CN110057918A - 强噪声背景下的复合材料损伤定量识别方法及*** - Google Patents
强噪声背景下的复合材料损伤定量识别方法及*** Download PDFInfo
- Publication number
- CN110057918A CN110057918A CN201910458874.4A CN201910458874A CN110057918A CN 110057918 A CN110057918 A CN 110057918A CN 201910458874 A CN201910458874 A CN 201910458874A CN 110057918 A CN110057918 A CN 110057918A
- Authority
- CN
- China
- Prior art keywords
- damage
- signal
- strong noise
- composite materials
- noise background
- 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.)
- Granted
Links
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
- G01N29/04—Analysing solids
- G01N29/12—Analysing solids by measuring frequency or resonance of acoustic waves
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本公开提供了一种强噪声背景下的复合材料损伤定量识别方法及***,在复合材料上模拟不同程度的损伤,并改变不同的位置,采集不同程度及不同位置的Lamb波响应信号;在采集的Lamb波信号中加入一定信噪比的强噪声信号模拟强噪声背景下采集的Lamb波信号;剔除强噪声信号,得到有效信号;将有效信号分为两部分,其中一部分作为训练数据,一部分作为测试数据,并将其进行傅里叶变换得到与不同程度及不同位置损伤相对应的频谱数据实现损伤特征提取;将训练数据代入自动编码器进行训练,得到自动编码器损伤识别模型,将测试数据代入训练后的损伤识别模型,根据模型输出得到损伤定位和定量识别信息。实现了复合材料结构在强噪声环境下的可靠定位和准确定量识别。
Description
技术领域
本公开属于材料损伤信息分析领域,涉及一种强噪声背景下的复合材料损伤定量识别方法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
碳纤维增强复合材料(Carbon Fibre Reinforced Plastics,CFRP)以质量轻、强度高、可设计能力强等特点,在航空航天工业中扮演着重要的角色。例如,CR929飞机的碳纤维复合材料含量高达50%。然而,碳纤维复合材料结构在制造过程或在役应用过程中,容易受到外部冲击和应力集中造成的不可见损伤,甚至造成严重事故。因此,为保证碳纤维复合材料结构的安全,需要一种损伤定位和定量化的方法。
Lamb波以其传播距离长、成本低、对各种缺陷敏感性好使其成为复合材料检测和评价的研究焦点。为实现复合材料的损伤位置判定,学者研究了几何定位法、飞行时间法等方法。几何定位法和飞行时间法需要借助波速才能开展位置判定,然而,由于Lamb波的频散特性,其传播速度是频率和材料厚度的函数,导致波速不是常数,难以实现可靠定位。对于定量损伤识别,现有研究从Lamb波信号的振幅、相变和能量中提取损伤指标,以量化损伤大小。然而,根据发明人了解,由于Lamb波在复合材料板中传播机理尚不清楚,使得采用信号特征指标直接量化损伤程度比较困难。另外传感器采集的信号不可避免的含有噪声信号,路士增采用小波变换实现信号中噪声的剔除,为采用时差定位的方法实现损伤定位提供了条件。Boudraa基于经验模态分解实现信号消噪,涉及对每个模态固有函数进行滤波或阈值化,以及使用处理后的模态固有函数重建估计信号,该方法的不足是各个模态之间产生混叠消噪效果不明显。除此之外还有分形去噪方法以及神经网络去噪方法或将分数阶微分方法用于信号去噪,在没有信号先验知识的情况下,可以更有效地去除信号的噪声,同时更好地保留主信号的细节特征。但是这些研究多在实验室环境中开展,未考虑实际应用中如由飞机机翼结构振动产生的噪声以及随机噪声(数据采集***噪声、外界环境干扰)的强噪声干扰问题。
