CN117520983B - 一种基于机电阻抗和cnn的结构损伤识别鲁棒方法 - Google Patents
一种基于机电阻抗和cnn的结构损伤识别鲁棒方法 Download PDFInfo
- Publication number
- CN117520983B CN117520983B CN202311470756.8A CN202311470756A CN117520983B CN 117520983 B CN117520983 B CN 117520983B CN 202311470756 A CN202311470756 A CN 202311470756A CN 117520983 B CN117520983 B CN 117520983B
- Authority
- CN
- China
- Prior art keywords
- signal
- network
- signals
- data set
- temperature
- 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 29
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 230000002277 temperature effect Effects 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Resistance Or Impedance (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
一种基于机电阻抗和CNN的结构损伤识别鲁棒方法,包括:A.测量结构无损状态的导纳信号和温度数据,确定基准信号并构造基准数据集;B.设计温度补偿网络框架,通过特征提取网络和解码网络技术过滤温度效应,输出补偿电导信号;C.训练网络模型,最小化基准数据集输出信号与基准信号的差异;D.计算基准数据集输出信号的损伤指标,定义控制上限UCL以识别离群值;E.构建测试数据集,输入温度补偿网络并计算输出信号的损伤指标,损伤指标大于UCL时为离群值,表示结构发生损伤。本发明考虑电导信号的温度效应,实现机电阻抗技术在变温环境下的结构损伤准确识别,其中温度补偿网络模型训练和UCL统计均使用结构无损状态数据集完成,降低基准数据集获取难度。
Description
技术领域
本发明涉及一种结构损伤识别方法,具体涉及一种基于机电阻抗和CNN的结构损伤识别鲁棒方法。
技术背景
机电阻抗技术是一种低成本的结构损伤识别方法,该技术利用压电材料的正反效应获取压电-结构***的耦合导纳信号,该信号包含的结构机械阻抗信息,其可用于识别结构损伤。机电阻抗技术设备成本低、尺寸小,对结构早期损伤更敏感,在结构损伤识别领域具有广泛应用前景。
机电阻抗导纳信号易受到环境温度影响而发生变化,这种变化可能会掩盖结构损伤对导纳信号造成的影响,降低结构损伤识别的精度。传统方法一般通过最小化未知工况信号与参考信号之间的差异进行温度补偿,该方法在一定范围内能够有效消除温度影响,但由于不同的频率下导纳信号对于温度变化的反应不同,因此该补偿方法对频带范围的选择敏感,选择的频带过宽或者频带中的峰值不合适均可能导致损伤检测准确性降低。
随着深度学习技术的发展,卷积神经网络已用于消除导纳信号中的温度效应,有效克服了传统方法对频带选择的限制。但该方法需将结构损伤状态下的导纳信号作为网络模型的训练数据,在实际情况下这些信号通常难以获得,因而有一定的局限性。
发明内容
针对现有技术的局限性,本发明提出了一种基于机电阻抗和CNN的结构损伤识别鲁棒方法,该方法无需收集结构损伤状态的数据,提高机电阻抗技术在变温条件下的损伤识别精度。其具体内容包括:
一种基于机电阻抗和CNN的结构损伤识别鲁棒方法,包括如下步骤:
A.测量结构无损状态的导纳信号和温度数据,确定基准信号并构造基准数据集;
B.设计温度补偿网络框架,通过特征提取网络和解码网络技术过滤温度效应,输出补偿电导信号;
C.训练网络模型,最小化基准数据集输出信号与基准信号的差异;
D.计算基准数据集输出信号的损伤指标,定义控制上限UCL以识别离群值;
