CN116070105A - 基于小波变换及残差网络的组合梁损伤识别方法及系统 - Google Patents
基于小波变换及残差网络的组合梁损伤识别方法及系统 Download PDFInfo
- Publication number
- CN116070105A CN116070105A CN202310256840.3A CN202310256840A CN116070105A CN 116070105 A CN116070105 A CN 116070105A CN 202310256840 A CN202310256840 A CN 202310256840A CN 116070105 A CN116070105 A CN 116070105A
- Authority
- CN
- China
- Prior art keywords
- damage
- composite beam
- strain signal
- model
- training
- 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
- 230000006378 damage Effects 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000009466 transformation Effects 0.000 title claims abstract description 31
- 239000002131 composite material Substances 0.000 claims abstract description 104
- 238000012549 training Methods 0.000 claims abstract description 70
- 238000001228 spectrum Methods 0.000 claims abstract description 36
- 238000012795 verification Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 229910000831 Steel Inorganic materials 0.000 claims description 45
- 239000010959 steel Substances 0.000 claims description 45
- 239000004567 concrete Substances 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 10
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000006735 deficit Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 21
- 239000000835 fiber Substances 0.000 description 16
- 230000007423 decrease Effects 0.000 description 7
- 208000027418 Wounds and injury Diseases 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 208000014674 injury Diseases 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 244000137852 Petrea volubilis Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 101150065184 sym-2 gene Proteins 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种基于小波变换及残差网络的组合梁损伤识别方法及系统,属于数字信号处理技术领域,包括:采集原始组合梁应变信号,对原始组合梁应变信号进行小波变换,得到应变信号时频图谱;对应变信号时频图谱中的损伤类别进行标记获得样本标签,根据应变信号时频图谱和样本标签构建样本数据集;构建深度残差网络模型,采用样本数据集对深度残差网络模型进行训练,得到组合梁损伤识别模型;采集待检测组合梁应变信号,将待检测组合梁应变信号输入至组合梁损伤识别模型,得到组合梁损伤类别识别结果。本发明通过选取典型组合梁损伤工况进行测试验证,验证结果表明相较于传统组合梁损伤识别方法,显著提高了组合梁损伤检测的效率、安全性和准确率。
Description
技术领域
本发明涉及数字信号处理技术领域,尤其涉及一种基于小波变换及残差网络的组合梁损伤识别方法及系统。
背景技术
随着桥梁结构向着大型化、智能化和高性能的方向发展,大跨度桥梁结构具有服役周期长、自然条件和负荷条件复杂、受力复杂等特点,其安全性与耐久性与社会经济发展直接相关。其中,组合梁作为大型桥梁结构最常用的结构形式,具有损伤诊断任务量大,损伤类别复杂多样。
现有的组合梁损伤识别多采用基于动力特性的识别方法,具体包括获取损伤指标,如振型、曲率、柔度、模态应变能等,再将获取的损伤指标与桥梁初始状态相关指标进行对比分析,进而判断结构是否发生损伤。该方法存在如下问题:(1)在组合梁结构形式较为复杂,部分位置不适合布置测点时,基于模态指标的损伤识别方法很难使用;(2)若没有保留结构初始状态下的相关指标,无法进行对比分析。
