CN110321616B - 基于小波变换和注意力模型的三跨杆塔故障诊断方法 - Google Patents
基于小波变换和注意力模型的三跨杆塔故障诊断方法 Download PDFInfo
- Publication number
- CN110321616B CN110321616B CN201910558150.7A CN201910558150A CN110321616B CN 110321616 B CN110321616 B CN 110321616B CN 201910558150 A CN201910558150 A CN 201910558150A CN 110321616 B CN110321616 B CN 110321616B
- Authority
- CN
- China
- Prior art keywords
- attention model
- tower
- data
- finite element
- span tower
- 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 43
- 230000009466 transformation Effects 0.000 title claims abstract description 37
- 238000003745 diagnosis Methods 0.000 title claims abstract description 24
- 230000001052 transient effect Effects 0.000 claims abstract description 15
- 238000009434 installation Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000013016 damping Methods 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明的基于小波变换和注意力模型的三跨杆塔故障诊断方法,包括:对三跨杆塔进行ANSYS有限元建模和ANSYS完全法瞬态动力分析,找到关键杆件分布,进而确定振动速度传感器的安装位置;将振动速度传感器安装在三跨杆塔上,利用振动速度传感器采集三跨杆塔的振动数据;对采集到的振动数据进行预处理,将异常值剔除;对预处理后的振动数据进行小波变换,得到小波变换后的数据;将小波变换后的数据输入到训练好的注意力模型中,注意力模型对数据进行分析诊断,进而判断三跨杆塔是否存在故障。该方法能够实时准确地对杆塔螺栓工作状态的进行判别,提高了诊断效率。
Description
技术领域
本发明属于电力杆塔故障诊断技术领域,涉及基于小波变换和注意力模型的三跨杆塔故障诊断方法。
背景技术
“三跨”线路是指跨越高速公路、高速铁路和重要输电通道的架空输电线路。由于三跨杆塔所处工作环境恶劣,再加上自然环境和地理因素的影响,常出现杆塔螺栓松动的现象,若检修不及时,易发生倒塔事故。一旦发生倒塔事故,将极大威胁下方的行人、车流安全,造成严重的电力事故。为减少“三跨”线路倒塔、断线、掉串等事故造成较大的公共安全和电网安全事件,智能分析影响“三跨”杆塔安全运行的关键因素是非常必要的,检测杆塔螺栓的松动状态是重点研究方向之一。
在工程实际中,判断杆塔螺栓的松动状态,通常是人为的敲击杆塔,根据杆塔发出的声音得出结论,但这种判定结果易受外界环境及主观因素的影响,准确性较差。因此,迫切需要一种方法实时准确地对杆塔螺栓的工作状态进行判别,是保证电网安全经济运行的重点研究方向之一,具有非常大的工程实际意义。
发明内容
本发明的目的是提供基于小波变换和注意力模型的三跨杆塔故障诊断方法,该方法能够实时准确地对杆塔螺栓的工作状态进行判别,从而保障三跨杆塔安全可靠的运行。
本发明提供的基于小波变换和注意力模型的三跨杆塔故障诊断方法,包括如下步骤:
步骤1:对三跨杆塔进行ANSYS有限元建模和ANSYS完全法瞬态动力分析,找到关键杆件分布,进而确定振动速度传感器的安装位置;
步骤2:将振动速度传感器安装在三跨杆塔上,利用振动速度传感器采集三跨杆塔的振动数据;
步骤3:对采集到的振动数据进行预处理,将异常值剔除;
步骤4:对预处理后的振动数据进行小波变换,得到小波变换后的数据;
步骤5:将小波变换后的数据输入到训练好的注意力模型中,注意力模型对数据进行分析诊断,进而判断三跨杆塔是否存在故障。
