CN111561901A - 一种基于深度学习的钢结构应变检测故障识别方法 - Google Patents
一种基于深度学习的钢结构应变检测故障识别方法 Download PDFInfo
- Publication number
- CN111561901A CN111561901A CN202010304227.0A CN202010304227A CN111561901A CN 111561901 A CN111561901 A CN 111561901A CN 202010304227 A CN202010304227 A CN 202010304227A CN 111561901 A CN111561901 A CN 111561901A
- Authority
- CN
- China
- Prior art keywords
- strain
- data
- steel structure
- detection
- strain detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 84
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 74
- 239000010959 steel Substances 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000013434 data augmentation Methods 0.000 claims abstract description 12
- 238000013524 data verification Methods 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 235000004789 Rosa xanthina Nutrition 0.000 claims description 6
- 241000109329 Rosa xanthina Species 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000005336 cracking Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B17/00—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations
- G01B17/02—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations for measuring thickness
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于深度学习的钢结构应变检测故障识别方法，该方法包含以下步骤：1)将45°应变花及超声波测厚仪安装在钢结构板材表面及背面；2)通过应变花采集钢结构板材应变变化数据，依据应变花排列情况进行编号，并组合钢板厚度数据，提取应变检测数据序列；3)采集大量钢结构板材的分类故障及正常数据序列集，通过数据增广扩展为数据训练集和数据验证集；4)使用AlexNet网络作为钢结构应变检测故障识别模型网络对数据集进行训练，得到对应故障识别模型。本发明方法提供了一种通过对钢结构应变检测数据进行深度神经网络提取数据特征，方法所需运算量小，钢结构应变检测故障识别率高。
Description
技术领域
本发明涉及深度学习技术及钢结构应变检测领域，尤其涉及一一种基于深度学习的钢结构应变检测故障识别方法。
背景技术
钢结构是由钢制材料通过焊缝、螺栓或铆钉连接组成的型钢、钢桁架等构件结构，因其强度高，延展性好，且便于施工，广泛应用于各类工程领域，是机械设备、建筑结构的主体材料。钢结构是长期使用过程中，会出现如结构变形、开裂等现象，严重威胁生产安全。应变检测在不损害或不影响被检钢结构对象使用性能的前提下，作为钢结构检测的手段之一，其重要性已得到公认。
通常情况下，钢结构应变检测的过程是对应变型号进行采集分析，进而生成信号图谱，辅以经验丰富的工程师进行故障诊断。此过程虽然有效，但需要依赖人工经验才能进行分析，效率低下，而且诊断结果正确与否很大程度取决于操作人员水平高低。而基于基于深度学习的钢结构应变检测故障识别方法解决和改善上述问题，保障钢结构应变检测的准确和效率。