针对现有组合梁损伤识别技术的局限性,需要提出一种新的组合梁损伤识别方法。
发明内容
本发明提供一种基于小波变换及残差网络的组合梁损伤识别方法及系统,用以解决现有技术中针对组合梁损伤识别需要布设复杂设备,且对应识别方法过于受限于组合梁结构和相关结构指标的缺陷。
第一方面,本发明提供一种基于小波变换及残差网络的组合梁损伤识别方法,包括:
采集原始组合梁应变信号,对所述原始组合梁应变信号进行小波变换,得到应变信号时频图谱;
对所述应变信号时频图谱中的损伤类别进行标记获得样本标签,根据所述应变信号时频图谱和所述样本标签构建样本数据集;
构建深度残差网络模型,采用所述样本数据集对所述深度残差网络模型进行训练,得到组合梁损伤识别模型;
采集待检测组合梁应变信号,将所述待检测组合梁应变信号输入至所述组合梁损伤识别模型,得到组合梁损伤类别识别结果。
第二方面,本发明还提供一种基于小波变换及残差网络的组合梁损伤识别系统,包括:
采集变换单元,用于采集原始组合梁应变信号,对所述原始组合梁应变信号进行小波变换,得到应变信号时频图谱;
分类构建单元,用于对所述应变信号时频图谱中的损伤类别进行标记获得样本标签,根据所述应变信号时频图谱和所述样本标签构建样本数据集;
建立训练单元,用于构建深度残差网络模型,采用所述样本数据集对所述深度残差网络模型进行训练,得到组合梁损伤识别模型;
分类识别单元,用于采集待检测组合梁应变信号,将所述待检测组合梁应变信号输入至所述组合梁损伤识别模型,得到组合梁损伤类别识别结果。
第三方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于小波变换及残差网络的组合梁损伤识别方法。
本发明提供的基于小波变换及残差网络的组合梁损伤识别方法及系统,通过选取典型的组合梁损伤工况进行测试验证,验证结果表明本发明相较于传统的组合梁损伤识别方法,显著提高了组合梁损伤检测的效率、安全性和准确率,有效实现了对组合梁损伤预防和预控,降低了人力成本和工程实施成本。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于小波变换及残差网络的组合梁损伤识别方法的流程示意图;
图2是本发明提供的组合梁损伤识别方法的识别流程图;
图3是本发明提供的工字钢1/2处裂缝损伤示意图;
图4是本发明提供的工字钢1/4处裂缝损伤示意图;
图5是本发明提供的混凝土板1/2处裂缝损伤示意图;
图6是本发明提供的混凝土板1/4处裂缝损伤示意图;
图7是本发明提供的工字钢1/2处剪力钉缺失损伤示意图;
图8是本发明提供的工字钢1/4处剪力钉缺失损伤示意图;
图9是本发明提供的光纤光栅应变传感器测点布置图;
图10是本发明提供的网格划分示意图;
图11是本发明提供的基于ResNet-50的残差网络模型的网络结构图;
图12是本发明提供的不同训练批次的准确率对应的迭代次数示意图;
图13是本发明提供的不同训练批次的准确率对应的训练批次示意图;
图14是本发明提供的不同遍历次数的准确率对应的迭代次数示意图;
图15是本发明提供的不同遍历次数的准确率对应的遍历次数示意图;
图16是本发明提供的不同学习率的准确率对应的迭代次数示意图;
图17是本发明提供的不同学习率的准确率对应的准确率示意图;
图18是本发明提供的基于ResNet-50的残差网络模型分类结果的混淆矩阵示意图;
图19是本发明提供的基于远离损伤处数据集的ResNet-50的残差网络模型分类结果的混淆矩阵示意图;
图20是本发明提供的基于小波变换及残差网络的组合梁损伤识别系统的结构示意图;
图21是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
针对桥梁结构中需要大量运用的损伤识别技术,现有的识别方法依赖于桥梁的结构特点,还依赖于桥梁结构的原始状态,从实用性、工程实施难度以及识别的准确性来说,均不具备较强的适用性,针对上述问题,本发明实施例提出一种基于小波变换及残差网络的组合梁损伤识别方法,如图1所示,包括:
步骤100:采集原始组合梁应变信号,对所述原始组合梁应变信号进行小波变换,得到应变信号时频图谱;
步骤200:对所述应变信号时频图谱中的损伤类别进行标记获得样本标签,根据所述应变信号时频图谱和所述样本标签构建样本数据集;
步骤300:构建深度残差网络模型,采用所述样本数据集对所述深度残差网络模型进行训练,得到组合梁损伤识别模型;
步骤400:采集待检测组合梁应变信号,将所述待检测组合梁应变信号输入至所述组合梁损伤识别模型,得到组合梁损伤类别识别结果。
具体地,获得多个原始组合梁应变信号之后,对原始组合梁应变信号进行小波变换,包括依次进行小波去噪和小波时频变换,得到应变信号时频图谱,对应变信号时频图谱的损伤类别进行标记,根据标记得到的样本标签构建样本数据集,将样本数据集划分为训练集、验证集和测试集,采用深度残差网络模型作为基础模型,输入样本数据集进行模型训练,得到组合梁损伤识别模型,最后将需要检测的组合梁应变信号输入到训练好的组合梁损伤识别模型,得到最终的组合梁损伤类别识别结果,即识别损伤具体属于哪种损伤类型,整体识别流程如图2所示。
本发明通过选取典型的组合梁损伤工况进行测试验证,验证结果表明本发明相较于传统的组合梁损伤识别方法,显著提高了组合梁损伤检测的效率、安全性和准确率,有效实现了对组合梁损伤预防和预控,降低了人力成本和工程实施成本。
基于上述实施例,步骤100包括:
采集不同损伤类别的原始组合梁在激励下得到的所述原始组合梁应变信号;
对所述原始组合梁应变信号进行小波去噪,得到降噪应变信号;
对所述降噪应变信号进行小波时频变换,获取所述应变信号时频图谱。
