CN116304807A - 基于稀疏表示分类器质量测量的温度解耦方法及系统 - Google Patents
基于稀疏表示分类器质量测量的温度解耦方法及系统 Download PDFInfo
- Publication number
- CN116304807A CN116304807A CN202310152405.6A CN202310152405A CN116304807A CN 116304807 A CN116304807 A CN 116304807A CN 202310152405 A CN202310152405 A CN 202310152405A CN 116304807 A CN116304807 A CN 116304807A
- Authority
- CN
- China
- Prior art keywords
- layer
- sparse representation
- representation classifier
- signal
- measurement
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000004044 response Effects 0.000 claims abstract description 39
- 230000005284 excitation Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 210000002569 neuron Anatomy 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000011896 sensitive detection Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 238000010408 sweeping Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 1
- 230000035945 sensitivity Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 14
- 230000006872 improvement Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 238000000691 measurement method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 229910052451 lead zirconate titanate Inorganic materials 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- HFGPZNIAWCZYJU-UHFFFAOYSA-N lead zirconate titanate Chemical compound [O-2].[O-2].[O-2].[O-2].[O-2].[Ti+4].[Zr+4].[Pb+2] HFGPZNIAWCZYJU-UHFFFAOYSA-N 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 229910001315 Tool steel Inorganic materials 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000003822 epoxy resin Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 229920000647 polyepoxide Polymers 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0084—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring voltage only
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measuring Temperature Or Quantity Of Heat (AREA)
Abstract
