CN116701883B - 基于频段辨识的模态参数自动化识别方法、装置及设备 - Google Patents
基于频段辨识的模态参数自动化识别方法、装置及设备 Download PDFInfo
- Publication number
- CN116701883B CN116701883B CN202310948735.6A CN202310948735A CN116701883B CN 116701883 B CN116701883 B CN 116701883B CN 202310948735 A CN202310948735 A CN 202310948735A CN 116701883 B CN116701883 B CN 116701883B
- Authority
- CN
- China
- Prior art keywords
- frequency band
- frequency
- mode
- amplitude
- identified
- 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 84
- 230000004044 response Effects 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000005311 autocorrelation function Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000013016 damping Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique 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
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于频段辨识的模态参数自动化识别方法、装置及设备，属于结构模态分析技术领域，该方法包括：通过分析结构的动力响应信号，得到一阶奇异值曲线；提取一阶奇异值曲线的波峰段，得到多模态峰值分布曲线；基于多模态峰值分布曲线的幅值区间，构建多个待辨识频段数据集；依次辨识每个待辨识频段数据集中各模态所处的频段，以获取各模态所处的真实频段；对各模态所处的真实频段取交集，获取交集内最大奇异值，定位出各模态的峰值点，以得到各模态的频率和振型，作为识别得到的模态参数。本发明提供了一种基于频段辨识的思路，能过滤掉虚假频段，解决了常规模态分析技术需人工干预，容易以人为因素而存在主观性模态辨识的问题。
Description
技术领域
本发明涉及结构模态分析技术领域，尤其涉及一种基于频段辨识的模态参数自动化识别方法、装置及设备。
背景技术
模态参数识别是从测试所得信号中准确估计振动系统的模态参数，包括模态频率、振型、模态阻尼比等，能准确反映工程结构的工作状态，是结构动态设计和损伤识别的重要指标。对工程结构模态参数的准确识别，不仅可以保证结构的安全性和可维护性，也可以帮助结构动态设计和故障诊断。
模态参数的自动化识别既可降低模态试验人员的专业技术要求，也可为结构状态评估、诊断和预警的实时性创造条件。当前大多数自动化识别方法均基于随机子空间法（SSI），该方法具有较高的精度，但也面临过高的计算成本、大量的虚假极点以及众多且需人工干预的阈值参数。此外，自动化的实现主要借助于有监督学习或无监督学习技术，其中，有监督学习需海量数据进行前期训练，数据量的大小将直接影响模型的效果；无监督学习则需要较高的计算成本，进一步加重了SSI的计算负担。
尽管该方法在工程领域已得到了广泛的应用，但目前该方法的自动化研究却很少，且主要以峰值拾取、辨别真伪的两阶段形式实现。然而由于一阶奇异值曲线并非光滑，存在众多虚假峰值，且辨别峰值真伪常需要输入阈值参数，对操作人员提出了较高的要求，因此，此类方法在工程实际中的运用将面临一定的困难。
发明内容
本发明提供的一种基于频段辨识的模态参数自动化识别方法，解决了现有技术中自动化识别结构模态参数时，存在计算成本高、人工干预强的问题，克服了识别结果不以人为意志转移的主观性，显著降低了计算成本，更易于满足分析的实时性要求。
本发明提供一种基于频段辨识的模态参数自动化识别方法，包括：
分析结构的动力响应信号，得到一阶奇异值曲线；
提取所述一阶奇异值曲线的波峰段，得到多模态峰值分布曲线；
基于所述多模态峰值分布曲线的幅值区间，构建多个待辨识频段数据集，其中，每个所述待辨识频段数据集包含一个或多个幅值区间对应的频率加权数据子集；
依次辨识每个所述待辨识频段数据集中各模态所处的频段，以获取各模态所处的真实频段；
对所述各模态所处的真实频段取交集，获取交集内最大奇异值，定位出各模态的峰值点，以得到各模态的频率和振型，作为识别得到的模态参数。
根据本发明提供的一种基于频段辨识的模态参数自动化识别方法，在对所述各模态所处的真实频段取交集，获取交集内最大奇异值，定位出各模态的峰值点，以得到各模态的频率和振型的步骤之后，还包括：
基于各模态的频率确定模态频率搜索范围；
基于所述模态频率搜索范围提取各峰值点处的波峰段，对提取的波峰段进行逆傅里叶变换估计，得到自相关函数；
根据所述自相关函数，得到各模态的阻尼比。
根据本发明提供的一种基于频段辨识的模态参数自动化识别方法，所述分析结构的动力响应信号，得到一阶奇异值曲线的步骤，包括：
获取结构多个测点的响应信号，并计算所述响应信号的功率谱密度矩阵；
在不同频率处对所述功率谱密度矩阵进行奇异值分解，得到各频率处的一阶奇异值；
依次连接所述各频率处的一阶奇异值形成包含有多个不同模态的所述一阶奇异值曲线。
根据本发明提供的一种基于频段辨识的模态参数自动化识别方法，所述提取所述一阶奇异值曲线的波峰段，得到多模态峰值分布曲线的步骤，包括：
计算所述一阶奇异值曲线的幅值均值；
