CN116881712A - 一种混凝土大坝活动裂纹电磁脉冲信号识别方法 - Google Patents
一种混凝土大坝活动裂纹电磁脉冲信号识别方法 Download PDFInfo
- Publication number
- CN116881712A CN116881712A CN202310784365.7A CN202310784365A CN116881712A CN 116881712 A CN116881712 A CN 116881712A CN 202310784365 A CN202310784365 A CN 202310784365A CN 116881712 A CN116881712 A CN 116881712A
- Authority
- CN
- China
- Prior art keywords
- concrete dam
- movable
- electromagnetic
- cracks
- signal
- 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 40
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 238000012706 support-vector machine Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011378 penetrating method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Electrochemistry (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- On-Site Construction Work That Accompanies The Preparation And Application Of Concrete (AREA)
Abstract
本发明提供了一种混凝土大坝活动裂纹电磁脉冲信号识别方法,包括以下步骤:获取混凝土大坝周围环境的实测电磁信号;对实测电磁信号进行经验模态分解;利用经验模态分解所得的各本征模态函数分量构建各分量的汉克尔矩阵;对各分量的汉克尔矩阵进行奇异值分解,并选取各分量的汉克尔矩阵的奇异值峭度、偏度、方差作为特征量;基于已有混凝土大坝活动裂纹和周围干扰噪声作为样本训练支持向量机分类器;将获取的混凝土大坝实测电磁信号特征量输入支持向量机分类器,获得识别结果。本发明提供的混凝土大坝活动裂纹电磁脉冲信号识别方法,实现了对于信号特征的有效提取和在小样本条件下对于混凝土大坝活动裂纹电磁脉冲信号的有效识别。
Description
技术领域
本发明涉及信号识别技术领域,特别是涉及一种混凝土大坝活动裂纹电磁脉冲信号识别方法。
背景技术
混凝土大坝在使用过程中会产生裂纹。混凝土大坝产生裂纹后,为分析裂纹的类型、成因,并评估裂纹对大坝安全性的影响,需对裂纹进行详细检查和检测。目前混凝土大坝裂纹检测方法主要有对穿声波法、钻孔取芯法、对穿声波法等。现有检测技术存在检测装置较为复杂、需要在混凝土大坝上钻孔、无法检测活动裂纹等缺陷。
混凝土活动裂纹产生过程中会释放电磁脉冲信号,对于该电磁脉冲信号进行识别即可实现对于混凝土活动裂纹的检测。现有的识别方法存在诸多问题,例如快速傅里叶变换无法分析时域变化,小波变换需要选取小波基,系数难以确定。本方法能够实现对于信号特征的有效提取和在小样本条件下对于混凝土大坝活动裂纹电磁脉冲信号的有效识别。
发明内容
本发明的目的在于提供一种混凝土大坝活动裂纹电磁脉冲信号识别方法和系统,以期解决背景技术中存在的技术问题。本申请的技术方案用于实现对于信号特征的有效提取和在小样本条件下对于混凝土大坝活动裂纹电磁脉冲信号的有效识别。
为了实现上述目的,本发明采用以下技术方案:
一种混凝土大坝活动裂纹电磁脉冲信号识别方法,包括以下步骤:
获取混凝土大坝周围环境的实测电磁信号;
对所述实测电磁信号进行经验模态分解;
利用经验模态分解所得的各本征模态函数分量构建各分量的汉克尔矩阵;
对所述各分量的汉克尔矩阵进行奇异值分解,并选取各分量的汉克尔矩阵的奇异值峭度、偏度、方差作为特征量;
基于已有混凝土大坝活动裂纹和周围干扰噪声作为样本训练支持向量机分类器;
将所述获取的混凝土大坝实测电磁信号特征量输入支持向量机分类器,获得识别结果。
在一些实施例中,所述获取混凝土大坝周围环境的实测电磁信号包括:通过摆放在混凝土大坝上的电磁信号测量仪器实时采集和记录周围环境的电磁信号。
在一些实施例中,所述经验模态分解,包括以下步骤:
(1)x(t)为混凝土大坝周围环境的实测电磁信号,取r(t)=x(t),i=0,k=1;设置求解终止的阈值条件为标准差SD<δ,取δ=0.2;
(2)获取r(t)的极大值点和极小值点;分别拟合r(t)的极大值点和极小值点,得到r(t)信号的上、下包络线emax(t)和emin(t);计算r(t)信号的平均包络线
(3)令i=i+1;计算待鉴定分量pi(t)=r(t)-m(t);
(4)计算若SD<δ且i>1,则本征模态函数分量IMFk(t)=pi(t),进入步骤(5);否则令r(t)=pi(t),循环执行步骤(2)至步骤(4);
(5)计算r(t)=r(t)-IMFk(t);判断r(t)是否单调,若其不单调,回到步骤(2)且执行k=k+1,直至r(t)为单调函数;当r(t)为单调函数时k=m;
(6)最终得到分解完成的信号为:
在一些实施例中,所述利用经验模态分解所得各本征模态函数分量构建汉克尔矩阵,具体方法如下:
将经验模态分解得到的本征模态函数分量进行离散化处理,设第k个本征模态函数分量离散化处理后为IMFk(i),i=1,2,…,N,N为信号长度,利用此信号可以构造如下矩阵:
式中,1<n<N;令m=N-n+1,则Hk∈Rm×n,此矩阵称为汉克尔矩阵。
在一些实施例中,所述峭度计算方法如下:
设第k个本征模态函数分量所得汉克尔矩阵奇异值分解所得奇异值为σ1,σ2,…,σr,则峭度计算公式为:
在一些实施例中,所述偏度计算方法如下:
设第k个本征模态函数分量所得汉克尔矩阵奇异值分解所得奇异值为σ1,σ2,…,σr,则偏度计算公式为:
在一些实施例中,所述方差计算方法如下:
设第k个本征模态函数分量所得汉克尔矩阵奇异值分解所得奇异值为σ1,σ2,…,σr,设则方差计算公式为:
在一些实施例中,所述使用已有混凝土大坝活动裂纹和周围干扰噪声作为样本训练支持向量机分类器具体包括:
(1)支持向量机目标函数表达式为:
约束条件为:
其中ω为超平面法向量,ωT为超平面法向量的转置向量,C为惩罚参数,εi为松弛因子,yi为输出量,xi为输入量,b为超平面的常数项;
(2)选用高斯径向基核函数:
其中xi,xj为输入量,σ为核函数参数;
(3)选取混凝土大坝活动裂纹、周围电力通信干扰、系统扰动和微震电磁干扰噪声因素产生的电磁脉冲信号作为样本数据对支持向量机进行训练。
本申请具有的有益效果包括但不限于:
本发明提供的混凝土大坝活动裂纹电磁脉冲信号识别方法,通过对于经验模态分解和支持向量机分类器的综合应用,实现了对于信号特征的有效提取和在小样本条件下对于混凝土大坝活动裂纹电磁脉冲信号的有效识别。
附图说明
图1是根据本发明实施例的一种混凝土大坝活动裂纹电磁脉冲信号识别方法的流程图;
图2是本发明实施例中部分混凝土大坝活动裂纹电磁脉冲信号;
图3是本发明实施例中部分混凝土大坝周围干扰噪声;
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
相反,本申请涵盖任何由权利要求定义的在本申请的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本申请有更好的了解,在下文对本申请的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本申请。
以下将结合附图1-3对本申请实施例所涉及的一种混凝土大坝活动裂纹电磁脉冲信号识别方法进行详细说明。值得注意的是,以下实施例仅仅用于解释本申请,并不构成对本申请的限定。
本发明提供一种混凝土大坝活动裂纹电磁脉冲信号识别方法和系统,用于对大规模知识图谱进行分析,通过多个自监督任务,在不借助外部知识的情况下,对知识图谱的构成要素进行错误探测,找出潜在的问题和冲突,优化知识图谱,保证其准确性。
参见图1,一种混凝土大坝活动裂纹电磁脉冲信号识别方法,该方法包括但不限于以下步骤:
S1:获取混凝土大坝实测电磁信号;
S2:对混凝土大坝实测电磁信号进行经验模态分解;
S3:对经验模态分解所得各分量构建汉克尔矩阵;
S4:对各分量汉克尔矩阵进行奇异值分解,并获取特征量;
S5:使用已有的混凝土大坝活动裂纹电磁脉冲信号作为样本数据对支持向量机进行训练;
S6:将混凝土大坝实测电磁信号特征量输入支持向量机分类器得到识别结果。
在本发明的一些实施例中,混凝土大坝实测电磁信号为通过摆放在混凝土大坝上的电磁信号测量仪器实时采集和记录周围环境的电磁信号得到大坝实测电磁信号。
接着对所述混凝土大坝周围环境的实测电磁信号进行经验模态分解,在本发明的一些实施例中,经验模态分解,主要流程为:
(1)x(t)为混凝土大坝周围环境的实测电磁信号,取r(t)=x(t),i=0,k=1;设置求解终止的阈值条件为标准差SD<δ,取δ=0.2;