本发明公开了一种基于稀疏表示分类器质量测量的温度解耦方法及系统，首先在不同环境温度下，加载不同质量的质量块，对一侧的侧压电片施加扫频激励，采集另一侧压电片的电压信号；对电压信号进行预处理，得到结构频域响应信号；将结构频域相应信号数据组成的小样本数据集以质量类别为标签划分为训练集和测试集；建立基于稀疏表示分类器的神经网络模型，将训练集输入模型进行模型训练；最后输入测试集，输出质量分类测量结果。本方法采用的基于稀疏表示分类器的神经网络模型具有较高的频域位置信息敏感度，能够在大温度差异，小样本下准确测量微小质量，实现温度解耦。
Description
技术领域
本发明属于微质量测量技术领域，主要涉及了一种基于稀疏表示分类器质量测量的温度解耦方法及系统。
背景技术
谐振式压电质量传感器使用压电材料作为驱动器和感应器，通过测量和分析加载质量导致的结构响应变化(频率或者相位)来测量被测物的质量大小，在生物、医学、医疗设备、化学、环境分子检测等领域得到了广泛的应用。
传统的微质量测量手段主要通过阻抗分析仪或复杂的频率捕捉电路实现，质量加载前后谐振频率会随之发生偏移、相位也会随之产生偏差，通过分析计算这一偏差实现微小质量测量。但是实际的测量环境可能存在较大温度差异，造成传感器的品质因数下降和谐振频率偏移，导致测量误差增大，因而传统测量方法难以实现温度解耦。
神经网络作为一种具有强大的特征提取能力的人工智能方法，能够主动提取输入信号的深层特征信息进行训练学习，解决信号的分类或回归问题，因此可结合神经网络实现温度解耦及质量测量，但卷积神经网络对信号的位置信息敏感度较低且需要大量的数据样本，而在较大的环境温度差异下往往难以采集大量的数据样本，因而急需一种适用于神经网络技术、消除温度影响又能满足小数据样本采集的方法去提升微质量测量方法的精度和准确度。
发明内容
本发明正是针对现有技术中温度变化对微质量测量有干扰且大环境温度差异下难以采集大量数据样本的问题，提供一种基于稀疏表示分类器质量测量的温度解耦方法及系统，首先在不同环境温度下，加载不同质量的质量块，对一侧的侧压电片施加扫频激励，采集另一侧压电片的电压信号；对电压信号进行预处理，得到结构频域响应信号；将结构频域相应信号数据组成的小样本数据集以质量类别为标签划分为训练集和测试集；建立基于稀疏表示分类器的神经网络模型，将训练集输入模型进行模型训练；最后输入测试集，输出质量分类测量结果。本方法采用的基于稀疏表示分类器的神经网络模型具有较高的频域位置信息敏感度，能够在大温度差异，小样本下准确测量微小质量，实现温度解耦。
为了实现上述目的，本发明采取的技术方案是：基于稀疏表示分类器质量测量的温度解耦方法，包括以下步骤：
S1，响应电压采集：在不同环境温度下，加载不同质量的质量块，对一侧的侧压电片施加扫频激励，采集另一侧压电片的电压信号；
S2，信号预处理：对步骤S1采集到的电压信号进行预处理，得到结构频域响应信号，所述预处理步骤至少包括相敏检波、高斯平滑和重采样；
S3，数据集划分：将不同温度、不同质量的质量块经过步骤S1和S2获得的结构频域相应信号数据组成的小样本数据集，划分为训练集和测试集；所述划分以质量类别为标签；
S4，建立基于稀疏表示分类器的神经网络模型：所述基于稀疏表示分类器的神经网络模型包括六层，第一层为样本输入层，第二、三层分别为全连接层FC1、FC2，第四层为神经元的稀疏表示分类器SRC，第五层为神经元的全连接层FC3，第六层为输出层，在FC1和FC2之间、FC2和SRC之间、FC3和输出层之间各设置一个Dropout层；将步骤S3中的训练集输入基于稀疏表示分类器的神经网络模型进行模型训练；
S5,结果输出：将步骤S3中的测试集输入经过步骤S4训练后的基于稀疏表示分类器的神经网络模型，输出质量分类测量结果。
作为本发明的一种改进，所述步骤S1的响应电压采集在双压电片悬臂梁微质量测量平台上进行，所述测量平台包括：固定夹具、弹性悬臂梁、NI数据采集卡、放大器和恒温箱；
所述弹性悬臂梁用固定夹具固定放置在恒温箱内；
所述双压电片平行粘贴于弹性钢悬臂梁两侧相同位置处，两者无相对运动；
所述扫频激励信号依次通过NI数据采集卡和放大器放大后施加于一侧的侧压电片，侧压电片在扫频激励信号作用下，引起弹性悬臂梁振动，通过NI数据采集卡采集另一侧压电片的响应电压信号。
作为本发明的一种改进，所述步骤S1中的扫频激励信号为正弦扫频激励信号，扫频范围为50Hz～5050Hz；所述恒温箱温度调节范围为0℃～65℃。