从所述一阶奇异值曲线中去除小于幅值均值的点，以提取出所述一阶奇异值曲线的多个波峰段，作为所述多模态峰值分布曲线。
根据本发明提供的一种基于频段辨识的模态参数自动化识别方法，所述基于所述多模态峰值分布曲线的幅值区间，构建多个待辨识频段数据集，其中，每个所述待辨识频段数据集包含一个或多个幅值区间对应的频率加权数据子集的步骤，包括；
对所述多模态峰值分布曲线的幅值进行划分，形成幅值由小到大的若干个幅值区间；
按幅值由小到大顺序依次对各幅值区间内点的数量进行逐级倍数放大，且只保留点的频率维度，以得到对应于各幅值区间的频率加权数据子集，其中，每个所述频率加权数据子集为所述幅值区间内各点的频率形成的数值序列；
构建多个待辨识频段数据集，多个所述待辨识频段数据集的数量与所述幅值区间的数量相同；
以包括所有幅值区间对应的频率加权数据子集为第一个待辨识频段数据集，依次删减最低位幅值区间对应的频率加权数据子集，作为下一个待辨识频段数据集，直至最后一个待辨识频段数据集只保留最高位幅值区间对应的频率加权数据子集，或，
以最高位幅值区间对应的频率加权数据子集为第一个待辨识频段数据集，依次增加下一级幅值区间对应的频率加权数据子集，作为下一个待辨识频段数据集，直至最后一个待辨识频段数据集包括所有幅值区间对应的频率加权数据子集。
根据本发明提供的一种基于频段辨识的模态参数自动化识别方法，所述按幅值由小到大顺序依次对各幅值区间内点的数量进行逐级倍数放大的步骤，包括：
利用分位数法将幅值划分为N个幅值区间；
按幅值由小到大顺序依次对各幅值区间内点的数量从1倍逐级放大到N倍。
根据本发明提供的一种基于频段辨识的模态参数自动化识别方法，所述依次辨识每个所述待辨识频段数据集中各模态所处的频段，以获取各模态所处的真实频段的步骤，包括：
对于每个所述待辨识频段数据集中的频率点进行数值排序，计算待辨识频段数据集中各相邻频率点的差，对各相邻频率点的差值进行排序，得到第一集合并保存排序的索引信息；
计算所述第一集合中各相邻元素的比值，得到第二集合，从所述第二集合中找出比值最大的元素，以确定比值最大元素的位置；
基于所述第二集合中比值最大元素的位置，从所述第一集合中确定处于所述比值最大元素的位置之后的元素；
基于所述第一集合中所确定的每个元素的索引信息，从所述待辨识频段数据集中确定对应的各频率点，根据对应的各频率点将所述待辨识频段数据集划分为多个子集，以对模态所处的频段进行划分；
基于预设的元素数量阈值，对每个子集中的元素数量进行判断，若所述子集中的元素数量大于或等于预设的元素数量阈值，则所述子集表征为模态所处的真实频段，以作为频段辨识结果。
本发明还提供一种基于频段辨识的模态参数自动化识别装置，包括：
分析模块，用于分析结构的动力响应信号，得到一阶奇异值曲线；
提取模块，用于提取所述一阶奇异值曲线的波峰段，得到多模态峰值分布曲线；
数据集构建模块，用于基于所述多模态峰值分布曲线的幅值区间，构建多个待辨识频段数据集，其中，每个所述待辨识频段数据集包含一个或多个幅值区间对应的频率加权数据子集；
频段辨识模块，用于依次辨识每个所述待辨识频段数据集中各模态所处的频段，以获取各模态所处的真实频段；
模态参数识别模块，用于对所述各模态所处的真实频段取交集，获取交集内最大奇异值，定位出各模态的峰值点，以得到各模态的频率和振型，作为识别得到的模态参数。
本发明还提供一种电子设备，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，所述处理器执行所述程序时实现如上述任一种所述基于频段辨识的模态参数自动化识别方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的基于频段辨识的模态参数自动化识别方法。
本发明提供的一种基于频段辨识的模态参数自动化识别方法、装置及设备，通过分析结构的动力响应信号，得到一阶奇异值曲线；提取一阶奇异值曲线的波峰段，得到多模态峰值分布曲线；基于多模态峰值分布曲线的幅值区间，构建多个待辨识频段数据集，其中，每个待辨识频段数据集包含一个或多个幅值区间对应的频率加权数据子集；依次辨识每个待辨识频段数据集中各模态所处的频段，以获取各模态所处的真实频段；对各模态所处的真实频段取交集，获取交集内最大奇异值，定位出各模态的峰值点，以得到各模态的频率和振型，作为识别得到的模态参数。本发明区别于现有模态参数识别方法，提供了一种基于频段辨识的思路，能自动过滤掉虚假频段，无需操作人员另外输入参数判别频段真伪，解决了常规模态分析技术需人工干预，容易以人为因素而存在主观性模态辨识的问题，为故障检测降低了操作人员的技术要求门槛；同时，本发明采用频域分解法（FDD）识别模态参数，相比于SSI显著降低了计算成本，作为频域方法，FDD包含频域平均技术，抗噪性更强、通用性更广，更易于满足分析的实时性要求，不仅如此，该方法还具有清晰的物理意义，原理简单、易于实现。
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为本发明实施例中提供的一种基于频段辨识的模态参数自动化识别方法的流程示意图之一；
图2为本发明实施例中经频域分解法提取的一阶奇异值曲线示意图；
图3为本发明实施例中根据百分位数将多模态峰值分布曲线划分为多个幅值区间的示意图；
图4为本发明实施例中以待辨识频段数据集D 5为例，得到的第一集合A 5中各元素的结果示意图；
图5为本发明实施例中以待辨识频段数据集D 5为例，得到的第二集合B 5中各元素的结果示意图；
图6为本发明实施例中以待辨识频段数据集D 5为例，频段辨识划分前的效果图；
图7为本发明实施例中以待辨识频段数据集D 5为例，频段辨识划分后的效果图；
图8为本发明实施例中在一阶奇异值曲线中标记对各待辨识频段数据集的频段辨识识别结果的示意图；
图9a-9c为本发明实施例中由一阶奇异值向量得到振型模态参数的示意图，其中，图9a为一阶振型图，图9b为二阶振型图，图9c为三阶振型图；
