CN116502060B - 一种基于WGANGP-Unet的结构健康监测缺失数据重构方法 - Google Patents
一种基于WGANGP-Unet的结构健康监测缺失数据重构方法 Download PDFInfo
- Publication number
- CN116502060B CN116502060B CN202310467312.2A CN202310467312A CN116502060B CN 116502060 B CN116502060 B CN 116502060B CN 202310467312 A CN202310467312 A CN 202310467312A CN 116502060 B CN116502060 B CN 116502060B
- Authority
- CN
- China
- Prior art keywords
- data
- mean square
- reconstruction
- signal
- loss function
- 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 39
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 230000036541 health Effects 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000000694 effects Effects 0.000 claims abstract description 7
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract 1
- 230000001133 acceleration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/22—Source localisation; Inverse modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于WGANGP‑Unet的结构健康监测缺失数据重构方法，改进损失函数及参数优化过程，实现高精度结构健康监测缺失数据重构。具体实施流程如下：A.预采集与预处理结构健康监测完整数据，并构建训练与验证数据集；B.构建具备跳跃连接技术的多层U‑net生成器和引入Wasserstein距离的判别器，组合构成WGANGP‑Unet框架；C.构建混合损失函数，循环最小化损失函数以实现WGANGP‑Unet网络模型的对抗式训练；D.采用损失函数、信号时域的根均方误差、频域根均方误差、中心频率相对误差和均方频率相对误差多项指标综合验证数据重构效果，确定重构参数；E.输入传感器采集的存在缺失的监测数据，进行缺失数据重构。本发明公开的方法能够实现结构健康监测缺失数据的高精度重构，为结构状态诊断和预测提供支持。
Description
技术领域
本发明涉及一种结构健康监测缺失数据重构方法，通过结合WGANGP和Unet生成器，并改进损失函数及参数优化过程，高精度修复结构健康监测缺失数据，属结构健康监测领域。
背景技术
结构健康监测已成为土木工程结构损伤演化行为研究的有效手段和服役安全保障的重要技术。结构健康状态的准确评估和预测依赖于完整的结构健康监测数据。在实际工程监测中，由于受到传感器故障、传输受阻、环境影响等因素影响，结构健康监测数据丢失不可避免。对缺失监测数据进行修复，保证结构健康监测数据完备性具有重要意义。
传统的神经网络数据修复方法包括卷积神经网络、自编码网络等，具有优秀的非线性拟合能力，能够实现较高精度的数据重构。但当处理复杂的数据重构任务时，过深的神经网络层数容易丢失数据低级特征，导致重构精度降低。
为保留数据的高级和低级特征，引入使用跳跃连接技术的U-net，同时U-net复杂的网络结构对训练方法提出了较高要求。生成对抗网络框架能够有效提升深度神经网络的训练效果，然而这种方法需要反复调试生成器和判别器参数，否则无法实现有效的对抗训练，处理多类传感器损失工况精度较低，并且由于复杂的网络参数调试过程难以进行普及。
发明内容
针对现有技术的不足，本发明提出了一种基于WGANGP和U-net生成器的结构健康监测缺失数据重构方法，以提升复杂监测数据的重构精度。其具体内容包括：
一种基于WGANGP-Unet的结构健康监测缺失数据重构方法，包括如下步骤：
A.预采集与预处理结构健康监测完整数据，并构建训练与验证数据集；
B.构建具备跳跃连接技术的多层U-net生成器和引入Wasserstein距离的判别器，组合构成WGANGP-Unet框架；
C.构建混合损失函数，循环最小化损失函数以实现WGANGP-Unet网络模型的对抗式训练；
D.采用损失函数、信号时域的根均方误差、频域根均方误差、中心频率相对误差和均方频率相对误差多项指标综合验证数据重构效果，确定重构参数；