(2)获取r(t)的极大值点和极小值点;分别拟合r(t)的极大值点和极小值点,得到r(t)信号的上、下包络线emax(t)和emin(t);计算r(t)信号的平均包络线
(3)令i=i+1;计算待鉴定分量pi(t)=r(t)-m(t);
(4)计算若SD<δ且i>1,则本征模态函数分量IMFk(t)=pi(t),进入步骤(5);否则令r(t)=pi(t),循环执行步骤(2)至步骤(4);
(5)计算r(t)=r(t)-IMFk(t);判断r(t)是否单调,若其不单调,回到步骤(2)且执行k=k+1,直至r(t)为单调函数;当r(t)为单调函数时k=m;
(6)最终得到分解完成的信号为:
在本发明的一些实施例中,对经验模态分解所得各本征模态函数分量构建汉克尔矩阵,具体方法如下为:将经验模态分解得到的本征模态函数分量进行离散化处理,设第k个本征模态函数分量离散化处理后为IMFk(i),i=1,2,…,N,N为信号长度,利用此信号可以构造如下矩阵:
式中,1<n<N。令m=N-n+1,则Hk∈Rm×n,此矩阵称为汉克尔矩阵。在本发明的一些实施例中,峭度计算方法为:设第k个本征模态函数分量所得汉克尔矩阵奇异值分解都所得奇异值为σ1,σ2,…,σr,则峭度计算公式为:
在本发明的一些实施例中,偏度计算方法为:设第k个本征模态函数分量所得汉克尔矩阵奇异值分解都所得奇异值为σ1,σ2,…,σr,则偏度计算公式为:
在本发明的一些实施例中,方差计算方法为:设第k个本征模态函数分量所得汉克尔矩阵奇异值分解都所得奇异值为σ1,σ2,…,σr,设则方差计算公式为:
在本发明的一些实施例中,使用已用混凝土活动裂纹电磁脉冲信号作为样本训练支持向量机分类器具体过程为:
(1)支持向量机目标函数表达式为:
约束条件为:
其中ω为超平面法向量,ωT为超平面法向量的转置向量,C为惩罚参数,εi为松弛因子,yi为输出量,xi为输入量,即步骤S4中的各分量的汉克尔矩阵的奇异值峭度、偏度、方差,b为超平面的常数项;
(2)选用高斯径向基核函数:
其中xi,xj为输入量,σ为核函数参数;
(3)选取混凝土大坝活动裂纹、周围电力通信干扰、系统扰动和微震电磁干扰噪声等因素产生的电磁脉冲信号作为样本数据对支持向量机进行训练。
基于上述方法从已知数据中随机选取混凝土大坝活动裂纹电磁脉冲信号200组进行进一步试验,其中的一部分如图2所示;
从已知数据中随机选取常见干扰信号混凝土大坝微震电磁信号200组,其中的一部分如图3所示;
随机选取100组混凝土大坝活动裂纹电磁脉冲信号作为训练样本数据,另外100组混凝土大坝活动裂纹电磁脉冲信号作为测试样本数据;随机选取100组混凝土大坝微震电磁信号作为训练样本数据,另外100组混凝土大坝微震电磁信号作为测试样本数据;对混凝土大坝活动裂纹电磁脉冲信号训练样本数据和混凝土大坝微震电磁信号训练样本数据进行经验模态分解;对混凝土大坝活动裂纹电磁脉冲信号训练样本数据和混凝土大坝微震电磁信号训练样本数据经验模态分解后得到的本征模态函数分量构建汉克尔矩阵;对上述各分量汉克尔矩阵进行奇异值分解,并选取各分量汉克尔矩阵的奇异值峭度、偏度、方差作为特征量;构建支持向量机分类器,进行支持向量机分类器参数选择,选取惩罚参数C=2,核函数参数σ=1;将混凝土大坝活动裂纹电磁脉冲信号训练样本数据和混凝土大坝微震电磁信号训练样本数据处理后所得特征量输入支持向量机分类器进行训练;使用混凝土大坝活动裂纹电磁脉冲信号测试样本数据和混凝土大坝微震电磁信号测试样本数据进行测试。
选取现有信号处理方法中的经验小波变换-支持向量机方法与本发明所提出的方法进行对比。现有信号处理方法如下:对混凝土大坝活动裂纹电磁脉冲信号训练样本数据和混凝土大坝微震电磁信号训练样本数据进行经验小波变换,得到训练样本数据的本征模态函数。对本征模态函数不进行本专利所述方法的处理,利用支持向量机分类器对本征模态函数进行训练;同样使用混凝土大坝活动裂纹电磁脉冲信号测试样本数据和混凝土大坝微震电磁信号测试样本数据进行测试。
两种方法的识别效果如表1所示,可以发现,本发明所提供的方法相比原有识别方法,准确率和召回率均有明显提升。综合分析可知,本发明所提出的方法具有更好的识别效果。
表1对于混凝土大坝活动裂纹信号电磁脉冲信号和混凝土大坝微震信号的识别效果
根据本发明实施例的混凝土大坝活动裂纹电磁脉冲信号识别方法,取混凝土大坝实测电磁信号;对混凝土大坝实测电磁信号进行经验模态分解;对经验模态分解所得各分量构建汉克尔矩阵;对各分量汉克尔矩阵进行奇异值分解,并获取特征量;使用已有的混凝土大坝活动裂纹电磁脉冲信号作为样本数据对支持向量机进行训练;将混凝土大坝实测电磁信号特征量输入支持向量机分类器得到识别结果。本发明提供的混凝土大坝活动裂纹电磁脉冲信号识别方法,通过对于经验模态分解和支持向量机分类器的综合应用,实现了对于信号特征的有效提取和在小样本条件下对于混凝土大坝活动裂纹电磁脉冲信号的有效识别。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种混凝土大坝活动裂纹电磁脉冲信号识别方法,其特征在于,包括以下步骤:
获取混凝土大坝周围环境的实测电磁信号;
对所述实测电磁信号进行经验模态分解;
利用经验模态分解所得的各本征模态函数分量构建各分量的汉克尔矩阵;
对所述各分量的汉克尔矩阵进行奇异值分解,并选取各分量的汉克尔矩阵的奇异值峭度、偏度、方差作为特征量;
基于已有混凝土大坝活动裂纹和周围干扰噪声作为样本训练支持向量机分类器;
将所述获取的混凝土大坝实测电磁信号特征量输入支持向量机分类器,获得识别结果。
2.根据权利要求1所述的一种混凝土大坝活动裂纹电磁脉冲信号识别方法,其特征在于,所述获取混凝土大坝周围环境的实测电磁信号包括:通过摆放在混凝土大坝上的电磁信号测量仪器实时采集和记录周围环境的电磁信号。
3.根据权利要求1所述的一种混凝土大坝活动裂纹电磁脉冲信号识别方法,其特征在于,所述经验模态分解,包括以下步骤:
(1)x(t)为混凝土大坝周围环境的实测电磁信号,取r(t)=x(t),i=0,k=1;设置求解终止的阈值条件为标准差SD<δ,取δ=0.2;
(2)获取r(t)的极大值点和极小值点;分别拟合r(t)的极大值点和极小值点,得到r(t)信号的上、下包络线emax(t)和emin(t);计算r(t)信号的平均包络线
(3)令i=i+1;计算待鉴定分量pi(t)=r(t)-m(t);
(4)计算若SD<δ且i>1,则本征模态函数分量IMFk(t)=pi(t),进入步骤(5);否则令r(t)=pi(t),循环执行步骤(2)至步骤(4);
(5)计算r(t)=r(t)-IMFk(t);判断r(t)是否单调,若其不单调,回到步骤(2)且执行k=k+1,直至r(t)为单调函数;当r(t)为单调函数时k=m;
(6)最终得到分解完成的信号为:
4.根据权利要求1所述的一种混凝土大坝活动裂纹电磁脉冲信号识别方法,其特征在于,所述利用经验模态分解所得各本征模态函数分量构建汉克尔矩阵,具体方法如下:
将经验模态分解得到的本征模态函数分量进行离散化处理,设第k个本征模态函数分量离散化处理后为IMFk(i),i=1,2,…,N,N为信号长度,利用此信号可以构造如下矩阵:
式中,1<n<N;令m=N-n+1,则Hk∈Rm×n,此矩阵称为汉克尔矩阵。
5.根据权利要求1所述的一种混凝土大坝活动裂纹电磁脉冲信号识别方法,其特征在于,所述峭度计算方法如下:
设第k个本征模态函数分量所得汉克尔矩阵奇异值分解所得奇异值为σ1,σ2,…,σr,则峭度计算公式为:
6.根据权利要求1所述的一种混凝土大坝活动裂纹电磁脉冲信号识别方法,其特征在于,所述偏度计算方法如下:
设第k个本征模态函数分量所得汉克尔矩阵奇异值分解所得奇异值为σ1,σ2,…,σr,则偏度计算公式为:
7.根据权利要求1所述的一种混凝土大坝活动裂纹电磁脉冲信号识别方法,其特征在于,所述方差计算方法如下:
设第k个本征模态函数分量所得汉克尔矩阵奇异值分解所得奇异值为σ1,σ2,…,σr,设则方差计算公式为:
8.根据权利要求1所述的一种混凝土大坝活动裂纹电磁脉冲信号识别方法,其特征在于,其特征在于,所述使用已有混凝土大坝活动裂纹和周围干扰噪声作为样本训练支持向量机分类器具体包括:
(1)支持向量机目标函数表达式为:
约束条件为:
其中ω为超平面法向量,ωT为超平面法向量的转置向量,C为惩罚参数,εi为松弛因子,yi为输出量,xi为输入量,b为超平面的常数项;
(2)选用高斯径向基核函数:
其中xi,xj为输入量,σ为核函数参数;
(3)选取混凝土大坝活动裂纹、周围电力通信干扰、系统扰动和微震电磁干扰噪声因素产生的电磁脉冲信号作为样本数据对支持向量机进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310784365.7A CN116881712A (zh) | 2023-06-29 | 2023-06-29 | 一种混凝土大坝活动裂纹电磁脉冲信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310784365.7A CN116881712A (zh) | 2023-06-29 | 2023-06-29 | 一种混凝土大坝活动裂纹电磁脉冲信号识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116881712A true CN116881712A (zh) | 2023-10-13 |