图10为本发明提供的一种基于频段辨识的模态参数自动化识别装置的结构示意图；
图11为本发明提供的电子设备的结构示意图。
附图标记：
21：分析模块；22：提取模块；23：数据集构建模块；24：频段辨识模块；25：模态参数识别模块。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例和附图对本发明进行清楚、完整的描述。显然，所描述的实施例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。
需要说明的是，本领域普通技术人员显式地和隐式地理解的是，本发明所描述的实施例在不冲突的情况下，可以与其它实施例相结合。除非另作定义，本发明所涉及的技术术语或者科学术语应当为本发明所属技术领域内具有一般技能的人士所理解的通常意义。本发明所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本发明所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；本发明所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
实施例一
参照图1所示，本实施例提供一种基于频段辨识的模态参数自动化识别方法，包括：
步骤S1：分析结构的动力响应信号，得到一阶奇异值曲线；
本实施例中，步骤S1，具体包括：
步骤S101：获取结构多个测点的响应信号，并计算响应信号的功率谱密度矩阵；
步骤S102：在不同频率处对功率谱密度矩阵进行奇异值分解，得到各频率处的一阶奇异值；
步骤S103：依次连接各频率处的一阶奇异值形成包含有多个不同模态的一阶奇异值曲线。
具体地，采用频域分解法分析结构的动力响应信号，获得结构m个测点的响应信号为y k (t)，k=1,2,…,m；当k取值为3时，结构测点的响应信号y 1(t)，y 2(t)和y 3(t)；计算y k (t)的功率谱密度矩阵，k=1,2,3，其中，功率谱密度估计采用Welch方法，使用Hamming窗，各测点响应被分成8段，各段间重叠50%；在不同频率处对/>进行奇异值分解；依次连接各频率处的一阶奇异值形成一阶奇异值曲线/>，记为/>，r 1=1,2,…,N 1，/>表示频率，s表示一阶奇异值，N 1为一阶奇异值曲线/>所包含的点数，曲线峰值的位置即为模态频率；如图2所示，3个明显的峰值分别代表三阶不同的模态。
步骤S2：提取一阶奇异值曲线的波峰段，得到多模态峰值分布曲线；
本实施例中，步骤S2，具体包括：
步骤S201：计算一阶奇异值曲线的幅值均值；
步骤S202：从一阶奇异值曲线中去除小于幅值均值的点，以提取出一阶奇异值曲线的多个波峰段，作为多模态峰值分布曲线。
具体地，计算一阶奇异值曲线的幅值均值为-8.056，去除/>中小于幅值均值的点，提取出一阶奇异值曲线的多个波峰段，得到多模态峰值分布曲线/>，记为，r 2=1,2,…,N 2，N 2为多模态峰值分布曲线/>所包含的点数。
步骤S3：基于多模态峰值分布曲线的幅值区间，构建多个待辨识频段数据集，其中，每个待辨识频段数据集包含一个或多个幅值区间对应的频率加权数据子集；
本实施例中，步骤S3，具体包括：
步骤S301：对多模态峰值分布曲线的幅值进行划分，形成幅值由小到大的若干个幅值区间；
步骤S302：按幅值由小到大顺序依次对各幅值区间内点的数量进行逐级倍数放大，且只保留点的频率维度，以得到对应于各幅值区间的频率加权数据子集，其中，每个频率加权数据子集为幅值区间内各点的频率形成的数值序列；
步骤S303：构建多个待辨识频段数据集，多个待辨识频段数据集的数量与幅值区间的数量相同；
步骤S304：以包括所有幅值区间对应的频率加权数据子集为第一个待辨识频段数据集，依次删减最低位幅值区间对应的频率加权数据子集，作为下一个待辨识频段数据集，直至最后一个待辨识频段数据集只保留最高位幅值区间对应的频率加权数据子集，或，
以最低位幅值区间对应的频率加权数据子集为第一个待辨识频段数据集，依次增加上一级幅值区间对应的频率加权数据子集，作为下一个待辨识频段数据集，直至最后一个待辨识频段数据集包括所有幅值区间对应的频率加权数据子集。
步骤S302中，按幅值由小到大顺序依次对各幅值区间内点的数量进行逐级倍数放大，具体包括：
利用分位数法将幅值划分为N个幅值区间；
按幅值由小到大顺序依次对各幅值区间内点的数量从1倍逐级放大到N倍。
具体地，如图3所示，根据的百分位数将多模态峰值分布曲线/>沿纵坐标（幅值）划分，形成幅值由小到大排列的N个幅值区间，（本实施例N取值为10，但不限于10，其他实施例中N取值可以根据实际情况进行调整）；当N取值为10时，其对应有（0-10%），（10%-20%）,…,（90%-100%）10个幅值区间。按幅值由小到大顺序依次对各幅值区间内点的数量进行逐级倍数放大，即（0-10%）幅值区间内点的数量保持不变，（10%-20%）幅值区间内点的数量放大2倍，依次对各幅值区间内点的数量进行逐级倍数放大，直至（90%-100%）幅值区间内点的数量放大10倍。对每个幅值区间内点的数量进行放大，其目的是从数量的角度对不同幅值的点进行加权处理，以便后续进行频段辨识能区分出虚假频段。
然后仅保留点的频率维度，得到表征各幅值区间的频率加权数据子集R 1,R 2,…,R N ，其中，每个频率加权数据子集为幅值区间内各点的频率形成的数值序列。
构建多个待辨识频段数据集D 1,D 2,…,D N ，多个待辨识频段数据集的数量与幅值区间的数量相同；在各个待辨识频段数据集D 1,D 2,…,D N 中，以包括所有幅值区间对应的频率加权数据子集为第一个待辨识频段数据集，依次删减最低位幅值区间对应的频率加权数据子集，作为下一个待辨识频段数据集，直至最后一个待辨识频段数据集只保留最高位幅值区间对应的频率加权数据子集，如下所示：
D 1=[R 1,R 2,…,R N ]
D 2=[R 2,R 3,,…,R N ]
