CN109946389B - 基于总体经验模态分解与卷积神经网络的结构损伤识别法 - Google Patents
基于总体经验模态分解与卷积神经网络的结构损伤识别法 Download PDFInfo
- Publication number
- CN109946389B CN109946389B CN201910099951.1A CN201910099951A CN109946389B CN 109946389 B CN109946389 B CN 109946389B CN 201910099951 A CN201910099951 A CN 201910099951A CN 109946389 B CN109946389 B CN 109946389B
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- training
- convolutional neural
- processing
- 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
- 230000006378 damage Effects 0.000 title claims abstract description 47
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 36
- 238000011176 pooling Methods 0.000 claims description 26
- 238000010586 diagram Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 25
- 238000010606 normalization Methods 0.000 claims description 23
- 230000004044 response Effects 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 230000036541 health Effects 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
- Image Analysis (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Saccharide Compounds (AREA)
Abstract
本发明提出一种基于总体经验模态分解与卷积神经网络的结构损伤识别法，属于结构健康监测技术领域，该方法选取结构的加速度响应信号作为分析对象，并采用总体经验模态分解技术对加速度响应信号进行分解得到一系列固有模态函数IMF，选择含有结构自振频率的固有模态函数IMF进行重构，再采用一维卷积神经网络对重构信号进行特征提取和损伤分类，从而获得结构损伤位置的识别结果。该方法既减少了噪声对结构损伤位置识别结果的影响，提高了识别准确率，又提高了识别效率，在实时结构健康监测中具有显著的优势。
Description
技术领域
本发明属于结构健康监测技术领域，尤其涉及一种基于总体经验模态分解与卷积神经网络的结构损伤识别法。
背景技术
由于大型工程结构与人们的生活息息相关，其结构中存在的潜在破坏和损伤，都可能会对人们的生产和生活造成重大损失，因而，大型工程结构的结构健康监测具有重要意义。近二十多年来，国内外学者提出了大量的结构损伤识别方法，这些方法大致可分为基于模型的方法和数据驱动的方法，其中，数据驱动的方法直接利用传感器实测的响应数据进行结构损伤识别，不需要结构的有限元模型，受到了国内外众多学者的青睐，得到了快速发展。
在数据驱动的方法中，机器学习技术引起了越来越多的关注，方法包括贝叶斯网络、模糊逻辑、支持向量机(Support vector machine，SVM)和人工神经网络(Artificialneural network，ANN)等。其中，ANN已经在结构损伤识别领域中应用了多年，损伤特征通常被用作它们的输入，作为一种自适应的模式识别技术，其并不需要预先给出判别函数，通过自身的学习机制能自动形成所要求的决策区域，并能够充分利用样本信息。但是，ANN需要人工提取特征参数，容易导致特征的代表性差、准确率低、计算费时、无法进行实时监测等问题。由于卷积神经网络(Convolution neural network,CNN)无需人工提取特征，已有相关文献报道将其用于结构损伤识别中，其可以直接利用加速度响应数据作为输入向量，将特征提取和损伤分类作为一个整体对结构进行实时损伤识别和定位。然而，目前的识别方法通常是直接利用原始振动响应信号作为网络输入向量，由于向量维数较大，计算效率较低，而且，实测振动响应信号中往往含有噪声及与结构损伤无关的信息，损伤识别的准确率并不高。