综上,当强噪声存在时,有无损伤状态下信号之间的微弱差异极易被淹没,利用目前的定量分析方法无法实现损伤评估,即目前的复合材料板的损伤评估由实验室研究无法转向实际应用,必须解决强噪声背景下损伤特征提取问题。
发明内容
本公开为了解决上述问题,提出了一种强噪声背景下的复合材料损伤定量识别方法及***,本公开能够在大数据量和强噪声环境下,快速、准确地实现损伤特征的提取是复合材料板损伤定位检测与定量识别,克服了传统损伤定位方法在强噪声环境下基于Lamb波波速无法可靠实现复合材料损伤位置判定、依赖信号特征无法准确定量识别损伤缺陷。
根据一些实施例,本公开采用如下技术方案:
一种强噪声背景下的复合材料损伤定量识别方法,包括以下步骤:
在复合材料上模拟不同程度的损伤,并改变不同的位置,采集不同程度及不同位置的Lamb波响应信号;
在采集的Lamb波信号中加入一定信噪比的强噪声信号模拟强噪声背景下采集的Lamb波信号;
剔除强噪声信号,得到有效信号;
将有效信号分为两部分,其中一部分作为训练数据,一部分作为测试数据,并将其进行傅里叶变换得到与不同程度及不同位置损伤相对应的频谱数据实现损伤特征提取;
将训练数据代入自动编码器进行训练,得到自动编码器损伤识别模型,将测试数据代入训练后的损伤识别模型,根据模型输出得到损伤定位和定量识别信息。
作为可能的实施方式,利用质量块改变结构应变场模拟真实的损伤,通过改变不同的质量模拟不同程度的损伤,通过改变质量块的设置位置改变损伤的位置。
作为可能的实施方式,利用数据采集***进行损伤数据的采集,具体包括任意函数发生器、放大器、多个压电传感器和示波器,其中,所述任意函数发生器发lamb波信号经放大器放大加载在至少一个压电传感器中,其余的压电传感器通过示波器采集不同质量的质量块在不同位置的Lamb波信号。
作为进一步的限定,采集多组数据,每组数据采集多次。
作为可能的实施方式,利用同步压缩小波变换算法剔除强噪声信号。
作为可能的实施方式,将有效的lamb波信号进行傅里叶变换,将时域信号装换到频域提取特征能体现频率响应的改变与结构损伤程度和位置的关系。
作为进一步的限定,所述自编码器采用贪婪学习的方式逐层训练自编码器,由训练好的自编码器堆叠而成。
作为进一步的限定,所述自编码器的训练过程分包括两个阶段:
第一阶段:把样本输入到第一个SAE网络中并充分进行训练,从而获得第一层的参数,然后将第一层的输出作为第下一个SAE的输入,当模型再次充分训练后,得到该层的参数,并把本次训练好的SAE模型堆叠在一起,依次类推,直到所有的SAE都被训练好;
第二阶段:在顶层添加一层神经网络,并将第一阶段所学的参数初始化神经网络,然后利用反向传播算法对训练所得各参数进行有监督的微调。
一种强噪声背景下的复合材料损伤定量识别***,包括:
采集***,被配置为在复合材料上模拟不同程度的损伤,并改变不同的位置,采集不同程度及不同位置的Lamb波响应信号;
信号处理***,被配置为在采集的Lamb波信号中加入一定信噪比的强噪声信号模拟强噪声背景下采集的Lamb波信号;
剔除强噪声信号,得到有效信号;
将有效信号分为两部分,其中一部分作为训练数据,一部分作为测试数据,并将其进行傅里叶变换得到与不同程度及不同位置损伤相对应的频谱数据实现损伤特征提取;
将训练数据代入自动编码器进行训练,得到自动编码器损伤识别模型,将测试数据代入训练后的损伤识别模型,根据模型输出得到损伤定位和定量识别信息。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种强噪声背景下的复合材料损伤定量识别方法。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种强噪声背景下的复合材料损伤定量识别方法。
与现有技术相比,本公开的有益效果为:
本公开有效的解决了因复合材料自身各项异性以及波在复合材料中的传播尚不清楚,难以利用信号的特征指标可靠实现复合材料损伤位置判定准确定量识别损伤的问题。
本公开采用具有去强噪声能力强的同步压缩小波变换算法消除在应用环境中因环境产生的强噪声以及使用强非线性拟合能力的SAE算法建立损伤识别模型,实现了复合材料结构在强噪声环境下的可靠定位和准确定量识别。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为激励器传感器布置示意图;
图2为本实施例的方法的流程示意图;
图3为含噪声的信号;