Family
ID=88263470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310784365.7A Pending CN116881712A (zh) | 2023-06-29 | 2023-06-29 | 一种混凝土大坝活动裂纹电磁脉冲信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116881712A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117250004A (zh) * | 2023-11-13 | 2023-12-19 | 山东省宇捷轴承制造有限公司 | 一种基于数字信号处理的轴承故障诊断方法及系统 |
-
2023
- 2023-06-29 CN CN202310784365.7A patent/CN116881712A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117250004A (zh) * | 2023-11-13 | 2023-12-19 | 山东省宇捷轴承制造有限公司 | 一种基于数字信号处理的轴承故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101174A (zh) | 一种基于LOF-Kurtogram的机械故障诊断方法 | |
CN116881712A (zh) | 一种混凝土大坝活动裂纹电磁脉冲信号识别方法 | |
CN107144643A (zh) | 一种Lamb波监测信号统计参数的损伤识别方法 | |
CN112364296B (zh) | 一种基于深度学习的p波到时自动拾取方法 | |
CN113472390B (zh) | 一种基于深度学习的跳频信号参数估计方法 | |
CN111168569B (zh) | 一种磨削材料去除量预测方法、装置、设备及存储介质 | |
CN112990082A (zh) | 一种水声脉冲信号的检测识别方法 | |
CN115420806A (zh) | 一种基于神经网络及图像融合的无损超声检测方法 | |
CN117347501A (zh) | 建筑材料性能检测系统及方法 | |
CN117419915A (zh) | 一种多源信息融合的电机故障诊断方法 | |
CN109409216B (zh) | 基于子载波动态选择的速度自适应室内人体检测方法 | |
CN114487129A (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
CN112131781B (zh) | 基于全连接神经网络与传递率函数的钢结构损伤检测方法 | |
CN111191502B (zh) | 基于钻柱振动信号的粘滑和跳钻异常工况识别方法 | |
CN117191956A (zh) | 一种基于声发射的钛合金应力腐蚀损伤分类方法及装置 | |
CN116400200B (zh) | 车规级安全芯片的电磁侧信道信息的交叉验证方法 | |
CN112033656A (zh) | 一种基于宽带谱处理的机械系统故障检测方法 | |
CN115452957B (zh) | 基于注意力原型网络的小样本金属损伤识别方法 | |
CN112070761B (zh) | 一种基于深度学习的明虾新鲜度无损检测方法 | |
CN114462127A (zh) | 基于深度极限学习机的结构损伤识别方法及系统 | |
Kats et al. | Features extraction from non-destructive testing data in cyber-physical monitoring system of construction facilities | |
Bilski et al. | Acoustic Data Analysis for the Assessment of Wood Boring Insects' Activity | |
CN115508453B (zh) | 一种考虑应变时效影响的高强度钢无损检测方法及系统 | |
CN113052018B (zh) | 一种钣金拉伸过程声发射信号识别方法 | |
Yang et al. | Research on Voiceprint recognition method of buried drainage pipe based on MFCC and GMM-HMM |
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 |