CN115753988A - 一种系留气球球体的表面缺陷识别方法 - Google Patents
一种系留气球球体的表面缺陷识别方法 Download PDFInfo
- Publication number
- CN115753988A CN115753988A CN202211450887.5A CN202211450887A CN115753988A CN 115753988 A CN115753988 A CN 115753988A CN 202211450887 A CN202211450887 A CN 202211450887A CN 115753988 A CN115753988 A CN 115753988A
- Authority
- CN
- China
- Prior art keywords
- time
- neural network
- convolutional neural
- tethered balloon
- sphere
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 238000009499 grossing Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 3
- 230000009467 reduction Effects 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 7
- 238000004880 explosion Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000008034 disappearance Effects 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000036541 health Effects 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000005299 abrasion Methods 0.000 description 3
- 230000001066 destructive effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种系留气球球体的表面缺陷识别方法,属于系留气球球体检测技术领域,包括:布置应变片传感器采集系留气球球体表面应力应变数据,并对原始信号做降噪和平滑处理;对原始信号使用短时傅里叶变换,绘制时频图;将时频图作为图像样本信号对卷积神经网络进行训练;在线实时采集系留气球球体表面应力应变数据,并做相应的数据处理,然后输入训练好的卷积神经网络模型中。本发明能够实现对系留气球球体的表面缺陷类别进行实时精确的识别,实现系留气球球体的表面缺陷识别和诊断,保证系留气球球体的健康状态得到及时的监测和评估,能获得合适的运维手段和服役安排。
Description
技术领域
本发明涉及系留气球球体检测技术领域,具体涉及一种系留气球球体的表面缺陷识别方法。
背景技术
系留气球依靠充入气囊内部轻于空气的气体产生浮力,克服自身重量而实现在空中飘浮,进而在高空中执行任务,发挥功能。系留气球相比于其他飞行器有着独特的优势,越来越受到人们的关注和重视,在越来越多的领域中得到了广泛应用。系留气球球体在空中的工作环境十分恶劣,如昼夜温差大,紫外线辐射强,变化风载等,加上系留气球工作驻空时间长,长期服役后球体必然存在结构损伤和强度退化的趋势,也可能存在裂纹、跳丝、撕裂、蠕变等安全隐患。因此,通过全面持续地采集系留气球球体关键状态数据,科学评估系留气球球体健康状态,对于降低系留气球运行风险具有重要现实意义。
目前深度学习在故障诊断和损伤识别领域已经得到了非常广泛的应用,其中卷积神经网络的权值共享特点,让其网络参数大大降低,运算速度大大提高,在机器视觉等技术领域取得了很多优秀的成果。然而在故障诊断领域,数据的形式多数为一维时域信号。因此,寻找在尽可能地保留数据信息的前提下,将时域信号转化为适合卷积神经网络的二维图像信号的有效方法,有助于卷积神经网络在故障诊断领域的发展和应用。
发明内容
本发明所要解决的技术问题在于:如何能够在不对系留气球球体进行破坏性实验的前提下,有效识别球体的表面缺陷类别,以便于对球体进行健康评估,提供了一种系留气球球体的表面缺陷识别方法。
本发明是通过以下技术方案解决上述技术问题的,本发明包括以下步骤:
S1:在系留气球球体表面布置应变片传感器,用激励设备施加声波激励,采集系留气球球体在不同故障类别下的应变信号,并对信号进行平滑和降噪处理;
S2:对步骤S1处理后的应变信号进行短时傅里叶变换,提取时频域信息,并绘制时频图,作为图像数据样本;
S3:将步骤S2获得的图像数据样本放入卷积神经网络进行模型训练,获得训练好的卷积神经网络模型;