发明内容
本发明主要针对现有技术领域中的热点问题，提供一种基于深度学习的钢结构应变检测故障识别方法。
本发明解决相应技术问题的技术方案是：一种基于深度学习的钢结构应变检测故障识别方法，包括以下步骤：
1)将45°应变花及超声波测厚仪安装在钢结构板材表面及背面；
2)通过应变花采集钢结构板材应变变化数据，依据应变花排列情况进行编号，并组合钢板厚度数据，提取应变检测数据序列；
3)采集大量钢结构板材的分类故障及正常应变检测数据序列集，通过数据增广扩展为数据训练集和数据验证集；
4)使用AlexNet网络作为钢结构应变检测故障识别模型网络对数据集进行训练，得到对应故障识别模型。
所述步骤1)将45°应变花及超声波测厚仪安装在钢结构板材表面及背面具体包括：
2.1)应变花安装在钢结构板材表面及背面，表面及背面的安装位置对称，应变片组根据安装位置进行标号，应变采集频率为512Hz，量程(0，εmax)；
2.2)补偿用温度应变片安装在应变花50cm距离范围内，与应变花同时采集，应变采集频率为512Hz；
2.3)超声波测厚仪测量被测钢结构板材板厚变化数据，与应变花同时采集，测厚仪采集频率为512Hz。
所述步骤2)通过应变花采集钢结构板材应变变化数据，依据应变花排列情况进行编号，并组合钢板厚度数据，提取应变检测数据序列，具体包括：
3.1)补偿用温度应变片采集补偿数据，记为ε0，应变花与补偿用应变片同时采集应变数据，记为ε1，ε2，ε3，ε4，ε5，ε6，超声波测厚仪数据记为h；
3.2)整理任意采集时间段内的应变花、补偿用应变片和测厚仪数据，组成序列数据，如下：
式中：D表示任意采集时间段内应变检测数据序列，t0，tn分别表示任意采集时间段的起点和终点。
所述步骤3)采集大量钢结构板材的分类故障及正常应变检测数据序列集，通过数据增广扩展为数据训练集和数据验证集具体包括：
4.1)采集大量钢结构板材的检测数据序列，检测序列数据可以是任意时间段内的；
4.2)将采集到的检测数据序列打上数据标记，数据标记分为5类；将标签结果向量化，表示成一个5维向量，向量元素分别对应正常、翘曲变形、疲劳破坏、应变集中和开裂五种应变检测结果，若对应存在记为1，否则记为0；
4.3)将采集到的检测数据序列进行数据增广操作，随机地将检测数据序列应变数据某一行的元素设置成0或设置成极值εmax，添加到检测数据序列集；
4.4)将检测数据增广操作后的检测数据序列集按比例ε划分模型训练数据集STRA和模型验证数据集STES，ε取值如下：
所述步骤4)使用AlexNet网络作为钢结构应变检测故障识别模型网络对数据训练集进行训练，得到对应故障识别模型，具体包括：
5.1)设置AlexNet网络的激活函数为LReLU，如下：
5.2)设置AlexNet网络的池化窗口为1×2维矩阵，步长为2，池化方法为平均池化；
5.3)设置卷积层C1，使用96个尺寸1×4的卷积核进行卷积操作，步长为4；
设置局部归一化公式系数，如下：
其中，a表示第i个核的位置(x，y)使用激活函数的输出，n是同一位置上临近的核的数目，N为核总数；
5.4)设置卷积层C2，使用256个尺寸1×2×96的卷积核进行卷积操作，步长为2；
5.5)设置卷积层C3，使用384个尺寸1×2×256的卷积核进行卷积操作，步长为2；
5.6)设置卷积层C4，使用384个尺寸1×2×384的卷积核进行卷积操作，步长为2；
5.7)设置卷积层C5，使用256个尺寸1×4×384的卷积核进行卷积操作，步长为4；
设置卷积层C5后的池化方法为空间金字塔池化，池化窗口为1×n维矩阵，步长为n，池化方法为最大池化，其中n为检测数据序列总帧数；
5.8)设置全连接层FC6，卷积核大小为8×1×256；
5.9)设置全连接层FC7，卷积核大小为2048×1；
5.10)设置输出层，输出尺寸为5×1，对应检测数据结果标记结果分类；
5.11)使用随机梯度下降优化算法更新网络卷积核的参数；
使用标准差为0.1的正态分布函数初始化卷积核的参数，卷积层的偏置项全部初始化为0；
5.12)使用模型训练数据集STRA训练AlexNet网络一轮，更新网络参数，得到钢结构应变检测故障识别模型；
5.13)使用模型验证数据集STES验证5.12)得到的识别模型，当识别正确率大于等于0.995时，训练完毕，得到参数正确的钢结构应变检测故障识别模型，否则转入步骤5.12)。
本发明产生的有益效果是：