作为本发明的另一种改进，所述步骤S2中的相敏检波主要通过搭建锁相放大器实现，具体为：正弦扫频激励信号与响应电压信号输入乘法器相乘；同时，与正弦扫频激励信号相位差为90°的信号与响应电压信号输入另一个乘法器相乘；将相乘后的两路信号分别通过低通滤波器得到直流信号，根据所得的直流信号计算出响应电压信号中与正弦扫频激励信号同频成分的幅值和相位信息，实现弹性悬臂梁结构阻抗特征信息的提取。
作为本发明的另一种改进，所述步骤S2中的高斯平滑因子为0.1。
作为本发明的又一种改进，所述步骤S4基于稀疏表示分类器的神经网络模型中：
第一层样本输入层的输入维度为5000；
第二层全连接层FC1包括8000个神经元，relu函数作为激活函数；
第三层全连接层FC2包括5000个神经元的，relu函数作为激活函数；
第四层稀疏表示分类器SRC包括500个神经元，激活函数为sigmoid；
第五层全连接层FC3包括1000个神经元，relu函数作为激活函数；
第六层输出层Output，采用softmax分类器，输出质量分类结果。
作为本发明的又一种改进，所述步骤S4的模型训练中，设置神经元丢弃率为10％。
为了实现上述目的，本发明还采取的技术方案是：基于稀疏表示分类器质量测量的温度解耦系统，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述方法的步骤。
与现有技术相比，本发明具有的有益效果：本发明提供了基于稀疏表示分类器质量测量的温度解耦方法，采用的相敏检波处理方法通过锁相放大器即可从原始电压信号中计算出电压信号中与正弦扫频激励信号同频成分的幅值和相位信息，快速实现弹性悬臂梁结构阻抗特征信息的提取。采用高斯平滑处理可有效去除频域响应信号中的环境噪声干扰，显著提高信号信噪比。所搭建的基于稀疏表示分类器的神经网络模型与卷积神经网络相比具有较高的频域位置信息敏感度，在大环境温度差异，小样本条件下能够快速准确地测量微小质量，实现温度解耦。
附图说明
图1为本发明方法的步骤流程图；
图2为本发明方法步骤S1双压电片悬臂梁微质量测量平台的示意图；
图3为本发明方法上位机测量程序图；
图4为本发明方法步骤S2中相敏检波程序图；
图5为本发明方法经过步骤S2后得到的结构频域响应信号示意图；
图6为本发明方法步骤S4中基于稀疏表示分类器的神经网络模型结构图；
图7为测试集混淆矩阵结果图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
实施例1
为了克服温度变化对微质量测量有干扰且大环境温度差异下难以采集大量数据样本的问题，本发明公开了一种基于稀疏表示分类器质量测量的温度解耦方法，如图1所示，包括以下步骤：
步骤S1，响应电压采集：在不同环境温度下，加载不同质量的质量块，对一侧的侧压电片施加扫频激励，采集另一侧压电片的电压信号；
本步骤的电压型号采集在双压电片悬臂梁微质量测量平台上进行，具体图2所示，双压电片悬臂梁上，两片由高钛酸铅压电陶瓷(Lead Zirconate Titanate，PZT)材料制成的大小相同的压电片分别用环氧树脂结构胶平行粘贴于弹性钢悬臂梁两侧相同位置处。双压电片分别为正弦扫频激励侧压电片和响应电压信号采集侧压电片。由于逆压电效应，在扫频激励侧压电片端施加正弦扫频激励信号后，扫频激励侧压电片会产生形变，且形变程度与激励电压成正比，扫频激励侧压电片振动引起悬臂梁结构以相同的频率振动，结构振动幅度与扫频激励侧压电片形变程度成正比。
同时由于正压电效应，信号采集侧压电片受到由悬臂梁结构振动带来的压力，信号采集侧压电片产生响应电压信号，且输出电压大小与悬臂梁结构振幅成正比。
在悬臂梁末端固定位置加载不同质量，测量不同质量下信号采集侧压电片端的响应电压信号，用以后续处理及测量。
双压电片悬臂梁一端由工具钢平口钳夹紧固定，另一端的固定位置处加载不同质量大小的质量块，该结构放置在恒温箱内固定位置。恒温箱温度可调节范围为0℃～65℃，用以模拟不同温度的测量环境。本实施例方法的操作过程中，通过设置恒温箱温度来获得不同质量在不同温度下的响应电压信号。
图3为上位机Simulink测量程序图。正弦扫频激励信号扫频范围为50Hz～5050Hz，由上位机Simulink程序产生，依次通过数字放大器、NI数据采集卡输出通道、功率放大器后施加于扫频激励侧压电片端。同时NI数据采集卡的输入通道采集信号采集侧压电片端的响应电压信号，并经过后续的相敏检波处理得到频域响应信号。实验中所有采样频率fs均为50kHz。