在本发明的基于小波变换和注意力模型的三跨杆塔故障诊断方法中,所述步骤1中对三跨杆塔进行ANSYS有限元建模时根据下式求解杆塔的阻尼系数:
[C]=α[M]+β[K]
其中,[C]为有限元结构的总阻尼矩阵、[M]为有限元结构的总质量矩阵、[K]为有限元结构的总刚度矩阵、α有限元结构的质量阻尼系数、β为有限元结构的刚度阻尼系数。
在本发明的基于小波变换和注意力模型的三跨杆塔故障诊断方法中,所述步骤1中进行ANSYS完全法瞬态动力分析时以下面的瞬态动力学的运动方程为基础来求解有限元在动力载荷作用下的响应:
在本发明的基于小波变换和注意力模型的三跨杆塔故障诊断方法中,所述步骤2中通过单片机连接振动速度传感器进行振动数据采集,且单片机的采用频率设置为振动信号频率的7~10倍。
在本发明的基于小波变换和注意力模型的三跨杆塔故障诊断方法中,所述振动速度传感器采用电磁式速度传感器,振子运动切割磁力线产生电压输出,振动速度传感器沿塔杆的径向安装放置。
在本发明的基于小波变换和注意力模型的三跨杆塔故障诊断方法中,所述步骤3中采用一阶差分法对振动数据进行预处理。
在本发明的基于小波变换和注意力模型的三跨杆塔故障诊断方法中,所述步骤4包括:
步骤4.1:选取小波基函数;
步骤4.2:确定相应的分解尺度,采用下列公式来计算分解尺度:
j=log2(fs/f0)-2
式中,f0为三跨杆塔的自然频率,fs为单片机的采样频率;
步骤4.3:利用小波基函数和分解尺度对振动数据进行小波变换,得到1个低频信号和n个高频率范围的信号,即S0~Sn共n+1个频带的重构信号表示为S=[S0,S1,S2,…,Sn]。
在本发明的基于小波变换和注意力模型的三跨杆塔故障诊断方法中,所述步骤5包括:
步骤5.1:将小波变换后的数据构造特征向量,第i个特征向量记为di,di∈RM,M为特征向量维数,;
步骤5.2:根据杆塔螺栓的工作状态,对特征向量进行标签,特征向量di对应的类别的类标为zi,即构成诊断样本(di,zi)N×M,其中N代表所有诊断样本数目;
步骤5.3:将诊断样本数据集(di,zi)N×M分为训练集和测试集,将训练集输入到注意力模型中对模型进行训练;
步骤5.4,将训练集数据输入到注意力模型中,得到注意力模型输出一维实向量Y,Y表示为[y(1),y(2),…,y(k)],其中k为分类类别数,y(k)为di属于第k类的得分,Y的计算为:
Y=W·di+b,
其中,W是权重矩阵,表示为[w(1),w(2),…,w(k)];b是偏置项,表示为[b1,b2,…,bk];
步骤5.5,注意力模型输出Y经过sigmoid激活函数及softmax函数,转化为di属于各类别的概率,softmax函数的输出为:
进而求解出来di属于类别r的概率;
步骤5.7,重复步骤5.4-5.6,直到达到所设置的迭代次数为止,完成模型训练;
步骤5.8,将测试集输入到训练好的注意力模型中,检验注意力模型的训练效果。
本发明的基于小波变换和注意力模型的三跨杆塔故障诊断方法,采用ANSYS有限元建模和完全法瞬态动力分析确定振动速度传感器的安装位置,利用振动速度传感器对振动信号进行采集,并对振动数据进行预处理,在此基础上构建基于小波变换和注意力模型的三跨杆塔故障诊断方法,其采用小波变换对预处理后的振动数据进行处理,得到注意力模型的输入矩阵,把输入矩阵输入到训练好的注意力模型中进行分析诊断,进而得到三跨杆塔的故障诊断结果,能够实时准确地对杆塔螺栓工作状态的进行判别,提高了诊断效率。
附图说明
图1是本发明的基于小波变换和注意力模型的三跨杆塔故障诊断方法的流程图;
图2是本发明的注意力模型的基本结构。
具体实施方式
下面结合说明书附图对本发明的具体实施方式进行详细说明。
如图1所示,本发明的基于小波变换和注意力模型的三跨杆塔故障诊断方法,包括如下步骤:
步骤1:
对三跨杆塔进行ANSYS有限元建模和ANSYS完全法瞬态动力分析,找到关键杆件分布,进而确定振动速度传感器的安装位置;
通过在三跨杆塔上加装振动速度传感器可以获取杆塔在外荷载作用下的动力响应信息,考虑到铁塔往往具有极大的自由度,对每个自由度节点都安装传感器是不现实的,因此需要通过ANSYS有限元建模和完全法瞬态动力分析各种环境因素对铁塔应力分布和幅值的影响,针对“三跨”环境研究不同铁塔破坏事件的应力特点,找到螺栓松动概率较高的铁塔杆件分布,并结合实际现场,确定振动速度传感器的安装位置。
