CN115859075B - 一种用于机场区域的航空器机型识别装置及其方法 - Google Patents
一种用于机场区域的航空器机型识别装置及其方法 Download PDFInfo
- Publication number
- CN115859075B CN115859075B CN202211355575.6A CN202211355575A CN115859075B CN 115859075 B CN115859075 B CN 115859075B CN 202211355575 A CN202211355575 A CN 202211355575A CN 115859075 B CN115859075 B CN 115859075B
- Authority
- CN
- China
- Prior art keywords
- aircraft
- wheel
- vibration
- data
- runway
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000003287 optical effect Effects 0.000 claims abstract description 21
- 230000001960 triggered effect Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 9
- 238000010276 construction Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000005491 wire drawing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供一种用于机场区域的航空器机型识别装置及其方法，包括沿跑道纵向上设有的多个光栅阵列振动传感光缆，多个光栅阵列振动传感光缆位于跑道面板底层，还包括识别装置和电子设备；光栅阵列振动传感光缆记录航空器的前、后轮与跑道的接触振动信号时间间隔及振动信号幅值。获取航空器起落架前、后轮与跑道产生接地后触发的振动实时数据不受天气影响，提高了航空器机型识别的全天候性，由于获取的是航空器实时数据，保证了航空器机型识别的及时性，且数据库间建立了关联关系，因此提高了航空器机型识别的准确性。具有较大的推广价值。
Description
技术领域
本发明涉及航空器机型识别领域，尤其是涉及一种用于机场区域的航空器机型识别装置及其方法。
背景技术
航空器的降落和起飞是航空器飞行过程中事故率较高的两个阶段，对起降过程中的航空器进行机型识别，可以为特定机型的航空器姿态异常、起落架异常等事故隐患的自动检测与甄别提供数据基础，记录航空器整个起降过程中的视频信息也可以为事后问题调查提供主要参考依据。
现有技术的航空器比较常用的信息数据获取方式主要是以摄像头取证为主，辅以激光轮迹仪、雷达系统和室外GNSS系统获取数据，从而构建数据库，利用数据库对航空器目标物进行识别，从而实现对航空器机型的识别与监测。但是信息数据获取方法具有局限性，通过严重依赖于图像采集装置的数据获取能力的这种局部非连续的监测方法，极易受到外界环境天气因素、摄像头采集距离和布设地理位置等的限制，例如一旦出现恶劣天气，摄像头无法正常工作，或者航空器进入摄像头盲区，就无法及时、准确识别航空器，进而捕捉航空器当前实时状态，影响机场区域的监控管理和安全运营。为此我们提出一种用于机场区域的航空器机型识别装置及其方法用于解决上述问题。
中国专利文献CN113723425A记载了一种飞机型号识别方法、装置、存储介质及设备，包括获取目标飞机任意视角下的可见光图像；利用预先训练的图像分割模型对可见光图像当中的目标飞机进行粗检测，并提取出目标飞机轮廓；使用内部距离形状上下文描述目标飞机轮廓的每个轮廓点特征。根据相似度匹配结果，识别出目标飞机的型号。但是该方法极易受到外界环境天气因素、摄像头采集距离和布设地理位置等的限制，使用存在缺陷，需要改进。
发明内容
本发明提供了一种用于机场区域的航空器机型识别装置及其方法，解决现有技术中对航空器机型识别不及时、不准确、受天气影响的问题。
为解决上述技术问题，本发明所采用的技术方案是：一种用于机场区域的航空器机型识别装置，包括沿跑道纵向上设有的多个光栅阵列振动传感光缆，多个光栅阵列振动传感光缆位于跑道面板底层，还包括识别装置和电子设备；
光栅阵列振动传感光缆记录航空器的前、后轮与跑道的接触振动信号时间间隔及振动信号幅值。
优选的方案中，识别装置包括数据获取模块、起落架数据计算模块、幅值特征计算模块和机型识别模块；
数据获取模块接收光栅阵列振动传感光缆的信号，获取航空器起落架前、后轮与跑道接地后触发的实时时间和振动信号；
起落架数据计算模块用于根据航空器的前轮和后轮对应的振动信号之间的时间间隔，得到航空器起落架轮距数据；
幅值特征计算模块用于根据振动信号幅值，得到前后轮对应的振动冲击幅值特征值；
机型识别模块用于根据对应的轮距数据、振动冲击幅值特征值与航空器已有信息数据库对比，得到最终的航空器识别结果。
优选的方案中，电子设备包括处理器、存储器、显示器和识别算法，存储器内设有识别算法；
处理器用于运行存储器中存储的识别算法。
优选的方案中，还包括航空器中的信息数据库；
信息数据库用于存储航空器起落架纵向轮距和前后轮振动响应特征值的历史信息数据；