步骤S2，信号预处理：对步骤S1采集到的电压信号进行预处理，得到结构频域响应信号，所述预处理步骤至少包括相敏检波、高斯平滑和重采样。
如图4所示，所述相敏检波算法主要通过锁相放大器实现。锁相放大器中共有两路输入信号，一路信号中，正弦扫频激励信号作为参考信号与响应电压信号输入乘法器相乘；同时，另一路信号中，与正弦激励信号相位差为90°的信号作为参考信号与响应电压信号输入另一个乘法器相乘。最后将相乘后的两路信号分别通过低通滤波器得到直流信号，根据所得的直流成分可计算出响应电压信号中与激励信号同频成分的幅值和相位信息，从而实现悬臂梁结构阻抗特征信息的提取。
将相敏检波算法所得的频域响应幅值信号样本依次经过平滑因子为0.1的高斯平滑和重采样处理后得到如图5所示的数据长度为5000的结构频域响应信号样本。
普通基于稀疏表示分类器的微质量测量方法中，悬臂梁结构的第n阶模态的振动频率fn为：
其中
为在n阶振动模态下悬臂梁结构的有效质量，k为弹性系数。当悬臂梁末端加载一定质量，各阶振动模态下悬臂梁的谐振频率均会发生偏移，频域响应幅值也随之变化，理论上可通过分析多阶谐振频率的偏移及频域响应幅值测量末端加载质量的大小，但在真实的测量过程中，环境温度变化也会造成结构谐振频率偏移及频域响应幅值变化，对微质量测量产生干扰。因此本发明方法提出基于稀疏表示分类器的网络模型以实现温度解耦及微小质量的准确测量。
步骤S3，数据集划分：将不同温度、不同质量的质量块经过步骤S1和S2获得的结构频域相应信号数据组成的小样本数据集，划分为训练集和测试集；所述划分以质量类别为标签。
以质量类别为标签将预处理后的结构频域响应信号样本组成小样本数据集，所述数据集共包含140个子样本，共分为10类质量，包括0.1g、0.2g、0.3g、0.4g、0.5g、0.6g、0.7g、0.8g、0.9g、1g，每种质量类型设置14个不同温度的子样本，包括0℃、5℃、15℃、20℃、25℃、30℃、35℃、40℃、45℃、50℃、55℃、60℃、65℃。将该数据集以7：3的比例划分为训练集和测试集；将训练集输入基于稀疏表示分类器的神经网络模型进行训练学习。
步骤S4，建立基于稀疏表示分类器的神经网络模型。如图6所示，为基于稀疏表示分类器的神经网络模型结构图，第一层为样本输入层Input，输入维度为5000；第二层为8000个神经元的全连接层FC1，relu函数作为激活函数；第三层为5000个神经元的全连接层FC2，relu函数作为激活函数；第四层为500个神经元的稀疏表示分类器SRC，激活函数为sigmoid；第五层为1000个神经元的全连接层FC3，relu函数作为激活函数；第六层为输出层Output，采用softmax分类器，输出10类质量分类结果。在FC1和FC2之间、FC2和SRC之间、FC3和Output之间各设置一个Dropout层，在训练过程中设置的神经元丢弃率为10％，以防止训练过拟合。
步骤S5,结果输出：将步骤S3中的测试集输入经过步骤S4训练后的基于稀疏表示分类器的神经网络模型进行测试，输出质量分类测量结果。
具体案例中如步骤S1所述采用恒温箱模拟真实测量环境温度，质量测量装置放置于恒温箱内，调节箱内温度，在14个不同环境温度中分别加载10类不同的质量块，在每种条件下，对悬臂梁侧压电片施加正弦扫频激励信号，测量另一侧压电片的响应电压信号；所得电压信号通过如步骤S2所述的数据预处理方法得到结构频域响应信号；如步骤S3所述将处理后数据样本制作为小样本数据集，并划分训练集和测试集，后将训练集输入如步骤S4所述的基于稀疏表示分类器的神经网络模型进行训练，最后将测试集输入训练好的网络模型进行测试，输出质量测量结果混淆矩阵如图7所示，平均测量准确率高达94.99％，该网络能够在极端环境温度干扰下快速实现不同质量的准确测量，具有较强的温度解耦能力。
综上，本方法采用双压电悬臂梁微质量测量平台和基于稀疏表示分类器的小样本微质量测量方法进行训练和测试，实现了在大环境温度差异，小样本数据集下对微质量的快速准确测量以及温度解耦，所提出的网络模型对频域信号具有较高的位置信息敏感度，实现了结构频域响应信息快速提取，实用性强，能够适应温度条件恶劣的测量条件。
需要说明的是，以上内容仅仅说明了本发明的技术思想，不能以此限定本发明的保护范围，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰均落入本发明权利要求书的保护范围之内。
Claims (8)
1.基于稀疏表示分类器质量测量的温度解耦方法，其特征在于，包括以下步骤：
