CN116340758A - 一种工作模态参数的识别方法、系统、电子设备及介质 - Google Patents
一种工作模态参数的识别方法、系统、电子设备及介质 Download PDFInfo
- Publication number
- CN116340758A CN116340758A CN202310609029.9A CN202310609029A CN116340758A CN 116340758 A CN116340758 A CN 116340758A CN 202310609029 A CN202310609029 A CN 202310609029A CN 116340758 A CN116340758 A CN 116340758A
- Authority
- CN
- China
- Prior art keywords
- sub
- signal
- matrix
- sampling
- under
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005070 sampling Methods 0.000 claims abstract description 198
- 239000011159 matrix material Substances 0.000 claims abstract description 183
- 238000000926 separation method Methods 0.000 claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000012880 independent component analysis Methods 0.000 claims abstract description 18
- 238000002156 mixing Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 9
- 230000002087 whitening effect Effects 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000004044 response Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 9
- 230000036039 immunity Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013016 damping Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种工作模态参数的识别方法、系统、电子设备及介质,涉及模态参数识别技术领域。所述方法包括基于稀疏随机矩阵对多个观测信号分别进行亚采样得到多个亚采样信号;亚采样信号的数据量低于奈奎斯特定理中规定的最低数据量;观测信号为设置在待测量设备上的传感器测得的;采用子空间追踪算法对各亚采样信号分别进行重构得到多个重构信号;采用互信息极小化独立成分分析算法对各重构信号进行盲源分离得到各重构信号对应的混合矩阵和源信号;根据各重构信号对应的混合矩阵和源信号得到各观测信号的工作模态参数。本发明在低数据量和低采集频率的情况下,提高工作模态参数结果的准确性和鲁棒性。
Description
技术领域
本发明涉及模态参数识别技术领域,特别是涉及一种工作模态参数的识别方法、系统、电子设备及介质。
背景技术
模态是结构本身具有的振动特性,通过实验模态分析方法识别每阶模态的参数,可了解结构的动力学特性,进而做结构的损伤识别、设备的故障检测等,不同于传统的实验模态分析,工作模态分析可以仅从测得的振动响应信号中识别出模态参数。近些年,工作模态分析是机械振动研究领域的热点,并得到了广泛的应用。
在先技术中,振动信号的固有频率的提取对信号的采集频率与信号的数据量有过高的要求,处理振动信号相关数据时受到奈奎斯特定理的限制,对数据的采样频率有最低标准,采样频率不应小于模拟信号频谱中最高频率的2倍,但是过多的数据量不利于数据的存储与传输,同时大幅度的降低采样点数会对信号数据分析重构造成较大的误差,且在存在噪声的环境中,进行模态分析存在较强的干扰,使得最终得到的工作模态参数结果不准确并且鲁棒性低。
发明内容
本发明的目的是提供一种工作模态参数的识别方法、系统、电子设备及介质,可在低数据量和低采集频率的情况下,提高工作模态参数结果的准确性和鲁棒性。
为实现上述目的,本发明提供了如下方案:
一种工作模态参数的识别方法,包括:
基于稀疏随机矩阵对多个观测信号分别进行亚采样得到多个亚采样信号;所述亚采样信号的数据量低于奈奎斯特定理中规定的最低数据量;所述观测信号为设置在待测量设备上的传感器测得的;
采用子空间追踪算法对各所述亚采样信号分别进行重构得到多个重构信号;
采用互信息极小化独立成分分析算法对各所述重构信号进行盲源分离得到各重构信号对应的混合矩阵和源信号;
根据各重构信号对应的混合矩阵和源信号得到各观测信号的工作模态参数;所述工作模态参数包括模态振型和固有频率。
可选的,所述采用子空间追踪算法对各所述亚采样信号分别进行重构得到多个重构信号,具体包括:
对于任意一个亚采样信号,根据所述亚采样信号对应的观测信号的稀疏矩阵和所述稀疏随机矩阵得到所述亚采样信号的测量矩阵;