……
D N =[R N ]
；
或者，以最高位幅值区间对应的频率加权数据子集为第一个待辨识频段数据集，依次增加下一级幅值区间对应的频率加权数据子集，作为下一个待辨识频段数据集，直至最后一个待辨识频段数据集包括所有幅值区间对应的频率加权数据子集，如下所示：
D 1=[ R N ]
D 2=[R N-1 ,R N ]
D 3=[ R N-2 , R N-1 ,R N ]
……
D N =[R 1,R 2,…,R N ]
步骤S4：依次辨识每个待辨识频段数据集中各模态所处的频段，以获取各模态所处的真实频段；
本实施例中，步骤S4，具体包括：
步骤S401：对于每个待辨识频段数据集中的频率点进行数值排序，计算待辨识频段数据集中各相邻频率点的差，对各相邻频率点的差值进行排序，得到第一集合并保存排序的索引信息；
步骤S402：计算第一集合中各相邻元素的比值，得到第二集合，从第二集合中找出比值最大的元素，以确定比值最大元素的位置；
步骤S403：基于第二集合中比值最大元素的位置，从第一集合中确定处于该比值最大元素的位置之后的元素；
步骤S404：基于第一集合中所确定的每个元素的索引信息，从待辨识频段数据集中确定对应的各频率点，根据对应的各频率点将待辨识频段数据集划分为多个子集，以对模态所处的频段进行划分；
步骤S405：基于预设的元素数量阈值，对每个子集中的元素数量进行判断，若子集中的元素数量大于或等于预设的元素数量阈值，则子集表征为模态所处的真实频段，以作为频段辨识结果。
具体地，依次辨识多个待辨识频段数据集D 1,D 2,…,D N 中各模态所处的频段，具体步骤如下：
（1）对内各频率点进行排序后，计算各相邻频率点的差值并再次排序得到数据集合，记为第一集合 />，保存排序索引，其中/>表示/>内点的个数，/>；
（2）计算中各相邻元素比值（即/>），记为第二集合，找出/>内幅值最大的元素的位置/>；
（3）在中利用位于/>后的元素的索引信息，从/>中确定对应的各频率点，根据对应的各频率点的位置将/>划分成多个子集；
（4）将元素数量小于预设的元素数量阈值δ的子集视为虚假频段（预设的元素数量阈值δ一般设为5即可，但不限于5，可根据实际情况进行调整），并予以剔除，而剩余的子集则被视为各模态所处的真实频段，作为频段辨识结果，进而完成各模态频段的辨识。
其中，以待辨识频段数据集D 5为例，
（ⅰ）排序D 5 内各频率点后，计算各相邻频率点的差值并再次排序，得到第一集合，第一集合A 5中各元素的值如图4所示，保存排序索引；
（ⅱ）计算A 5中各相邻元素比值（即a g+1/a g ，g∈[1，2282]），得到第二集合，第二集合B 5中各元素的值如图5所示，找出B 5内幅值最大的元素的位置x 5，即2281；
（ⅲ）在A 5中利用位于x 5后的元素（即a 2282，a 2283）的索引信息确定D 5中的对应点（即d 447，d 1261），根据对应点的位置将D 5划分成了3个子集，图6和图7分别给出了D 5在频段划分前和划分后的效果，可以看出，频段识别效果准确无误；
（ⅳ）由于D 5识别结果中不存在元素数量小于5的子集，因此3个子集均被视为模态所处的真实频段。
图8给出了在一阶奇异值曲线中标记出各个待辨识频段数据集D 1,D 2,…, D 10频段辨识的识别结果，从图中可看出，由下往上随着数据集D 1到D 10的递进，模态频段的规模逐渐减小，呈现出自下向上逐渐分解的趋势，在该趋势下，峰值点的位置逐渐得到聚焦。
步骤S5：对各模态所处的真实频段取交集，获取交集内最大奇异值，定位出各模态的峰值点，以得到各模态的频率和振型，作为识别得到的模态参数。
具体地，根据D 1,D 2,…,D 10辨识出的频段取交集，并通过交集内的最大奇异值定位出峰值点，得到模态频率f p （p=1,2,…,M，M为模态频率的个数）的结果如表1所示：
表1 模态频率识别结果
由f p 处的一阶奇异值向量得到模态振型，如图9a-9c所示的三阶不同的振型分别对应三阶不同的模态。
本实施例中，在步骤S5之后，还包括：
基于各模态的频率确定模态频率搜索范围；
基于模态频率搜索范围提取各峰值点处的波峰段，对提取的波峰段进行逆傅里叶变换估计，得到自相关函数；
根据自相关函数，得到各模态的阻尼比ξ p 。
进一步，基于模态频率f p 确定模态频率搜索范围（0.9f p ~1.1f p ），提取各峰值点处0.9f p 到1.1f p 的波峰段，并对提取的波峰段进行逆傅里叶变换估计，得到自相关函数，进而通过对数衰减法得到阻尼比结果，如表2所示：
表2 阻尼比识别结果
需要提及的是，表1、表2中的理论值是由数值模型的质量矩阵和刚度矩阵计算得到。
综上所述，本实施例提供的一种基于频段辨识的模态参数自动化识别方法，既不同于有监督学习方法（需要海量数据进行前期训练），也不同于无监督学习方法（需要较高的计算成本），区别于现有模态参数识别方法，提供了一种基于频段辨识的思路，能自动过滤掉虚假频段，无需操作人员另外输入参数判别频段真伪，解决了常规模态分析技术需人工干预，容易以人为因素而存在主观性模态辨识的问题，为故障检测降低了操作人员的技术要求门槛；同时，本发明采用频域分解法（FDD）识别模态参数，相比于SSI显著降低了计算成本，作为频域方法，FDD包含频域平均技术，抗噪性更强、通用性更广，更易于满足分析的实时性要求，不仅如此，该方法还具有清晰的物理意义，原理简单、易于实现。
实施例二
基于与上述方法相同的发明思路，参照图10所示，本实施例提供一种基于频段辨识的模态参数自动化识别装置，包括：
分析模块21，用于分析结构的动力响应信号，得到一阶奇异值曲线；
提取模块22，用于提取一阶奇异值曲线的波峰段，得到多模态峰值分布曲线；
数据集构建模块23，用于基于多模态峰值分布曲线的幅值区间，构建多个待辨识频段数据集，其中，每个待辨识频段数据集包含一个或多个幅值区间对应的频率加权数据子集；
频段辨识模块24，用于依次辨识每个待辨识频段数据集中各模态所处的频段，以获取各模态所处的真实频段；