E.构建测试数据集,输入温度补偿网络并计算输出信号的损伤指标,损伤指标大于UCL时为离群值,表示结构发生损伤。
进一步,步骤A具体包括:
A1.在结构无损状态时设置不同温度环境,分别记录压电-结构耦合***的导纳信号和温度数据,以特定温度下的电导信号为基准信号;
A2.对A1步的电导信号进行预处理,首先使用最大-最小归一化法将基准信号缩放到[0,1]范围内,记录其缩放比例为q,所有电导信号值乘以缩放比例q;
A3.将A2步的电导信号按频带平均分为n段长度为m的一维信号,将温度数据扩展为相同长度,按通道进行拼接得到n+1维长度为m的一维信号。
A4.加入随机噪音得到基准数据集,将其分为训练集和验证集两个部分。
进一步,步骤B具体包括:
B1.温度补偿网络框架主要包括特征提取网络、解码网络两个部分;
B2.特征提取网络由卷积块组成,每个卷积块由多个一维卷积层组成,卷积块之间通过池化层进行下采样。
B3.解码网络对上层输出进行上采样,接着将特征信号通过一维卷积层后,与特征提取网络中对应的特征层按照通道拼接,最后通过一个卷积块。通过该网络特征信号长度与输入信号相同。
B4.输出部分通过一维卷积层将解码网络输出特征的通道数映射为n,然后将信号展平,输出信号除以缩放比例q为温度补偿后的电导信号。
进一步,步骤C具体包括:
C1.使用均方误差(MSE)损失函数衡量输出信号与基准信号差异程度,如下所示
其中,表示网络输出的补偿电导信号;G(ω)表示基准信号;/>表示期望。
C2.引入总变分(TV)正则化因子以反映输出信号平滑特性,表示为:
其中,σ(ω)表示输出信号与参考信号的差值,由得到。网络损失函数为二者组合函数,可以表示为:
其中,λTV为TV正则化因子占比。
C3.将训练集代入温度补偿网络进行训练,并通过Adam优化算法沿网络反向传播损失函数值,调整网络参数使损失函数值最小化。
进一步,步骤D具体包括:
D1.选择合适频带,使用均方根偏差(RMSD)作为损伤指标衡量补偿后电导信号与基准信号的差异,该指标表示如下:
其中,和G(ωi)分别表示第i个频率下的补偿后电导信号和基准信号。
D2.使用基准数据集所有工况下的RMSD指标计算控制上限UCL,可以表示为:
UCL=μ+3σ (5)
其中,μ和σ分别表示基准数据集RMSD指标的平均值和标准差。
进一步,步骤E具体包括:
E1.获取结构测试状态数据;
E2.将测试数据预处理为测试数据集,并代入已训练完成的温度补偿网络得到补偿信号,选择相同频带的补偿信号计算RMSD指标。
E3.若补偿信号的RMSD指标大于UCL,则该状态被识别为损伤。
本发明改进的卷积神经网络(CNN)用来补偿检测信号的温度效应,控制上限(UCL)用来判断补偿信号的损伤指标离群值,实现结构损伤高鲁棒性识别。本发明通过补偿温度消除温度对电导信号的影响,提高了机电阻抗技术在变温环境下的结构损伤识别准确率。
本发明的优点是:1.基准数据集构建难度低:本发明温度补偿网络训练和UCL统计均使用结构无损状态数据集完成;2.数据预处理方法合理:缩放比例q代替数据归一化,保留各工况信号相对大小特征,信号均分为n段代替直接输入,实现宽频带电导信号的温度补偿;3.温度补偿网络框架高效:一维CNN适用于处理一维电导信号,特征提取网络和解码网络技术用于过滤温度效应并保留损伤信息;4.网络模型训练效果好:模型训练速度快、数据集小,该补偿方法适用于大幅度温度变化环境;5.结构损伤识别准确率高:试样在所选频带损伤检测准确率均达到100%,损伤指标大小能够反映结构损伤严重程度。
附图说明:
图1是本发明方法的流程图;
图2是本发明检测试样结构示意图;
图3是本发明温度补偿网络框架示意图;
图4是本发明频带选择示意图;
图5是本发明温度补偿前后损伤识别效果对比图。
具体实施方式
下面结合附图对本发明一种基于机电阻抗和CNN的结构损伤识别鲁棒方法做进一步的详细说明。本发明的实施办法如图1所示,具体包含以下步骤:
A.测量结构无损状态的导纳信号和温度数据,确定基准信号并构造基准数据集;
A1.被检测结构如图2所示,压电片粘贴于在空间网架结构的螺栓球处,在结构无损状态时设置-20℃,-10℃,0℃,10℃,20℃,30℃,40℃,50℃,60℃,共计9种温度,分别记录压电-耦合***的在140kHz-190kHz下的导纳信号和温度数据,以20℃的电导信号为基准信号;