S4:采用步骤S1中的方式对系留气球球体在线实时采集应变信号数据并处理,然后按照步骤S2进行短时傅里叶变换和绘制时频图,将其输入到步骤S3训练好的卷积神经网络模型当中,获得当前系留气球球体表面缺陷类别的识别结果。
更进一步地,在所述步骤S1中,根据系留气球球体结构和特性布置应变片传感器阵列,以设定间隔将应变片传感器贴在系留气球球体表面上缺陷区域附近,以每个缺陷区域周围的设定数量个应变片传感器为一组,监测缺陷区域内的应变信号。
更进一步地,在所述步骤S2中,将采集并进行平滑和降噪处理后的应变信号以固定窗口长度截成多个样本,并对每个样本使用短时傅里叶进行分析,公式为:
Gf(∈,u)=∫f(t)g(t-u)ej∈tdt
其中,g(t-u)为窗口函数,f(t)为原信号,u为某一时刻点,∈为频率点。
更进一步地,在所述步骤S3中,具体包括以下步骤:
S31:将绘制的时频图作为训练数据集S={x1,x2,…,xn},其中xn为3通道的彩色图像数据;
S32:将训练数据集输入搭建好的卷积神经网络中进行训练,获得训练好的卷积神经网络模型。
更进一步地,在所述步骤S32中,训练好的卷积神经网络模型包括三个卷积层与三个全连接层,三个卷积层、三个全连接层依次连接,最后一个全连接层的输出维度即为分类维度。
更进一步地,每个所述卷积层均包括卷积单元、池化单元、批标准化单元、激活函数单元,模型先通过卷积单元提取输入特征图的代表性特征,经由池化单元降低特征图尺寸与模型参数;模型通过添加批量标准化单元以解决梯度爆炸、梯度消失问题;最后通过激活函数单元进行非线性映射。
本发明相比现有技术具有以下优点:
1、本发明有效解决了当前系留气球球体检测多为破坏性实验的问题,能在不破坏球体,不影响球体性能的情况下,实现对系留气球球体表面的缺陷类别识别。
2、本发明的检测范围可涵盖几乎整个球体,实现对球体的全方位检测,而传统方法一般只能针对几个关键部位筛检,大大提高了检测范围;同时传统方法费时费力,而本发明在完成离线模型的训练后,检测速度与传统方法相比大大提高。
3、本发明提出的短时傅里叶时频域分析方法可以在最大程度保留特征信息的同时,将一维信号有效转化为二维信号,并将其与卷积神经网络相结合,相较于机器学习方法精确度和运算速度得到大大提高。
4、本发明中采用的技术方案流程简单,容易理解,算法相对简单,计算复杂度,计算时间得到有效降低,能在保证精度要求的前提下更加适合工程中部署应用,能够较好地解决模式识别算法易用性与准确性的矛盾问题。
附图说明
图1是本发明实施例一中系留气球球体的表面缺陷识别方法的流程示意图;
图2是本发明实施例一中卷积神经网络模型的结构示意图;
图3a是本发明实施例二中小型系留气球球体缺陷F1的应变片传感器布置示意图,其中椭圆形表示小型系留气球球体,长方形表示应变片传感器;
图3b是本发明实施例二中小型系留气球球体缺陷F2的应变片传感器布置示意图,其中椭圆形表示小型系留气球球体,长方形表示应变片传感器;
图4a是本发明实施例二中小型系留气球球体正常状态振动信号短时傅里叶变换图;
图4b是本发明实施例二中小型系留气球球体1mm切缝状态振动信号短时傅里叶变换图;
图4c是本发明实施例二中小型系留气球球体3mm切缝状态振动信号短时傅里叶变换图;
图4d是本发明实施例二中小型系留气球球体5mm切缝状态振动信号短时傅里叶变换图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例一
如图1所示,本实施例提供一种技术方案:一种系留气球球体的表面缺陷识别方法,包括以下步骤:
步骤1:针对系留气球球体结构和特性布置应变片传感器阵列,以30mm间隔将应变片贴在球体表面上缺陷区域附近,以每个缺陷区域周围的4个应变片为1组,可监测缺陷区域内的应变信号,从而识别该区域的缺陷类别;将采集的信号进行平滑和降噪处理,提升信号信噪比。
步骤2:将采集并进行平滑和降噪处理后的信号以固定窗口长度截成若干样本,并对每个样本使用短时傅里叶进行分析,公式为:
Gf(∈,u)=∫f(t)g(t-u)ej∈tdt
其中g(t-u)为窗口函数,f(t)为原信号,u为某一时刻点,∈为频率点。二者在u附近加窗口、平移并进行傅里叶变换,当窗口的时域中心和频域中心都在原点时,时频窗的中心正好就是参数对(∈,u),这时Gf(∈,u)就真正给出了信号在时间点u附近和频率点∈附近的局部信息,窗口面积越小,它的时频描述能力越强。
步骤3.1:将绘制的时频图作为训练数据集S={x1,x2,…,xn},其中xn为3通道的彩色图像数据。
步骤3.2:将训练数据集输入搭建好的卷积神经网络中,卷积神经网络包括若干个卷积层、池化层、BN(批标准化)层、激活函数及全连接层。卷积特点是权值共享,可减少网络参数及加快运算速度,卷积运算公式如下:
其中,为第l层的第i个卷积核的第j′个权值,为第l层中第j个被卷积的局部区域,W为卷积核的宽度。由此可以看出,卷积运算就是卷积核与被卷区域的神经元对应的系数相乘,得到第一个值,然后以设定的步长移动卷积核,重复之前的卷积运算,直至卷积核遍历完输入信号的所有区域。
池化层使用最大池化,目的是降低网络参数。