优选的方案中，航空器已有的信息数据库包括参数特征值数据库、图像采集数据库、分型算法数据库及基本信息数据库和数据库构建关联的示意图；
参数特征值数据库用于存储航空器实时振动参量值以及航空器实时应变参量值，图像采集数据库用于存储航空器实时图像数据。
一种用于机场区域的航空器机型的识别方法，其特征是：S1、多个光栅阵列振动传感光缆把航空器起落架前后轮与跑道产生接地后触发的实时振动信号传递给数据获取模块；
S2、第一预设航空器机型识别：起落架数据计算模块根据航空器前轮和后轮对应的振动信号之间的时间间隔，得到航空器起落架轮距数据，得到初步机型；
S3、在初步机型基础上，进行第二阶段航空器机型识别：幅值特征计算模块根据无升力滑跑阶段航空器前轮、后轮对应的振动信号幅值，得到前后轮对应的振动冲击幅值特征值；
S4、确定航空器机型：机型识别模块根据所述航空器起落架轮距数据、前后轮对应的振动冲击幅值特征值与初步机型的航空器已有信息数据库对比，得到最终的航空器识别结果。
优选的方案中，S2中得到初步机型的步骤是：A1：根据航空器飞机落地速度与航空器前后轮时间间隔，计算轮距数据；
A2：设置不同航空器机型起落架轮距数据的轮距波动阈值范围；
A3：根据航空器轮距数据，把轮距数据带入不同的航空器轮距波动阈值范围，初选出合格的航空器机型。
优选的方案中，S3中第二阶段航空器机型识别采用深度学生法对航空器进行特征值提取；
B1：特征值提取包括时域、频域和时频域三个特征；
B2：时域中的特征因素包括航空器前后轮与跑道接触的振幅、均方值、过零率、峰值因子和脉冲因子；
频域中的特征因素包括航空器前、后轮与跑道接触的倒频谱参数特征和频率标准差；
时频域的特征因素为航空器前后轮与跑道接触的能量特征向量。
本发明的有益效果为：光栅阵列振动传感光缆具备以下的优势，1.规模化优势：具有多测点、大容量、高灵敏度、长距离的优势。
2.多参量监测优势：可以组建大容量的光栅阵列温度传感网、光栅阵列湿度传感网、光栅阵列振动传感网以及光栅阵列应变传感网。
3.安装施工简便和规模化成本低的优势：光栅阵列通过工业化成缆工艺和技术对光栅阵列进行保护，既能有效隔离外界破坏或异物损坏，又能保护传感能力不受影响，极大提高的光栅阵列对恶劣外部环境、工程施工、现场其他因素破坏的耐受能力。
4.成本优势：可实现大规模拉丝制备、工业化成缆，安装施工工艺简单，因此单测点分摊成本低，整体成本经济。
通过多条光栅阵列振动传感光缆，获取航空器起落架前、后轮与跑道产生接地后触发的振动实时数据；构建航空器已有信息数据库，并对数据库进行关联，根据航空器的实时数据以及构建航空器已有信息数据库进行航空器机型识别，由于光栅阵列振动传感光缆敷设于机场跑道下方，不受天气影响，提高了航空器机型识别的全天候性，由于获取的是航空器实时数据，保证了航空器机型识别的及时性，且数据库间建立了关联关系，因此提高了航空器机型识别的准确性。具有较大的推广价值。
附图说明
下面结合附图和实施例对本发明作进一步说明；
图1是本发明整体步骤的流程示意图；
图2是本发明光栅阵列振动传感光缆位置的示意图；
图3是本发明识别装置模块的结构框图；
图4是本发明电子设备流程框图；
图中：跑道1；光栅阵列振动传感光缆2；识别装置3；数据获取模块301；起落架数据计算模块302；幅值特征计算模块303；机型识别模块304；电子设备4；处理器401；存储器402；显示器403；识别算法404；航空器5。
具体实施方式
实施例1：
如图1-4中，一种用于机场区域的航空器机型识别装置及其方法，包括沿跑道1纵向上设有的多个光栅阵列振动传感光缆2，多个光栅阵列振动传感光缆2位于跑道1面板底层，还包括识别装置3和电子设备4；
光栅阵列振动传感光缆2记录航空器5的前、后轮与跑道1的接触振动信号时间间隔及振动信号幅值。由此结构，1.规模化优势：具有多测点、大容量、高灵敏度、长距离的优势。
2.多参量监测优势：可以组建大容量的光栅阵列温度传感网、光栅阵列湿度传感网、光栅阵列振动传感网以及光栅阵列应变传感网。
3.安装施工简便和规模化成本低的优势：光栅阵列通过工业化成缆工艺和技术对光栅阵列进行保护，既能有效隔离外界破坏或异物损坏，又能保护传感能力不受影响，极大提高的光栅阵列对恶劣外部环境、工程施工、现场其他因素破坏的耐受能力。
4.成本优势：可实现大规模拉丝制备、工业化成缆，安装施工工艺简单，因此单测点分摊成本低，整体成本经济。
优选的方案中，识别装置3包括数据获取模块301、起落架数据计算模块302、幅值特征计算模块303和机型识别模块304；
数据获取模块301接收光栅阵列振动传感光缆2的信号，获取航空器5起落架前、后轮与跑道1接地后触发的实时时间和振动信号；
起落架数据计算模块302用于根据航空器5的前轮和后轮对应的振动信号之间的时间间隔，得到航空器5起落架轮距数据；
幅值特征计算模块303用于根据振动信号幅值，得到前后轮对应的振动冲击幅值特征值；
机型识别模块304用于根据对应的轮距数据、振动冲击幅值特征值与航空器已有信息数据库对比，得到最终的航空器5识别结果。
优选的方案中，电子设备4包括处理器401、存储器402、显示器403和识别算法404，存储器402内设有识别算法404；
处理器401用于运行存储器402中存储的识别算法404。由此结构，电子设备4可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子设备包括处理器401、显示器403及存储器402。