E.输入传感器采集的存在缺失的监测数据，进行缺失数据重构。
进一步，步骤A具体包括：
A1.结构健康监测系统预先采集完整信号；
A2.使用最大-最小归一化法对预先采集信号数据进行处理，将数据缩放到[-1,1]范围内，从而减少对网络模型的泛化能力的影响；
A3.对归一化后的数据进行切片操作，通过固定步长的时间窗截取信号数据生成切片样本，将样本分组构建数据集。
进一步，步骤B具体包括：
B1.在U-net生成器中设置卷积层与逆卷积层以完成信号的特征提取和重构，并在不同网络层级之间添加跳跃连接保留高级和低级的信号特征。预先设置多层U-net生成器，以便根据后续重构效果选择合适的层数；
B2.设置卷积神经网络作为判别器，引入Wasserstein距离作为区分真伪样本的指标，可以表示为：
其中x为判别器的输入，D(x)为判别器的输出，pdata(x)为真实数据样本分布，pG(x)为生成器样本分布，为期望值；
B3.将判别器与U-net生成器组合，构成WGANGP-Unet框架；
进一步，步骤C具体包括：
C1.U-net生成器混合损失函数包括对抗训练项与均方误差项，并通过均方误差系数平衡对抗训练与信号重构特征提取。U-net生成器的混合损失函数可以表示为
其中n为样本张量中所包含的元素数量；λ为均方误差系数；||·||为张量的l2范数；为对抗训练项；/>为均方误差项；
C2.判别器混合损失函数包括Wasserstein距离和梯度惩罚项，避免出现梯度爆炸和梯度消失等训练问题。判别器的混合损失函数可以表示为
其中表示向量微分算子；/>为梯度惩罚项；μ是梯度惩罚项系数，通常取10；/>满足
其中∈是一个随机数，U[0,1]表示从0到1的均方分布；
C3.通过Adam优化算法循环最小化和/>使生成器与判别器相互对抗，达成训练目标；
进一步，步骤D具体包括：
D1.通过构造的训练数据集训练神经网络，当损失函数中的均方误差项处于平稳段且取到最小值时，取当前迭代步数作为最佳迭代步数；
D2.通过验证集检验不同均方误差系数的信号重构精度，选取精度较高的均方误差系数。采用四项信号指标衡量数据重构精度，分别为信号时域的根均方误差RMSEt、频域根均方误差RMSEf、中心频率相对误差ErrorCF和均方频率相对误差ErrorMCF。四项指标可以表示为：
其中x和分别表示原始时域信号和重构时域信号；y和/>表示原始频域信号和重构频域信号；f表示信号的频率序列；
D3.通过验证集检验不同生成器层数的信号重构精度，根据四项重构精度指标，选取精度较高的神经网络层数；
本发明有以下几个优点：
(1)本发明公布的方法采用U-net作为生成器，能够同时保留信号高级特征和低级特征；并采用WGANGP框架进行神经网络训练，实现有效对抗训练，无需反复调试生成器和判别器参数，实现更高精度的缺失数据重构。
(2)本发明公布的方法改进了损失函数。生成器中的均方误差系数有效平衡对抗训练与信号重构特征提取，判别器中的梯度惩罚项避免梯度爆炸和梯度消失等问题。
(3)均方误差系数、神经网络层数是影响数据重构精度的重要参数，本方法引入4项信号指标综合评估重构精度，以实现合理的参数选择。
(4)使用四项指标衡量本方法与其他典型神经网络数据缺失重构方法(即对抗生成式U-net、U-net、对抗生成式自编码器、降噪自编码器)，本方法的重构性能相比于其他方法表现更加优异。
附图说明：
图1是本发明方法的流程图；
图2是本发明的发生数据缺失结构健康监测系统实例示意图；
图3是本发明WGANGP-Unet框架示意简图；
图4是本发明的缺失数据重构时域结果图；
图5是本发明的缺失数据重构频域结果图；
图6是本发明的缺失数据重构后的模态分析结果图。
具体实施方式
下面结合附图对本发明一种基于WGANGP-Unet的结构健康监测缺失数据重构方法做进一步的详细说明。本发明的实施方法如图1所示，具体包含以下步骤：
A.预采集与预处理结构健康监测完整数据，并构建训练与验证数据集；
A1.结构健康监测系统如图2所示。安装在结构上的加速度传感器以100Hz的采样频率，持续采集100s的完整加速度信号；
A2.使用最大-最小归一化法对预先采集信号数据进行处理，将数据缩放到[-1,1]范围内；
A3.对归一化后的数据进行切片操作。以128个数据点为步长、1024个数据点为长度的时间窗截取信号数据，生成2000个数据样本，作为训练数据集。以1024个数据点为步长、1024个数据点为长度的时间窗截取信号数据，生成10个数据样本，作为验证数据集。
B.构建具备跳跃连接技术的多层U-net生成器和引入Wasserstein距离的判别器，组合构成WGANGP-Unet框架；具体包括：
B1.在U-net生成器中设置卷积层与逆卷积层以完成信号的特征提取和重构，并在不同网络层级之间添加跳跃连。预先设置的多层U-net结构；
B2.设置卷积神经网络作为判别器，引入Wasserstein距离作为区分真伪样本的指标；
B3.将判别器与U-net生成器组合，构成WGANGP-Unet框架，如图3所示；
