CN114993434B - 一种基于声信号的emd能量熵的车重识别系统和方法 - Google Patents

一种基于声信号的emd能量熵的车重识别系统和方法 Download PDF

Info

Publication number
CN114993434B
CN114993434B CN202210549445.XA CN202210549445A CN114993434B CN 114993434 B CN114993434 B CN 114993434B CN 202210549445 A CN202210549445 A CN 202210549445A CN 114993434 B CN114993434 B CN 114993434B
Authority
CN
China
Prior art keywords
sound signal
driving
driving sound
vehicle weight
signals
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
Application number
CN202210549445.XA
Other languages
English (en)
Other versions
CN114993434A (zh
Inventor
舒小娟
赵洋
骆艺立
沈明燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University of Science and Technology
Original Assignee
Hunan University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University of Science and Technology filed Critical Hunan University of Science and Technology
Priority to CN202210549445.XA priority Critical patent/CN114993434B/zh
Publication of CN114993434A publication Critical patent/CN114993434A/zh
Application granted granted Critical
Publication of CN114993434B publication Critical patent/CN114993434B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
    • G01G19/02—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles
    • G01G19/03—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles for weighing during motion
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Abstract

本发明公开了一种基于声信号的EMD能量熵的车重识别系统及方法，该系统包括：行车声信号采集模块、声信号数据库模块以及行车声信号分析模块；所述行车声信号数据采集模块用于在伸缩缝装置处采集车辆正常行驶过程中的行车声信号；所述声信号数据库模块用于存储所述行车声信号；所述行车声信号数据分析模块用于对所述行车声信号数据库模块中的行车声信号进行特征提取，得到声信号数据，并以标定库的标定的声信号数据作为参考，进行车重的识别；所述声信号数据库模块用于存储所述行车声信号数据分析模块特征提取得到的声信号数据。本发明公开的基于声信号的EMD能量熵的车重识别系统，能够高效、高准确度地对车重进行识别。