存储器402在一些实施例中可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器402在另一些实施例中也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器402还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器402用于存储安装于计算机设备的应用软件及各类数据，例如安装计算机设备的程序代码等。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器402上存储有用于机场区域的航空器机型识别程序404，该用于机场区域的航空器机型识别程序404可被处理器401所执行，从而实现本发明各实施例的用于机场区域的航空器机型识别方法。
处理器401在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器402中存储的程序代码或处理数据，例如执行用于机场区域的航空器机型识别程序等。
显示器403在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器403用于显示在计算机设备的信息以及用于显示可视化的用户界面。计算机设备的部件401-403通过系统总线相互通信。
对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
优选的方案中，还包括航空器5中的信息数据库；
信息数据库用于存储航空器5起落架纵向轮距和前后轮振动响应特征值的历史信息数据；
优选的方案中，航空器5已有的信息数据库包括参数特征值数据库、图像采集数据库、分型算法数据库及基本信息数据库和数据库构建关联的示意图；
参数特征值数据库用于存储航空器5实时振动参量值以及航空器5实时应变参量值，图像采集数据库用于存储航空器5实时图像数据。
实施例2，结合实施例1进一步说明：
一种用于机场区域的航空器机型的识别方法，其特征是：多个光栅阵列振动传感光缆2把航空器起落架前后轮与跑道产生接地后触发的实时振动信号传递给数据获取模块301；
第一预设航空器机型识别：起落架数据计算模块302根据航空器前轮和后轮对应的振动信号之间的时间间隔，得到航空器起落架轮距数据，得到初步机型；根据航空器5飞机落地速度与航空器5前后轮时间间隔，计算轮距数据；设置不同航空器5机型起落架轮距数据的轮距波动阈值范围；根据航空器5轮距数据，把轮距数据带入不同的航空器5轮距波动阈值范围，初选出合格的航空器5机型。
在初步机型基础上，进行第二阶段航空器机型识别：幅值特征计算模块303根据无升力滑跑阶段航空器前轮、后轮对应的振动信号幅值，得到前后轮对应的振动冲击幅值特征值；第二阶段航空器机型识别深度学习算法。
确定航空器5机型：机型识别模块304根据所述航空器起落架轮距数据、前后轮对应的振动冲击幅值特征值与初步机型的航空器5已有信息数据库对比，得到最终的航空器识别结果。
第二阶段航空器机型识别采用深度学生法对航空器(5)进行特征值提取；
B1：特征值提取包括时域、频域和时频域三个特征；
B2：时域中的特征因素包括航空器(5)前后轮与跑道(1)接触的振幅、均方值、过零率、峰值因子和脉冲因子；
频域中的特征因素包括航空器(5)前后轮与跑道(1)接触的倒频谱参数特征和频率标准差；
时频域的特征因素为航空器(5)前后轮与跑道(1)接触的能量特征向量。
时域中峰值因子：其中Xmax代表信号的最大峰值，Xrm为信号的均方根值；
脉冲因子：其中XPK代表信号峰峰值，Xarv为信号的平均值；
过零率：Sgn为阶跃函数；
均方值：
振幅对信号进行求模，如正弦信号x(t)＝Asin(wt),A即为信号的振幅。
频域中倒频谱：Ca(t)＝|F-1{log[Sxx(f)]}|，Sxx(f)是信号的功率谱；
频率标准差：FC为重心频率，P(f)为信号功率谱，频率标准差
时频域中，时频分析为在频域变换的基础上加一个可变时间窗，通过时间窗的移动反映出信号在不同时刻的频域信息。如傅里叶变换为在变换之前时域信号乘一个时间有限的窗函数，通过窗函数的移动即可反映信号的时频信息。加窗傅里叶变换为：
能量函数为：E(t)＝||STFT(t,f)||。
实施例3，结合实施例1～2进一步说明：
数据获取模块301获取数据后，第一阶段航空器机型识别方法为：根据所测数据的误差波动范围或均方差值，设定轮距误差阈值为δ＝±2m。
如果实测轮距满足L≤L1+δ＝10+2＝12m，即认为该航空器5轮距值为L小于或等于10米，得到航空器5的初步机型分类结果为当前航空器机型为A；如果实测轮距满足L≥L2-δ＝15-2＝13m，即认为该航空器轮距值为L大于或等于15米，得到航空器5的初步机型分类结果为当前航空器机型为B；如果实测轮距满足12＜L＜13m，即认为该航空器5轮距值不为L1也不为L2，得到航空器5的初步机型分类结果为不定；
在初步机型分类结果的基础上，进一步利用航空器5前后轮对应的振动冲击幅值特征值进行第二阶段航空器机型识别，得到对航空器机型更精细的识别，从而得到最终的机型识别结果。
航空器5已有信息数据库用于存储航空器起落架纵向轮距和前后轮振动响应特征值的历史信息数据。