C.构建混合损失函数，循环最小化损失函数以实现WGANGP-Unet网络模型的对抗式训练；具体包括：C1.设置U-net生成器混合损失函数，包括对抗训练项与均方误差项；
C2.设置判别器混合损失函数，包括Wasserstein距离和梯度惩罚项；
C3.通过Adam优化算法循环最小化损失函数，使生成器与判别器相互对抗，达成训练目标；
D.采用损失函数、信号时域的根均方误差、频域根均方误差、中心频率相对误差和均方频率相对误差多项指标综合验证数据重构效果，确定重构参数；具体包括：
D1.通过训练数据集训练神经网络，损失函数中的均方误差项处于平稳段且取到最小值，达到最佳迭代步数；
D2.通过验证数据集检验不同均方误差系数的信号重构精度，当均方误差系数为105时，四项指标取得较小值；
D3.通过验证集检验不同生成器层数的信号重构精度，当生成器层数为3时，四项指标取得较小值；
E.输入正常工作传感器采集数据，重构故障传感器缺失数据。通过测试数据，得到缺失数据重构结果。缺失数据重构时域结果如图4所示，缺失数据重构频域结果如图5所示。对重构数据进行模态识别，与原始数据进行比较，模态识别结果如图6所示，频率识别结果如表1所示：
表1识别频率结果对比
将WGANGP-Unet方法与其他典型神经网络数据重构方法进行对比，得到的结果如表2所示：
表2不同方法重构信号的误差和频率特征对比
注：原始信号特征：传感器A3 CForiginal＝24.26Hz,MSForiginal＝660.65Hz2
传感器A4 CForiginal＝25.05Hz,MSForiginal＝739.08Hz2
传感器A5 CForiginal＝24.43Hz,MSForiginal＝726.56Hz2.
本说明书实施案例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施案例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (2)
1.一种基于WGANGP-Unet的结构健康监测缺失数据重构方法，包括如下步骤：
A.预采集与预处理结构健康监测完整数据，并构建训练与验证数据集；
B.构建具备跳跃连接技术的多层U-net生成器和引入Wasserstein距离的判别器，组合构成WGANGP-Unet框架；具体包括：
B1.在U-net生成器中设置卷积层与逆卷积层以完成信号的特征提取和重构，并在不同网络层级之间添加跳跃连接保留高级和低级的信号特征；预先设置多层U-net生成器，以便根据后续重构效果选择合适的层数；
B2.设置卷积神经网络作为判别器，引入Wasserstein距离作为区分真伪样本的指标，可以表示为：
其中x为判别器的输入，D(x)为判别器的输出，pdata(x)为真实数据样本分布，pG(x)为生成器样本分布，为期望值；
B3.将判别器与U-net生成器组合，构成WGANGP-Unet框架；
C.构建混合损失函数，循环最小化损失函数以实现WGANGP-Unet网络模型的对抗式训练；具体包括：
C1.U-net生成器混合损失函数包括对抗训练项与均方误差项，并通过均方误差系数平衡对抗训练与信号重构特征提取；U-net生成器的混合损失函数可以表示为
其中n为样本张量中所包含的元素数量；λ为均方误差系数；||·||为张量的l2范数；为对抗训练项；/>为均方误差项；
C2.判别器混合损失函数包括Wasserstein距离和梯度惩罚项，避免出现梯度爆炸和梯度消失等训练问题；判别器的混合损失函数表示为：
其中表示向量微分算子；/>为梯度惩罚项；μ是梯度惩罚项系数，通常取10；/>满足
其中∈是一个随机数，U[0,1]表示从0到1的均方分布；
C3.通过Adam优化算法循环最小化和/>使生成器与判别器相互对抗，达成训练目标；
D.采用损失函数、信号时域的根均方误差、频域根均方误差、中心频率相对误差和均方频率相对误差多项指标综合验证数据重构效果，确定重构参数；具体包括：
D1.通过构造的训练数据集训练神经网络，当损失函数中的均方误差项处于平稳段且取到最小值时，取当前迭代步数作为最佳迭代步数；
D2.通过验证集检验不同均方误差系数的信号重构精度，选取精度较高的均方误差系数；采用四项信号指标衡量数据重构精度，分别为信号时域的根均方误差RMSEt、频域根均方误差RMSEf、中心频率相对误差ErrorCF和均方频率相对误差ErrorMCF；四项指标可以表示为：
其中x和分别表示原始时域信号和重构时域信号；y和/>表示原始频域信号和重构频域信号；f表示信号的频率序列；
D3.通过验证集检验不同生成器层数的信号重构精度，根据四项重构精度指标，选取精度较高的神经网络层数；
E.输入传感器采集的存在缺失的监测数据，进行缺失数据重构。
2.如权利要求1所述的一种基于WGANGP-Unet的结构健康监测缺失数据重构方法，其特征在于，步骤A具体包括：
A1.结构健康监测系统预先采集完整信号；