在当前迭代次数下,计算所述亚采样信号的测量矩阵中各原子与上一迭代次数下所述亚采样信号的残差的相关性得到所述亚采样信号的相关性集合;初始化的亚采样信号的残差为所述亚采样信号;
根据所述亚采样信号的相关性集合、上一迭代次数下所述亚采样信号的候选集和上一迭代次数下所述亚采样信号的最新支撑集得到当前迭代次数下所述亚采样信号的支撑集;
根据当前迭代次数下所述亚采样信号的支撑集以及所述亚采样信号的测量矩阵得到当前迭代次数下所述亚采样信号的支撑矩阵;
根据所述亚采样信号和当前迭代次数下所述亚采样信号的支撑矩阵得到当前迭代次数下所述亚采样信号的子稀疏估计、当前迭代次数下所述亚采样信号的支撑子矩阵和当前迭代次数下所述亚采样信号的最新支撑集;
根据所述亚采样信号、当前迭代次数下所述亚采样信号的支撑子矩阵和当前迭代次数下所述亚采样信号的子稀疏估计得到当前迭代次数下所述亚采样信号的残差;
根据当前迭代次数下所述亚采样信号的残差或当前迭代次数确定迭代是否终止;
若迭代终止,则根据当前迭代次数下所述亚采样信号的子稀疏估计以及所述亚采样信号对应的观测信号的稀疏矩阵得到所述亚采样信号的重构信号;
若迭代不终止,则更新迭代次数进入下次迭代。
可选的,所述采用互信息极小化独立成分分析算法对各所述重构信号进行盲源分离得到各重构信号对应的混合矩阵和源信号,具体包括:
对于任意一个重构信号,对所述重构信号进行中心化和白化处理得到所述重构信号对应的待分离信号;
在当前迭代次数下,对上一迭代次数下的分离矩阵进行更新得到当前迭代次数下的分离矩阵;
判断所述当前迭代次数下的分离矩阵是否收敛;
若收敛,则根据当前迭代次数下的分离矩阵对所述重构信号对应的待分离信号进行分离得到所述重构信号对应的混合矩阵和源信号;
若不收敛,则更新迭代次数进入下次迭代。
可选的,所述根据各重构信号对应的混合矩阵和源信号得到各观测信号的工作模态参数,具体包括:
对于任意一个重构信号,根据所述重构信号对应的混合矩阵得到所述重构信号对应的观测信号的模态振型;
对所述重构信号对应的源信号进行傅里叶变换得到所述重构信号对应的观测信号的固有频率。
可选的,所述根据所述亚采样信号的相关性集合、上一迭代次数下所述亚采样信号的候选集和上一迭代次数下所述亚采样信号的最新支撑集得到当前迭代次数下所述亚采样信号的支撑集,具体包括:
将所述亚采样信号的相关性集合中的相关性由大到小排列;
选取前Sp个相关性对应的原子添加到上一迭代次数下所述亚采样信号的候选集得到当前迭代次数下所述亚采样信号的候选集;所述Sp为所述亚采样信号的稀疏度;
根据当前迭代次数下所述亚采样信号的候选集对上一迭代次数下所述亚采样信号的最新支撑集进行更新得到当前迭代次数下所述亚采样信号的支撑集。
一种工作模态参数的识别系统,包括:
信息亚采样模块,用于基于稀疏随机矩阵对多个观测信号分别进行亚采样得到多个亚采样信号;所述亚采样信号的数据量低于奈奎斯特定理中规定的最低数据量;所述观测信号为设置在待测量设备上的传感器测得的;
信号重构模块,用于采用子空间追踪算法对各所述亚采样信号分别进行重构得到多个重构信号;
信号分离模块,用于采用互信息极小化独立成分分析算法对各所述重构信号进行盲源分离得到各重构信号对应的混合矩阵和源信号;
参数获取模块,用于根据各重构信号对应的混合矩阵和源信号得到各观测信号的工作模态参数;所述工作模态参数包括模态振型和固有频率。
可选的,所述信号重构模块,具体包括:
测量矩阵计算单元,用于对于任意一个亚采样信号,根据所述亚采样信号对应的观测信号的稀疏矩阵和所述稀疏随机矩阵得到所述亚采样信号的测量矩阵;
相关性集合计算单元,用于在当前迭代次数下,计算所述亚采样信号的测量矩阵中各原子与上一迭代次数下所述亚采样信号的残差的相关性得到所述亚采样信号的相关性集合;初始化的亚采样信号的残差为所述亚采样信号;
支撑集确定单元,用于根据所述亚采样信号的相关性集合、上一迭代次数下所述亚采样信号的候选集和上一迭代次数下所述亚采样信号的最新支撑集得到当前迭代次数下所述亚采样信号的支撑集;
支撑矩阵计算单元,用于根据当前迭代次数下所述亚采样信号的支撑集以及所述亚采样信号的测量矩阵得到当前迭代次数下所述亚采样信号的支撑矩阵;
参数计算单元,用于根据所述亚采样信号和当前迭代次数下所述亚采样信号的支撑矩阵得到当前迭代次数下所述亚采样信号的子稀疏估计、当前迭代次数下所述亚采样信号的支撑子矩阵和当前迭代次数下所述亚采样信号的最新支撑集;
残差更新单元,用于根据所述亚采样信号、当前迭代次数下所述亚采样信号的支撑子矩阵和当前迭代次数下所述亚采样信号的子稀疏估计得到当前迭代次数下所述亚采样信号的残差;
迭代判断单元,用于根据当前迭代次数下所述亚采样信号的残差或当前迭代次数确定迭代是否终止;
重构单元,用于若迭代终止,则根据当前迭代次数下所述亚采样信号的子稀疏估计以及所述亚采样信号对应的观测信号的稀疏矩阵得到所述亚采样信号的重构信号;
第一迭代更新单元,用于若迭代不终止,则更新迭代次数进入下次迭代。
可选的,所述信号分离模块,具体包括:
待分离信号确定单元,用于对于任意一个重构信号,对所述重构信号进行中心化和白化处理得到所述重构信号对应的待分离信号;
分离矩阵计算单元,用于在当前迭代次数下,对上一迭代次数下的分离矩阵进行更新得到当前迭代次数下的分离矩阵;
收敛判断单元,用于判断所述当前迭代次数下的分离矩阵是否收敛;
分离单元,用于若收敛,则根据当前迭代次数下的分离矩阵对所述重构信号对应的待分离信号进行分离得到所述重构信号对应的混合矩阵和源信号;
第二迭代更新单元,用于若不收敛,则更新迭代次数进入下次迭代。
一种电子设备,包括:
存储器和处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据上述所述的工作模态参数的识别方法。
一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上述所述的工作模态参数的识别方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明基于稀疏随机矩阵对多个观测信号分别进行亚采样得到多个亚采样信号,亚采样信号的数据量低于奈奎斯特定理中规定的最低数据量,通过使用稀疏随机矩阵可物理实现亚采样,解决了现有技术中对数据量和采集频率要求高的问题,采用子空间追踪算法对各亚采样信号分别进行重构得到多个重构信号,采用互信息极小化独立成分分析算法对所有重构信号进行盲源分离得到各重构信号的混合矩阵和源信号;根据混合矩阵和源信号得到各观测信号的工作模态参数,使用互信息极小化独立成分分析算法后有较强的鲁棒性,并且提高了工作模态参数结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的工作模态参数的识别方法的流程图;
图2为本发明实施例提供的工作模态参数的识别方法的逻辑框图;
图3为无噪声环境下识别的模态振型图;
图4为在10%噪声环境下识别的模态振型图;
图5为稀疏随机矩阵的示意图;
图6为本发明实施例提供的工作模态参数的识别系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例提供了一种工作模态参数的识别方法,大体过程如图1所示,包括S1:根据部署在工程结构上的振动传感器,基于稀疏随机矩阵进行非等间隔采样,获取亚采样信号,S2:根据亚采样信号,基于Sp模型进行重构,获取重构信号,S3:根据重构信号,基于互信息极小化独立成分分析模型进行盲源分离,获取混合矩阵和源信号,S4:根据混合矩阵和源信号,获取模态参数,其中,模态参数包括模态振型和固有频率,具体过程如图2所示,先进行亚采样,然后进行SP方法,然后进行互信息极小化ICA方法,根据互信息极小化ICA方法的结果得到模态振型和固有频率/>。亚采样为振动传感器与稀疏随机矩阵/>结合得到亚采样信号/>;SP方法为结合稀疏度Sp对亚采样信号中的第i个采样信号/>进行处理,先获取第i个采样信号/>,然后初始化各种参数,残差/>,计算当前残差与测量矩阵各列的内积,选取内积中绝对值最大的Sp个数据,计算最小二乘,更新残差,判断是否满足迭代要求,如不满足,则返回“计算当前残差与测量矩阵各列的内积”,如满足,则得到重构信号/>;互信息极小化ICA方法为,对重构信号/>进行数据预处理,估计混合矩阵A,估计源信号S(t)。所述工作模态参数的识别方法具体包括:
基于稀疏随机矩阵对多个观测信号分别进行亚采样得到多个亚采样信号;所述亚采样信号的数据量低于奈奎斯特定理中规定的最低数据量;所述观测信号为设置在待测量设备上的传感器测得的,其中,稀疏随机矩阵可物理实现非等间隔采样。
采用子空间追踪算法即Sp模型对各所述亚采样信号分别进行重构得到多个重构信号。
采用互信息极小化独立成分分析算法对各所述重构信号进行盲源分离得到各重构信号对应的混合矩阵和源信号。
根据各重构信号对应的混合矩阵和源信号得到各观测信号的工作模态参数;所述工作模态参数包括模态振型和固有频率。
在实际应用中,基于稀疏随机矩阵对多个观测信号分别进行亚采样得到多个亚采样信号,可以根据部署在工程结构上的振动传感器,基于稀疏随机矩阵,稀疏随机矩阵如图5所示,进行振动响应信号非等时间间隔的采样,获取亚采样信号,具体操作为:
S12、使用部署在工程结构(待测量设备)上的振动传感器采集观测信号,基于稀疏随机矩阵对观测信号进行亚采样,获取亚采样信号。
需要说明的是,在振动学理论中,工程结构可以看作n自由度的线性时不变系统,其振动微分方程可表示为:,式中,/>分别表示系统的振动位移响应信号、速度响应信号和加速度响应信号。/>为系统的质量矩阵;/>是系统的阻尼矩阵;/>是系统的刚度矩阵;/>为系统受到的外部激励。
,式中,/>是由/>阶模态振型向量/>组成的模态振型;/>是由各阶模态响应/>组成的向量矩阵。设观测信号为/>,/>,其中,/>,/>表示第i个振动传感器采集的观测信号,以下简称第i个观测信号,也是/>中的第i列观测信号,可以表示为一组正交基向量/>的线性组合,/>为第i个观测信号的稀疏基或稀疏矩阵或基矩阵,/>为/>在/>变换域中的系数向量,如果/>中只有/>个元素不为零(或远大于零,而其他元素接近于零),则称/>是s稀疏的。
根据公式基于稀疏随机矩阵/>对第i个观测信号/>进行亚采样得到第i个亚采样信号/>,其中,/>,/>,为第i个亚采样信号的测量矩阵,用一个/>的稀疏随机矩阵/>对观测信号/>进行亚采样,得到一个观测向量/>,实现观测信号的降维。
在实际应用中,所述采用子空间追踪算法对各所述亚采样信号分别进行重构得到多个重构信号,具体包括:
对于任意一个亚采样信号,根据所述亚采样信号对应的观测信号的稀疏矩阵和所述稀疏随机矩阵得到所述亚采样信号的测量矩阵。
在当前迭代次数下,计算所述亚采样信号的测量矩阵中各原子与上一迭代次数下所述亚采样信号的残差的相关性得到所述亚采样信号的相关性集合;初始化的亚采样信号的残差为所述亚采样信号。
根据所述亚采样信号的相关性集合、上一迭代次数下所述亚采样信号的候选集和上一迭代次数下所述亚采样信号的最新支撑集得到当前迭代次数下所述亚采样信号的支撑集。
根据当前迭代次数下所述亚采样信号的支撑集以及所述亚采样信号的测量矩阵得到当前迭代次数下所述亚采样信号的支撑矩阵。