Description

一种基于声信号的EMD能量熵的车重识别系统和方法
技术领域
本发明涉及土木工程桥梁结构健康监测技术领域，尤其涉及一种基于声信号的EMD能量熵的车重识别系统和方法。
背景技术
从桥梁结构健康监测角度而言，桥梁的健康状况取决于桥梁上的荷载和结构本身的材料性质，材料本身的性质受到桥龄、环境温度、环境湿度和材料本身物理化学性质等因素的影响，其材料参数复杂多变，无法准确的进行预测。相比于控制材料本身的劣化速度，控制桥梁上的可变荷载即车辆荷载可行性更高，即进行桥梁上车辆荷载的监测。
传统的测试方法包括在关键截面布置结构变位或应变测点和布设静态/动态地磅称重系统。在关键截面布置结构变位或应变测点，通过收集的数据反演结构的受力状态，此方法仅能获取局部位置的结构健康状况，不具有全局代表性。静态地磅秤重法效率低下，体积大，设置于道路上会引起路面不平整，影响行车安全，只适合于低速下收费口。路面式动态秤重法由于传感器在车辆反复碾压作用会造成寿命缩减和性能退化、识别精度变低等后果；桥梁动态秤重法存在识别技术误差、桥型适用范围有限、成本较高等局限。
可见，目前迫切需要本领域技术人员提供一种高效、准确度高的车重识别方法。
发明内容
本发明实施例的目的是提供一种基于声信号的EMD能量熵的车重识别系统和方法，以解决现有的车重识别方案中存在的识别效率低、识别结果准确度低的问题。为解决上述技术问题，本发明提供如下技术方案：
一种基于声信号的EMD能量熵的车重识别系统，所述车重识别系统设置于伸缩缝装置处，所述车重识别系统包括：行车声信号采集模块、声信号数据库模块以及行车声信号分析模块；所述行车声信号数据采集模块用于在伸缩缝装置处采集车辆正常行驶过程中的行车声信号；所述声信号数据库模块用于存储所述行车声信号；所述行车声信号数据分析模块用于对所述行车声信号数据库模块中的行车声信号进行特征提取，得到声信号数据，并以标定库的标定的声信号数据作为参考，进行车重的识别；所述声信号数据库模块用于存储所述行车声信号数据分析模块特征提取得到的声信号数据，其中，所述声信号数据包括声信号标定库和声信号预测库。
其中，所述行车声信号采集模块包括：声压传感器、信号采集仪、数据处理设备、三脚架、防风球和声级校准仪以及伸缩缝装置。
其中，所述声压传感器的接收频率范围为20～2200HZ，动态范围为20～146dB。
其中，所述行车声信号数据分析模块用于对行车声信号进行预处理、经验模态分解、提取声信号中的EMD能量熵和各阶IMF分量的能量占比、采用KNN算法对车重特征进行识别，得到车重识别结果。
其中，所述声级校准仪用于采集数据前对所述声压传感器进行校准；
所述三脚架用于架设所述声压传感器；
所述防风球套在所述声压传感器外围，用于降低声音信号采集时风噪对声音信号的影响；
所述声压传感器用于收集声音信号。
一种基于声信号的EMD能量熵的车重识别方法，其中，所述方法包括：
采集伸缩缝位置处行驶车辆的行车声信号；
对所述行车声信号进行预处理；
对预处理后的行车声信号进行经验模态分解；
对分解后的行车声信号进行EMD能量熵和各阶IMF分量的能量占比进行提取，得到EMD能量熵和各阶IMF分量的能量占比；
基于车重识别声纹预测数据库以及声信号数据标定库，对所述EMD能量熵和各阶IMF分量的能量占比进行车重声纹特征匹配，得到车重识别结果。
其中，对所述行车声信号进行预处理的步骤包括：依次对所述行车声信号将进行降采样、降噪和预加重处理。
其中，对预处理后的行车声信号进行经验模态分解的步骤，包括：使用经验模态分解对预处理后的行车声信号进行处理，可得到行车声信号在各个频段中的信号分量。
本发明实施例提供的基于声信号的EMD能量熵的车重识别方案，通过在桥梁伸缩缝位置处采集和截取车辆行车声信号、特征分析，利用声音信号的EMD能量熵各阶IMF分量的能量占比及KNN算法实现车辆荷载识别的目的。一方面，车重识别效率高、受环境影响较小、可适配各种桥型；第二方面，具有非接触性、安装和移动速度快和更好的环境适应性等优点，更适合于可见度低、光线昏暗等夜间不利于视觉观测的环境，并且信号采集与处理方便、智能化。
附图说明
图1为本申请实施例提供的基于声音能量熵信号的车重识别系统的结构示意图；
图2为本申请实施例提供的测试装置布置示意图；