A2.使用最大-最小归一化法对预先采集信号数据进行处理，将数据缩放到[-1,1]范围内，从而减少对网络模型的泛化能力的影响；
A3.对归一化后的数据进行切片操作，通过固定步长的时间窗截取信号数据生成切片样本，将样本分组构建数据集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310467312.2A CN116502060B (zh) | 2023-04-25 | 2023-04-25 | 一种基于WGANGP-Unet的结构健康监测缺失数据重构方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310467312.2A CN116502060B (zh) | 2023-04-25 | 2023-04-25 | 一种基于WGANGP-Unet的结构健康监测缺失数据重构方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116502060A CN116502060A (zh) | 2023-07-28 |
| CN116502060B true CN116502060B (zh) | 2024-04-23 |
Family
ID=87324284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310467312.2A Active CN116502060B (zh) | 2023-04-25 | 2023-04-25 | 一种基于WGANGP-Unet的结构健康监测缺失数据重构方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502060B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3444776A1 (en) * | 2017-08-15 | 2019-02-20 | Siemens Healthcare GmbH | Topogram prediction from surface data in medical imaging |
| CN111932444A (zh) * | 2020-07-16 | 2020-11-13 | 中国石油大学(华东) | 基于生成对抗网络的人脸属性编辑方法及信息处理终端 |
| WO2021072029A1 (en) * | 2019-10-09 | 2021-04-15 | Ancestry.Com Operations Inc. | Adversarial network for transforming handwritten text |
| CN113450344A (zh) * | 2021-07-19 | 2021-09-28 | 江南大学 | 带钢表面缺陷检测方法及系统 |
| CN115239588A (zh) * | 2022-07-25 | 2022-10-25 | 广东工业大学 | 基于生成对抗式网络的极度稀疏视图ct重建的抑制伪影方法 |
| CN115905805A (zh) * | 2022-11-02 | 2023-04-04 | 吉林大学 | 一种基于全局信息判别gan的das数据多尺度噪声消减方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3148657A1 (en) * | 2019-08-23 | 2021-03-04 | Tao Zhang | Systems and methods for accurate and rapid positron emission tomography using deep learning |
-
2023
- 2023-04-25 CN CN202310467312.2A patent/CN116502060B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3444776A1 (en) * | 2017-08-15 | 2019-02-20 | Siemens Healthcare GmbH | Topogram prediction from surface data in medical imaging |
| WO2021072029A1 (en) * | 2019-10-09 | 2021-04-15 | Ancestry.Com Operations Inc. | Adversarial network for transforming handwritten text |
| CN111932444A (zh) * | 2020-07-16 | 2020-11-13 | 中国石油大学(华东) | 基于生成对抗网络的人脸属性编辑方法及信息处理终端 |
| CN113450344A (zh) * | 2021-07-19 | 2021-09-28 | 江南大学 | 带钢表面缺陷检测方法及系统 |