BN层可以提高训练稳定性,有效抑制梯度爆炸,其公式为:
其中,μ和σ为该行的均值和标准差,∈为防止除零引入的极小量,γ和β为该行的scale和shift参数。
激活函数选用ReLU函数,因为ReLU函数可以有效防止梯度消失,其公式为:
al(i,j)=max{0,yl(i,j)}
其中,yl(i,j)为卷积层的输出,al(i,j)为卷积层输出yl(i,j)的激活值。
如图2所示,本发明的卷积神经网络模型包含3个卷积层和3个全连接层,每个卷积层中均包含卷积、池化、批标准化、激活函数4个部分,该模型将卷积单元和池化单元的数量增加至3,并适当扩大了通道数,全连接的参数量也因此增加,获得了更强的分类映射能力,提高了识别准确率。模型首先通过卷积层提取输入特征图的代表性特征;之后经由池化层降低特征图尺寸与模型参数;其次模型添加了批量标准化层以解决梯度爆炸、梯度消失等问题;最后通过激活函数进行非线性映射。
实施例二
在本实施例中,使用小型系留气球球体上进行测试的实验数据对本发明的有效性进行验证。
在本实施例中,小型系留气球球体悬挂在空中保持自由态,两侧共有两个气孔,一个用于测量气压,一个用于充气。小型系留气球球体气压保持在3kPa,使用音箱给球体施加激励信号,激励信号为频率在100-600Hz内线性变化的周期信号,持续时间90s。
如附图3所示,在缺陷F1处周围横向竖向共设置了编号1-4的应变片传感器,在缺陷F2处周围横向竖向共设置了编号6-9的应变片传感器,实验设置了4种故障类别,分别是正常状态、1mm切缝、3mm切缝和5mm切缝,其中1mm切缝为轻微磨损状态、3mm切缝为中度磨损状态和5mm切缝为重度磨损状态,每种故障类别重复测量15次,其中前12次用于训练,剩余3次用于测试。
下表为设置的8个数据集:
表1数据集分类
故障类别 | F1位置 | F2位置 |
正常/1mm切缝 | F1-1 | F2-6 |
正常/3mm切缝 | F1-2 | F2-7 |
正常/5mm切缝 | F1-3 | F2-8 |
正常/1、3、5mm切缝 | F1-4 | F2-9 |
在步骤1中,将系留气球球体充气到工作气压后,播放激励信号,然后采集数据,每种故障类别重复15次实验,然后对采集信号进行平滑和降噪处理。
在步骤2中,将初步处理的信号按15360长度的窗口截成若干样本,分别进行短时傅里叶变换分析,绘制时频图,如附图4a、4b、4c、4d所示。
在步骤3中,将时频图作为训练数据集训练卷积神经网络模型。
在步骤4中,将测试数据视为在线实时采集的系留气球球体监测信号,按照步骤1、2和3分别进行平滑和降噪处理,切分样本,短时傅里叶变换,绘制时频图,然后输入到训练好的卷积神经网络模型中,获得当前系留气球球体的表面缺陷类别识别结果。
测试集识别准确率如下表所示:
表2测试集准确率
可以看到,本发明方法在不对系留气球球体进行破坏性实验的情况下,对系留气球球体表面缺陷类别做到了准确识别,有助于安排系留气球后续的运维和服役方案。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种系留气球球体的表面缺陷识别方法,其特征在于,包括以下步骤:
S1:在系留气球球体表面布置应变片传感器,用激励设备施加声波激励,采集系留气球球体在不同故障类别下的应变信号,并对信号进行平滑和降噪处理;
S2:对步骤S1处理后的应变信号进行短时傅里叶变换,提取时频域信息,并绘制时频图,作为图像数据样本;
S3:将步骤S2获得的图像数据样本放入卷积神经网络进行模型训练,获得训练好的卷积神经网络模型;
S4:采用步骤S1中的方式对系留气球球体在线实时采集应变信号数据并处理,然后按照步骤S2进行短时傅里叶变换和绘制时频图,将其输入到步骤S3训练好的卷积神经网络模型当中,获得当前系留气球球体表面缺陷类别的识别结果。
2.根据权利要求1所述的一种系留气球球体的表面缺陷识别方法,其特征在于:在所述步骤S1中,根据系留气球球体结构和特性布置应变片传感器阵列,以设定间隔将应变片传感器贴在系留气球球体表面上缺陷区域附近,以每个缺陷区域周围的设定数量个应变片传感器为一组,监测缺陷区域内的应变信号。
3.根据权利要求2所述的一种系留气球球体的表面缺陷识别方法,其特征在于:在所述步骤S2中,将采集并进行平滑和降噪处理后的应变信号以固定窗口长度截成多个样本,并对每个样本使用短时傅里叶进行分析,公式为:
Gf(∈,u)=∫f(t)g(t-u)ej∈tdt
其中,g(t-u)为窗口函数,f(t)为原信号,u为某一时刻点,∈为频率点。
4.根据权利要求3所述的一种系留气球球体的表面缺陷识别方法,其特征在于:在所述步骤S3中,具体包括以下步骤:
S31:将绘制的时频图作为训练数据集S={x1,x2,…,xn},其中xn为3通道的彩色图像数据;
S32:将训练数据集输入搭建好的卷积神经网络中进行训练,获得训练好的卷积神经网络模型。
5.根据权利要求4所述的一种系留气球球体的表面缺陷识别方法,其特征在于:在所述步骤S32中,训练好的卷积神经网络模型包括三个卷积层与三个全连接层,三个卷积层、三个全连接层依次连接,最后一个全连接层的输出维度即为分类维度。