图3为本申请实施例提供的行车声信号分析处理流程图；
图4为本申请实施例提供的行车声信号的EMD计算流程示意图；
图5为本申请实施例提供的荷载布置示意图；
图6为本申请实施例提供的试验场地布置示意图；
图7为本申请实施例提供的现场数据的原始采集信号图；
图8为预处理前后时域信号图；
图9为同一车速不同荷载等级下行车声信号IMF能量占比示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的基于声音能量熵信号的车重识别系统及方法进行详细地说明。
图1为本申请实施例的基于声信号的EMD能量熵的车重识别系统的结构示意图。
本申请实施例的基于声信号的EMD能量熵的车重识别系统，设置于伸缩缝装置处，该车重识别系统包括：行车声信号采集模块、声信号数据库模块以及行车声信号分析模块，其中，行车声信号采集模块即图1中的数据采集系统，声信号数据库模块以及行车声信号分析模块共同组成图1中的数据处理系统。
行车声信号数据采集模块用于在伸缩缝装置处采集车辆正常行驶过程中的行车声信号；声信号数据库模块用于存储行车声信号；行车声信号数据分析模块用于对行车声信号数据库模块中的行车声信号进行特征提取，得到声信号数据，并以标定库的标定的声信号数据作为参考，进行车重的识别；声信号数据库模块用于存储行车声信号数据分析模块特征提取得到的声信号数据，其中，声信号数据包括声信号标定库和声信号预测库。
如图1所示，行车声信号采集模块包括：声压传感器1、信号采集仪2、数据处理设备3、三脚架4、防风球5和声级校准仪6以及伸缩缝装置7(在图1中未示出)。
声压传感器1的接收频率范围为20～2200HZ，动态范围为20～146dB，设置于伸缩缝位置处，用于收集声音信号。
行车声信号数据分析模块用于对行车声信号进行预处理、经验模态分解、提取声信号中的EMD能量熵和各阶IMF分量的能量占比、采用KNN算法对车重特征进行识别，得到车重识别结果。行车声信号数据分析模块对行车声信号的具体分析流程，参照后续相关说明即可。
行车声信号采集模块中各部分的位置关系及工作原理具体如下：
声级校准仪6用于采集数据前对声压传感器1进行校准；三脚架4用于架设声压传感器1；防风球5套在声压传感器1外围，用于降低声音信号采集时风噪对声音信号的影响；声压传感器1用于收集声音信号。
行车声信号采集模块的最高采样频率为51.2kHZ，三角架的工作高度为0.560～1.456m，声级校准仪其声压级为94dB，频率为1000HZ。
设置于伸缩缝装置位置处的基于声信号的EMD能量熵的车重识别系统，设置在桥面伸缩缝位置处，通过车辆经过时的冲击效应，将声音信号放大，便于后续分析中进行特征提取。
设置于伸缩缝装置位置处的基于声信号的EMD能量熵的车重识别系统，在实际应用场景中的布置示意图如图2所示。
设置于伸缩缝装置位置处的基于声信号的EMD能量熵的车重识别系统，执行相应的车重识别方法，该车重识别方法通过声信号预处理、经验模态分解、声信号特征提取和车重声信号特征匹配四个步骤实现车重的识别，行车声信号分析处理过程如图3所示，行车声信号分析处理过程是车重识别的关键，下面结合图4对本申请的基于声信号的EMD能量熵的车重识别方法进行说明，具体包括如下步骤：
步骤一：采集伸缩缝位置处行驶车辆的行车声信号。
步骤二：对行车声信号进行预处理。
对行车声信号进行预处理包括但不限于：依次对行车声信号将进行降采样、降噪和预加重处理。
步骤三：对预处理后的行车声信号进行经验模态分解。
经验模态分解(EMD)方法适用于非平稳信号的分解且具有自适应性无需参数输入，可自适应的将信号由高频至低频分解成若干个固有模态函数(IMF)和一个余项。使用经验模态分解对行车声信号进行处理，可得到声信号在各个频段中的信号分量使用经验模态分解对预处理后的行车声信号进行处理，可得到行车声信号在各个频段中的信号分量。
步骤四：对分解后的行车声信号进行EMD能量熵和各阶IMF分量的能量占比进行提取，得到EMD能量熵和各阶IMF分量的能量占比。
行车声信号的EMD计算流程示意图如图4所示。
EMD能量熵计算公式为
Figure BDA0003654114620000051
Figure BDA0003654114620000052
Figure BDA0003654114620000061