1.本发明采用数据增广方法对数据集进行扩充，给模型训练提供了丰富的样本，同时还还原了真实工况下的应变花坏点现象；
2.本发明采用LReLU函数作为神经网络激活函数，有效解决了应变值为负数时，导数为0的情况，使得网络可以计算钢结构板材拉压两个方向的应变；
3.本发明采用空间金字塔池化作为网络最后一层池化方法，能够在AlexNet训练过程中处理任意大小的检测数据序列输入，这使得最后得到钢结构应变检测故障识别模型变得更加的有柔性。
附图说明
下面将结合附图对本发明做进一步说明，附图中；
图1为本发明基于深度学习的钢结构应变检测故障识别方法流程图；
图2是应变花、测厚仪的安装立体图；
图3是本发明所设计的检测数据序列标签结果转化示意图；
图4是本发明所使用的AlexNet网络参数设置图。
具体实施方式
为了使本发明的技术方案、解决问题思路等更加清晰，以下结合使用实例对本发明进行进一步详细说明。应当理解，此处所描述的具体使用实例仅用来解释本发明，并不用于限定本发明。
如图1所示，一种基于深度学习的钢结构应变检测故障识别方法包括以下步骤：
步骤STEP1，将45°应变花及超声波测厚仪安装在钢结构板材表面及背面，如图2所示，具体包括；
a)应变花安装在钢结构板材表面及背面，表面及背面的安装位置对称，应变片组根据安装位置进行标号，应变采集频率为512Hz，量程(0，εmax)；
b)补偿用温度应变片安装在应变花50cm距离范围内，与应变花同时采集，应变采集频率为512Hz；
c)超声波测厚仪测量被测钢结构板材板厚变化数据，与应变花同时采集，测厚仪采集频率为512Hz。
步骤STEP2，通过应变花采集钢结构板材应变变化数据，依据应变花排列情况进行编号，并组合钢板厚度数据，提取应变检测数据序列，具体包括；
a)补偿用温度应变片采集补偿数据，记为ε0，应变花与补偿用应变片同时采集应变数据，记为ε1，ε2，ε3，ε4，ε5，ε6，超声波测厚仪数据记为h；
b)整理任意采集时间段内的应变花、补偿用应变片和测厚仪数据，组成序列数据，如下：
式中：D表示任意采集时间段内应变检测数据序列，t0，tn分别表示任意采集时间段的起点和终点。
步骤STEP3，采集大量钢结构板材的分类故障及正常应变检测数据序列集，通过数据增广扩展为数据训练集和数据验证集，具体包括；
a)采集大量钢结构板材的检测数据序列，检测序列数据可以是任意时间段内的；
b)将采集到的检测数据序列打上数据标记，如图3所示，数据标记分为5类；将标签结果向量化，表示成一个5维向量，向量元素分别对应正常、翘曲变形、疲劳破坏、应变集中和开裂五种应变检测结果，若对应存在记为1，否则记为0；
c)将采集到的检测数据序列进行数据增广操作，随机地将检测数据序列应变数据某一行的元素设置成0或设置成极值εmax，添加到检测数据序列集；
d)将检测数据增广操作后的检测数据序列集按比例ε划分模型训练数据集STRA和模型验证数据集STES，ε取值如下：
步骤STEP4，使用AlexNet网络作为钢结构应变检测故障识别模型网络对数据集进行训练，如图4所示，得到对应故障识别模型，具体包括；
a)设置AlexNet网络的激活函数为LReLU，如下：
b)设置AlexNet网络的池化窗口为1×2维矩阵，步长为2，池化方法为平均池化；
c)设置卷积层C1，使用96个尺寸1×4的卷积核进行卷积操作，步长为4；
设置局部归一化公式系数，如下：
其中，a表示第i个核的位置(x，y)使用激活函数的输出，n是同一位置上临近的核的数目，N为核总数；
d)设置卷积层C2，使用256个尺寸1×2×96的卷积核进行卷积操作，步长为2；
e)设置卷积层C3，使用384个尺寸1×2×256的卷积核进行卷积操作，步长为2；
f)设置卷积层C4，使用384个尺寸1×2×384的卷积核进行卷积操作，步长为2；
g)设置卷积层C5，使用256个尺寸1×4×384的卷积核进行卷积操作，步长为4；
设置卷积层C5后的池化方法为空间金字塔池化，池化窗口为n维矩阵，步长为n，池化方法为最大池化，其中n为检测数据序列总帧数；
h)设置全连接层FC6，卷积核大小为8×1×256；
i)设置全连接层FC7，卷积核大小为2048×1；
j)设置输出层，输出尺寸为5×1，对应检测数据结果标记结果分类；
k)使用随机梯度下降优化算法更新网络卷积核的参数；
使用标准差为0.1的正态分布函数初始化卷积核的参数，卷积层的偏置项全部初始化为0；
l)使用模型训练数据集STRA训练AlexNet网络一轮，更新网络参数，得到钢结构应变检测故障识别模型；