根据所述亚采样信号和当前迭代次数下所述亚采样信号的支撑矩阵得到当前迭代次数下所述亚采样信号的子稀疏估计、当前迭代次数下所述亚采样信号的支撑子矩阵和当前迭代次数下所述亚采样信号的最新支撑集。
根据所述亚采样信号、当前迭代次数下所述亚采样信号的支撑子矩阵和当前迭代次数下所述亚采样信号的子稀疏估计得到当前迭代次数下所述亚采样信号的残差。
根据当前迭代次数下所述亚采样信号的残差或当前迭代次数确定迭代是否终止。
若迭代终止,则根据当前迭代次数下所述亚采样信号的子稀疏估计以及所述亚采样信号对应的观测信号的稀疏矩阵得到所述亚采样信号的重构信号。
若迭代不终止,则更新迭代次数进入下次迭代。
在实际应用中,所述根据所述亚采样信号的相关性集合、上一迭代次数下所述亚采样信号的候选集和上一迭代次数下所述亚采样信号的最新支撑集得到当前迭代次数下所述亚采样信号的支撑集,具体包括:
将所述亚采样信号的相关性集合中的相关性由大到小排列。
选取前Sp个相关性对应的原子添加到上一迭代次数下所述亚采样信号的候选集得到当前迭代次数下所述亚采样信号的候选集;所述Sp为所述亚采样信号的稀疏度。
根据当前迭代次数下所述亚采样信号的候选集对上一迭代次数下所述亚采样信号的最新支撑集进行更新得到当前迭代次数下所述亚采样信号的支撑集。
在实际应用中,和/>为已知,因此/>也已知,从而可以通过测量矩阵/>求得系数向量/>,然后再重构出原信号。压缩感知本质上一个线性逆问题,目的是从少量的线性测量中还原高维的信号。测量矩阵/>将一个高维空间/>中的系数向量/>映射到低维空间/>当中。
在中,已知测量矩阵/>和亚采样信号/>求解系数向量/>的过程称为信号的重构。由于/>,上式是一个欠定系统,无法在多项式时间内求得精确解,因此问题是一个NP-Hard问题。在已知稀疏度/>的前提下,上式可以转化为一个稀疏约束的优化问题:/>其中,/>表示系数向量/>中非零元素的个数,若测量矩阵/>满足一定程度的有限等距性质:
S22、初始化:
S23、扩展候选集:
S24、更新支撑矩阵和支撑集:
S25、求解信号逼近:
S26、更新支撑集:
计算中各元素的绝对值,将绝对值从大到小排列,选取前Sp项绝对值对应的元素记为第/>次迭代的亚采样信号/>的子稀疏估计/>,将/>矩阵中的第Sp列记为第/>次迭代的亚采样信号/>的支撑子矩阵/>,将/>中的元素由大到小排序,选取前Sp个组成当前迭代次数下的最新支撑集/>。
S27、更新残差:
S28、判断是否终止迭代:
在实际应用中,所述采用互信息极小化独立成分分析算法对各所述重构信号进行盲源分离得到各重构信号对应的混合矩阵和源信号,具体包括:
对于任意一个重构信号,对所述重构信号进行中心化和白化处理得到所述重构信号对应的待分离信号。
在当前迭代次数下,对上一迭代次数下的分离矩阵进行更新得到当前迭代次数下的分离矩阵。
判断所述当前迭代次数下的分离矩阵是否收敛。
若收敛,则根据当前迭代次数下的分离矩阵对所述重构信号对应的待分离信号进行分离得到所述重构信号对应的混合矩阵和源信号。
若不收敛,则更新迭代次数进入下次迭代。
在实际应用中,上述具体采用互信息极小化独立成分分析算法对所有所述重构信号进行盲源分离得到混合矩阵和源信号,更具体的步骤为:
S31、获取重构信号。
S37、判断分离矩阵是否适合:
在实际应用中,所述根据各重构信号对应的混合矩阵和源信号得到各观测信号的工作模态参数,具体包括:
本发明提供了一个实施例对上述方法进行详细说明。
在本实施例中,以的均匀钢悬臂梁作为试验,验证了上述实施例提出的模态参数提取方法。五个位移传感器安装在梁上,以拾取由冲击锤激发的位移响应。当采样频率为1600Hz且所有五个通道的截止频率为800Hz时,输出信号由DASp进行数字采样。
将观测信号通过稀疏随机矩阵进行亚采样,观测信号长度为3600。根据奈奎斯特采样定理的最低要求,若要识别出300Hz的频率,则采样的数据量不应小于1350个数据对应采样率为传感器采集信号的0.375倍。
在本实施例中,采样时使用采样率为传感器采集信号的0.35倍。实验中混合信号的总长度为8142个数据,选用前0.22s数据,数据长度为3600。在子空间追踪算法中,稀疏度Sp分别设置为30、50。
在应用本发明实施例的工作模态参数的识别方法后,获得如图3所示,图3中的(a)第一个位移传感器无噪声环境下识别的模态振型图,图3中的(b)第二个位移传感器无噪声环境下识别的模态振型图,图3中的(c)第三个位移传感器无噪声环境下识别的模态振型图,图3中的(d)第四个位移传感器无噪声环境下识别的模态振型图。图3中的(e)第五个位移传感器无噪声环境下识别的模态振型图;增加噪声后识别的模态振型图,如图4所示,图4中的(a)第一个位移传感器在有噪声环境下识别的模态振型图,图4中的(b)第二个位移传感器有噪声环境下识别的模态振型图,图4中的(c)第三个位移传感器有噪声环境下识别的模态振型图,图4中的(d)第四个位移传感器有噪声环境下识别的模态振型图。图4中的(e)第五个位移传感器有噪声环境下识别的模态振型图。
通过Cosine相似度(CosineSimilarity)来确定重构信号与观测信号之间的相似程度。
通过表2可以看出通过CS_MMI_ICA方法得到的固有频率识别结果与MMI_ICA相同,由此可证明CS_MMI_ICA方法的可行性。
通过表3可以看出CS_MMI_ICA算法可以通过少量的振动响应信号识别出较好的模态参数。
通过表4可以看出在有噪声的环境下CS_MMI_ICA算法可以通过较少的数据量识别出固有频率与MMI_ICA结果相同,证明其具有良好的鲁棒性。