图4为去噪以后的信号;
图5为50g的质量块在位置1时三只传感器响应信号的频谱图;
图6为100g的质量块在位置1时三只传感器响应信号的频谱图;
图7为200g的质量块在位置1时三只传感器响应信号的频谱图;
图8为200g的质量块在位置25时三只传感器响应信号的频谱图;
图9为200g的质量块在位置56时三只传感器响应信号的频谱图;
图10为自编码器网络结构图;
图11为损伤位置判定和定量识别结果图;
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
一种强噪声背景下基于Lamb波与自动编码器的复合材料损伤定位和定量识别方法,包括如下几个步骤:
(1)搭建Lamb波数据采集***,其包含任意函数发生器、放大器、压电传感器、示波器及复合材料板,并粘贴正方形传感器阵列。其中一只传感器发lamb波信号,其他传感器采集信号;
(2)通过质量块改变结构应变场模拟真实的损伤,通过改变不同的质量模拟不同程度的损伤,并改变不同的位置。传感器采集不同程度及不同位置的Lamb波响应信号;
(3)在采集的Lamb波信号中加入信噪比为3dB的强噪声信号模拟强噪声背景下采集的Lamb波信号;
(4)同步压缩小波变换算法实现含强噪声信号的噪声剔除,得到有效信号;
(5)将有效信号分为两部分,其中一部分作为训练数据,一部分作为测试数据,并将其进行傅里叶变换得到与不同程度及不同位置损伤相对应的频谱数据实现损伤特征提取。
(6)将训练数据代入自动编码器进行训练,得到自动编码器损伤识别模型,把测试数据代入损伤识别模型进行损伤定位和定量识别。
步骤(3)的信噪比计算公式为:
步骤(4)的同步压缩小波变换算法为:
根据小波函数,对于函数x(t)∈L2(R)的连续小波变换为:
其中,“*”为函数的共轭,W(a,b)为小波变换系数。
利用得到的小波系数求取瞬时频率ωx(a,b),其定义为:
这将时间-尺度平面(b,a)转换到时间-频率平面(b,ω(a,b)),这便可将任意频率ωl周围区间的值压缩到ωl上,可获得同步压缩变换的值T(ωl,b),从而达到提高时频分辨率的目的。即同步压缩变换可表示为:
其中N代表ak为离散的尺度,k为尺度个数。
Lamb波信号为离散信号,上式中尺度坐标Δak为:Δak=ak-ak-1,频率坐标Δω为:Δω=ωl-ωl-1。
则同步压缩小波变换的逆变换为:
式中,取有限值,ψ*(ξ)为基本dξ小波函数共轭傅里叶变换。
通过上式就可以求得重构信号。
进行SAE模型训练及损伤定位和定量识别中,将训练数据进行SAE训练得到复合材料板损伤位置判定和定时识别模型,并将测试数据代入模型进行结果测试。
步骤(6)中的自编码器模型为:
自编码器采用贪婪学习的方式逐层训练自编码器,然后由训练好的自编码器堆叠而成。自编码器(SAE)的训练过程分为两个阶段:无监督的特征学习和有监督的微调。
第一阶段:把样本输入到第一个SAE网络中并充分进行训练,从而获得第一层的参数θ1,然后将第一层的输出作为第下一个SAE的输入,当模型再次充分训练后,得到该层的参数θ2。并把本次训练好的SAE模型堆叠在一起,依次类推,直到所有的SAE都被训练好。
第二阶段:在顶层添加一层神经网络,并将第一阶段所学的参数初始化神经网络,然后利用反向传播算法对训练所得各参数进行有监督的微调。
并提供以下所示的产品实施例:
一种强噪声背景下的复合材料损伤定量识别***,包括:
采集***,被配置为在复合材料上模拟不同程度的损伤,并改变不同的位置,采集不同程度及不同位置的Lamb波响应信号;
信号处理***,被配置为在采集的Lamb波信号中加入一定信噪比的强噪声信号模拟强噪声背景下采集的Lamb波信号;
剔除强噪声信号,得到有效信号;
将有效信号分为两部分,其中一部分作为训练数据,一部分作为测试数据,并将其进行傅里叶变换得到与不同程度及不同位置损伤相对应的频谱数据实现损伤特征提取;
将训练数据代入自动编码器进行训练,得到自动编码器损伤识别模型,将测试数据代入训练后的损伤识别模型,根据模型输出得到损伤定位和定量识别信息。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种强噪声背景下的复合材料损伤定量识别方法。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种强噪声背景下的复合材料损伤定量识别方法。