具体实施时,对三跨杆塔进行ANSYS有限元建模时,对于模型参数的确定,需合理选取三跨杆塔自身固有频率分布范围,考虑塔身螺栓、节点板等零件产生的力学作用,除塔身质量需控制外,在对杆塔进行动力特性分析时,还需要输入杆塔结构的阻尼系数,在ANSYS动力学分析中,通常采用Rayleign阻尼,即根据下式求解杆塔的阻尼系数:
[C]=α[M]+β[K]
其中,[C]为有限元结构的总阻尼矩阵、[M]为有限元结构的总质量矩阵、[K]为有限元结构的总刚度矩阵、α有限元结构的质量阻尼系数、β为有限元结构的刚度阻尼系数。
具体实施时,ANSYS完全法瞬态动力分析主要步骤有:建模、建立初始条件、设置求解选项、施加荷载、写入荷载步文件、瞬态分析求解、观察结果等。进行ANSYS完全法瞬态动力分析时以下面的瞬态动力学的运动方程为基础来求解有限元在动力载荷作用下的响应:
步骤2:将振动速度传感器安装在三跨杆塔上,利用振动速度传感器采集三跨杆塔的振动数据;
具体实施时,通过单片机连接振动速度传感器进行振动数据采集,且单片机的采用频率设置为振动信号频率的7~10倍。振动速度传感器采用电磁式速度传感器,振子运动切割磁力线产生电压输出,振动速度传感器沿塔杆的径向安装放置。
步骤3:对采集到的振动数据进行预处理,将异常值剔除,具体,采用的是一阶差分法,该方法需要事先给定允许差限值。
步骤4:对预处理后的振动数据进行小波变换,得到小波变换后的数据,具体包括:
步骤4.1:选取合适的小波基函数。同一信号进行小波变换选取不同的小波基函数将会得到不同的效果,db4小波基函数是一个具有紧支撑小波,其不具有对称性,对于给定的支撑长度和消失矩阵比相同阶数的其他小波要好,且db4小波具有正交性和正则性等特点,本实施方案中选取db4小波基函数。
步骤4.2:确定相应的分解尺度,采用下列公式来计算分解尺度:
j=log2(fs/f0)-2
式中,f0为三跨杆塔的自然频率,fs为单片机的采样频率;
步骤4.3:利用小波基函数和分解尺度对振动数据进行小波变换,得到1个低频信号和n个高频率范围的信号,即S0~Sn共n+1个频带的重构信号表示为S=[S0,S1,S2,…,Sn]。
步骤5:将小波变换后的数据输入到训练好的注意力模型中,注意力模型对数据进行分析诊断,进而判断三跨杆塔是否存在故障,如图2所示为注意力模型的基本结构。
本实施方案中,注意力模型将小波变换后的数据与其所对应的杆塔螺栓工作状态以加权的形式连接,再通过softmax函数即可得到对于杆塔螺栓各个工作状态的概率分布,注意力模型的训练过程包括以下步骤:
步骤5.1:将小波变换后的数据构造特征向量,第i个特征向量记为di,di∈RM,M为特征向量维数,M取值为5;
步骤5.2:根据杆塔螺栓的工作状态,对特征向量di进行标签,特征向量di对应的类别的类标为zi,即构成诊断样本(di,zi)N×M,其中N代表所有诊断样本数目,由于杆塔螺栓只有松动和紧固两种工作状态,其对应的值分别为“0”和“1”,因此zi的值只有“0”和“1”;具体实施时,选取10000个样本;
步骤5.3:将诊断样本数据集(di,zi)N×M分为训练集和测试集,9000个样本作为训练集,另外1000个样本作为测试集;将训练集输入到注意力模型中对模型进行训练;
步骤5.4,将训练集数据输入到注意力模型中,得到注意力模型输出一维实向量Y,Y表示为[y(1),y(2),…,y(k)],其中k为分类类别数,k=2,y(k)为di属于第k类的得分,Y的计算为:
Y=W·di+b,
其中,W是权重矩阵,表示为[w(1),w(2),…,w(k)];b是偏置项,表示为[b1,b2,…,bk];
步骤5.5,注意力模型输出Y经过sigmoid激活函数及softmax函数,转化为di属于各类别的概率,softmax函数的输出为:
进而求解出来di属于类别r的概率;
步骤5.7,重复步骤5.4-5.6,直到达到所设置的迭代次数为止,完成模型训练;
步骤5.8,将测试集输入到训练好的注意力模型中,检验注意力模型的训练效果。
本发明提供的基于小波变换和注意力模型的三跨杆塔故障诊断方法,采用ANSYS有限元建模和完全法瞬态动力分析确定振动速度传感器的安装位置,利用振动速度传感器将采集振动数据,并对振动数据进行预处理,在此基础上构建基于小波变换和注意力模型的三跨杆塔故障诊断方法,其采用小波变换对预处理后的振动处理进行处理,得到注意力模型的输入矩阵,把输入矩阵输入到训练好的注意力模型中进行分析诊断,进而得到三跨杆塔的故障诊断结果,能够实时准确地对杆塔螺栓工作状态的进行判别,提高了诊断效率。