其中，E为总能量，pj为第j个IMF的能量占比，HE为EMD能量熵。
步骤五：基于车重识别声纹预测数据库以及声信号数据标定库，对EMD能量熵和各阶IMF分量的能量占比进行车重声纹特征匹配，得到车重识别结果。
行车声信号数据库，包含行车声信号标定库和行车声信号预测库。
行车声信号数据库，由初始采集的声音信号经声音预处理和声信号特征提取步骤后形成，主要包含车辆编号、车型、车重EMD能量熵等信息。
对车重声信号进行特征匹配时，所采用的核心算法为K近邻算法(K-NearestNeighbor，KNN)。
k近邻算法从训练集中找到与待测试样本最临近的k个样本，并把k的样本中占多数的类别作为识别类别。将已知荷载特征情况下的声音信号特征代入k近邻算法中训练，从而达到车辆荷载识别分类的目的。
本发明实施例提供的基于声信号的EMD能量熵的车重识别方法，通过在桥梁伸缩缝位置处采集和截取车辆行车声信号、特征分析，利用声音信号的EMD能量熵、各阶IMF分量的能量占比及KNN算法实现车辆荷载识别的目的。一方面，车重识别效率高、受环境影响较小、可适配各种桥型；第二方面，具有非接触性、安装和移动速度快和更好的环境适应性等优点，更适合于可见度低、光线昏暗等夜间不利于视觉观测的环境，并且信号采集与处理方便、智能化。
下面结合具体实施例对本申请的基于声信号的EMD能量熵的车重识别方法进行说明。
实施例1
本实施例以湘潭四桥匝道桥为现场试验背景，以不同的载货重量来模拟不同的车重工况，通过调整载货货车上的混凝土块的数量来实现车重的调整。
1、进行试验工况与设备布置：
配重用混凝土单块平均质量为3.19t，实验车辆选用东风华神T5，该车为前四后八轮配置，其主要参数如下表1。
表1为实验车辆主要参数
Figure BDA0003654114620000071
车辆载重等级分为6级，第一级为车辆空载时的重量即整备重量为18.4t；第二至第六级荷载为混凝土块数量由1增加至5的车辆总重量，混凝土块在车厢内纵向布置如图5所示。
车辆载重识别实验场地布置示意图如图6所示。当车辆到达A截面时开始采集声信号，车辆到达B截面时停止采集，其中A、B截面与传感器水平距离为10m。
单缝伸缩缝的宽度是影响车辆经过伸缩缝时的噪声的重要因素，桥梁伸缩缝受车辆荷载、温度变化、湿度变化等因素的影响，部分伸缩缝宽度发生改变。经过现场测量，该桥梁伸缩缝宽度主要有60mm和70mm，选用65mm和70mm宽度的单缝伸缩缝进行实验。
2、在完成试验工况与设备布置后，进行正常行车声信号数据采集，该部分包含五个重要环节。
环节一、进行数据采集
设置于车辆载重识别实验，对于宽度70mm的伸缩缝处的行车声信号共110个，数据集构成和标签如表2所示，现场数据的原始采集信号图如图7所示。
表2宽度70mm伸缩缝处行车声信号数量表
Figure BDA0003654114620000072
Figure BDA0003654114620000081
环节二、数据预处理，包括如下(1)、(2)两部分：
(1)降采样
对原信号进行快速傅里叶变换(FFT)，待分析频率集中在8kHz以下，因此对原信号进行降采样处理，降采样后的采样频率设为16kHz，可在不损坏信号的有用信息前提下，提高分析效率。
(2)降噪及预加重
为去除低频风压造成得波形变化影响，且不损失有用信号，使用高通滤波器对信号进行滤波，下截止频率为20Hz，滤波后进行预加重处理一定程度上提高信号的信噪比。预加重可以有效提高信号的信噪比，预加重以传递函数实现，传递函数的数学表达如式4。
Hz＝1-αz-1 (4)
其中α为预加重系数，本实施例α取0.97。
其中，预处理前后时域信号图如图8所示。
环节三，经验模态分解
按照附图4所示的步骤进行EMD模态分解，得到多级IMF能量分布，车速30km/h，不同载重、不同伸缩缝尺寸情况下的声信号IMF能量占比如表3所示。同一车速不同载荷等级下行车声信号IMF能量占比如图9所示。
表3为伸缩缝70mm处行车声信号IMF能量占比
Figure BDA0003654114620000082
环节四、EMD能量熵计算
EMD能量熵按公式(1)～(3)计算：
Figure BDA0003654114620000091
Figure BDA0003654114620000092