航空器已有信息数据库包括参数特征值数据库、图像采集数据库、分型算法数据库及基本信息数据库，数据库构建关联的示意图，所述参数特征值数据库用于存储所述航空器实时振动参量值以及所述航空器实时应变参量值，所述图像采集数据库用于存储所述航空器实时图像数据，将所述参数特征值数据库和所述图像采集数据库内的数据传输至所述分型算法数据库进行算法处理，得到航空器5机型。
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。
Claims (6)
1.一种用于机场区域的航空器机型识别装置，其特征是：包括沿跑道（1）纵向上设有的多个光栅阵列振动传感光缆（2），多个光栅阵列振动传感光缆（2）位于跑道（1）面板底层，还包括识别装置（3）和电子设备（4）；
光栅阵列振动传感光缆（2）记录航空器（5）的前、后轮与跑道（1）的接触振动信号时间间隔及振动信号幅值；
识别装置（3）包括数据获取模块（301）、起落架数据计算模块（302）、幅值特征计算模块（303）和机型识别模块（304）；
数据获取模块（301）接收光栅阵列振动传感光缆（2）的信号，获取航空器（5）起落架前、后轮与跑道（1）接地后触发的实时时间和振动信号；
起落架数据计算模块（302）用于根据航空器（5）的前轮和后轮对应的振动信号之间的时间间隔，得到航空器（5）起落架轮距数据；
幅值特征计算模块（303）用于根据振动信号幅值，得到前后轮对应的振动冲击幅值特征值；
机型识别模块（304）用于根据对应的轮距数据、振动冲击幅值特征值与航空器已有信息数据库对比，得到最终的航空器（5）识别结果；
还包括航空器（5）中的信息数据库；
信息数据库用于存储航空器（5）起落架纵向轮距和前后轮振动响应特征值的历史信息数据。
2.根据权利要求1所述一种用于机场区域的航空器机型识别装置，其特征是：电子设备（4）包括处理器（401）、存储器（402）、显示器（403）和识别算法（404），存储器（402）内设有识别算法（404）；
处理器（401）用于运行存储器（402）中存储的识别算法（404）。
3.根据权利要求1所述一种用于机场区域的航空器机型识别装置，其特征是：航空器（5）已有的信息数据库包括参数特征值数据库、图像采集数据库、分型算法数据库及基本信息数据库和数据库构建关联的示意图；
参数特征值数据库用于存储航空器（5）实时振动参量值以及航空器（5）实时应变参量值，图像采集数据库用于存储航空器（5）实时图像数据。
4.根据权利要求1~3中任意一项所述一种用于机场区域的航空器机型的识别方法，其特征是：S1、多个光栅阵列振动传感光缆（2）把航空器起落架前后轮与跑道产生接地后触发的实时振动信号传递给数据获取模块（301）；
S2、第一预设航空器机型识别：起落架数据计算模块（302）根据航空器前轮和后轮对应的振动信号之间的时间间隔，得到航空器起落架轮距数据，得到初步机型；
S3、在初步机型基础上，进行第二阶段航空器机型识别：幅值特征计算模块（303）根据无升力滑跑阶段航空器前轮、后轮对应的振动信号幅值，得到前后轮对应的振动冲击幅值特征值；
S4、确定航空器（5）机型：机型识别模块（304）根据所述航空器起落架轮距数据、前后轮对应的振动冲击幅值特征值与初步机型的航空器（5）已有信息数据库对比，得到最终的航空器识别结果。
5.根据权利要求4所述一种用于机场区域的航空器机型的识别方法，其特征是：S2中得到初步机型的步骤是：A1：根据航空器（5）飞机落地速度与航空器（5）前后轮时间间隔，计算轮距数据；
A2：设置不同航空器（5）机型起落架轮距数据的轮距波动阈值范围；
A3：根据航空器（5）轮距数据，把轮距数据带入不同的航空器（5）轮距波动阈值范围，初选出合格的航空器（5）机型。
6.根据权利要求4所述一种用于机场区域的航空器机型的识别方法，其特征是：S3中第二阶段航空器机型识别采用深度学生法对航空器（5）进行特征值提取；
B1：特征值提取包括时域、频域和时频域三个特征；
B2：时域中的特征因素包括航空器（5）前后轮与跑道（1）接触的振幅、均方值、过零率、峰值因子和脉冲因子；
频域中的特征因素包括航空器（5）前后轮与跑道（1）接触的倒频谱参数特征和频率标准差；
时频域的特征因素为航空器（5）前后轮与跑道（1）接触的能量特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211355575.6A CN115859075B (zh) | 2022-11-01 | 2022-11-01 | 一种用于机场区域的航空器机型识别装置及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211355575.6A CN115859075B (zh) | 2022-11-01 | 2022-11-01 | 一种用于机场区域的航空器机型识别装置及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115859075A CN115859075A (zh) | 2023-03-28 |
| CN115859075B true CN115859075B (zh) | 2024-03-26 |
Family