m)使用模型验证数据集STES验证l)得到的识别模型，当识别正确率大于等于0.995时，训练完毕，得到参数正确的钢结构应变检测故障识别模型，否则转入步骤1)。
Claims (5)
1.一种基于深度学习的钢结构应变检测故障识别方法，其特征包括以下步骤：
1)将45°应变花及超声波测厚仪安装在钢结构板材表面及背面；
2)通过应变花采集钢结构板材应变变化数据，依据应变花排列情况进行编号，并组合钢板厚度数据，提取应变检测数据序列；
3)采集大量钢结构板材的分类故障及正常应变检测数据序列集，通过数据增广扩展为数据训练集和数据验证集；
4)使用AlexNet网络作为钢结构应变检测故障识别模型网络对数据集进行训练，得到对应故障识别模型。
2.根据权利要求1所述的一种基于深度学习的钢结构应变检测故障识别方法，其特征在于，所述步骤1)将45°应变花及超声波测厚仪安装在钢结构板材表面及背面具体包括：
2.1)应变花安装在钢结构板材表面及背面，表面及背面的安装位置对称，应变片组根据安装位置进行标号，应变采集频率为512Hz，量程(0，εmax)；
2.2)补偿用温度应变片安装在应变花50cm距离范围内，与应变花同时采集，应变采集频率为512Hz；
2.3)超声波测厚仪测量被测钢结构板材板厚变化数据，与应变花同时采集，测厚仪采集频率为512Hz。
3.根据权利要求1所述的一种基于深度学习的钢结构应变检测故障识别方法，其特征在于，所述步骤2)通过应变花采集钢结构板材应变变化数据，依据应变花排列情况进行编号，并组合钢板厚度数据，提取应变检测数据序列，具体包括：
3.1)补偿用温度应变片采集补偿数据，记为ε0，应变花与补偿用应变片同时采集应变数据，记为ε1，ε2，ε3，ε4，ε5，ε6，超声波测厚仪数据记为h；
3.2)整理任意采集时间段内的应变花、补偿用应变片和测厚仪数据，组成序列数据，如下：
式中：D表示任意采集时间段内应变检测数据序列，t0，tn分别表示任意采集时间段的起点和终点。
4.根据权利要求1所述的一种基于深度学习的钢结构应变检测故障识别方法，其特征在于，所述步骤3)采集大量钢结构板材的分类故障及正常应变检测数据序列集，通过数据增广扩展为数据训练集和数据验证集具体包括：
4.1)采集大量钢结构板材的检测数据序列，检测序列数据可以是任意时间段内的；
4.2)将采集到的检测数据序列打上数据标记，数据标记分为5类；将标签结果向量化，表示成一个5维向量，向量元素分别对应正常、翘曲变形、疲劳破坏、应变集中和开裂五种应变检测结果，若对应存在记为1，否则记为0；
4.3)将采集到的检测数据序列进行数据增广操作，随机地将检测数据序列应变数据某一行的元素设置成0或设置成极值εmax，添加到检测数据序列集；
4.4)将检测数据增广操作后的检测数据序列集按比例ε划分模型训练数据集STRA和模型验证数据集STES，ε取值如下：
5.根据权利要求1所述的一种基于深度学习的钢结构应变检测故障识别方法，其特征在于，所述步骤4)使用AlexNet网络作为钢结构应变检测故障识别模型网络对数据训练集进行训练，得到对应故障识别模型，具体包括：
5.1)设置AlexNet网络的激活函数为LReLU，如下：
5.2)设置AlexNet网络的池化窗口为1×2维矩阵，步长为2，池化方法为平均池化；
5.3)设置卷积层C1，使用96个尺寸1×4的卷积核进行卷积操作，步长为4；
设置局部归一化公式系数，如下：
其中，a表示第i个核的位置(x，y)使用激活函数的输出，n是同一位置上临近的核的数目，N为核总数；
5.4)设置卷积层C2，使用256个尺寸1×2×96的卷积核进行卷积操作，步长为2；
5.5)设置卷积层C3，使用384个尺寸1×2×256的卷积核进行卷积操作，步长为2；
5.6)设置卷积层C4，使用384个尺寸1×2×384的卷积核进行卷积操作，步长为2；
5.7)设置卷积层C5，使用256个尺寸1×4×384的卷积核进行卷积操作，步长为4；
设置卷积层C5后的池化方法为空间金字塔池化，池化窗口为1×n维矩阵，步长为n，池化方法为最大池化，其中n为检测数据序列总帧数；
5.8)设置全连接层FC6，卷积核大小为8×1×256；
5.9)设置全连接层FC7，卷积核大小为2048×1；
5.10)设置输出层，输出尺寸为5×1，对应检测数据结果标记结果分类；
5.11)使用随机梯度下降优化算法更新网络卷积核的参数；
使用标准差为0.1的正态分布函数初始化卷积核的参数，卷积层的偏置项全部初始化为0；