6.根据权利要求5所述的一种系留气球球体的表面缺陷识别方法,其特征在于:每个所述卷积层均包括卷积单元、池化单元、批标准化单元、激活函数单元,模型先通过卷积单元提取输入特征图的代表性特征,经由池化单元降低特征图尺寸与模型参数;模型通过添加批量标准化单元以解决梯度爆炸、梯度消失问题;最后通过激活函数单元进行非线性映射。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211450887.5A CN115753988B (zh) | 2022-11-18 | 2022-11-18 | 一种系留气球球体的表面缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211450887.5A CN115753988B (zh) | 2022-11-18 | 2022-11-18 | 一种系留气球球体的表面缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115753988A true CN115753988A (zh) | 2023-03-07 |
CN115753988B CN115753988B (zh) | 2024-08-13 |
Family
ID=85333242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211450887.5A Active CN115753988B (zh) | 2022-11-18 | 2022-11-18 | 一种系留气球球体的表面缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115753988B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070105A (zh) * | 2023-03-17 | 2023-05-05 | 湖北工业大学 | 基于小波变换及残差网络的组合梁损伤识别方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019029524A1 (zh) * | 2017-08-10 | 2019-02-14 | 大连天亿软件有限公司 | 横波斜探头反射波衍射波变型波探伤法 |
CN115166047A (zh) * | 2022-07-11 | 2022-10-11 | 北京理工大学 | 复合材料弯板缺陷识别方法、系统及可读存储介质 |
-
2022
- 2022-11-18 CN CN202211450887.5A patent/CN115753988B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019029524A1 (zh) * | 2017-08-10 | 2019-02-14 | 大连天亿软件有限公司 | 横波斜探头反射波衍射波变型波探伤法 |
CN115166047A (zh) * | 2022-07-11 | 2022-10-11 | 北京理工大学 | 复合材料弯板缺陷识别方法、系统及可读存储介质 |
Non-Patent Citations (3)
Title |
---|
MEI WANG 等: "Aerostat Airbag Damage Detection Based on VMD Decomposition and GenSVM", JOURNAL OF PHYSICS: CONFERENCE SERIES, 31 July 2022 (2022-07-31) * |
程腾: "囊体布热合缺陷的锁相热成像无损检测技术研究", 实验力学, 15 October 2015 (2015-10-15) * |
胡立强: "基于超声相控阵的LPG球形储罐焊缝缺陷检测技术研究", CNKI硕士学位论文, 15 June 2021 (2021-06-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070105A (zh) * | 2023-03-17 | 2023-05-05 | 湖北工业大学 | 基于小波变换及残差网络的组合梁损伤识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115753988B (zh) | 2024-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830127B (zh) | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 | |
Islam et al. | Automated bearing fault diagnosis scheme using 2D representation of wavelet packet transform and deep convolutional neural network | |