Figure BDA0003654114620000093
其中，E为总能量，pj为第j个IMF的能量占比，HE为EMD能量熵。
将每个工况的车辆声信号通过频率下限为20Hz的高通滤波器，消除风压的影响，再进行EMD能量熵求解。
环节五、车重特征信号匹配
设置于声信号的车重识别的特征为EMD能量熵特征，EMD能量熵特征以熵值及IMF的能量占比为特征，EMD能量熵特征为1×11的向量。
使用KNN对70mm伸缩缝处声信号的时域特征EMD能量熵特征进行车重分类识别，分类结果如表4所示。
表4为基于KNN算法得到的车重识别结果
Figure BDA0003654114620000094
由宽度为70mm的伸缩缝处声信号EMD能量熵特征预测集的分类结果可知，对于不同车速和不同车重下的车辆，本发明提取的车重识别方法，其整体预测准确率为87.5％，说明EMD能量熵特征对于车辆车重的分类具有较好的效果，说明该方法具有可行性。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于声信号的EMD能量熵的车重识别系统，其特征在于，所述车重识别系统设置于伸缩缝装置处，所述车重识别系统包括：行车声信号采集模块、声信号数据库模块以及行车声信号分析模块；
所述行车声信号数据采集模块用于在伸缩缝装置处采集车辆正常行驶过程中的行车声信号；
所述声信号数据库模块用于存储所述行车声信号；
所述行车声信号数据分析模块用于对所述行车声信号数据库模块中的行车声信号进行特征提取，得到声信号数据，并以标定库的标定的声信号数据作为参考，进行车重的识别，所述行车声信号数据分析模块具体用于对行车声信号进行预处理、经验模态分解、提取声信号中的EMD能量熵和各阶IMF分量的能量占比、采用KNN算法对车重特征进行识别，得到车重识别结果；
所述声信号数据库模块用于存储所述行车声信号数据分析模块特征提取得到的声信号数据，其中，所述声信号数据包括声信号标定库和声信号预测库。
2.根据权利要求1所述的车重识别系统，其特征在于，所述行车声信号采集模块包括：声压传感器、信号采集仪、数据处理设备、三脚架、防风球和声级校准仪以及伸缩缝装置。
3.根据权利要求2所述的车重识别系统，其特征在于，所述声压传感器的接收频率范围为20～20000HZ，动态范围为20～146dB。
4.根据权利要求2所述的车重识别系统，其特征在于，
所述声级校准仪用于采集数据前对所述声压传感器进行校准；
所述三脚架用于架设所述声压传感器；
所述防风球套在所述声压传感器外围，用于降低声音信号采集时风噪对声音信号的影响；
所述声压传感器用于收集声音信号。
5.一种基于声信号的EMD能量熵的车重识别方法，其特征在于，所述方法包括：
采集伸缩缝位置处行驶车辆的行车声信号；
对所述行车声信号进行预处理；
对预处理后的行车声信号进行经验模态分解；
对分解后的行车声信号进行EMD能量熵和各阶IMF分量的能量占比进行提取，得到EMD能量熵和各阶IMF分量的能量占比；
基于车重识别声纹预测数据库以及声信号数据标定库，对所述EMD能量熵和各阶IMF分量的能量占比进行车重声纹特征匹配，得到车重识别结果；
对所述行车声信号进行预处理的步骤包括：
依次对所述行车声信号将进行降采样、降噪和预加重处理；
对预处理后的行车声信号进行经验模态分解的步骤，包括：
使用经验模态分解对预处理后的行车声信号进行处理，可得到行车声信号在各个频段中的信号分量。
CN202210549445.XA 2022-05-20 2022-05-20 一种基于声信号的emd能量熵的车重识别系统和方法 Active CN114993434B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210549445.XA CN114993434B (zh) 2022-05-20 2022-05-20 一种基于声信号的emd能量熵的车重识别系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210549445.XA CN114993434B (zh) 2022-05-20 2022-05-20 一种基于声信号的emd能量熵的车重识别系统和方法