5.12)使用模型训练数据集STRA训练AlexNet网络一轮，更新网络参数，得到钢结构应变检测故障识别模型；
5.13)使用模型验证数据集STES验证5.12)得到的识别模型，当识别正确率大于等于0.995时，训练完毕，得到参数正确的钢结构应变检测故障识别模型，否则转入步骤5.12)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010304227.0A CN111561901B (zh) | 2020-04-15 | 2020-04-15 | 一种基于深度学习的钢结构应变检测故障识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010304227.0A CN111561901B (zh) | 2020-04-15 | 2020-04-15 | 一种基于深度学习的钢结构应变检测故障识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111561901A true CN111561901A (zh) | 2020-08-21 |
| CN111561901B CN111561901B (zh) | 2024-07-23 |
Family
ID=72070422
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010304227.0A Active CN111561901B (zh) | 2020-04-15 | 2020-04-15 | 一种基于深度学习的钢结构应变检测故障识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111561901B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256566A (zh) * | 2021-04-29 | 2021-08-13 | 广州杰赛科技股份有限公司 | 一种管道焊缝缺陷识别方法 |
| CN114324584A (zh) * | 2021-12-16 | 2022-04-12 | 浙江工业大学 | 一种基于智能算法和超声相控阵技术的钢结构检测方法 |
| CN117332352A (zh) * | 2023-10-12 | 2024-01-02 | 国网青海省电力公司海北供电公司 | 一种基于BAM-AlexNet的避雷器信号缺陷识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
| CN107784320A (zh) * | 2017-09-27 | 2018-03-09 | 电子科技大学 | 基于卷积支持向量机的雷达一维距离像目标识别方法 |
| CN108038847A (zh) * | 2017-12-05 | 2018-05-15 | 国网内蒙古东部电力有限公司 | 基于深度学习的变压器巡检图像智能识别和故障检测*** |
| CN109292633A (zh) * | 2018-09-28 | 2019-02-01 | 江苏省特种设备安全监督检验研究院 | 基于物联网技术的起重机结构应力实时监测与故障诊断*** |
-
2020
- 2020-04-15 CN CN202010304227.0A patent/CN111561901B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
| CN107784320A (zh) * | 2017-09-27 | 2018-03-09 | 电子科技大学 | 基于卷积支持向量机的雷达一维距离像目标识别方法 |
| CN108038847A (zh) * | 2017-12-05 | 2018-05-15 | 国网内蒙古东部电力有限公司 | 基于深度学习的变压器巡检图像智能识别和故障检测*** |
| CN109292633A (zh) * | 2018-09-28 | 2019-02-01 | 江苏省特种设备安全监督检验研究院 | 基于物联网技术的起重机结构应力实时监测与故障诊断*** |
Non-Patent Citations (1)
| Title |
|---|