通过表5可以看出CS_MMI_ICA算法具有一定的抗噪性能够较好的识别出模态振型。
具体地,本发明实施例的工作模态参数识别方法,估计出各时刻的工作模态参数(包括各阶模态的固有频率和模态振型),然后各时刻求得的工作模态参数连接起来,从而实现时变线性结构工作模态参数识别。相比较基于传统独立成分分析的线性时不变结构工作模态参数识别方法,本发明能够物理实现非等间隔采样,且具有更好的抗噪性,更便于数据的存储与传递,利于嵌入到便携式硬件设备。
如图6所示,针对上述方法本发明实施例还提供了一种工作模态参数的识别系统,包括:
信息亚采样模块,用于基于稀疏随机矩阵对多个观测信号分别进行亚采样得到多个亚采样信号;所述亚采样信号的数据量低于奈奎斯特定理中规定的最低数据量;所述观测信号为设置在待测量设备上的传感器测得的。
信号重构模块,用于采用子空间追踪算法对各所述亚采样信号分别进行重构得到多个重构信号。
信号分离模块,用于采用互信息极小化独立成分分析算法对各所述重构信号进行盲源分离得到各重构信号对应的混合矩阵和源信号。
参数获取模块,用于根据各重构信号对应的混合矩阵和源信号得到各观测信号的工作模态参数;所述工作模态参数包括模态振型和固有频率。
在实际应用中,所述信号重构模块,具体包括:
测量矩阵计算单元,用于对于任意一个亚采样信号,根据所述亚采样信号对应的观测信号的稀疏矩阵和所述稀疏随机矩阵得到所述亚采样信号的测量矩阵。
相关性集合计算单元,用于在当前迭代次数下,计算所述亚采样信号的测量矩阵中各原子与上一迭代次数下所述亚采样信号的残差的相关性得到所述亚采样信号的相关性集合;初始化的亚采样信号的残差为所述亚采样信号。
支撑集确定单元,用于根据所述亚采样信号的相关性集合、上一迭代次数下所述亚采样信号的候选集和上一迭代次数下所述亚采样信号的最新支撑集得到当前迭代次数下所述亚采样信号的支撑集。
支撑矩阵计算单元,用于根据当前迭代次数下所述亚采样信号的支撑集以及所述亚采样信号的测量矩阵得到当前迭代次数下所述亚采样信号的支撑矩阵。
参数计算单元,用于根据所述亚采样信号和当前迭代次数下所述亚采样信号的支撑矩阵得到当前迭代次数下所述亚采样信号的子稀疏估计、当前迭代次数下所述亚采样信号的支撑子矩阵和当前迭代次数下所述亚采样信号的最新支撑集。
残差更新单元,用于根据所述亚采样信号、当前迭代次数下所述亚采样信号的支撑子矩阵和当前迭代次数下所述亚采样信号的子稀疏估计得到当前迭代次数下所述亚采样信号的残差。
迭代判断单元,用于根据当前迭代次数下所述亚采样信号的残差或当前迭代次数确定迭代是否终止。
重构单元,用于若迭代终止,则根据当前迭代次数下所述亚采样信号的子稀疏估计以及所述亚采样信号对应的观测信号的稀疏矩阵得到所述亚采样信号的重构信号。
第一迭代更新单元,用于若迭代不终止,则更新迭代次数进入下次迭代。
在实际应用中,所述信号分离模块,具体包括:
待分离信号确定单元,用于对于任意一个重构信号,对所述重构信号进行中心化和白化处理得到所述重构信号对应的待分离信号。
分离矩阵计算单元,用于在当前迭代次数下,对上一迭代次数下的分离矩阵进行更新得到当前迭代次数下的分离矩阵。
收敛判断单元,用于判断所述当前迭代次数下的分离矩阵是否收敛。
分离单元,用于若收敛,则根据当前迭代次数下的分离矩阵对所述重构信号对应的待分离信号进行分离得到所述重构信号对应的混合矩阵和源信号。
第二迭代更新单元,用于若不收敛,则更新迭代次数进入下次迭代。
本发明实施例还提供的一种电子设备,包括:
存储器和处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述实施例所述的工作模态参数的识别方法。所述电子设备包括DASp数据采集分析系统以及和DASp数据采集分析系统连接的便携笔记本计算机、台式机计算机和服务器等具有计算性能的电子设备。
本发明实施例还提供的一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述实施例所述的工作模态参数的识别方法。
通过采用上述技术方案,本发明可以取得以下技术效果:
本发明实施例能够通过通过物理方法实现低于奈奎斯特定理对数据的采样频率最低标准的采样频率对信号进行采样,并根据少量的振动响应采样信号识别出更多阶模态参数,大大降低了对数据采集和传输的要求,在存在噪声的环境下具有明显的抗噪性,降低对设备的性能要求。
本发明降低了原始信号采集量以及对采样信号频率的要求,恢复信号与原信号具有较高相似性且固有频率未发生改变,能够在突破奈奎斯特采样频率的基础上有效的识别结构的高阶模态,且具有较高的抗噪性,具有很好的实际意义。在突破奈奎斯特采样定理的基础上对将数据进行亚采样,并能够识别出系统的工作模态参数,有利于信号的传输与存储,可被用于设备故障诊断、健康监测以及系统结构分析与优化。
本发明能够通过低于奈奎斯特定理的频率对振动响应信号实现物理非等时间间隔的采样,需要采样和存储的振动响应信号少,通过使用子空间追踪算法重构以及互信息极小化算法进行盲源分离具有良好的抗噪,根据非等时间间隔的亚采样振动响应信号分析得到工程结构高于奈奎斯特定理的高阶模态参数。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种工作模态参数的识别方法,其特征在于,包括:
基于稀疏随机矩阵对多个观测信号分别进行亚采样得到多个亚采样信号;所述亚采样信号的数据量低于奈奎斯特定理中规定的最低数据量;所述观测信号为设置在待测量设备上的传感器测得的;