其中,所述不同损伤类别包括无损伤健康工况、工字钢第一位置损伤工况、工字钢第二位置损伤工况、混凝土板第一位置损伤工况、混凝土板第二位置损伤工况、工字钢剪力钉第一位置损伤工况和工字钢剪力钉第二位置损伤工况。
具体地,需要说明的是,本发明提出的基于小波变换及残差网络的组合梁损伤识别方法,是基于本发明提出的组合梁损伤识别结构,制作该结构的具体步骤如下:
首先制作并安装钢-混凝土组合梁:在工厂制作好工字钢梁,并焊接好剪力钉,再根据组合梁尺寸制作并安装木模版,浇筑C50混凝土,并依据钢-混凝土组合梁通用养护标准进行养护,待混凝土试块达到其设计强度时,养护完成得到钢-混凝土组合梁。
在此基础上搭建实验平台:在组合梁工字钢一端端头将工字钢与钢板焊接,钢板用螺栓锚固在混凝土地面上,施加水平约束,来模拟铰支座,另一端放置表面光滑平整的混凝土块,模拟滚动支座,用水平尺在工字钢梁上找平,保证整个组合梁结构体系平稳;其中,本实施例中采用的钢梁全长为3m,材质为Q235B,采用型号为20#a的工字型钢,截面净高为200mm,上下翼缘宽均为100mm,截面积为43.38cm2。混凝土板跨度为3m,材料为C50,翼缘宽为600mm,高80mm,钢筋笼采用直径为6mm的HRB335钢筋。
然后使用切割机切割的方式为不同的组合梁制造不同的损伤,为了采集不同损伤工况下的振动数据,设置了七种损伤工况,其中一种为无损伤健康工况,其余六种工况分别为工字钢1/2处裂缝损伤在钢梁1/2 处预制长度30mm,宽度10mm,厚度9mm 的裂缝(如图3所示)、工字钢1/4处裂缝损伤在钢梁1/4 处预制长度30mm,宽度10mm,厚度9mm 的裂缝(如图4所示)、混凝土板1/2处裂缝损伤在混凝土板1/2 处预制长度40mm,宽度10mm,厚度40mm 的裂缝(如图5所示)、混凝土板1/4处裂缝损伤在混凝土板1/4处预制长度40mm,宽度10mm,厚度40mm 的裂缝(如图6所示)、工字钢1/2处剪力钉缺失在工字钢1/2附近用切割机切除4行*2列的剪力钉(如图7所示)以及工字钢1/4处剪力钉缺失在工字钢1/4附近用切割机切除4行*2列的剪力钉(如图8所示)。此处,每种工况的工字钢-混凝土组合梁的制作及损伤的切割制作均按照前述步骤的方法进行制备。
进一步地,用铁铲将传感器安装处的混凝土和工字钢表面的混凝土渣和铁锈铲去,进行粗整平,再使用砂纸打磨,进行细整平,直至光滑平整,使用胶粘剂将光纤光栅应变传感器(JFSS-04)底座分别粘贴于混凝土表面和工字钢表面,再使用螺丝将光纤光栅传感器固定在底座上,如图9所示的四个光纤光栅传感器沿着梁的长度方向分别粘在混凝土板跨中下表面、工字型钢梁跨中腹板表面、工字型钢梁下翼缘上表面1/4和3/4处。
布置信号采集系统:将光纤光栅应变传感器(JFSS-04)与光纤光栅解调仪(MicronOptics SM130)连接,光纤光栅解调仪与计算机连接,保存组合梁产生的振动信号,分别将四根准分布式长标距光纤光栅传感器的接头与光纤光栅解调仪的四个通道连接,用双绞线将光纤光栅解调仪与计算机连接来采集数据,其中光纤光栅解调仪的采样频率为1kHz。
最后对组合梁进行激励实验,采用不同质量的钢球从组合梁正上方的不同高度做自由落体运动,落在组合梁的不同的位置,以给予组合梁大小不等的冲量,光纤光栅传感器将采集到的组合梁应变振动信号通过光纤光栅解调仪转换为原始应变时域信号,传输至计算机储存。如图10所示,在混凝土板上用墨斗弹出网格线,,保证钢球落点均匀地分布在组合梁上,本实施例中采用沿梁长度方向分为32份,沿梁宽度方向分为6份,形成192个网格,每个网格作为小球的落点。为避免小球冲击荷载过大,导致信号出现中断,小球冲击荷载过小,出现振动信号不明显,经多次实验确定小球做自由落体运动的高度为0.4~0.6m之间较为合理,其中组合梁健康工况和六种损伤工况一共采集33264组样本信号。需要说明的是,当钢球落下后再弹起时迅速将其接住,避免第二次冲击或落在组合梁上增加组合梁的质量。
本发明采用小波变换对原始组合梁应变信号进行处理,首先进行小波去噪处理,采用matlab小波分析工具箱对信号进行降噪处理,其中采用Wavelet函数、sym2小波基函数对原始应变时域信号进行7层分解,对小波分解的高、低频系数都进行阈值量化处理。
将降噪后的信号进行小波时频变换以获得时频图,小波变换主要是通过对函数进行变换,其核心的公式为:
其中,代表为小波变换系数。
由于健康工况和损伤工况下的组合梁应变信号的频率是随时间变化的,为非平稳振动信号,而通过小波变换可以把原始振动信号转换为时频图,时频图可以更加直观的表征信号的特征。
本发明中的组合梁损伤识别结构,所需检测设备少,且具有轻巧、运输方便,检测前准备工作少,以及设备布置安装简单的特点,大幅降低了工程实施难度和成本,具有较强的普适性。
基于上述实施例,步骤200包括:
将所述应变信号时频图谱划分为训练集、验证集和测试集;
对所述训练集和所述验证集中的损伤类别进行标记,得到所述样本标签;
基于所述样本标签将所述训练集、所述验证集和所述测试集进行分类,得到所述样本数据集;
其中,所述训练集用于训练模型,所述验证集用于判断模型是否收敛,所述测试集用于评估模型泛化能力。
可以理解的是,在获取应变信号时频图谱之后,进一步制作样本数据集,将应变信号时频图谱划为训练集、验证集和测试集,并对训练集和验证集的损伤类别进行标记,获得样本标签;其中训练集用于训练模型,验证集用于判断模型是否收敛,从而确定模型的最优参数以及准确率与回召率,测试集用于评估最终模型的泛化能力。
具体地,基于获得的六种损伤工况和一种健康工况对应的应变信号时频图谱,分别将每种工况下的时频图分为训练集、验证集和测试集,其中样本数据集的组成及其组合梁健康与损伤工况所对应的标签,如表1所示。