进一步的，目前现有的结构损伤识别方法通常基于希尔伯特黄变换(Hilbert-Huang Transform，HHT)，HHT是一种新的具有自适应能力的时频分析方法，由经验模态分解和Hilbert变换两部分组成，不需要特定函数形式对数据进行分解，克服了传统时频分析方法中用无意义的谐波分量来表示非平稳、非线性信号的缺陷。但作为HHT核心部分的经验模态分解依然会存在模态混叠和端点效应等问题，其中模态混叠现象尤为突出。
因而，如何提高结构损伤识别的效率和准确率，是当前急需解决的一个技术问题。
发明内容
本发明针对上述的技术问题，提出一种基于总体经验模态分解与卷积神经网络的结构损伤识别法，其选取结构的加速度响应信号作为分析对象，并采用总体经验模态分解技术对加速度响应信号进行分解和重构，同时采用一维卷积神经网络(One-dimensionalconvolution neural network,1D CNN)对重构信号进行特征提取和损伤分类，从而获得结构损伤位置的识别结果，既减少了噪声对结构损伤位置识别结果的影响，提高了识别准确率，又提高了识别效率。
为了达到上述目的，本发明采用的技术方案为：
基于总体经验模态分解与卷积神经网络的结构损伤识别法，包括以下步骤：
步骤1：测得结构加速度响应信号x(t)；
步骤2：利用总体经验模态分解技术对加速度响应x(t)进行分解，得到一系列固有模态函数IMF；
步骤3：对步骤2得到的固有模态函数IMF进行傅里叶变换得到其频谱特性，选择含有结构自振频率的固有模态函数IMF进行重构，得到重构信号z(t)；
步骤4：对步骤3得到的重构信号z(t)进行标准化处理，得到标准化重构信号Z(t)，将标准化重构信号Z(t)分为多段长度一定的子信号，选取子信号中的部分信号作为训练样本，剩余部分信号作为测试样本；
步骤5：将步骤4得到的训练样本输入一维卷积神经网络模型中进行训练，训练过程中采用交叉熵损失函数作为损失函数，采用Adam优化算法作为优化算法；
步骤6：将步骤4得到的测试样本输入到步骤5训练好的一维卷积神经网络模型中，得到损伤位置的识别结果。
作为优选，所述步骤4中，采用标准化处理公式对所述重构信号z(t)进行标准化处理，所述标准化处理公式的表达式为：
式中，Z(t)为标准化重构信号；z(t)为重构信号；μ为重构信号的平均值；σ为重构信号的方差。
作为优选，所述步骤5中，所述一维卷积神经网络模型包括依次连接的输入层、第一卷积层、第一批量归一化层、第一池化层、第二卷积层、第二批量归一化层、第二池化层、第一全连接层、第二全连接层和输出层；其中，所述第一卷积层和第二卷积层均含有16个大小为10×1的卷积核，所述第一池化层和第二池化层的池化窗口大小均为2×1。
作为优选，所述步骤5中，所述一维卷积神经网络模型的训练包括交替进行的前向传播训练和反向传播训练，直至网络收敛或所述前向传播训练的输出结果与设定的输出结果之间的误差值达到指定的迭代终止条件；所述前向传播训练步骤包括：将步骤4得到的训练样本从所述输入层中输入，所述第一卷积层对输入的训练样本进行处理得到初次处理特征图，所述初次处理特征图传送至所述第一批量归一化层进行归一化处理，归一化处理后传送至所述第一池化层进行池化处理，得到初次采样特征图；所述初次采样特征图传送至所述第二卷积层进行处理，得到二次处理特征图，所述二次处理特征图传送至所述第二批量归一化层进行归一化处理，归一化处理后传送至所述第二池化层进行池化处理，得到二次采样特征图；所述二次采样特征图依次传送至所述第一全连接层和第二全连接层进行处理，处理后传送至所述输出层，所述输出层对处理后的二次采样特征图进行分类并输出损伤位置的分类向量；所述反向传播训练步骤包括：将所述前向传播训练的输出结果与设定的输出结果的误差值按照所述前向传播训练的反向回传，得到每层的误差值，利用Adam优化算法调整所述一维卷积神经网络模型的网络参数。
与现有技术相比，本发明的优点和积极效果在于：
本发明提供的基于总体经验模态分解与卷积神经网络的结构损伤识别法，选取结构的加速度响应信号作为分析对象，并采用总体经验模态分解技术对加速度响应信号进行分解和重构，在重构时仅提取与结构损伤有关的信息，能够减小与结构损伤无关的噪声的影响，提高了损伤识别的准确率；同时，采用一维卷积神经网络对重构信号进行特征提取和损伤分类，损伤识别的效率较高。因而，本发明提供的基于总体经验模态分解与卷积神经网络的结构损伤识别法，在实时结构健康监测中具有显著的优势。
附图说明
图1为本发明实施例所提供的基于总体经验模态分解与卷积神经网络的结构损伤识别法的流程框图；
图2为本发明实施例所提供的一维卷积神经网络的结构示意图；
上图中，1、输入层；2、第一卷积层；3、第一批量归一化层；4、第一池化层；5、第二卷积层；6、第二批量归一化层；7、第二池化层；8、第一全连接层；9、第二全连接层；10、输出层。
具体实施方式
下面将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。