作为典型的实施例,图1所示为本实施例采用的碳纤维复合材料板,其大小为60cm×60cm,并在板中央呈正方形均匀画了64个方格,每个方格的大小为3cm×3cm。为了实现损伤的定位在板中布置了4只压电传感器,其中一只当作激励器发送50KHz的Lamb波信号,剩余3只传感器接收响应信号。损伤是采用的50g,100g,200g的质量块改变复合材料结构的应变场实现的。
图2为本实施例方法的流程示意图,首先构建数据采集***,其包含任意函数发生器、放大器、压电传感器、示波器及复合材料板,任意函数发生器发lamb波信号经放大器放大加载在压电传感器中,其余的传感器通过示波器采集不同质量的质量块在不同位置的Lamb波信号,一共采集64×3=192组,每一组采集150次。在这些信号中加入信号比为3dB的噪声模拟强噪声背景,图3为含有强噪声的信号。采用同步压缩小波变换实现强噪声的剔除,图4为剔除强噪声的信号,得到有效的Lamb波信号。
因为损伤会导致结构动态特性的改变,所以将lamb波信号进行傅里叶变换,将时域信号装换到频域提取特征能体现频率响应的改变与结构损伤程度和位置的关系。图5~图9为不同质量的质量块在同一位置和同一质量块在不同位置的频谱图,可以看出损伤程度不同频谱不同,损伤位置不同频谱亦不同,因此可以通过SAE算法建立频谱和损伤之间复杂的映射关系。
为了实现模型的训练与测试,在150组数据中随机选取140组形成训练数据用来模型训练,在剩下的10组中随机选1组形式测试数据进行模型测试。将训练数据放入SAE算法进行模型训练,图10为SAE网络结构图,在训练时网络结构设置为[900 100 193]得到SAE损伤识别模型。将测试数据代入模型进行测试,测试结果如图11所示,可知在192种损伤情况下,仅有1种质量块为200g时位置识别错误,但也在其相邻的位置,正确损伤识别率为99.48%,可知本实施例提出的方法可以很好的解决强噪声背景下复合材料结构损伤位置判定和损伤程度定量识别问题。
本领域内的技术人员应明白,本公开的实施例可提供为方法、***、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种强噪声背景下的复合材料损伤定量识别方法,其特征是:包括以下步骤:
在复合材料上模拟不同程度的损伤,并改变不同的位置,采集不同程度及不同位置的Lamb波响应信号;
在采集的Lamb波信号中加入一定信噪比的强噪声信号模拟强噪声背景下采集的Lamb波信号;
剔除强噪声信号,得到有效信号;
将有效信号分为两部分,其中一部分作为训练数据,一部分作为测试数据,并将其进行傅里叶变换得到与不同程度及不同位置损伤相对应的频谱数据实现损伤特征提取;
将训练数据代入自动编码器进行训练,得到自动编码器损伤识别模型,将测试数据代入训练后的损伤识别模型,根据模型输出得到损伤定位和定量识别信息。
2.如权利要求1所述的一种强噪声背景下的复合材料损伤定量识别方法,其特征是:利用质量块改变结构应变场模拟真实的损伤,通过改变不同的质量模拟不同程度的损伤,通过改变质量块的设置位置改变损伤的位置。
3.如权利要求1所述的一种强噪声背景下的复合材料损伤定量识别方法,其特征是:利用数据采集***进行损伤数据的采集,具体包括任意函数发生器、放大器、多个压电传感器和示波器,其中,所述任意函数发生器发lamb波信号经放大器放大加载在至少一个压电传感器中,其余的压电传感器通过示波器采集不同质量的质量块在不同位置的Lamb波信号。
4.如权利要求1所述的一种强噪声背景下的复合材料损伤定量识别方法,其特征是:采集多组数据,每组数据采集多次。
5.如权利要求1所述的一种强噪声背景下的复合材料损伤定量识别方法,其特征是:利用同步压缩小波变换算法剔除强噪声信号。
6.如权利要求1所述的一种强噪声背景下的复合材料损伤定量识别方法,其特征是:将有效的lamb波信号进行傅里叶变换,将时域信号装换到频域提取特征能体现频率响应的改变与结构损伤程度和位置的关系。
7.如权利要求1所述的一种强噪声背景下的复合材料损伤定量识别方法,其特征是:所述自编码器采用贪婪学习的方式逐层训练自编码器,由训练好的自编码器堆叠而成;
或,所述自编码器的训练过程分包括两个阶段:
第一阶段:把样本输入到第一个SAE网络中并充分进行训练,从而获得第一层的参数,然后将第一层的输出作为第下一个SAE的输入,当模型再次充分训练后,得到该层的参数,并把本次训练好的SAE模型堆叠在一起,依次类推,直到所有的SAE都被训练好;
第二阶段:在顶层添加一层神经网络,并将第一阶段所学的参数初始化神经网络,然后利用反向传播算法对训练所得各参数进行有监督的微调。