采用子空间追踪算法对各所述亚采样信号分别进行重构得到多个重构信号;
采用互信息极小化独立成分分析算法对各所述重构信号进行盲源分离得到各重构信号对应的混合矩阵和源信号;
根据各重构信号对应的混合矩阵和源信号得到各观测信号的工作模态参数;所述工作模态参数包括模态振型和固有频率;
所述采用子空间追踪算法对各所述亚采样信号分别进行重构得到多个重构信号,具体包括:
对于任意一个亚采样信号,根据所述亚采样信号对应的观测信号的稀疏矩阵和所述稀疏随机矩阵得到所述亚采样信号的测量矩阵;
在当前迭代次数下,计算所述亚采样信号的测量矩阵中各原子与上一迭代次数下所述亚采样信号的残差的相关性得到所述亚采样信号的相关性集合;初始化的亚采样信号的残差为所述亚采样信号;
根据所述亚采样信号的相关性集合、上一迭代次数下所述亚采样信号的候选集和上一迭代次数下所述亚采样信号的最新支撑集得到当前迭代次数下所述亚采样信号的支撑集;
根据当前迭代次数下所述亚采样信号的支撑集以及所述亚采样信号的测量矩阵得到当前迭代次数下所述亚采样信号的支撑矩阵;
根据所述亚采样信号和当前迭代次数下所述亚采样信号的支撑矩阵得到当前迭代次数下所述亚采样信号的子稀疏估计、当前迭代次数下所述亚采样信号的支撑子矩阵和当前迭代次数下所述亚采样信号的最新支撑集;
根据所述亚采样信号、当前迭代次数下所述亚采样信号的支撑子矩阵和当前迭代次数下所述亚采样信号的子稀疏估计得到当前迭代次数下所述亚采样信号的残差;
根据当前迭代次数下所述亚采样信号的残差或当前迭代次数确定迭代是否终止;
若迭代终止,则根据当前迭代次数下所述亚采样信号的子稀疏估计以及所述亚采样信号对应的观测信号的稀疏矩阵得到所述亚采样信号的重构信号;
若迭代不终止,则更新迭代次数进入下次迭代。
2.根据权利要求1所述的工作模态参数的识别方法,其特征在于,所述采用互信息极小化独立成分分析算法对各所述重构信号进行盲源分离得到各重构信号对应的混合矩阵和源信号,具体包括:
对于任意一个重构信号,对所述重构信号进行中心化和白化处理得到所述重构信号对应的待分离信号;
在当前迭代次数下,对上一迭代次数下的分离矩阵进行更新得到当前迭代次数下的分离矩阵;
判断所述当前迭代次数下的分离矩阵是否收敛;
若收敛,则根据当前迭代次数下的分离矩阵对所述重构信号对应的待分离信号进行分离得到所述重构信号对应的混合矩阵和源信号;
若不收敛,则更新迭代次数进入下次迭代。
3.根据权利要求1所述的工作模态参数的识别方法,其特征在于,所述根据各重构信号对应的混合矩阵和源信号得到各观测信号的工作模态参数,具体包括:
对于任意一个重构信号,根据所述重构信号对应的混合矩阵得到所述重构信号对应的观测信号的模态振型;
对所述重构信号对应的源信号进行傅里叶变换得到所述重构信号对应的观测信号的固有频率。
4.根据权利要求1所述的工作模态参数的识别方法,其特征在于,所述根据所述亚采样信号的相关性集合、上一迭代次数下所述亚采样信号的候选集和上一迭代次数下所述亚采样信号的最新支撑集得到当前迭代次数下所述亚采样信号的支撑集,具体包括:
将所述亚采样信号的相关性集合中的相关性由大到小排列;
选取前Sp个相关性对应的原子添加到上一迭代次数下所述亚采样信号的候选集得到当前迭代次数下所述亚采样信号的候选集;所述Sp为所述亚采样信号的稀疏度;
根据当前迭代次数下所述亚采样信号的候选集对上一迭代次数下所述亚采样信号的最新支撑集进行更新得到当前迭代次数下所述亚采样信号的支撑集。
5.一种工作模态参数的识别系统,其特征在于,包括:
信息亚采样模块,用于基于稀疏随机矩阵对多个观测信号分别进行亚采样得到多个亚采样信号;所述亚采样信号的数据量低于奈奎斯特定理中规定的最低数据量;所述观测信号为设置在待测量设备上的传感器测得的;
信号重构模块,用于采用子空间追踪算法对各所述亚采样信号分别进行重构得到多个重构信号;
信号分离模块,用于采用互信息极小化独立成分分析算法对各所述重构信号进行盲源分离得到各重构信号对应的混合矩阵和源信号;
参数获取模块,用于根据各重构信号对应的混合矩阵和源信号得到各观测信号的工作模态参数;所述工作模态参数包括模态振型和固有频率;
所述信号重构模块,具体包括:
测量矩阵计算单元,用于对于任意一个亚采样信号,根据所述亚采样信号对应的观测信号的稀疏矩阵和所述稀疏随机矩阵得到所述亚采样信号的测量矩阵;
相关性集合计算单元,用于在当前迭代次数下,计算所述亚采样信号的测量矩阵中各原子与上一迭代次数下所述亚采样信号的残差的相关性得到所述亚采样信号的相关性集合;初始化的亚采样信号的残差为所述亚采样信号;
支撑集确定单元,用于根据所述亚采样信号的相关性集合、上一迭代次数下所述亚采样信号的候选集和上一迭代次数下所述亚采样信号的最新支撑集得到当前迭代次数下所述亚采样信号的支撑集;
支撑矩阵计算单元,用于根据当前迭代次数下所述亚采样信号的支撑集以及所述亚采样信号的测量矩阵得到当前迭代次数下所述亚采样信号的支撑矩阵;
参数计算单元,用于根据所述亚采样信号和当前迭代次数下所述亚采样信号的支撑矩阵得到当前迭代次数下所述亚采样信号的子稀疏估计、当前迭代次数下所述亚采样信号的支撑子矩阵和当前迭代次数下所述亚采样信号的最新支撑集;
残差更新单元,用于根据所述亚采样信号、当前迭代次数下所述亚采样信号的支撑子矩阵和当前迭代次数下所述亚采样信号的子稀疏估计得到当前迭代次数下所述亚采样信号的残差;
迭代判断单元,用于根据当前迭代次数下所述亚采样信号的残差或当前迭代次数确定迭代是否终止;