如图1所示，本发明实施例提供了一种基于总体经验模态分解与卷积神经网络的结构损伤识别法，包括以下步骤：
步骤1：测得结构加速度响应信号x(t)。
步骤2：利用总体经验模态分解技术对加速度响应x(t)进行分解，得到一系列固有模态函数IMF。本步骤中需要说明的是，所述的总体经验模态分解技术为现有技术，参见《基于MEEMD的内燃机辐射噪声贡献》(郑旭等，浙江大学学报(工学版)，第46卷第5期，第954页-第960页)。利用总体经验模态分解技术对加速度响应x(t)进行分解的具体步骤如下：
(1)对加速度响应x(t)添加一组相同长度的白噪声信号ω(t)，得到：
y(t)＝x(t)+ω(t) (1)
(2)对步骤(1)添加白噪声后的信号y(t)进行分解，具体步骤如下：
①确定信号y(t)所有的局部极值点，用三次样条线将所有的局部极大值点连接起来形成上包络线，将所有的局部极小值点连接起来形成下包络线。
②将上包络线和下包络线的平均值记为m1(t)，则求出：
h1(t)＝y(t)-m1(t) (2)。
③若步骤②求得的h1(t)满足固有模态函数IMF的条件，则h1(t)为y(t)的第一个IMF分量c1(t)；若h1(t)不满足固有模态函数IMF的条件，则用h1(t)代替y(t)重复步骤①-③，则有：
h1k(t)＝h1(k-1)-m1k(t) (3)
式(3)中，k为步骤①-③的重复次数，m1k(t)为第k次重复步骤①-②时获得的上包络线和下包络线的平均值；
当h1k(t)满足固有模态函数IMF时停止重复，记y(t)的第一个IMF分量c1(t)＝h1k(t)。需要说明的是，固有模态函数IMF需满足两条件：一是极值点数量和过零点数量在整个数据范围内相等或相差一个，二是所有的极大值点和极小值点在任意点处形成的包络线平均值等于零。
④利用公式(4)从y(t)中分离出第一个IMF分量c1(t)，得第一个残余量r1(t)，公式(4)的表达式如下：
r1(t)＝y(t)-c1(t) (4)
用第一个残余量r1(t)代替y(t)重复步骤①-③，得到y(t)的第二个IMF分量，记为c2(t)。
⑤重复步骤①-④，得到y(t)的n个IMF分量，则有：
rn(t)＝rn-1(t)-cn(t) (5)
式(5)中，rn(t)为第n个残余量，rn-1(t)为第n-1个残余量，cn(t)为y(t)的第n个IMF分量；
当第n个残余量rn(t)成为一个单调函数，不能再从其中提取满足条件的IMF分量时，循环结束。
(3)重复步骤(1)和步骤(2)，共对x(t)添加M次白噪声信号ω(t)，每次添加的白噪声信号ω(t)均不同，取M次IMF分量集合的平均值作为最终的固有模态函数IMF，则最终的固有模态函数IMF的分量表达式为：
式(6)中，czi(t)为最终的第i个IMF分量，cim(t)为第m次添加白噪声信号获得的第i个IMF分量，M为白噪声信号的总添加次数。
步骤3：对步骤2得到的固有模态函数IMF进行傅里叶变换得到其频谱特性，选择含有结构自振频率的固有模态函数IMF进行重构，得到重构信号z(t)。
步骤4：采用标准化处理公式对步骤3得到的重构信号z(t)进行标准化处理，得到标准化重构信号Z(t)，所述标准化处理公式的表达式为：
式(7)中，Z(t)为标准化重构信号；z(t)为重构信号；μ为重构信号的平均值；σ为重构信号的方差；
将标准化重构信号Z(t)分为多段长度一定的子信号，选取子信号中的部分信号作为训练样本，剩余部分信号作为测试样本。
步骤5：将步骤4得到的训练样本输入一维卷积神经网络模型中进行训练，训练过程中采用交叉熵损失函数作为损失函数，采用Adam优化算法作为优化算法；
如图2所示，本步骤中，一维卷积神经网络模型包括依次连接的输入层1、第一卷积层2、第一批量归一化层3、第一池化层4、第二卷积层5、第二批量归一化层6、第二池化层7、第一全连接层8、第二全连接层9和输出层10；其中，第一卷积层2和第二卷积层5均含有16个大小为10×1的卷积核，第一池化层4和第二池化层7的池化窗口大小均为2×1；
一维卷积神经网络模型的训练包括交替进行的前向传播训练和反向传播训练，直至网络收敛或前向传播训练的输出结果与设定的输出结果之间的误差值达到指定的迭代终止条件；
前向传播训练步骤包括：将步骤4得到的训练样本从输入层1中输入，第一卷积层2对输入的训练样本进行处理得到初次处理特征图，初次处理特征图传送至第一批量归一化层3进行归一化处理，归一化处理后传送至第一池化层4进行池化处理，得到初次采样特征图；初次采样特征图传送至第二卷积层5进行处理，得到二次处理特征图，二次处理特征图传送至第二批量归一化层6进行归一化处理，归一化处理后传送至第二池化层7进行池化处理，得到二次采样特征图；二次采样特征图依次传送至第一全连接层8和第二全连接层9进行处理，处理后传送至输出层10，输出层10对处理后的二次采样特征图进行分类并输出损伤位置的分类向量；