以上所述仅为本发明的较佳实施例,并不用以限制本发明的思想,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于小波变换和注意力模型的三跨杆塔故障诊断方法,其特征在于,包括如下步骤:
步骤1:对三跨杆塔进行ANSYS有限元建模和ANSYS完全法瞬态动力分析,找到关键杆件分布,进而确定振动速度传感器的安装位置;
步骤2:将振动速度传感器安装在三跨杆塔上,利用振动速度传感器采集三跨杆塔的振动数据;
步骤3:对采集到的振动数据进行预处理,将异常值剔除;
步骤4:对预处理后的振动数据进行小波变换,得到小波变换后的数据;
步骤5:将小波变换后的数据输入到训练好的注意力模型中,注意力模型对数据进行分析诊断,进而判断三跨杆塔是否存在故障,所述步骤5包括:
步骤5.1:将小波变换后的数据构造特征向量,第i个特征向量记为di,di∈RM,M为特征向量维数;
步骤5.2:根据杆塔螺栓的工作状态,对特征向量di进行标签,特征向量di对应的类别的类标为zi,即构成诊断样本(di,zi)N×M,其中N代表所有诊断样本数目;
步骤5.3:将诊断样本数据集(di,zi)N×M分为训练集和测试集,将训练集输入到注意力模型中对模型进行训练;
步骤5.4: 将训练集数据输入到注意力模型中,得到注意力模型输出一维实向量Y,Y表示为[y(1),y(2),…,y(k)],其中k为分类类别数,y(k)为di属于第k类的得分,Y的计算为:
Y=W·di+b,
其中,W是权重矩阵,表示为[w(1),w(2),…,w(k)];b是偏置项,表示为[b1,b2,…,bk];
步骤5.5,注意力模型输出Y经过sigmoid激活函数及softmax函数,转化为di属于各类别的概率,softmax函数的输出为:
进而求解出来di属于类别r的概率;
步骤5.7,重复步骤5.4-5.6,直到达到所设置的迭代次数为止,完成模型训练;
步骤5.8,将测试集输入到训练好的注意力模型中,检验注意力模型的训练效果。
2.如权利要求1所述的基于小波变换和注意力模型的三跨杆塔故障诊断方法,其特征在于,所述步骤1中对三跨杆塔进行ANSYS有限元建模时根据下式求解杆塔的阻尼系数:
[C]=α[M]+β[K]
其中,[C]为有限元结构的总阻尼矩阵、[M]为有限元结构的总质量矩阵、[K]为有限元结构的总刚度矩阵、α有限元结构的质量阻尼系数、β为有限元结构的刚度阻尼系数。
4.如权利要求1所述的基于小波变换和注意力模型的三跨杆塔故障诊断方法,其特征在于,所述步骤2中通过单片机连接振动速度传感器进行振动数据采集,且单片机的采用频率设置为振动信号频率的7~10倍。
5.如权利要求1所述的基于小波变换和注意力模型的三跨杆塔故障诊断方法,其特征在于,所述振动速度传感器采用电磁式速度传感器,振子运动切割磁力线产生电压输出,振动速度传感器沿塔杆的径向安装放置。
6.如权利要求1所述的基于小波变换和注意力模型的三跨杆塔故障诊断方法,其特征在于,所述步骤3中采用一阶差分法对振动数据进行预处理。
7.如权利要求1所述的基于小波变换和注意力模型的三跨杆塔故障诊断方法,其特征在于,所述步骤4包括:
步骤4.1:选取小波基函数;
步骤4.2:确定相应的分解尺度,采用下列公式来计算分解尺度:
j=log2(fs/f0)-2
式中,f0为三跨杆塔的自然频率,fs为单片机的采样频率;
步骤4.3:利用小波基函数和分解尺度对振动数据进行小波变换,得到1个低频信号和n个高频率范围的信号,即S0~Sn共n+1个频带的重构信号表示为S=[S0,S1,S2,…,Sn]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910558150.7A CN110321616B (zh) | 2019-06-26 | 2019-06-26 | 基于小波变换和注意力模型的三跨杆塔故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910558150.7A CN110321616B (zh) | 2019-06-26 | 2019-06-26 | 基于小波变换和注意力模型的三跨杆塔故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110321616A CN110321616A (zh) | 2019-10-11 |
CN110321616B true CN110321616B (zh) | 2022-11-25 |
Family