8.一种强噪声背景下的复合材料损伤定量识别***,其特征是:包括:
采集***,被配置为在复合材料上模拟不同程度的损伤,并改变不同的位置,采集不同程度及不同位置的Lamb波响应信号;
信号处理***,被配置为在采集的Lamb波信号中加入一定信噪比的强噪声信号模拟强噪声背景下采集的Lamb波信号;
剔除强噪声信号,得到有效信号;
将有效信号分为两部分,其中一部分作为训练数据,一部分作为测试数据,并将其进行傅里叶变换得到与不同程度及不同位置损伤相对应的频谱数据实现损伤特征提取;
将训练数据代入自动编码器进行训练,得到自动编码器损伤识别模型,将测试数据代入训练后的损伤识别模型,根据模型输出得到损伤定位和定量识别信息。
9.一种计算机可读存储介质,其特征是:其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述的一种强噪声背景下的复合材料损伤定量识别方法。
10.一种终端设备,其特征是:包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行权利要求1-7中任一项所述的一种强噪声背景下的复合材料损伤定量识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910458874.4A CN110057918B (zh) | 2019-05-29 | 2019-05-29 | 强噪声背景下的复合材料损伤定量识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910458874.4A CN110057918B (zh) | 2019-05-29 | 2019-05-29 | 强噪声背景下的复合材料损伤定量识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110057918A true CN110057918A (zh) | 2019-07-26 |
CN110057918B CN110057918B (zh) | 2020-11-06 |
Family
ID=67325040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910458874.4A Active CN110057918B (zh) | 2019-05-29 | 2019-05-29 | 强噪声背景下的复合材料损伤定量识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110057918B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110865123A (zh) * | 2019-11-14 | 2020-03-06 | 天津大学 | 一种计算激光声表面波频散曲线的方法 |
CN112684012A (zh) * | 2020-12-02 | 2021-04-20 | 青岛科技大学 | 一种基于多参量信息融合的装备关键承力结构件故障诊断方法 |
CN113740425A (zh) * | 2021-07-12 | 2021-12-03 | 北京航空航天大学 | 一种复合材料层合结构各向异性损伤辨识方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101169390A (zh) * | 2007-10-12 | 2008-04-30 | 南京航空航天大学 | 一种工程结构损伤主动监测中Lamb波时间反转聚焦方法 |
CN101694484A (zh) * | 2009-10-22 | 2010-04-14 | 中国第一重型机械股份公司 | 一种奥氏体不锈钢焊缝中缺陷的超声波定位方法 |
CN203422355U (zh) * | 2013-07-17 | 2014-02-05 | 浙江方圆金属材料检测有限公司 | 超声波检测用缺陷模拟比对试块 |
CN104297346A (zh) * | 2014-09-11 | 2015-01-21 | 天津大学 | 超声平板导波的金属板材无损检测***及其检测方法 |
CN106198551A (zh) * | 2016-08-01 | 2016-12-07 | 南方电网科学研究院有限责任公司 | 一种输电线路缺陷的检测方法及装置 |