模态参数识别模块25，用于对各模态所处的真实频段取交集，获取交集内最大奇异值，定位出各模态的峰值点，以得到各模态的频率和振型，作为识别得到的模态参数。
本实施例中，分析模块21具体包括：第一计算单元，用于获取结构多个测点的响应信号，并计算响应信号的功率谱密度矩阵；第二计算单元，用于在不同频率处对功率谱密度矩阵进行奇异值分解，得到各频率处的一阶奇异值；奇异值曲线获取单元，用于依次连接各频率处的一阶奇异值形成包含有多个不同模态的一阶奇异值曲线。
提取模块22具体包括：第三计算单元，用于计算一阶奇异值曲线的幅值均值；多模态峰值分布曲线获取单元，用于从一阶奇异值曲线中去除小于幅值均值的点，以提取出一阶奇异值曲线的多个波峰段，作为多模态峰值分布曲线。
数据集构建模块23具体包括：幅值划分单元，用于对多模态峰值分布曲线的幅值进行划分，形成幅值由小到大的若干个幅值区间；幅值区间内点数量放大单元，用于按幅值由小到大顺序依次对各幅值区间内点的数量进行逐级倍数放大；频率加权数据子集获取单元，用于对各幅值区间内的点，只保留点的频率维度，以得到对应于各幅值区间的频率加权数据子集，其中，每个频率加权数据子集为幅值区间内各点的频率形成的数值序列；待辨识频段数据集构建单元，用于构建多个待辨识频段数据集，多个待辨识频段数据集的数量与幅值区间的数量相同；待辨识频段数据集设置单元，用于以包括所有幅值区间对应的频率加权数据子集为第一个待辨识频段数据集，依次删减最低位幅值区间对应的频率加权数据子集，作为下一个待辨识频段数据集，直至最后一个待辨识频段数据集只保留最高位幅值区间对应的频率加权数据子集，或，以最低位幅值区间对应的频率加权数据子集为第一个待辨识频段数据集，依次增加上一级幅值区间对应的频率加权数据子集，作为下一个待辨识频段数据集，直至最后一个待辨识频段数据集包括所有幅值区间对应的频率加权数据子集。
频段辨识模块24具体包括：差值计算单元，用于对于每个待辨识频段数据集中的频率点进行数值排序，计算待辨识频段数据集中各相邻频率点的差，对各相邻频率点的差值进行排序，得到第一集合并保存排序的索引信息；差值比值计算单元，用于计算第一集合中各相邻元素的比值，得到第二集合，从第二集合中找出比值最大的元素，以确定比值最大元素的位置；频率阶跃寻找单元，用于基于第二集合中比值最大元素的位置，从第一集合中确定处于该比值最大元素的位置之后的元素；待辨识频段数据集划分单元，用于基于第一集合中所确定的每个元素的索引信息，从待辨识频段数据集中确定对应的各频率点，根据对应的各频率点将待辨识频段数据集划分为多个子集，以对模态所处的频段进行划分；真实频段辨识单元，用于基于预设的元素数量阈值，对每个子集中的元素数量进行判断，若子集中的元素数量大于或等于预设的元素数量阈值，则子集表征为模态所处的真实频段，以作为频段辨识结果。
本装置还包括：模态阻尼比识别模块，具体用于基于各模态的频率确定模态频率搜索范围；基于模态频率搜索范围提取各峰值点处的波峰段，对提取的波峰段进行逆傅里叶变换估计，得到自相关函数；根据自相关函数，得到各模态的阻尼比。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，所以相关之处参见方法实施例的部分说明即可，在此不再赘述。
以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，在实施例中的各功能模块可以全部集成在一个处理器中，也可以是各模块分别单独作为一个器件，也可以两个或两个以上模块集成在一个器件中；各实施例中的各功能模块既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
实施例三
参照图11所示，本实施例提供一种电子设备，该电子设备包括：处理器（processor）310、通信接口（Communications Interface）320、存储器（memory）330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，处理器310执行上述方法实施例所述的频段辨识的模态参数自动化识别方法，该方法包括：
分析结构的动力响应信号，得到一阶奇异值曲线；
提取一阶奇异值曲线的波峰段，得到多模态峰值分布曲线；
基于多模态峰值分布曲线的幅值区间，构建多个待辨识频段数据集，其中，每个待辨识频段数据集包含一个或多个幅值区间对应的频率加权数据子集；
依次辨识每个待辨识频段数据集中各模态所处的频段，以获取各模态所处的真实频段；
对各模态所处的真实频段取交集，获取交集内最大奇异值，定位出各模态的峰值点，以得到各模态的频率和振型，作为识别得到的模态参数。
此外，上述的存储器330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。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述方法实施例所述的频段辨识的模态参数自动化识别方法，该方法包括：
分析结构的动力响应信号，得到一阶奇异值曲线；
提取一阶奇异值曲线的波峰段，得到多模态峰值分布曲线；
基于多模态峰值分布曲线的幅值区间，构建多个待辨识频段数据集，其中，每个待辨识频段数据集包含一个或多个幅值区间对应的频率加权数据子集；
依次辨识每个待辨识频段数据集中各模态所处的频段，以获取各模态所处的真实频段；
对各模态所处的真实频段取交集，获取交集内最大奇异值，定位出各模态的峰值点，以得到各模态的频率和振型，作为识别得到的模态参数。
实施例四
本实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例所述的频段辨识的模态参数自动化识别方法，该方法包括：
分析结构的动力响应信号，得到一阶奇异值曲线；
提取一阶奇异值曲线的波峰段，得到多模态峰值分布曲线；