| 颉潭成;陈孟会;徐彦伟;李先锋;: "卷积神经网络在轴承故障识别的应用", 制造业自动化, no. 01, 25 January 2020 (2020-01-25) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256566A (zh) * | 2021-04-29 | 2021-08-13 | 广州杰赛科技股份有限公司 | 一种管道焊缝缺陷识别方法 |
| CN114324584A (zh) * | 2021-12-16 | 2022-04-12 | 浙江工业大学 | 一种基于智能算法和超声相控阵技术的钢结构检测方法 |
| CN114324584B (zh) * | 2021-12-16 | 2023-09-05 | 浙江工业大学 | 一种基于智能算法和超声相控阵技术的钢结构检测方法 |
| CN117332352A (zh) * | 2023-10-12 | 2024-01-02 | 国网青海省电力公司海北供电公司 | 一种基于BAM-AlexNet的避雷器信号缺陷识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111561901B (zh) | 2024-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111561901A (zh) | 一种基于深度学习的钢结构应变检测故障识别方法 | |
| CN105716814B (zh) | 一种评估桁架结构损伤的实时监测***及其方法 | |
| CN112233091B (zh) | 一种风力机叶片图像损伤检测和定位方法 | |
| CN108052770A (zh) | 一种考虑时变效应的大跨桥梁主梁性能预警方法 | |
| CN109242049B (zh) | 基于卷积神经网络的给水管网多点漏损定位方法及其装置 | |
| CN106918836B (zh) | 基于主成分分析的钻孔应变数据异常提取方法 | |
| CN105956216B (zh) | 大跨钢桥基于均匀温度响应监测值的有限元模型修正方法 | |
| CN105930571B (zh) | 基于单位温度响应监测值的大跨钢桥有限元模型修正方法 | |
| CN101829689B (zh) | 一种基于声信号的热轧带钢甩尾故障识别方法 | |
| CN105956218B (zh) | 基于非均匀温度响应监测值的钢桥有限元模型修正方法 | |
| CN105675056A (zh) | 一种大跨桥梁损伤识别方法 | |
| CN115048998B (zh) | 一种基于监测数据的斜拉桥群索索力异常识别定位方法 | |
| CN109975136B (zh) | 一种基于小波包分析的钢框架结构损伤识别方法 | |
| CN107092747A (zh) | 树木风载荷测定方法 | |
| Larsen et al. | Effect of a damage to modal parameters of a wind turbine blade | |
| CN116432071A (zh) | 一种滚动轴承剩余寿命预测方法 | |
| CN111753776A (zh) | 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 | |
| CN114324580A (zh) | 一种结构缺陷的智能敲击检测方法及*** | |
| CN114764538B (zh) | 一种设备声音信号模式识别方法 | |
| CN112683774B (zh) | 一种用于新能源汽车车身的自冲铆接质量检测装置和方法 | |
| CN116822146B (zh) | 一种基于多层感知机的柔性防护***智能快速计算方法 | |
| CN116502526A (zh) | 基于改进pso-grnn神经网络称重传感器故障诊断方法 | |
| CN111562094A (zh) | 一种基于深度神经网络的船用桨叶故障识别方法 | |
| CN105699043A (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
| Puruncajas et al. | Damage Detection and Diagnosis for Offshore Wind Foundations. |
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 |