基于声发射的结构损伤定位新方法 | |
Liu et al. | A new method for arrival time determination of impact signal based on HHT and AIC | |
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 | |
KR101579732B1 (ko) | 스마트 콘크리트 구조물의 건전성을 모니터링하기 위한 방법 | |
Mohammadi Ghazi et al. | Damage detection with small data set using energy‐based nonlinear features | |
Huang et al. | Fractal dimension based damage identification incorporating multi-task sparse Bayesian learning | |
CN115659737A (zh) | 一种基于曲率模态和离散小波变换的梁构件损伤识别方法 | |
CN111367959A (zh) | 一种零时滞非线性扩展Granger因果分析方法 | |
Li et al. | An improved AIC onset-time picking method based on regression convolutional neural network | |
Yang et al. | Vibration-based structural damage identification: a review | |
Vazirizade et al. | Online nonlinear structural damage detection using Hilbert Huang transform and artificial neural networks | |
CN109060393A (zh) | 一种桥梁结构恒载响应时域融合分析方法 | |
Vy et al. | Damage localization using acoustic emission sensors via convolutional neural network and continuous wavelet transform | |
Wickramanayake et al. | Deep learning for estimating low-range concrete sub-surface boundary depths using ground penetrating radar signals | |
Liu et al. | Fuzzy pattern recognition of impact acoustic signals for nondestructive evaluation | |
Jiang et al. | A time-domain structural damage detection method based on improved multiparticle swarm coevolution optimization algorithm | |
US20230084562A1 (en) | Non-destructive inspection method and system based on artificial intelligence | |
CN114383834B (zh) | 一种海洋工程结构微小损伤判定方法 | |
Yu et al. | Acoustic Emission Signal Denoising of Bridge Structures Using SOM Neural Network Machine Learning | |
Joseph et al. | Correlation-based damage identification and quantification using modal kinetic energy change | |
Sidibé et al. | Signal processing and Gaussian neural networks for the edge and damage detection in immersed metal plate-like structures | |
Bi et al. | A fault diagnosis algorithm for wind turbine blades based on bp neural network |
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 |