表1
本发明通过将基于振动应变信号的时频图谱和信号处理法进行结合,针对应变对结构损伤较为敏感,采用高灵敏度的光纤光栅应变传感器,精度可达到9×10-6,可以依据真实的结构形式布置合适测点,将振动应变信号经过小波变换直接转换成时频图谱,结合深度残差网络自主学习的特点,残差网络自动提取损伤信息,自动实现对损伤的识别,提高了组合结构桥梁损伤检测的效率、安全性和准确率,摆脱了对结构模型的限制,实现了钢筋混凝土组合桥梁损伤的自动检测。
基于上述实施例,步骤300包括:
确定具有预设网络结构的残差网络初始模型;
将所述样本数据集中的训练集输入至所述残差网络初始模型进行训练,采用所述样本数据集中的验证集调整所述残差网络初始模型的超参数直至最优,得到所述组合梁损伤识别模型。
其中,所述残差网络初始模型包括7个卷积层、4层残差块和1个完全连接层;
所述7个卷积层和所述4层残差块之间包括1个最大池化层,所述4层残差块和所述1个完全连接层之间包括1个平均池化层。
其中,所述将所述样本数据集中的训练集输入至所述残差网络初始模型进行训练,采用所述样本数据集中的验证集调整所述残差网络初始模型的超参数直至最优,得到所述组合梁损伤识别模型,包括:
基于所述训练集,采用预设随机优化算法更新所述残差网络初始模型的参数,确定预设激活函数进行模型收敛,并采用交叉熵损失函数更新网络权重;
基于所述验证集,调整所述残差网络初始模型的训练批次、学习率和遍历次数,直至所述残差网络初始模型的性能达到最优,获得所述组合梁损伤识别模型。
具体地,完成样本数据集构建之后,需要选取合适的模型结构进行训练,本发明采用MATLAB深度学习工具箱搭建深度残差网络模型,模型结构如图11所示的50层深度残差网络模型,该模型共包含7个卷积层,四层残差块,1个完全连接层,第一个池化层使用最大池化(),最后一个池化层使用平均池化()。
将其中的经过标记的训练集输入至模型中进行训练,训练集数据经过网络的前向传播计算得到网络的输出值,网络通过交叉熵损失函数衡量输出值和真实标记之间的误差,然后,网络通过反向传播和选择的优化算法来更新网络的训练参数。
本发明中的模型训练使用自适应动量(Adaptive momentum,Adam)的随机优化方法更新神经网络的参数,Adam算法是一种对随机目标函数执行一阶梯度优化的算法,有很高的计算效率和较低的内存需求。此外,激活函数选择Relu函数,Relu函数可以有效防止梯度弥散、计算效率高、收敛速度较快,激活函数公式为:
模型损失函数选用交叉熵损失函数,用于衡量输出值和真实标记之间的误差,交叉熵的值越小,模型预测效果就越好,公式为:
式中,n表示n种类别;表示真实概率的分布;表示训练后的模型的预测概率分布。
需要说明的是,在深度学习中,模型中的参数会自动更新,无需手动调整。
在模型中,卷积层对输入图片从边缘开始由浅入深进行特征提取,主要由低层的图像纹理、边缘特征逐渐过渡到高层的图像语义特征。池化层通过降低计算矩阵维数,来降低参数的数量和模型的计算复杂度。最大池化层其内核的维度为2×2,沿着输入的空间维度的步幅为2。全连接层把前面卷积层和池化层学习到的特征信息映射到隐层向量特征空间,图片的主要特征信息都存储在这些特征向量里面,把这些特征向量平摊成一维矩阵输入到神经元进行学习。每个残差块的输出可以作为下一个残差块的输入,X表示输入,F(X)作为残差映射函数,Relu是卷积神经网络中常用的激活函数。使用H(X)=X来表示一组堆叠的网络层的最佳采样。对于层数较深的网络,拟合H(X)会有一定的困难,残差网络通过快捷连接F(X)将问题转换为拟合的残差映射,快捷连接是一个跳过一个或多个卷积层的连接,因此H(X)=F(X)+X。当F(X)=0时,它成为一个恒等映射H(X)=X,因此只需要将残差映射F(X)=H(X)−X最小化来近似H(X),就可以解决网络深度过深,而导致网络识别性能退化的问题。
模型在训练过程中还需要不断优化,调整相关参数直至最优,在建立深度残差网络时,需要预先设置了超参数。这些超参数很大程度上决定了网络模型性能(训练效率、网络收敛性和预测精度等)的好坏。由于训练批次、学习率和遍历次数可以通过不断调整和计算使得模型得到较高的准确率,因此选择这三个超参数对模型进行优化。
训练批次尺寸过大会大大增加计算机内存的需求,且过大的训练批次会导致训练完一次全部数据集所需要的迭代次数减少,从而减少了参数更新率,导致若要想达到相同的精度,计算时间会大大提高。批次尺寸过小会使得模型难以收敛。为了获得最优的训练批次,本发明分别选择批次为30、45、60、75、90、105和120进行验证,图12和图13显示了在选择不同批次尺寸进行训练时,损失函数随迭代次数的变化。当批次尺寸为30时,损失函数振荡,参数更新无规律。当批次尺寸逐渐增加,损失函数稳步下降。当批次尺寸为90时,损失函数同样以较平稳方式下降,参数得到了充分的更新。当批次大小为120时,损失函数较平稳的下降,但模型只经过了500多次的训练,参数更新不够充分。当批量尺寸小于90时,模型的精度随着批次尺寸增加而增加;当批次尺寸为90时,模型的精度达到最高;当批次尺寸大于90时,模型的精度随着批次尺寸的增加而降低。这是因为当批次尺寸太小时,模型训练需要花费大量时间,且梯度振荡严重,不利于收敛。当批次尺寸增大后,梯度振荡减弱,随着模型逐渐收敛,精度达到最优值;当批次尺寸过大时,不同批次的梯度方向没有变化,容易陷入局部最小值,模型的泛化能力下降,导致精度下降。因此,批次尺寸为90是该深度残差网络在本数据集下的最优超参数。