Xi et al. | Bearing diagnostics based on pattern recognition of statistical parameters | |
Wang et al. | A non-contact fault diagnosis method for rolling bearings based on acoustic imaging and convolutional neural networks | |
Gao et al. | Damage characterization using CNN and SAE of broadband Lamb waves | |
CN115753988B (zh) | 一种系留气球球体的表面缺陷识别方法 | |
CN107144643A (zh) | 一种Lamb波监测信号统计参数的损伤识别方法 | |
CN111272886A (zh) | 一种基于卷积神经网络的压力容器损伤定位方法 | |
Shi et al. | Structural damage detection using artificial neural networks and wavelet transform | |
CN110231395A (zh) | 一种钢丝绳断丝损伤识别方法及系统 | |
Zhang et al. | An improved method of rail health monitoring based on CNN and multiple acoustic emission events | |
Sun et al. | Data-driven fault diagnosis method based on second-order time-reassigned multisynchrosqueezing transform and evenly mini-batch training | |
Lee et al. | Deep convolutional neural network with new training method and transfer learning for structural fault classification of vehicle instrument panel structure | |
CN115630281A (zh) | 一种浮空器囊体表面损伤识别方法 | |
US20240013044A1 (en) | Method for characterizing a part through non-destructive inspection | |
Yanez-Borjas et al. | Convolutional neural network-based methodology for detecting, locating and quantifying corrosion damage in a truss-type bridge through the autocorrelation of vibration signals | |
CN112131781B (zh) | 基于全连接神经网络与传递率函数的钢结构损伤检测方法 | |
CN113094640A (zh) | 一种频域下宽带多轴随机振动寿命预测方法 | |
Yanez-Borjas et al. | Methodology based on statistical features and linear discriminant analysis for damage detection in a truss-type bridge | |
CN112183297B (zh) | 一种超声相控阵信号稀疏特征提取方法 | |
CN112816122B (zh) | 基于深度学习和压电主动传感的螺栓松紧程度监测方法 | |
CN115452957A (zh) | 基于注意力原型网络的小样本金属损伤识别方法 | |
CN115248253A (zh) | 一种钢轨轨底点蚀缺陷的精准定位检测方法 | |
Xue et al. | Deep reference autoencoder convolutional neural network for damage identification in parallel steel wire cables | |
Alqahtani et al. | Feature extraction and neural network-based fatigue damage detection and classification |
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 |