反向传播训练步骤包括：将前向传播训练的输出结果与设定的输出结果的误差值按照前向传播训练的反向回传，得到每层的误差值，利用Adam优化算法调整一维卷积神经网络模型的网络参数。
步骤6：将步骤4得到的测试样本输入到步骤5训练好的一维卷积神经网络模型中，得到损伤位置的识别结果。
本发明提供的上述基于总体经验模态分解与卷积神经网络的结构损伤识别法，选取结构的加速度响应信号作为分析对象，并采用总体经验模态分解技术对加速度响应信号进行分解和重构，在重构时仅提取与结构损伤有关的信息，能够减小与结构损伤无关的噪声的影响，提高了损伤识别的准确率；同时，采用一维卷积神经网络对重构信号进行特征提取和损伤分类，损伤识别的效率较高。因而，本发明提供的上述基于总体经验模态分解与卷积神经网络的结构损伤识别法，在实时结构健康监测中具有显著的优势。
Claims (2)
1.基于总体经验模态分解与卷积神经网络的结构损伤识别法，其特征在于，包括以下步骤：
步骤1：测得结构加速度响应信号x(t)；
步骤2：利用总体经验模态分解技术对加速度响应x(t)进行分解，得到一系列固有模态函数IMF；
步骤3：对步骤2得到的固有模态函数IMF进行傅里叶变换得到其频谱特性，选择含有结构自振频率的固有模态函数IMF进行重构，得到重构信号z(t)；
步骤4：对步骤3得到的重构信号z(t)进行标准化处理，得到标准化重构信号Z(t)，将标准化重构信号Z(t)分为多段长度一定的子信号，选取子信号中的部分信号作为训练样本，剩余部分信号作为测试样本；
步骤5：将步骤4得到的训练样本输入一维卷积神经网络模型中进行训练，训练过程中采用交叉熵损失函数作为损失函数，采用Adam优化算法作为优化算法；
其中，所述一维卷积神经网络模型包括依次连接的输入层、第一卷积层、第一批量归一化层、第一池化层、第二卷积层、第二批量归一化层、第二池化层、第一全连接层、第二全连接层和输出层；其中，所述第一卷积层和第二卷积层均含有16个大小为10×1的卷积核，所述第一池化层和第二池化层的池化窗口大小均为2×1；
所述一维卷积神经网络模型的训练包括交替进行的前向传播训练和反向传播训练，直至网络收敛或所述前向传播训练的输出结果与设定的输出结果之间的误差值达到指定的迭代终止条件；
所述前向传播训练步骤包括：将步骤4得到的训练样本从所述输入层中输入，所述第一卷积层对输入的训练样本进行处理得到初次处理特征图，所述初次处理特征图传送至所述第一批量归一化层进行归一化处理，归一化处理后传送至所述第一池化层进行池化处理，得到初次采样特征图；所述初次采样特征图传送至所述第二卷积层进行处理，得到二次处理特征图，所述二次处理特征图传送至所述第二批量归一化层进行归一化处理，归一化处理后传送至所述第二池化层进行池化处理，得到二次采样特征图；所述二次采样特征图依次传送至所述第一全连接层和第二全连接层进行处理，处理后传送至所述输出层，所述输出层对处理后的二次采样特征图进行分类并输出损伤位置的分类向量；
所述反向传播训练步骤包括：将所述前向传播训练的输出结果与设定的输出结果的误差值按照所述前向传播训练的反向回传，得到每层的误差值，利用Adam优化算法调整所述一维卷积神经网络模型的网络参数；
步骤6：将步骤4得到的测试样本输入到步骤5训练好的一维卷积神经网络模型中，得到损伤位置的识别结果。
2.根据权利要求1所述的基于总体经验模态分解与卷积神经网络的结构损伤识别法，其特征在于：所述步骤4中，采用标准化处理公式对所述重构信号z(t)进行标准化处理，所述标准化处理公式的表达式为：
式中，Z(t)为标准化重构信号；z(t)为重构信号；μ为重构信号的平均值；σ为重构信号的方差。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910099951.1A CN109946389B (zh) | 2019-01-31 | 2019-01-31 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
| AU2020214409A AU2020214409B2 (en) | 2019-01-31 | 2020-01-21 | Structural damage identification method based on ensemble empirical mode decomposition and convolution neural network |
| PCT/CN2020/073357 WO2020156348A1 (zh) | 2019-01-31 | 2020-01-21 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910099951.1A CN109946389B (zh) | 2019-01-31 | 2019-01-31 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109946389A CN109946389A (zh) | 2019-06-28 |