基于多模态峰值分布曲线的幅值区间，构建多个待辨识频段数据集，其中，每个待辨识频段数据集包含一个或多个幅值区间对应的频率加权数据子集；
依次辨识每个待辨识频段数据集中各模态所处的频段，以获取各模态所处的真实频段；
对各模态所处的真实频段取交集，获取交集内最大奇异值，定位出各模态的峰值点，以得到各模态的频率和振型，作为识别得到的模态参数。
本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程方法商品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程方法商品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程方法商品或者方法中还存在另外的相同要素。
以上仅为本发明的实施例而已，并不用于限制本发明。虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (10)
1.一种基于频段辨识的模态参数自动化识别方法，其特征在于，包括：
分析结构的动力响应信号，得到一阶奇异值曲线；
提取所述一阶奇异值曲线的波峰段，得到多模态峰值分布曲线；
基于所述多模态峰值分布曲线的幅值区间，构建多个待辨识频段数据集，其中，每个所述待辨识频段数据集包含一个或多个幅值区间对应的频率加权数据子集，具体包括：
对所述多模态峰值分布曲线的幅值进行划分，形成幅值由小到大的若干个幅值区间；
按幅值由小到大顺序依次对各幅值区间内点的数量进行逐级倍数放大，且只保留点的频率维度，以得到对应于各幅值区间的频率加权数据子集，其中，每个所述频率加权数据子集为所述幅值区间内各点的频率形成的数值序列；
依次辨识每个所述待辨识频段数据集中各模态所处的频段，以获取各模态所处的真实频段，具体包括：
根据对应的各频率点将所述待辨识频段数据集划分为多个子集，以对模态所处的频段进行划分；
基于预设的元素数量阈值，对每个子集中的元素数量进行判断，若所述子集中的元素数量大于或等于预设的元素数量阈值，则所述子集表征为模态所处的真实频段，以作为频段辨识结果；
对所述各模态所处的真实频段取交集，获取交集内最大奇异值，定位出各模态的峰值点，以得到各模态的频率和振型，作为识别得到的模态参数。
2.根据权利要求1所述的基于频段辨识的模态参数自动化识别方法，其特征在于，在对所述各模态所处的真实频段取交集，获取交集内最大奇异值，定位出各模态的峰值点，以得到各模态的频率和振型的步骤之后，还包括：
基于各模态的频率确定模态频率搜索范围；
基于所述模态频率搜索范围提取各峰值点处的波峰段，对提取的波峰段进行逆傅里叶变换估计，得到自相关函数；
根据所述自相关函数，得到各模态的阻尼比。
3.根据权利要求1所述的基于频段辨识的模态参数自动化识别方法，其特征在于，所述分析结构的动力响应信号，得到一阶奇异值曲线的步骤，包括：
获取结构多个测点的响应信号，并计算所述响应信号的功率谱密度矩阵；
在不同频率处对所述功率谱密度矩阵进行奇异值分解，得到各频率处的一阶奇异值；
依次连接所述各频率处的一阶奇异值形成包含有多个不同模态的所述一阶奇异值曲线。
4.根据权利要求1所述的基于频段辨识的模态参数自动化识别方法，其特征在于，所述提取所述一阶奇异值曲线的波峰段，得到多模态峰值分布曲线的步骤，包括：
计算所述一阶奇异值曲线的幅值均值；
从所述一阶奇异值曲线中去除小于幅值均值的点，以提取出所述一阶奇异值曲线的多个波峰段，作为所述多模态峰值分布曲线。
5.根据权利要求1所述的基于频段辨识的模态参数自动化识别方法，其特征在于，所述基于所述多模态峰值分布曲线的幅值区间，构建多个待辨识频段数据集，其中，每个所述待辨识频段数据集包含一个或多个幅值区间对应的频率加权数据子集的步骤，包括；
构建多个待辨识频段数据集，多个所述待辨识频段数据集的数量与所述幅值区间的数量相同；
以包括所有幅值区间对应的频率加权数据子集为第一个待辨识频段数据集，依次删减最低位幅值区间对应的频率加权数据子集，作为下一个待辨识频段数据集，直至最后一个待辨识频段数据集只保留最高位幅值区间对应的频率加权数据子集，或，
以最高位幅值区间对应的频率加权数据子集为第一个待辨识频段数据集，依次增加下一级幅值区间对应的频率加权数据子集，作为下一个待辨识频段数据集，直至最后一个待辨识频段数据集包括所有幅值区间对应的频率加权数据子集。
6.根据权利要求5所述的基于频段辨识的模态参数自动化识别方法，其特征在于，所述按幅值由小到大顺序依次对各幅值区间内点的数量进行逐级倍数放大的步骤，包括：
利用分位数法将幅值划分为N个幅值区间；
按幅值由小到大顺序依次对各幅值区间内点的数量从1倍逐级放大到N倍。
7.根据权利要求1所述的基于频段辨识的模态参数自动化识别方法，其特征在于，所述依次辨识每个所述待辨识频段数据集中各模态所处的频段，以获取各模态所处的真实频段的步骤，包括：
对于每个所述待辨识频段数据集中的频率点进行数值排序，计算待辨识频段数据集中各相邻频率点的差，对各相邻频率点的差值进行排序，得到第一集合并保存排序的索引信息；
计算所述第一集合中各相邻元素的比值，得到第二集合，从所述第二集合中找出比值最大的元素，以确定比值最大元素的位置；
基于所述第二集合中比值最大元素的位置，从所述第一集合中确定处于所述比值最大元素的位置之后的元素；
基于所述第一集合中所确定的每个元素的索引信息，从所述待辨识频段数据集中确定对应的各频率点。
8.一种基于频段辨识的模态参数自动化识别装置，其特征在于，包括：
分析模块，用于分析结构的动力响应信号，得到一阶奇异值曲线；
提取模块，用于提取所述一阶奇异值曲线的波峰段，得到多模态峰值分布曲线；
数据集构建模块，用于基于所述多模态峰值分布曲线的幅值区间，构建多个待辨识频段数据集，其中，每个所述待辨识频段数据集包含一个或多个幅值区间对应的频率加权数据子集；
所述数据集构建模块，具体用于：
对所述多模态峰值分布曲线的幅值进行划分，形成幅值由小到大的若干个幅值区间；