ID=85662235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211355575.6A Active CN115859075B (zh) | 2022-11-01 | 2022-11-01 | 一种用于机场区域的航空器机型识别装置及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115859075B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111983563A (zh) * | 2020-08-30 | 2020-11-24 | 山东省科学院海洋仪器仪表研究所 | 基于分布式光纤声波传感的远距离超前反潜预警阵列及系统 |
| CN112257151A (zh) * | 2020-10-20 | 2021-01-22 | 南京航空航天大学 | 航空器飞行阶段划分识别系统 |
| CN113628402A (zh) * | 2021-07-19 | 2021-11-09 | 武汉烽理光电技术有限公司 | 一种分布式振动传感入侵报警方法、装置及系统 |
| CN114199364A (zh) * | 2021-12-14 | 2022-03-18 | 中国航发南方工业有限公司 | 一种航空发动机的振动监测系统 |
| CN114353666A (zh) * | 2021-12-03 | 2022-04-15 | 同济大学 | 一种机场跑道飞机滑跑行为状态的解析方法 |
| CN114701657A (zh) * | 2022-04-25 | 2022-07-05 | 武汉理工大学 | 基于跑道网格化感知的航空器起降状态实时监测方法 |
| CN114993444A (zh) * | 2022-05-09 | 2022-09-02 | 武汉理工大学 | 基于光栅传感器阵列的机场跑道安全监测方法及系统 |
| CN115079293A (zh) * | 2022-05-24 | 2022-09-20 | 烟台南山学院 | 一种用于机场跑道异物检测和道面检测的设备及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9664506B2 (en) * | 2015-08-17 | 2017-05-30 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | High speed and high spatial density parameter measurement using fiber optic sensing technology |
-
2022
- 2022-11-01 CN CN202211355575.6A patent/CN115859075B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111983563A (zh) * | 2020-08-30 | 2020-11-24 | 山东省科学院海洋仪器仪表研究所 | 基于分布式光纤声波传感的远距离超前反潜预警阵列及系统 |
| CN112257151A (zh) * | 2020-10-20 | 2021-01-22 | 南京航空航天大学 | 航空器飞行阶段划分识别系统 |
| CN113628402A (zh) * | 2021-07-19 | 2021-11-09 | 武汉烽理光电技术有限公司 | 一种分布式振动传感入侵报警方法、装置及系统 |
| CN114353666A (zh) * | 2021-12-03 | 2022-04-15 | 同济大学 | 一种机场跑道飞机滑跑行为状态的解析方法 |
| CN114199364A (zh) * | 2021-12-14 | 2022-03-18 | 中国航发南方工业有限公司 | 一种航空发动机的振动监测系统 |
| CN114701657A (zh) * | 2022-04-25 | 2022-07-05 | 武汉理工大学 | 基于跑道网格化感知的航空器起降状态实时监测方法 |
| CN114993444A (zh) * | 2022-05-09 | 2022-09-02 | 武汉理工大学 | 基于光栅传感器阵列的机场跑道安全监测方法及系统 |
| CN115079293A (zh) * | 2022-05-24 | 2022-09-20 | 烟台南山学院 | 一种用于机场跑道异物检测和道面检测的设备及方法 |
Non-Patent Citations (2)
| Title |
|---|
| Advanced landing gear fibre Bragg grating sensing and monitoring system;Grooteman F等;《Advances in Structural Engineering》;第25卷(第11期);2382-2399 * |
| 成都天府国际机场智能跑道管理系统;凌建明等;《四川建筑》;第42卷(第S1期);209-212 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115859075A (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107591002B (zh) | 一种基于分布式光纤的高速公路交通参数实时估计方法 | |