重构单元,用于若迭代终止,则根据当前迭代次数下所述亚采样信号的子稀疏估计以及所述亚采样信号对应的观测信号的稀疏矩阵得到所述亚采样信号的重构信号;
第一迭代更新单元,用于若迭代不终止,则更新迭代次数进入下次迭代。
6.根据权利要求5所述的工作模态参数的识别系统,其特征在于,所述信号分离模块,具体包括:
待分离信号确定单元,用于对于任意一个重构信号,对所述重构信号进行中心化和白化处理得到所述重构信号对应的待分离信号;
分离矩阵计算单元,用于在当前迭代次数下,对上一迭代次数下的分离矩阵进行更新得到当前迭代次数下的分离矩阵;
收敛判断单元,用于判断所述当前迭代次数下的分离矩阵是否收敛;
分离单元,用于若收敛,则根据当前迭代次数下的分离矩阵对所述重构信号对应的待分离信号进行分离得到所述重构信号对应的混合矩阵和源信号;
第二迭代更新单元,用于若不收敛,则更新迭代次数进入下次迭代。
7.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至4中任一项所述的工作模态参数的识别方法。
8.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的工作模态参数的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310609029.9A CN116340758A (zh) | 2023-05-29 | 2023-05-29 | 一种工作模态参数的识别方法、系统、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310609029.9A CN116340758A (zh) | 2023-05-29 | 2023-05-29 | 一种工作模态参数的识别方法、系统、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116340758A true CN116340758A (zh) | 2023-06-27 |
Family
ID=86889809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310609029.9A Pending CN116340758A (zh) | 2023-05-29 | 2023-05-29 | 一种工作模态参数的识别方法、系统、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116340758A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117093843A (zh) * | 2023-10-19 | 2023-11-21 | 华侨大学 | 信号重构与工作模态参数识别方法、装置、设备及介质 |
CN117892118A (zh) * | 2024-03-08 | 2024-04-16 | 华侨大学 | 一种欠定工作模态参数识别方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108566206A (zh) * | 2018-05-07 | 2018-09-21 | 哈尔滨理工大学 | 基于改进的压缩采样匹配追踪的电能质量信号重构方法 |
CN111490794A (zh) * | 2020-04-17 | 2020-08-04 | 山东大学 | 基于时分多频亚奈奎斯特采样提升相敏otdr系统频率响应的方法 |
US20210241421A1 (en) * | 2019-07-05 | 2021-08-05 | Baidu Usa Llc | Systems and methods for multispectral image demosaicking using deep panchromatic image guided residual interpolation |
CN114925726A (zh) * | 2022-05-13 | 2022-08-19 | 华侨大学 | 亚采样工作模态参数的识别方法、装置、设备和存储介质 |
-
2023
- 2023-05-29 CN CN202310609029.9A patent/CN116340758A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108566206A (zh) * | 2018-05-07 | 2018-09-21 | 哈尔滨理工大学 | 基于改进的压缩采样匹配追踪的电能质量信号重构方法 |
US20210241421A1 (en) * | 2019-07-05 | 2021-08-05 | Baidu Usa Llc | Systems and methods for multispectral image demosaicking using deep panchromatic image guided residual interpolation |
CN111490794A (zh) * | 2020-04-17 | 2020-08-04 | 山东大学 | 基于时分多频亚奈奎斯特采样提升相敏otdr系统频率响应的方法 |
CN114925726A (zh) * | 2022-05-13 | 2022-08-19 | 华侨大学 | 亚采样工作模态参数的识别方法、装置、设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