| CN109946389B true CN109946389B (zh) | 2020-12-25 |
Family
ID=67007470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910099951.1A Active CN109946389B (zh) | 2019-01-31 | 2019-01-31 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN109946389B (zh) |
| AU (1) | AU2020214409B2 (zh) |
| WO (1) | WO2020156348A1 (zh) |
Families Citing this family (50)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109946389B (zh) * | 2019-01-31 | 2020-12-25 | 青岛理工大学 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
| CN110472272B (zh) * | 2019-07-01 | 2023-04-07 | 广东工业大学 | 一种基于多参数和卷积神经网络的结构损伤识别方法 |
| CN110490249B (zh) * | 2019-08-16 | 2022-06-07 | 哈尔滨工业大学 | 基于属性类别关系和少样本元学习的结构损伤识别方法 |
| CN111241725B (zh) * | 2019-12-30 | 2022-08-23 | 浙江大学 | 基于条件生成对抗网络的结构响应重构方法 |
| CN111220921A (zh) * | 2020-01-08 | 2020-06-02 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
| CN111595541A (zh) * | 2020-04-27 | 2020-08-28 | 河海大学 | 一种海量振动传递率数据卷积神经网络处理的多维结构损伤识别方法 |
| CN111753776B (zh) * | 2020-06-29 | 2022-05-10 | 重庆交通大学 | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 |
| CN111931983B (zh) * | 2020-07-07 | 2023-09-19 | 湖南大学 | 一种降水量预测方法及*** |
| CN111896625B (zh) * | 2020-08-17 | 2023-07-14 | 中南大学 | 钢轨伤损实时监测方法及其监测*** |
| CN112182490B (zh) * | 2020-09-01 | 2024-02-02 | 华中科技大学 | 一种电抗器状态诊断方法及*** |
| CN112364710B (zh) * | 2020-10-20 | 2024-04-05 | 西安理工大学 | 一种基于深度学习算法的植物电信号分类识别方法 |
| CN112284736B (zh) * | 2020-10-23 | 2022-02-01 | 天津大学 | 一种基于多通道注意力模块的卷积神经网络故障诊断方法 |
| CN112381770B (zh) * | 2020-11-03 | 2024-04-05 | 西安交通大学 | 一种基于融合卷积神经网络的磨损表面三维形貌测量方法 |
| CN112348255B (zh) * | 2020-11-06 | 2024-04-09 | 湖南大学 | 基于小波时频图像化的超短期风电功率预测方法 |
| CN112525467B (zh) * | 2020-11-26 | 2022-09-13 | 山东科技大学 | 一种适用于悬臂梁的冲击损伤区域识别方法及装置 |
| CN112465225A (zh) * | 2020-11-27 | 2021-03-09 | 云南电网有限责任公司电力科学研究院 | 基于二次模态分解和级联深度学习的风电功率预测方法 |
| CN112434624A (zh) * | 2020-11-30 | 2021-03-02 | 广州大学 | 结构健康监测数据失真检测方法、***、装置及存储介质 |
| CN112528820A (zh) * | 2020-12-03 | 2021-03-19 | 重庆邮智机器人研究院有限公司 | 一种基于emd和dcnn的运动想象脑电信号识别方法 |
| CN112528819B (zh) * | 2020-12-05 | 2023-01-20 | 西安电子科技大学 | 基于卷积神经网络的p300脑电信号分类方法 |