| Tcherniak et al. | Active vibration-based structural health monitoring system for wind turbine blade: Demonstration on an operating Vestas V27 wind turbine | |
| CN109357747B (zh) | 一种基于光纤振动信号的在线列车识别及速度估计方法 | |
| CN103310438B (zh) | 基于Harris角点与图像差分的接触网棒式绝缘子故障检测方法 | |
| Gong et al. | Quantitative loosening detection of threaded fasteners using vision-based deep learning and geometric imaging theory | |
| CN114684217B (zh) | 一种轨道交通健康监测系统及方法 | |
| Lee et al. | Field experiment on a PSC-I bridge for convolutional autoencoder-based damage detection | |
| CN116258980A (zh) | 一种基于视觉的无人机分布式光伏电站巡检方法 | |
| CN115937504A (zh) | 一种桥梁结构损伤识别方法和系统 | |
| CN117171657A (zh) | 风力发电设备故障诊断方法、装置、电子设备及存储介质 | |
| Soo Lon Wah et al. | Damage detection under temperature conditions using PCA–an application to the Z24 Bridge | |
| Kamranfar et al. | Pavement distress recognition via wavelet-based clustering of smartphone accelerometer data | |
| Wang et al. | EEMD-based videogrammetry and vibration analysis method for rotating wind power blades | |
| CN115859075B (zh) | 一种用于机场区域的航空器机型识别装置及其方法 | |
| CN114237110A (zh) | 基于多模态数据驱动的通用航空机队可靠性监测预警系统 | |
| CN116186642B (zh) | 一种基于多维特征融合的分布式光纤传感事件预警方法 | |
| Kim et al. | Automated damping identification of long-span bridge using long-term wireless monitoring data with multiple sensor faults | |
| US20230024104A1 (en) | Identification of false transformer humming using machine learning | |
| Jagirdar et al. | Development and Evaluation of Traffic Count Sensor with Low-Cost Light-Detection and Ranging and Continuous Wavelet Transform: Initial Results | |
| Yuan et al. | A novel method for pavement transverse crack detection based on 2D reconstruction of vehicle vibration signal | |
| Ling et al. | Intelligent detection of fine cracks on sleepers based on improved YOLOv5 model of cascade fusion | |
| CN109682457A (zh) | 基于角度检测的光纤事件识别方法 | |
| Cao et al. | Damage localization for bridges monitored within one cluster based on a spatiotemporal correlation model of strain monitoring data | |
| Li et al. | Complex Background Removal Method for Video of an Inclined Cable Based on UAV Detection of Structural Vibration Frequencies | |
| Shen et al. | Key frame extraction method with global information balance |
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 |