S1，响应电压采集：在不同环境温度下，加载不同质量的质量块，对一侧的侧压电片施加扫频激励，采集另一侧压电片的电压信号；
S2，信号预处理：对步骤S1采集到的电压信号进行预处理，得到结构频域响应信号，所述预处理步骤至少包括相敏检波、高斯平滑和重采样；
S3，数据集划分：将不同温度、不同质量的质量块经过步骤S1和S2获得的结构频域相应信号数据组成的小样本数据集，划分为训练集和测试集；所述划分以质量类别为标签；
S4，建立基于稀疏表示分类器的神经网络模型：所述基于稀疏表示分类器的神经网络模型包括六层，第一层为样本输入层，第二、三层分别为全连接层FC1、FC2，第四层为神经元的稀疏表示分类器SRC，第五层为神经元的全连接层FC3，第六层为输出层，在FC1和FC2之间、FC2和SRC之间、FC3和输出层之间各设置一个Dropout层；将步骤S3中的训练集输入基于稀疏表示分类器的神经网络模型进行模型训练；
S5,结果输出：将步骤S3中的测试集输入经过步骤S4训练后的基于稀疏表示分类器的神经网络模型，输出质量分类测量结果。
2.如权利要求1所述基于稀疏表示分类器质量测量的温度解耦方法，其特征在于：所述步骤S1的响应电压采集在双压电片悬臂梁微质量测量平台上进行，所述测量平台包括：固定夹具、弹性悬臂梁、NI数据采集卡、放大器和恒温箱；
所述弹性悬臂梁用固定夹具固定放置在恒温箱内；
所述双压电片平行粘贴于弹性钢悬臂梁两侧相同位置处，两者无相对运动；
所述扫频激励信号依次通过NI数据采集卡和放大器放大后施加于一侧的侧压电片，侧压电片在扫频激励信号作用下，引起弹性悬臂梁振动，通过NI数据采集卡采集另一侧压电片的响应电压信号。
3.如权利要求1或2所述基于稀疏表示分类器质量测量的温度解耦方法，其特征在于：所述步骤S1中的扫频激励信号为正弦扫频激励信号，扫频范围为50Hz～5050Hz；所述恒温箱温度调节范围为0℃～65℃。
4.如权利要求3所述基于稀疏表示分类器质量测量的温度解耦方法，其特征在于：所述步骤S2中的相敏检波主要通过搭建锁相放大器实现，具体为：正弦扫频激励信号与响应电压信号输入乘法器相乘；同时，与正弦扫频激励信号相位差为90°的信号与响应电压信号输入另一个乘法器相乘；将相乘后的两路信号分别通过低通滤波器得到直流信号，根据所得的直流信号计算出响应电压信号中与正弦扫频激励信号同频成分的幅值和相位信息，实现弹性悬臂梁结构阻抗特征信息的提取。
5.如权利要求3所述基于稀疏表示分类器质量测量的温度解耦方法，其特征在于：所述步骤S2中的高斯平滑因子为0.1。
6.如权利要求5所述基于稀疏表示分类器质量测量的温度解耦方法，其特征在于：所述步骤S4基于稀疏表示分类器的神经网络模型中：
第一层样本输入层的输入维度为5000；
第二层全连接层FC1包括8000个神经元，relu函数作为激活函数；
第三层全连接层FC2包括5000个神经元的，relu函数作为激活函数；
第四层稀疏表示分类器SRC包括500个神经元，激活函数为sigmoid；
第五层全连接层FC3包括1000个神经元，relu函数作为激活函数；
第六层输出层Output，采用softmax分类器，输出质量分类结果。
7.如权利要求6所述基于稀疏表示分类器质量测量的温度解耦方法，其特征在于：所述步骤S4的模型训练中，设置神经元丢弃率为10％。
8.基于稀疏表示分类器质量测量的温度解耦系统，包括计算机程序，其特征在于：所述计算机程序被处理器执行时实现如上述任一种所述方法的步骤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2023101394476 | 2023-02-20 | ||
| CN202310139447 | 2023-02-20 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116304807A true CN116304807A (zh) | 2023-06-23 |
Family
ID=86814241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310152405.6A Pending CN116304807A (zh) | 2023-02-20 | 2023-02-22 | 基于稀疏表示分类器质量测量的温度解耦方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116304807A (zh) |