CN106742057A (zh) * | 2016-12-23 | 2017-05-31 | 湖南科技大学 | 基于无线压电传感技术的飞机蒙皮损伤监测装置及方法 |
CN107016241A (zh) * | 2017-04-05 | 2017-08-04 | 重庆交通大学 | 基于加噪样本增强深度自编码学习网络的旋转机械寿命阶段识别方法 |
CN107228942A (zh) * | 2017-08-01 | 2017-10-03 | 福州大学 | 基于稀疏自编码神经网络的荧光免疫层析检测方法及装置 |
CN108562709A (zh) * | 2018-04-25 | 2018-09-21 | 重庆工商大学 | 一种基于卷积自编码器极限学习机的污水处理***水质监测预警方法 |
CN109406629A (zh) * | 2018-10-15 | 2019-03-01 | 成都飞机工业(集团)有限责任公司 | 一种用于复合材料结构超声检测的r角试块及制作方法 |
CN109490316A (zh) * | 2018-11-30 | 2019-03-19 | 熵智科技(深圳)有限公司 | 一种基于机器视觉的表面缺陷检测算法 |
CN109613178A (zh) * | 2018-11-05 | 2019-04-12 | 广东奥博信息产业股份有限公司 | 一种基于递归神经网络预测空气污染的方法及*** |
-
2019
- 2019-05-29 CN CN201910458874.4A patent/CN110057918B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101169390A (zh) * | 2007-10-12 | 2008-04-30 | 南京航空航天大学 | 一种工程结构损伤主动监测中Lamb波时间反转聚焦方法 |
CN101694484A (zh) * | 2009-10-22 | 2010-04-14 | 中国第一重型机械股份公司 | 一种奥氏体不锈钢焊缝中缺陷的超声波定位方法 |
CN203422355U (zh) * | 2013-07-17 | 2014-02-05 | 浙江方圆金属材料检测有限公司 | 超声波检测用缺陷模拟比对试块 |
CN104297346A (zh) * | 2014-09-11 | 2015-01-21 | 天津大学 | 超声平板导波的金属板材无损检测***及其检测方法 |
CN106198551A (zh) * | 2016-08-01 | 2016-12-07 | 南方电网科学研究院有限责任公司 | 一种输电线路缺陷的检测方法及装置 |
CN106742057A (zh) * | 2016-12-23 | 2017-05-31 | 湖南科技大学 | 基于无线压电传感技术的飞机蒙皮损伤监测装置及方法 |
CN107016241A (zh) * | 2017-04-05 | 2017-08-04 | 重庆交通大学 | 基于加噪样本增强深度自编码学习网络的旋转机械寿命阶段识别方法 |
CN107228942A (zh) * | 2017-08-01 | 2017-10-03 | 福州大学 | 基于稀疏自编码神经网络的荧光免疫层析检测方法及装置 |
CN108562709A (zh) * | 2018-04-25 | 2018-09-21 | 重庆工商大学 | 一种基于卷积自编码器极限学习机的污水处理***水质监测预警方法 |
CN109406629A (zh) * | 2018-10-15 | 2019-03-01 | 成都飞机工业(集团)有限责任公司 | 一种用于复合材料结构超声检测的r角试块及制作方法 |
CN109613178A (zh) * | 2018-11-05 | 2019-04-12 | 广东奥博信息产业股份有限公司 | 一种基于递归神经网络预测空气污染的方法及*** |
CN109490316A (zh) * | 2018-11-30 | 2019-03-19 | 熵智科技(深圳)有限公司 | 一种基于机器视觉的表面缺陷检测算法 |
Non-Patent Citations (1)
Title |
---|
陈仁祥等: "栈式稀疏加噪自编码深度神经网络的滚动轴承损伤程度诊断", 《振动与冲击》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110865123A (zh) * | 2019-11-14 | 2020-03-06 | 天津大学 | 一种计算激光声表面波频散曲线的方法 |