| CN115239588A (zh) * | 2022-07-25 | 2022-10-25 | 广东工业大学 | 基于生成对抗式网络的极度稀疏视图ct重建的抑制伪影方法 |
| CN115905805A (zh) * | 2022-11-02 | 2023-04-04 | 吉林大学 | 一种基于全局信息判别gan的das数据多尺度噪声消减方法 |
Non-Patent Citations (2)
| Title |
|---|
| An Ensemble Wasserstein Generative Adversarial Network Method for Road Extraction From High Resolution Remote Sensing Images in Rural Areas;CHUAN YANG 等;《IEEE》;20201031;174317-174324 * |
| 基于生成对抗神经网络的字体风格迁移算法;张钦禄;《中国优秀硕士学位论文全文数据库 信息科技辑》;20200615;I138-706 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116502060A (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Braccesi et al. | The frequency domain approach in virtual fatigue estimation of non-linear systems: The problem of non-Gaussian states of stress | |
| CN111833300A (zh) | 一种基于生成对抗学习的复合材料构件缺陷检测方法和装置 | |
| Garvey | Validation of on-line monitoring techniques to nuclear plant data | |
| CN113538353B (zh) | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 | |
| CN111814343B (zh) | 综合堆内外探测器测量值的堆芯功率分布在线重构方法 | |
| CN104461906A (zh) | 一种基于代码转换的mc/dc覆盖准则的软件测试数据生成方法 | |
| CN106294174A (zh) | 测试充分性的多维度度量方法及装置 | |
| CN106342313B (zh) | 一种基于层次分析法的测试性指标分配方法 | |
| CN106886620B (zh) | 航天器测试资源优化配置方法 | |
| CN101976222B (zh) | 一种基于框架的实时嵌入式软件可测试性测量方法 | |
| CN113642209B (zh) | 基于数字孪生的结构植入故障响应数据获取及评判方法 | |
| CN116502060B (zh) | 一种基于WGANGP-Unet的结构健康监测缺失数据重构方法 | |
| CN114547928A (zh) | 一种基于主成分分析的缺陷形貌等效与寿命评估方法 | |
| CN107515971B (zh) | 一种基于维修性和功能结构的产品设计方法及装置 | |
| CN111079591B (zh) | 基于改进多尺度主成分分析的不良数据修复方法及系统 | |
| CN117313452A (zh) | 一种大坝多向应变计组数据缺失补全方法 | |
| CN112098066A (zh) | 基于门控循环单元的高压并联电抗器故障诊断方法及系统 | |
| CN115267641B (zh) | 同塔双回输电线路中电流互感器误差异常识别方法、系统 | |
| CN113537010B (zh) | 基于单通道图数据增强和迁移训练残差网络的十五相异步电动机滚动轴承故障诊断方法 | |
| CN116737529A (zh) | 一种多维度的软件数据可靠性验证方法 | |
| CN114254533B (zh) | 考核疲劳振动对产品组部件固定角度影响和预测的方法 | |
| CN115951292A (zh) | 一种电子式电压互感器误差状态在线评估方法及装置 | |
| 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 | |
| CN112989966B (zh) | 一种改进的模拟电路信号降噪方法 | |
| Kim et al. | SIGNAL FAULT IDENTIFICATION IN NUCLEAR POWER PLANTS BASED ON DEEP NEURAL NETWORKS. |
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 |