-
2023
- 2023-02-22 CN CN202310152405.6A patent/CN116304807A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2009107965A1 (ko) | 다중 크기 압전 마이크로 칸티레버 공진자 어레이를 이용한 물리/생화학 센서 및 그 제작방법 | |
| CN109142514B (zh) | 一种基于脉冲涡流阵列的缺陷检测装置及方法 | |
| Fekrmandi et al. | A novel approach for classification of loads on plate structures using artificial neural networks | |
| CN109164165A (zh) | 基于图像融合的钢丝绳无损检测方法及其装置 | |
| CN117147022B (zh) | 力传感器非线性补偿方法及系统 | |
| CN111735523A (zh) | 基于视频识别的车重检测方法、装置及存储介质 | |
| CN111365624A (zh) | 一种输卤管道泄漏检测的智能终端与方法 | |
| CN111579634B (zh) | 一种铁磁性材料表面残余应力的抽样评估方法 | |
| CN104807566A (zh) | 基于涡流响应曲面的铝合金板材残余应力检测方法 | |
| CN111076806B (zh) | 一种基于聚偏氟乙烯(pvdf)压电薄膜的结构健康监测装置及方法 | |
| CN115809427A (zh) | 基于混合策略优化bp神经网络的混合气体识别方法 | |
| CN116304807A (zh) | 基于稀疏表示分类器质量测量的温度解耦方法及系统 | |
| Yan et al. | A temperature-decoupled impedance-based mass sensing using CBAM-CNN and adaptive weighted average preprocessing with high accuracy | |
| CN106563645A (zh) | 一种基于张量分解的压电薄膜传感器智能分拣方法 | |
| Tenney et al. | NDE of additively manufactured parts via directly bonded and mechanically attached electromechanical impedance sensors | |
| Roy | Structural damage detection using ultrasonic guided waves under varying ambient temperature and loading environments | |
| Vejdannik et al. | Signal processing for NDE | |
| US20030194815A1 (en) | Method and apparatus for analyzing spatial and temporal processes of interaction | |
| Kirstein et al. | Cantilever-based biosensors in CMOS technology | |
| CN107884473A (zh) | 一种多频涡流检测系统 | |
| CN112444562A (zh) | 采用对称结构响应信号分析的无基准导波损伤监测方法 | |
| CN116881781A (zh) | 一种运行模态阻尼识别方法、损伤检测方法、系统及设备 | |
| Moallem et al. | Compensation of capacitive differential pressure sensor using multi layer perceptron neural network | |
| CN114881938A (zh) | 基于小波分析和神经网络的晶粒度检测方法及系统 | |
| CN108732210B (zh) | 一种基于阻抗谱的压电器件结构缺陷检测方法 |
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 |