Publications (2)

Publication Number Publication Date
CN114993434A CN114993434A (zh) 2022-09-02
CN114993434B true CN114993434B (zh) 2023-07-14

Family

ID=83026914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210549445.XA Active CN114993434B (zh) 2022-05-20 2022-05-20 一种基于声信号的emd能量熵的车重识别系统和方法

Country Status (1)

Country Link
CN (1) CN114993434B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117290693B (zh) * 2023-11-24 2024-02-20 交通运输部公路科学研究所 一种基于IoT智慧感知的伸缩缝装置实时服役性能评估方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100489466C (zh) * 2007-08-10 2009-05-20 中国航天科技集团公司第四研究院第四十四研究所 车辆动态轴重衡称重信号的自适应滤波方法
CN108304768A (zh) * 2017-12-12 2018-07-20 重庆邮电大学 一种基于emd去噪和imf判别能量熵的磨音特征提取方法
CN108180967B (zh) * 2017-12-26 2019-08-20 北京万集科技股份有限公司 一种基于音频辅助的车辆动态称重系统及其作弊检测方法
CN109163790B (zh) * 2018-08-29 2020-04-28 西安交通大学 一种基于多传感器的车辆动态称重系统及方法
CN110044533B (zh) * 2019-04-11 2020-10-20 大连理工大学 一种基于emd能量熵与支持向量机相结合的螺栓预紧力监测方法
CN111177936B (zh) * 2020-01-02 2021-03-23 深圳市汉德网络科技有限公司 一种降低车辆载重误差的方法及计算机可读存储介质
CN113138005B (zh) * 2021-05-13 2023-07-11 华东理工大学 基于特征提取和神经网络的车辆随机载荷模式识别系统

Also Published As

Publication number Publication date
CN114993434A (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN109357822B (zh) 一种基于车桥耦合系统时变动力特征改变的桥梁快速测试与评估方法
CN103617684B (zh) 干涉型光纤周界振动入侵识别算法
Sohn et al. Damage diagnosis using time series analysis of vibration signals
CN110704801B (zh) 桥梁集群结构运营安全智能监测与快速检测成套方法
CN111667688B (zh) 一种基于路面振动信号的综合交通信息解析方法及系统
CN108444662B (zh) 一种基于日温度效应的桥梁损伤在线监测方法
CN107766877B (zh) 一种桥梁监测系统中超重车动态识别方法
CN111581867B (zh) 一种桥梁损伤快速检测方法
CN102155988B (zh) 设备监诊方法
CN104850676B (zh) 一种公路桥梁随机车流仿真模拟方法
CN101303802A (zh) 货车超载在线自动预判断方法及系统
CN113029327B (zh) 基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法
CN114993434B (zh) 一种基于声信号的emd能量熵的车重识别系统和方法
CN109060371A (zh) 一种汽车零部件异响检测装置
CN104833535A (zh) 一种铁道车辆车轮踏面擦伤的检测方法
CN115795982B (zh) 一种汽车的疲劳耐久寿命预测方法、设备和存储介质
Ghahremani et al. Structural damage identification based on fast S-transform and convolutional neural networks
CN112364706A (zh) 一种基于类不平衡的小样本轴承故障诊断方法
CN110321616B (zh) 基于小波变换和注意力模型的三跨杆塔故障诊断方法
CN1800809A (zh) 用于评估动态系统的设备和方法
CN112362214A (zh) 一种皮带张力在线识别的方法和系统
CN109840386B (zh) 基于因子分析的损伤识别方法
CN113420362B (zh) 一种适用于时变中小跨径桥梁的损伤识别方法及装置
CN115031994A (zh) 一种车辆耐久试验方法和系统
CN110569608B (zh) 一种车载平台振动严酷度的确定方法及装置

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