按幅值由小到大顺序依次对各幅值区间内点的数量进行逐级倍数放大，且只保留点的频率维度，以得到对应于各幅值区间的频率加权数据子集，其中，每个所述频率加权数据子集为所述幅值区间内各点的频率形成的数值序列；
频段辨识模块，用于依次辨识每个所述待辨识频段数据集中各模态所处的频段，以获取各模态所处的真实频段；
所述频段辨识模块，具体用于：
根据对应的各频率点将所述待辨识频段数据集划分为多个子集，以对模态所处的频段进行划分；
基于预设的元素数量阈值，对每个子集中的元素数量进行判断，若所述子集中的元素数量大于或等于预设的元素数量阈值，则所述子集表征为模态所处的真实频段，以作为频段辨识结果；
模态参数识别模块，用于对所述各模态所处的真实频段取交集，获取交集内最大奇异值，定位出各模态的峰值点，以得到各模态的频率和振型，作为识别得到的模态参数。
9.一种电子设备，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1-7中任一项所述基于频段辨识的模态参数自动化识别方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于频段辨识的模态参数自动化识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310948735.6A CN116701883B (zh) | 2023-07-31 | 2023-07-31 | 基于频段辨识的模态参数自动化识别方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310948735.6A CN116701883B (zh) | 2023-07-31 | 2023-07-31 | 基于频段辨识的模态参数自动化识别方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116701883A CN116701883A (zh) | 2023-09-05 |
| CN116701883B true CN116701883B (zh) | 2023-10-13 |
Family
ID=87831408
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310948735.6A Active CN116701883B (zh) | 2023-07-31 | 2023-07-31 | 基于频段辨识的模态参数自动化识别方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116701883B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106248201A (zh) * | 2016-07-25 | 2016-12-21 | 南京航空航天大学 | 基于增强谱峭度的谐波成分检测方法 |
| CN109510217A (zh) * | 2018-12-10 | 2019-03-22 | 东北电力大学 | 基于随机数据的电力系统小干扰稳定分析在线识别方法 |
| CN112798253A (zh) * | 2021-01-20 | 2021-05-14 | 南京航空航天大学 | 一种考虑非白环境载荷影响的结构模态参数辨识方法 |
| CN113536223A (zh) * | 2021-06-18 | 2021-10-22 | 中山大学 | 一种基于频域分解法的欠采样下结构模态识别方法及系统 |
| CN114925526A (zh) * | 2022-05-20 | 2022-08-19 | 南京航空航天大学 | 一种结合多工况响应的结构模态参数识别方法 |
| CN115014695A (zh) * | 2022-05-04 | 2022-09-06 | 西北工业大学 | 模态参数的获取方法与装置 |
| CN115290279A (zh) * | 2022-07-26 | 2022-11-04 | 汉航(北京)科技有限公司 | 基于复合频域分解的运行模态分析方法 |
| CN116028790A (zh) * | 2022-08-24 | 2023-04-28 | 中国人民解放军91388部队 | 一种船舶机械振动特征线谱快速识别筛选方法 |
| WO2023087890A1 (zh) * | 2021-11-19 | 2023-05-25 | 中车南京浦镇车辆有限公司 | 一种基于动应力、振动和oma综合分析判断构架模态共振方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9279897B2 (en) * | 2005-12-12 | 2016-03-08 | Hannes Zuercher | Locating oil or gas passively by observing a porous oil and gas saturated system giving off its characteristic resonance response to ambient background noise, including optional differentiation of oil, locatinggas and water |
| US11170070B2 (en) * | 2018-03-06 | 2021-11-09 | Dalian University Of Technology | Sparse component analysis method for structural modal identification when the number of sensors is incomplete |
-
2023