遍历次数是训练过程中整个数据集的完整遍历,这里将训练集中的所有样本都输入到训练模型中,是决定模型在训练过程中迭代次数的一个重要的超参数。为了获得最优的遍历次数,本发明分别选择遍历次数为10、15、20、25、30、35、40进行实验,如图14和图15所示在相同的学习率和训练批次下,当遍历次数小于30时,模型的准确率会随着遍历次数的增加而增加;当遍历次数为30时,模型的准确率为96.51%,标准差为0.14%;当遍历次数大于30时,模型的准确率会随着遍历次数的增加而降低。主要原因是当遍历次数太小,权重更新不足时,模型的平均验证准确率较低。随着遍历次数的增加,训练次数逐渐增加,相关参数不断更新,模型在训练集上的表现越来越好,模型的平均验证准确率达到最佳,但随着遍历次数的不断增加,过拟合现象越来越严重,模型在验证集上的准确率反而会下降。因此,遍历次数为30是该深度残差网络在本数据集下的最优超参数。
学习率表示每个参数更新的幅度,过高的学习率会导致模型不收敛,而过小的学习率则导致模型收敛特别慢或者无法学习。为了获得最优的学习率,本发明选择初始学习率为0.0010,逐步递减为0.0008、0.0006、0.0004、0.0002,找到最优学习率。图16和图17为相同的遍历次数和批次尺寸下不同学习率的训练过程。当模型的学习率为0.0008时,模型的准确率达到95.24%,标准差为0.18%,模型的准确率达到最好。当学习率较大时,不同的批次在模型迭代过程中存在噪声,总体趋势为前后摆动到接近最优值的不准确收敛状态。因此,随着学习率的降低,模型的准确性会提高。然而,随着学习率的继续降低,模型出现过拟合,准确性也会随之降低。因此,学习率为0.0008是该深度残差网络在本数据集下的最优超参数。
本发明通过模型训练和模型优化,获得组合梁损伤识别模型,实现了自动化检测,无需人员介入,具有较强的客观性和较高的执行效率和准确性。
基于上述实施例,所述基于所述验证集,调整所述残差网络初始模型的训练批次、学习率和遍历次数,直至所述残差网络初始模型的性能达到最优,获得所述组合梁损伤识别模型之后,还包括:
将所述样本数据集中的测试集输入至所述组合梁损伤识别模型,得到初始分类结果,并保存所述网络权重;
利用混淆矩阵展示所述初始分类结果,得到测试分类结果;
选取预设优化位置对应的优化测试集,由所述优化测试集获得所述优化后的测试分类结果。
可选地,将测试集输入已经优化后的模型进行预测,采用Matlab编写可视化程序得到识别结果,引入混淆矩阵来直观展示测试结果,实验结果如图18中混淆矩阵所示。其中ResNet-50正确识别的样本为真阳性(1 Positives, TP),反之为假阴性(0 Negatives,FN);若ResNet-50将错误类别识别为正确则被认为假阳性(0 Positives, FP),准确率(precision)为正确识别的样本数量与识别为该类别样本的比值,公式为:
可以看出,在895个随机测试样本中仅有17个样本分类结果存在误差,损伤识别结果理想平均可达98%。其中钢梁1/2处、混凝土1/2处、混凝土1/4处裂缝损伤和工字钢1/4处剪力钉缺失损伤的识别效果均达到了99%以上,工字钢1/4处裂缝损伤和1/2处剪力钉缺失损伤识别效果次之,分别为98.4%,97.6%,而梁健康状态损伤识别准确率比其他损伤梁略小,为93.5%。产生这种结果的原因可能是实验过程中采集的信号噪音污染较大,导致这两种识别结果偏低。总而言之,该残差网络模型可以完成组合梁损伤种类以及损伤位置的诊断任务。
进一步地,为了排除光纤光栅传感器(JFSS-04)靠近损伤位置对识别结果的影响。对数据集进行筛选,选取离损伤较远的光纤光栅传感器所采集到的样本进行测试,如表2所示,每一损伤工况下选取离损伤较远的两个传感器所采集的数据。按上述方法形成数据集后,按上节相同的方法采用深度残差网络(ResNet-50)进行识别,识别结果如图19所示。各类损伤的准确率分别为97.1%、98.7%、99.3%、99.3%、98.6%、99.3%、98.7%,平均准确率为98.71%,仍然有很高的准确率,由此可以看出,传感器的位置对损伤识别结果没有影响,远离损伤的传感器所采集到的应变时域信号也包含了组合梁的损伤信息,深度残差网络可以准确提取这些损伤特征,并进行损伤种类的识别。
表2
不失一般性地,本发明广泛适用于钢-混凝土组合梁桥,实现对混凝土损伤、钢梁损伤和剪力钉损伤检测,显著提高了对各种损伤识别的准确率,且识别准确率不受传感器位置和数量的影响,增强了传感器的适用性,提高了桥梁损伤检测的效率。
下面对本发明提供的基于小波变换及残差网络的组合梁损伤识别系统进行描述,下文描述的基于小波变换及残差网络的组合梁损伤识别系统与上文描述的基于小波变换及残差网络的组合梁损伤识别方法可相互对应参照。
图20是本发明实施例提供的基于小波变换及残差网络的组合梁损伤识别系统的结构示意图,如图20所示,包括采集变换单元2001、分类构建单元2002、建立训练单元2003和分类识别单元2004,其中:
采集变换单元2001用于采集原始组合梁应变信号,对所述原始组合梁应变信号进行小波变换,得到应变信号时频图谱;分类构建单元2002用于对所述应变信号时频图谱中的损伤类别进行标记获得样本标签,根据所述应变信号时频图谱和所述样本标签构建样本数据集;建立训练单元2003用于构建深度残差网络模型,采用所述样本数据集对所述深度残差网络模型进行训练,得到组合梁损伤识别模型;分类识别单元2004用于采集待检测组合梁应变信号,将所述待检测组合梁应变信号输入至所述组合梁损伤识别模型,得到组合梁损伤类别识别结果。