闫敬文,刘蕾,屈小波: "《人工智能、类脑计算与图像解译前沿》", 西安电子科技大学出版社, pages: 266 - 86 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117093843A (zh) * | 2023-10-19 | 2023-11-21 | 华侨大学 | 信号重构与工作模态参数识别方法、装置、设备及介质 |
CN117093843B (zh) * | 2023-10-19 | 2024-02-20 | 华侨大学 | 信号重构与工作模态参数识别方法、装置、设备及介质 |
CN117892118A (zh) * | 2024-03-08 | 2024-04-16 | 华侨大学 | 一种欠定工作模态参数识别方法、装置、设备及存储介质 |
CN117892118B (zh) * | 2024-03-08 | 2024-05-28 | 华侨大学 | 一种欠定工作模态参数识别方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116340758A (zh) | 一种工作模态参数的识别方法、系统、电子设备及介质 | |
CN112329855B (zh) | 基于自适应字典的欠定工作模态参数识别方法及检测方法 | |
JP4201027B2 (ja) | 複数の観測結果の間の差異を検出するシステムおよびその方法 | |
CN106547852B (zh) | 异常数据检测方法及装置、数据预处理方法及系统 | |
CN112287889A (zh) | 一种基于压缩感知和相关向量机的轴承故障智能诊断方法 | |
CN108880557B (zh) | 基于压缩感知的稀疏度自适应变步长匹配追踪方法 | |
Cao et al. | A new joint denoising algorithm for high-G calibration of MEMS accelerometer based on VMD-PE-wavelet threshold | |
Zhang et al. | A symmetry and bi-recursive algorithm of accurately computing Krawtchouk moments | |
Lin et al. | Reconstruction of power system measurements based on enhanced denoising autoencoder | |
JP7126256B2 (ja) | 異常診断装置、異常診断方法、及びプログラム | |
CN113670616B (zh) | 一种轴承性能退化状态检测方法及系统 | |
CN106599903B (zh) | 基于相关性的加权最小二乘字典学习的信号重构方法 | |
Tang et al. | Feature extraction of multi-sensors for early bearing fault diagnosis using deep learning based on minimum unscented kalman filter | |
Ma et al. | Multi-frame constrained block sparse Bayesian learning for flexible tactile sensing using electrical impedance tomography | |
CN116720130A (zh) | 一种基于知识与数据融合的轴承故障诊断方法 | |
CN111626000B (zh) | 一种桥梁状态的评估方法、装置、设备和存储介质 | |
TW201633025A (zh) | 工具機主軸故障形式的診斷方法及其系統 | |
Liu et al. | Real-time processing of force sensor signals based on LSTM-RNN | |
CN103605880B (zh) | 一种精确诊断密集模态阻尼比的方法 | |
WO2020020001A1 (zh) | 量测矩阵扰动时压缩感知感知矩阵构建方法、系统及介质 | |
Sauer et al. | Reconstructing the Jacobian from data with observational noise | |
CN116067600A (zh) | 幕墙工作模态参数识别、故障诊断与健康状态监测方法 | |
Liu et al. | Model-driven parametric monitoring of high-dimensional nonlinear functional profiles | |
Li et al. | An approach for fault diagnosis of bearings using wavelet-based fractal analysis | |
Gifani et al. | A new method for pseudo-increasing frame rates of echocardiography images using manifold learning |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230627 |