| CN112580239B (zh) * | 2020-12-15 | 2022-07-05 | 中南大学 | 一种子结构响应重构方法及***、存储介质 |
| CN112613105B (zh) * | 2020-12-25 | 2024-03-08 | 扬州大学 | 一种基于声发射参数与遗传算法优化bp神经网络的钢筋混凝土梁损伤状态识别方法 |
| CN112699792B (zh) * | 2020-12-29 | 2024-04-05 | 长安大学 | 基于正余弦算法优化卷积神经网络的机床轴承状态识别方法 |
| CN112668527B (zh) * | 2020-12-31 | 2023-04-25 | 华南理工大学 | 一种超声导波半监督成像检测方法 |
| CN112712060A (zh) * | 2021-01-15 | 2021-04-27 | 国网浙江省电力有限公司电力科学研究院 | 一种高压支柱瓷绝缘子声信号自动识别方法 |
| CN113158769A (zh) * | 2021-03-03 | 2021-07-23 | 安徽大学 | 基于CEEMDAN和FastICA的机电设备轴承振动信号除噪方法 |
| CN113159282B (zh) * | 2021-03-29 | 2022-04-22 | 东南大学 | 一种基于交叉模态置信准则矩阵的桥梁模态参数智能更新方法 |
| CN113159179B (zh) * | 2021-04-22 | 2023-04-18 | 中车株洲电力机车有限公司 | 地铁及地铁转向架运行状态识别方法、*** |
| CN113378426B (zh) * | 2021-05-05 | 2023-07-14 | 温州大学 | 一种基于信息融合的机械叶片损伤识别方法 |
| CN113155973B (zh) * | 2021-05-05 | 2023-05-16 | 温州大学 | 一种基于自适应奇异值分解的梁损伤识别方法 |
| CN113591604A (zh) * | 2021-07-09 | 2021-11-02 | 浙江工业大学 | 基于噪声标签重构的风力发电机电能质量扰动状态监测方法 |
| CN113743297A (zh) * | 2021-09-03 | 2021-12-03 | 重庆大学 | 基于深度学习的储罐穹顶位移数据修复方法及装置 |
| CN114002334A (zh) * | 2021-09-29 | 2022-02-01 | 西安交通大学 | 一种结构损伤声发射信号识别方法、装置、存储介质 |
| CN113742983A (zh) * | 2021-10-09 | 2021-12-03 | 福州大学 | 基于深度自编码器神经网络的长跨结构损伤识别方法 |
| CN113837141B (zh) * | 2021-10-12 | 2023-10-27 | 国网山东省电力公司电力科学研究院 | 一种抗驱鼠器干扰的信号提取方法及装置 |
| CN114077849B (zh) * | 2021-11-17 | 2024-04-05 | 西安交通大学 | 一种基于部件级融合的发动机健康状态识别方法 |
| CN114324580A (zh) * | 2021-12-03 | 2022-04-12 | 西安交通大学 | 一种结构缺陷的智能敲击检测方法及*** |
| CN114386452B (zh) * | 2021-12-06 | 2024-04-05 | 西安交通大学 | 核电循环水泵太阳轮故障检测方法 |
| CN114169374B (zh) * | 2021-12-10 | 2024-02-20 | 湖南工商大学 | 一种斜拉桥斜拉索损伤识别方法及电子设备 |
| CN114266280B (zh) * | 2021-12-29 | 2023-10-13 | 西安交通大学 | 一种基于改进卷积神经网络的螺栓松动状态识别方法 |
| CN114358214B (zh) * | 2022-03-11 | 2022-07-22 | 中国科学院上海高等研究院 | 步态自适应识别方法及装置、存储介质和终端 |
| CN114417681B (zh) * | 2022-04-01 | 2022-06-17 | 中国工程物理研究院流体物理研究所 | 基于动态决策和神经网络的二维结构变形监测方法及装置 |
| CN114462457B (zh) * | 2022-04-11 | 2022-07-08 | 自然资源部第一海洋研究所 | 基于本征概率密度函数的舰船水下噪声深度学习识别方法 |
| CN114821415B (zh) * | 2022-04-24 | 2022-11-29 | 中国水利水电科学研究院 | 基于机器学习的视频微振动放大校准和实时提取方法 |