图21示例了一种电子设备的实体结构示意图,如图21所示,该电子设备可以包括:处理器(processor)2110、通信接口(Communications Interface)2120、存储器(memory)2130和通信总线2140,其中,处理器2110,通信接口2120,存储器2130通过通信总线2140完成相互间的通信。处理器2110可以调用存储器2130中的逻辑指令,以执行基于小波变换及残差网络的组合梁损伤识别方法,该方法包括:采集原始组合梁应变信号,对所述原始组合梁应变信号进行小波变换,得到应变信号时频图谱;对所述应变信号时频图谱中的损伤类别进行标记获得样本标签,根据所述应变信号时频图谱和所述样本标签构建样本数据集;构建深度残差网络模型,采用所述样本数据集对所述深度残差网络模型进行训练,得到组合梁损伤识别模型;采集待检测组合梁应变信号,将所述待检测组合梁应变信号输入至所述组合梁损伤识别模型,得到组合梁损伤类别识别结果。
此外,上述的存储器2130中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于小波变换及残差网络的组合梁损伤识别方法,其特征在于,包括:
采集原始组合梁应变信号,对所述原始组合梁应变信号进行小波变换,得到应变信号时频图谱;
对所述应变信号时频图谱中的损伤类别进行标记获得样本标签,根据所述应变信号时频图谱和所述样本标签构建样本数据集;
构建深度残差网络模型,采用所述样本数据集对所述深度残差网络模型进行训练,得到组合梁损伤识别模型;
采集待检测组合梁应变信号,将所述待检测组合梁应变信号输入至所述组合梁损伤识别模型,得到组合梁损伤类别识别结果。
2.根据权利要求1所述的基于小波变换及残差网络的组合梁损伤识别方法,其特征在于,所述采集原始组合梁应变信号,对所述原始组合梁应变信号进行小波变换,得到应变信号时频图谱,包括:
采集不同损伤类别的原始组合梁在激励下得到的所述原始组合梁应变信号;
对所述原始组合梁应变信号进行小波去噪,得到降噪应变信号;
对所述降噪应变信号进行小波时频变换,获取所述应变信号时频图谱。
3.根据权利要求1所述的基于小波变换及残差网络的组合梁损伤识别方法,其特征在于,所述对所述应变信号时频图谱中的损伤类别进行标记获得样本标签,根据所述应变信号时频图谱和所述样本标签构建样本数据集,包括:
将所述应变信号时频图谱划分为训练集、验证集和测试集;
对所述训练集和所述验证集中的损伤类别进行标记,得到所述样本标签;
基于所述样本标签将所述训练集、所述验证集和所述测试集进行分类,得到所述样本数据集;
其中,所述训练集用于训练模型,所述验证集用于判断模型是否收敛,所述测试集用于评估模型泛化能力。
4.根据权利要求1所述的基于小波变换及残差网络的组合梁损伤识别方法,其特征在于,所述构建深度残差网络模型,采用所述样本数据集对所述深度残差网络模型进行训练,得到组合梁损伤识别模型,包括:
确定具有预设网络结构的残差网络初始模型;
将所述样本数据集中的训练集输入至所述残差网络初始模型进行训练,采用所述样本数据集中的验证集调整所述残差网络初始模型的超参数直至最优,得到所述组合梁损伤识别模型。
5.根据权利要求4所述的基于小波变换及残差网络的组合梁损伤识别方法,其特征在于,所述残差网络初始模型包括7个卷积层、4层残差块和1个完全连接层;
所述7个卷积层和所述4层残差块之间包括1个最大池化层,所述4层残差块和所述1个完全连接层之间包括1个平均池化层。
6.根据权利要求4所述的基于小波变换及残差网络的组合梁损伤识别方法,其特征在于,所述将所述样本数据集中的训练集输入至所述残差网络初始模型进行训练,采用所述样本数据集中的验证集调整所述残差网络初始模型的超参数直至最优,得到所述组合梁损伤识别模型,包括:
基于所述训练集,采用预设随机优化算法更新所述残差网络初始模型的参数,确定预设激活函数进行模型收敛,并采用交叉熵损失函数更新网络权重;
基于所述验证集,调整所述残差网络初始模型的训练批次、学习率和遍历次数,直至所述残差网络初始模型的性能达到最优,获得所述组合梁损伤识别模型。
7.根据权利要求6所述的基于小波变换及残差网络的组合梁损伤识别方法,其特征在于,所述基于所述验证集,调整所述残差网络初始模型的训练批次、学习率和遍历次数,直至所述残差网络初始模型的性能达到最优,获得所述组合梁损伤识别模型之后,还包括:
将所述样本数据集中的测试集输入至所述组合梁损伤识别模型,得到初始分类结果,并保存所述网络权重;
利用混淆矩阵展示所述初始分类结果,得到测试分类结果;
选取预设优化位置对应的优化测试集,由所述优化测试集获得所述优化后的测试分类结果。
8.根据权利要求2所述的基于小波变换及残差网络的组合梁损伤识别方法,其特征在于,所述不同损伤类别包括无损伤健康工况、工字钢第一位置损伤工况、工字钢第二位置损伤工况、混凝土板第一位置损伤工况、混凝土板第二位置损伤工况、工字钢剪力钉第一位置损伤工况和工字钢剪力钉第二位置损伤工况。
9.一种基于小波变换及残差网络的组合梁损伤识别系统,其特征在于,包括:
采集变换单元,用于采集原始组合梁应变信号,对所述原始组合梁应变信号进行小波变换,得到应变信号时频图谱;
分类构建单元,用于对所述应变信号时频图谱中的损伤类别进行标记获得样本标签,根据所述应变信号时频图谱和所述样本标签构建样本数据集;
建立训练单元,用于构建深度残差网络模型,采用所述样本数据集对所述深度残差网络模型进行训练,得到组合梁损伤识别模型;