ID=68120338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910558150.7A Active CN110321616B (zh) | 2019-06-26 | 2019-06-26 | 基于小波变换和注意力模型的三跨杆塔故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110321616B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866556A (zh) * | 2019-11-12 | 2020-03-06 | 东北大学 | 基于堆栈式支持向量机的杆塔螺栓状态监测方法及装置 |
CN112036403B (zh) * | 2020-08-31 | 2022-08-19 | 合肥工业大学 | 基于注意力机制的输电塔螺栓销子缺失的智能检测方法 |
CN117237881B (zh) * | 2023-11-16 | 2024-02-02 | 合肥中科类脑智能技术有限公司 | 三跨塔的绝缘子异常监测方法及装置、计算机设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000131195A (ja) * | 1998-10-23 | 2000-05-12 | Mitsubishi Electric Corp | ボルトの緩み判定装置 |
CN104931040A (zh) * | 2014-11-25 | 2015-09-23 | 国家电网公司 | 基于机器学习的北斗ⅱ代导航***电力铁塔变形监测设备安装和调试方法 |
CN107340053A (zh) * | 2017-06-14 | 2017-11-10 | 国网湖北省电力公司孝感供电公司 | 一种多传感器数据融合的输电线路杆塔稳定性监测***及方法 |
CN107976307A (zh) * | 2017-11-15 | 2018-05-01 | 西安工程大学 | 一种输电线路铁塔螺栓松动在线监测装置及监测方法 |
CN108090295A (zh) * | 2017-12-27 | 2018-05-29 | 武汉光谷北斗控股集团有限公司 | 一种大跨斜拉桥拉索损伤识别方法 |
CN109084980A (zh) * | 2018-10-10 | 2018-12-25 | 北京交通大学 | 基于均等分割的轴承故障预测方法及装置 |
CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9647454B2 (en) * | 2011-08-31 | 2017-05-09 | Aclara Technologies Llc | Methods and apparatus for determining conditions of power lines |
-
2019
- 2019-06-26 CN CN201910558150.7A patent/CN110321616B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000131195A (ja) * | 1998-10-23 | 2000-05-12 | Mitsubishi Electric Corp | ボルトの緩み判定装置 |
CN104931040A (zh) * | 2014-11-25 | 2015-09-23 | 国家电网公司 | 基于机器学习的北斗ⅱ代导航***电力铁塔变形监测设备安装和调试方法 |
CN107340053A (zh) * | 2017-06-14 | 2017-11-10 | 国网湖北省电力公司孝感供电公司 | 一种多传感器数据融合的输电线路杆塔稳定性监测***及方法 |
CN107976307A (zh) * | 2017-11-15 | 2018-05-01 | 西安工程大学 | 一种输电线路铁塔螺栓松动在线监测装置及监测方法 |
CN108090295A (zh) * | 2017-12-27 | 2018-05-29 | 武汉光谷北斗控股集团有限公司 | 一种大跨斜拉桥拉索损伤识别方法 |
CN109084980A (zh) * | 2018-10-10 | 2018-12-25 | 北京交通大学 | 基于均等分割的轴承故障预测方法及装置 |
CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