| CN114818839B (zh) * | 2022-07-01 | 2022-09-16 | 之江实验室 | 一种基于深度学习的光纤传感水声信号识别方法及装置 |
| CN115169409B (zh) * | 2022-07-18 | 2023-05-09 | 四川省公路规划勘察设计研究院有限公司 | 基于滑窗的桥梁结构自振频率识别、预警方法及设备 |
| CN116208356B (zh) * | 2022-10-27 | 2023-09-29 | 浙江大学 | 一种基于深度学习的虚拟货币挖矿流量检测方法 |
| CN116244803B (zh) * | 2023-02-22 | 2023-09-12 | 合肥工业大学 | 基于物理和数据双驱动的桥梁内部响应重构方法 |
| CN116559809B (zh) * | 2023-03-28 | 2024-06-14 | 南京桂瑞得信息科技有限公司 | 一种基于多源融合网络的雷达辐射源个体识别方法 |
| CN116756515B (zh) * | 2023-07-07 | 2024-02-23 | 广州大学 | 基于深度卷积生成对抗网络的人工地震波生成方法 |
| CN117907445A (zh) * | 2024-01-13 | 2024-04-19 | 大连理工大学 | 基于超声导波和时空混合网络的复合材料加筋板损伤识别方法 |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150293143A1 (en) * | 2013-07-21 | 2015-10-15 | National Chiao Tung University | Feature Extraction from Human Gaiting Patterns using Principal Component Analysis and Multivariate Empirical Mode Decomposition |
| CN103543026B (zh) * | 2013-10-23 | 2015-07-01 | 青岛理工大学 | 基于振动传递率函数和支持向量机的结构损伤识别方法 |
| TW201521676A (zh) * | 2013-12-13 | 2015-06-16 | Nat Inst Chung Shan Science & Technology | 一種使用類神經網路產生判斷麻醉意識清醒程度指標的方法 |
| CN104502126B (zh) * | 2014-12-28 | 2017-08-15 | 华东交通大学 | 一种基于模态区间的高速列车转向架故障诊断方法 |
| CN106096605B (zh) * | 2016-06-02 | 2019-03-19 | 史方 | 一种基于深度学习的图像模糊区域检测方法及装置 |
| CN106874957A (zh) * | 2017-02-27 | 2017-06-20 | 苏州大学 | 一种滚动轴承故障诊断方法 |
| CN107123033A (zh) * | 2017-05-04 | 2017-09-01 | 北京科技大学 | 一种基于深度卷积神经网络的服装搭配方法 |
| CN107328868B (zh) * | 2017-06-27 | 2019-06-07 | 福州大学 | 一种快速识别陶瓷涂层失效类型的声发射信号分析方法 |
| US11630040B2 (en) * | 2017-07-11 | 2023-04-18 | Qatar University | Real-time structural damage detection by convolutional neural networks |
| CN107329933B (zh) * | 2017-07-14 | 2020-06-19 | 北京知觉科技有限公司 | 基于光纤传感振动信号的故障检测方法及装置 |
| CN107505396A (zh) * | 2017-09-12 | 2017-12-22 | 燕山大学 | 一种结构损伤在线实时监测方法及*** |
| CN107826919B (zh) * | 2017-10-20 | 2019-09-13 | 中国矿业大学 | 一种提升***关键部件多状态健康监测装置及监测方法 |
| CN108717869B (zh) * | 2018-05-03 | 2021-08-13 | 中国石油大学(华东) | 基于卷积神经网络的糖尿病视网膜并发症诊断辅助*** |
| CN109166100A (zh) * | 2018-07-24 | 2019-01-08 | 中南大学 | 基于卷积神经网络的多任务学习细胞计数方法 |
| CN109145961B (zh) * | 2018-07-30 | 2021-10-22 | 上海交通大学 | 一种非结构化局部放电数据的模式识别方法及*** |