分类识别单元,用于采集待检测组合梁应变信号,将所述待检测组合梁应变信号输入至所述组合梁损伤识别模型,得到组合梁损伤类别识别结果。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8任一项所述基于小波变换及残差网络的组合梁损伤识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310256840.3A CN116070105A (zh) | 2023-03-17 | 2023-03-17 | 基于小波变换及残差网络的组合梁损伤识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310256840.3A CN116070105A (zh) | 2023-03-17 | 2023-03-17 | 基于小波变换及残差网络的组合梁损伤识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116070105A true CN116070105A (zh) | 2023-05-05 |
Family
ID=86175211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310256840.3A Pending CN116070105A (zh) | 2023-03-17 | 2023-03-17 | 基于小波变换及残差网络的组合梁损伤识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116070105A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933374A (zh) * | 2023-08-03 | 2023-10-24 | 海波重型工程科技股份有限公司 | 钢混组合梁模块化生产方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760934A (zh) * | 2016-03-02 | 2016-07-13 | 浙江工业大学 | 一种基于小波与bp神经网络的桥梁异常监测数据修复方法 |
CN108549900A (zh) * | 2018-03-07 | 2018-09-18 | 浙江大学 | 基于移动设备佩戴位置的人体跌倒检测方法 |
CN109100165A (zh) * | 2018-07-06 | 2018-12-28 | 哈尔滨工业大学(深圳) | 桥梁运营模态分析方法、装置、终端与计算机可读存储介质 |
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 |
CN112162034A (zh) * | 2020-08-10 | 2021-01-01 | 北京交通大学 | 一种应用结构噪声的钢-混凝土组合梁损伤识别方法 |
CN114118249A (zh) * | 2021-11-22 | 2022-03-01 | 浙江工业大学 | 基于优化堆叠自编码器和多信号融合的结构损伤诊断方法 |
CN115060494A (zh) * | 2022-05-27 | 2022-09-16 | 燕山大学 | 一种滚动轴承的故障诊断方法 |
CN115146230A (zh) * | 2022-07-06 | 2022-10-04 | 河南大学 | 一种古建筑健康监测系统、方法及设备 |
CN115630281A (zh) * | 2022-11-15 | 2023-01-20 | 中国电子科技集团公司第三十八研究所 | 一种浮空器囊体表面损伤识别方法 |
CN115659256A (zh) * | 2022-10-28 | 2023-01-31 | 温州大学 | 基于多传感器信息的半监督学习液压换向阀故障诊断方法 |
CN115728612A (zh) * | 2022-12-01 | 2023-03-03 | 广州广电计量检测股份有限公司 | 变压器放电故障诊断方法及装置 |
CN115753988A (zh) * | 2022-11-18 | 2023-03-07 | 中国电子科技集团公司第三十八研究所 | 一种系留气球球体的表面缺陷识别方法 |
-
2023
- 2023-03-17 CN CN202310256840.3A patent/CN116070105A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760934A (zh) * | 2016-03-02 | 2016-07-13 | 浙江工业大学 | 一种基于小波与bp神经网络的桥梁异常监测数据修复方法 |
CN108549900A (zh) * | 2018-03-07 | 2018-09-18 | 浙江大学 | 基于移动设备佩戴位置的人体跌倒检测方法 |
CN109100165A (zh) * | 2018-07-06 | 2018-12-28 | 哈尔滨工业大学(深圳) | 桥梁运营模态分析方法、装置、终端与计算机可读存储介质 |
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 |
CN112162034A (zh) * | 2020-08-10 | 2021-01-01 | 北京交通大学 | 一种应用结构噪声的钢-混凝土组合梁损伤识别方法 |
CN114118249A (zh) * | 2021-11-22 | 2022-03-01 | 浙江工业大学 | 基于优化堆叠自编码器和多信号融合的结构损伤诊断方法 |
CN115060494A (zh) * | 2022-05-27 | 2022-09-16 | 燕山大学 | 一种滚动轴承的故障诊断方法 |
CN115146230A (zh) * | 2022-07-06 | 2022-10-04 | 河南大学 | 一种古建筑健康监测系统、方法及设备 |