Non-Patent Citations (1)
Title |
---|
一种改进的小波分析和Hilbert包络的轴承故障;伍建军 等;《机械设计与制造》;20190430(第4期);第59-62页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110321616A (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321616B (zh) | 基于小波变换和注意力模型的三跨杆塔故障诊断方法 | |
CN106197970B (zh) | 一种基于优化张紧弦模型的桥索监测方法及*** | |
CN105241660B (zh) | 基于健康监测数据的高铁大型桥梁性能测试方法 | |
CN109839440B (zh) | 一种基于静置车辆测试的桥梁损伤定位方法 | |
CN112985671B (zh) | 基于全索系索力测试和误差自适应分析的损伤判定方法 | |
Rolfes et al. | Integral SHM-system for offshore wind turbines using smart wireless sensors | |
CN111946559B (zh) | 一种风机基础和塔架结构检测方法 | |
CN106932135A (zh) | 基于加权窄带搜峰识别振动频率的柔性拉索索力测试方法 | |
CN103499387B (zh) | 一种微振动信号处理方法 | |
CN109211390B (zh) | 输电塔振动及强度安全测试和评估方法 | |
CN112668526A (zh) | 基于深度学习和压电主动传感的螺栓群松动定位监测方法 | |
CN112985672B (zh) | 基于非接触空间振动测试的预应力索系索力分析方法 | |
CN101701882B (zh) | 塔式结构刚度的快速识别方法 | |
CN114993434B (zh) | 一种基于声信号的emd能量熵的车重识别***和方法 | |
CN114323512B (zh) | 一种重载车辆识别方法及*** | |
Mehboob et al. | Numerical study for evaluation of a vibration based damage index for effective damage detection | |
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 | |
CN113420362B (zh) | 一种适用于时变中小跨径桥梁的损伤识别方法及装置 | |
Sadhu et al. | Blind source separation-based optimum sensor placement strategy for structures | |
CN114357778A (zh) | 长期监测场景下的索力自适应识别方法 | |
Desjardins | Structural health assessment of bridges by long-term vibration monitoring and automated operational modal analysis | |
Saleem et al. | Health monitoring of ultra high fiber performance reinforced concrete communication tower using machine learning algorithms | |
Sun et al. | Classification of anchor bolts based on spectral kurtosis and K-means clustering algorithm | |
CN114913674B (zh) | 大跨斜拉桥拉索风雨振监测预警方法 | |
Chen et al. | Waveform chain code: a more sensitive feature selection in unsupervised structural damage detection |
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 |