| CN109946389B (zh) * | 2019-01-31 | 2020-12-25 | 青岛理工大学 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
-
2019
- 2019-01-31 CN CN201910099951.1A patent/CN109946389B/zh active Active
-
2020
- 2020-01-21 AU AU2020214409A patent/AU2020214409B2/en active Active
- 2020-01-21 WO PCT/CN2020/073357 patent/WO2020156348A1/zh active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| AU2020214409B2 (en) | 2022-07-28 |
| WO2020156348A1 (zh) | 2020-08-06 |
| AU2020214409A1 (en) | 2021-03-04 |
| CN109946389A (zh) | 2019-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109946389B (zh) | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 | |
| CN112417157B (zh) | 一种基于深度学习网络的文本属性词的情感分类方法 | |
| CN110929847A (zh) | 一种基于深度卷积神经网络的换流变压器故障诊断方法 | |
| CN108562811B (zh) | 基于双向长短期记忆的复杂电能质量扰动分析方法 | |
| CN110991295A (zh) | 一种基于一维卷积神经网络的自适应故障诊断方法 | |
| CN112284736A (zh) | 一种基于多通道注意力模块的卷积神经网络故障诊断方法 | |
| CN111680788B (zh) | 基于深度学习的设备故障诊断方法 | |
| CN110070102B (zh) | 用于电能质量扰动类型识别的序列对序列模型建立方法 | |
| CN115600150A (zh) | 一种基于深度迁移学习的多模态齿轮箱故障诊断方法 | |
| CN112378660A (zh) | 一种基于数据驱动的航空发动机轴承智能故障诊断方法 | |
| CN111914705A (zh) | 提升电抗器健康状态评估准确率的信号生成方法及装置 | |
| CN110726898A (zh) | 一种配电网故障类型识别方法 | |
| CN112305379A (zh) | 一种用于gis绝缘缺陷的模式识别方法及*** | |
| CN112418175A (zh) | 基于域迁移的滚动轴承故障诊断方法、***及存储介质 | |
| CN110879927A (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
| CN114563671A (zh) | 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法 | |
| CN115171712A (zh) | 适用于瞬态噪声抑制的语音增强方法 | |
| Zhao et al. | Bearing fault diagnosis based on mel frequency cepstrum coefficient and deformable space-frequency attention network | |
| CN116484176A (zh) | 一种基于超小波的轴承故障诊断方法、***和存储介质 | |
| CN116758922A (zh) | 一种用于变压器的声纹监测与诊断方法 | |
| CN111783941A (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 | |
| CN116611580A (zh) | 一种基于多源数据与深度学习的海洋赤潮预测方法 | |
| CN114420151B (zh) | 基于并联张量分解卷积神经网络的语音情感识别方法 | |
| CN116070768A (zh) | 一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法 | |
| CN112434716B (zh) | 一种基于条件对抗神经网络的水下目标数据扩增方法及*** |
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 |