CN115659256A (zh) * | 2022-10-28 | 2023-01-31 | 温州大学 | 基于多传感器信息的半监督学习液压换向阀故障诊断方法 |
CN115630281A (zh) * | 2022-11-15 | 2023-01-20 | 中国电子科技集团公司第三十八研究所 | 一种浮空器囊体表面损伤识别方法 |
CN115753988A (zh) * | 2022-11-18 | 2023-03-07 | 中国电子科技集团公司第三十八研究所 | 一种系留气球球体的表面缺陷识别方法 |
CN115728612A (zh) * | 2022-12-01 | 2023-03-03 | 广州广电计量检测股份有限公司 | 变压器放电故障诊断方法及装置 |
Non-Patent Citations (1)
Title |
---|
李孟委等: "《网络数据爬取与分析实务》", 黑龙江科学技术出版社, pages: 232 - 235 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933374A (zh) * | 2023-08-03 | 2023-10-24 | 海波重型工程科技股份有限公司 | 钢混组合梁模块化生产方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan et al. | A novel method of vibration modes selection for improving accuracy of frequency-based damage detection | |
CN113450333B (zh) | 基于机器学习的钢筋混凝土柱地震损伤程度评估方法 | |
CN106990018A (zh) | 一种预应力混凝土梁灌浆密实度智能识别方法 | |
CN111625988A (zh) | 基于深度学习的桥梁健康管理分析与预测系统及方法 | |
CN105488352B (zh) | 基于长期挠度监测数据的混凝土桥梁刚度可靠度评估方法 | |
CN116070105A (zh) | 基于小波变换及残差网络的组合梁损伤识别方法及系统 | |
CN104133960A (zh) | 一种改进的静力传感器的优化布设方法 | |
CN116881819A (zh) | 一种基于孤立森林的斜拉索工作状态监测方法 | |
Dogan et al. | Detection of damages caused by earthquake and reinforcement corrosion in RC buildings with Deep Transfer Learning | |
CN106126774A (zh) | 基于bmo算法的结构损伤识别方法 | |
CN110489844B (zh) | 一种适用于软岩隧道不均匀大变形等级预测方法 | |
CN114048670B (zh) | 一种区域混凝土桥梁震后损伤快速评估智能算法 | |
CN101699248B (zh) | 基于角度监测的识别松弛的支承索的递进式健康监测方法 | |
CN115270239A (zh) | 基于动力特性和智能算法响应面法的桥梁可靠性预测方法 | |
Katam et al. | A review on structural health monitoring: past to present | |
Pham‐Bao et al. | Energy dissipation‐based material deterioration assessment using random decrement technique and convolutional neural network: A case study of Saigon bridge in Ho Chi Minh City, Vietnam | |
CN110516297A (zh) | 基于长标距时频域信息的多尺度有限元模型修正方法 | |
CN109902752B (zh) | 基于病害信息大数据的桥梁定检分类方法、装置及设备 | |
Oh et al. | Multi-objective optimization method to search for the optimal convolutional neural network architecture for long-term structural health monitoring | |
CN112818454B (zh) | 一种吊杆拱桥桥面系裂缝宽度计算方法及系统 | |
CN114118249A (zh) | 基于优化堆叠自编码器和多信号融合的结构损伤诊断方法 | |
Sevieri | The seismic assessment of existing concrete gravity dams: FE model uncertainty quantification and reduction. | |
CN111259494B (zh) | 重机设备健康监测分析方法 | |
JP6371025B1 (ja) | 鉄筋コンクリート部材の判別システム及び鉄筋コンクリート部材の判別プログラム | |
CN101694420B (zh) | 基于索力监测的识别松弛的支承索的递进式健康监测方法 |
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: 20230505 |
|
RJ01 | Rejection of invention patent application after publication |