CN112684012A (zh) * | 2020-12-02 | 2021-04-20 | 青岛科技大学 | 一种基于多参量信息融合的装备关键承力结构件故障诊断方法 |
CN113740425A (zh) * | 2021-07-12 | 2021-12-03 | 北京航空航天大学 | 一种复合材料层合结构各向异性损伤辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110057918B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109682561B (zh) | 一种自动检测高速铁路桥梁自由振动响应以识别模态的方法 | |
CN110057918A (zh) | 强噪声背景下的复合材料损伤定量识别方法及*** | |
CN106096562B (zh) | 基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法 | |
CN104483049A (zh) | 基于ar模型与马氏距离的光纤光栅传感动态载荷辨识方法 | |
CN103245907B (zh) | 一种模拟电路故障诊断方法 | |
CN109033226B (zh) | 基于复杂网络理论的振动传感器布置优化方法 | |
CN105929024A (zh) | 混凝土缺陷智能化检测与定量识别方法 | |
CN109000876B (zh) | 基于自动编码器深度学习的sns光纤冲击识别方法 | |
Yao et al. | Blind modal identification using limited sensors through modified sparse component analysis by time‐frequency method | |
CN101900789A (zh) | 基于小波变换与分形维数的容差模拟电路故障诊断方法 | |
CN101901209B (zh) | 基于改进emd和arma模型的结构响应分析方法 | |
CN110132403A (zh) | 一种基于eemd和小波阈值的真空泵振动信号降噪方法 | |
CN110298085A (zh) | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 | |
CN104165742B (zh) | 一种基于互谱函数的运行模态分析实验方法及装置 | |
CN109374119A (zh) | 变压器振动信号特征量提取方法 | |
Mao et al. | The construction and comparison of damage detection index based on the nonlinear output frequency response function and experimental analysis | |
CN109507554A (zh) | 一种电气设备绝缘状态评估方法 | |
CN104807534A (zh) | 基于在线振动数据的设备固有振动模式自学习识别方法 | |
CN105258789A (zh) | 一种振动信号特征频率带的提取方法及装置 | |
CN105572572A (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
CN106451498A (zh) | 一种基于改进广义形态滤波的低频振荡模态辨识方法 | |
Paulraj et al. | Structural steel plate damage detection using non destructive testing, frame energy based statistical features and artificial neural networks | |
CN106548031A (zh) | 一种结构模态参数识别方法 | |
CN110782041B (zh) | 一种基于机器学习的结构模态参数识别方法 | |
CN109815940A (zh) | 小波包能量谱法损伤识别方法 |
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 |