- 2023-07-31 CN CN202310948735.6A patent/CN116701883B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106248201A (zh) * | 2016-07-25 | 2016-12-21 | 南京航空航天大学 | 基于增强谱峭度的谐波成分检测方法 |
| CN109510217A (zh) * | 2018-12-10 | 2019-03-22 | 东北电力大学 | 基于随机数据的电力系统小干扰稳定分析在线识别方法 |
| CN112798253A (zh) * | 2021-01-20 | 2021-05-14 | 南京航空航天大学 | 一种考虑非白环境载荷影响的结构模态参数辨识方法 |
| CN113536223A (zh) * | 2021-06-18 | 2021-10-22 | 中山大学 | 一种基于频域分解法的欠采样下结构模态识别方法及系统 |
| WO2023087890A1 (zh) * | 2021-11-19 | 2023-05-25 | 中车南京浦镇车辆有限公司 | 一种基于动应力、振动和oma综合分析判断构架模态共振方法 |
| CN115014695A (zh) * | 2022-05-04 | 2022-09-06 | 西北工业大学 | 模态参数的获取方法与装置 |
| CN114925526A (zh) * | 2022-05-20 | 2022-08-19 | 南京航空航天大学 | 一种结合多工况响应的结构模态参数识别方法 |
| CN115290279A (zh) * | 2022-07-26 | 2022-11-04 | 汉航(北京)科技有限公司 | 基于复合频域分解的运行模态分析方法 |
| CN116028790A (zh) * | 2022-08-24 | 2023-04-28 | 中国人民解放军91388部队 | 一种船舶机械振动特征线谱快速识别筛选方法 |
Non-Patent Citations (2)
| Title |
|---|
| "Research on polarization mode dispersion measurement system based on singular value decomposition denoising";Yalei Chu 等;2018 Asia Communications and Photonics Conference (ACP);全文 * |
| "环境激励下结构模态参数自动识别与算法优化";章国稳;《中国博士学位论文全文数据库 (信息科技辑)》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116701883A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019085426A1 (zh) | 一种锂电池自动分选的方法、存储介质及电池分选装置 | |
| CN109765055B (zh) | 基于ewt、谱有效值和knn的滚动轴承故障检测方法及系统 | |
| CN112426160A (zh) | 一种心电信号类型识别方法及装置 | |
| CN108303255A (zh) | 低速重载设备滚动轴承故障诊断方法、设备及介质 | |
| CN110797031A (zh) | 语音变音检测方法、系统、移动终端及存储介质 | |
| CN117116290A (zh) | 基于多维特征的数控机床部件缺陷定位方法和相关设备 | |
| CN114755010A (zh) | 一种旋转机械振动故障诊断方法及其系统 | |
| CN116701883B (zh) | 基于频段辨识的模态参数自动化识别方法、装置及设备 | |
| CN112446389A (zh) | 一种故障判别方法及装置 | |
| CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
| CN109009079A (zh) | 用户状态检测系统和方法、计算机设备、计算机存储介质 | |
| CN115310490B (zh) | 基于多域特征与敏感特征选择的旋转设备故障分析方法 | |
| CN116796130A (zh) | 桥梁振动低频重构去噪方法、系统、计算机及存储介质 | |
| CN112237433B (zh) | 一种脑电信号异常监测系统及方法 | |
| CN116089848A (zh) | 一种基于核模糊c均值聚类的输油泵故障诊断自学习方法 | |
| CN100375076C (zh) | 特征识别方法及特征识别系统 | |
| CN112116917B (zh) | 基于相位跃变度的电抗器本体与风机声信号分离方法 | |
| CN114186593A (zh) | 噪声条件下轴承故障识别方法、装置、设备和存储介质 | |
| CN107665185A (zh) | 一种基于短信业务的客户行为分析方法及相关装置 | |
| CN113946717A (zh) | 一种子图指标特征获得方法、装置、设备及存储介质 | |
| Wang et al. | On the motor fault diagnosis based on wavelet transform and ann | |
| CN112908344A (zh) | 一种鸟鸣声智能识别方法、装置、设备和介质 | |
| CN112926724A (zh) | 注塑成型产品良率的评分方法、装置及电子设备 | |
| CN111583990A (zh) | 一种结合稀疏回归和淘汰规则的基因调控网络推断方法 | |
| CN111222567A (zh) | 氮化物密度的相似性分析方法和设备 |
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 |