A2.对A1步的电导信号进行预处理,首先使用最大-最小归一化法将基准信号缩放到[0,1]范围内,记录其缩放比例为122.7,将所有电导信号值乘以缩放比例122.7;
A3.将A2步的电导信号按频带平均分为5段长度为100的一维信号,将温度数据扩展为相同长度,按通道进行拼接得到6通道长度为100的一维信号。
A4.对每组数据加入信噪比为25的随机噪声得到含900组数据的基准数据集,以-20℃,0℃,20℃,40℃,60℃下的数据作为训练集。
B.设计温度补偿网络框架,通过特征提取网络和解码网络技术过滤温度效应,输出补偿电导信号;具体包括:
B1.温度补偿模型主要包括特征提取网络、解码网络两个部分;
B2.特征提取网络包括两个卷积块,每个卷积块由两个一维卷积层组成,卷积块之间通过最大池化层进行下采样,如图3中特征提取网络部分所示;卷积块定义如表1所示,特征提取网络参数如表2所示:
表1卷积块定义
注:Conv1d=一维卷积;BN=批量归一化;ReLU=激活函数;in_ch=输入通道数;out_ch=输出通道数;n=一维信号长度。
表2特征提取网络参数
B3.解码网络通过线性插值方法进行上采样,接着将特征信号通过一维卷积层后,与特征提取网络中对应的特征层按照通道进行连接,最后通过一个卷积块。如图3中解码网络部分所示;解码网络设计参数表3所示。
表3解码网络设计参数
B4.通过一个一维卷积层将解码网络输出特征的通道数映射为5,然后将信号平坦化,输出信号除以缩放比例122.7为补偿后的电导信号。如图3中输出部分所示;网络设计参数表4所示。
表4输出网络参数
C.训练温度补偿网络模型,最小化基准数据集输出信号与基准信号的差异;具体包括:
C1:设置温度补偿网络损失函数,包括MSE损失函数和TV正则化因子,λTV取0.02。
C2.将训练集代入温度补偿网络进行训练,并通过Adam优化算法沿网络反向传播损失函数值,调整网络参数使损失函数值最小化。
D.计算基准数据集补偿信号的损伤指标,定义控制上限UCL以识别离群值;具体包括:
D1.本发明说明使用的电导信号选择140-190kHz中的4个频带,如图4所示,分别为146kHz-150kHz,164kHz-169kHz,170kHz-178kHz,178kHz-190kHz。使用RMSD作为损伤指标衡量补偿后电导信号与基准信号的差异。
D2.使用基准数据电导信号的RMSD指标计算控制上限UCL。
E.构建测试数据集,输入温度补偿网络并计算输出信号的损伤指标,损伤指标大于UCL时为离群值,表示结构发生损伤;具体包括:
E1.试样测试状态包括结构无损状态和四种结构损伤状态。如表5所示,测试状态0对应结构无损状态,测试状态1~5对应不同杆件缺失状态,损伤程度逐渐严重。每种测试状态温度设置同基准数据集,分别记录每组的导纳信号和温度数据;
表5试样测试数据集工况
E2.将测试数据预处理为测试数据集,并代入已训练完成的温度补偿网络得到补偿信号,选择相同频带的电导信号计算RMSD指标。
E3.通过比较补偿信号的RMSD指标和UCL,判断结构损伤状态。温度补偿前后不同频带的损伤识别结果展示在图5中,诊断正确率整理在表6中。
表6温度补偿前后不同频带的损伤识别结果
本说明书实施案例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施案例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (3)
1.一种基于机电阻抗和CNN的结构损伤识别鲁棒方法,包括如下步骤:
A.测量结构无损状态的导纳信号和温度数据,确定基准信号并构造基准数据集;具体包括:
A1.在结构无损状态时设置不同温度环境,分别记录压电-结构耦合***的导纳信号和温度数据,以特定温度下的电导信号为基准信号;
A2.对A1步的电导信号进行预处理,首先使用最大-最小归一化法将基准信号缩放到[0,1]范围内,记录其缩放比例为q,所有电导信号值乘以缩放比例q;
A3.将A2步的电导信号按频带平均分为n段长度为m的一维信号,将温度数据扩展为相同长度,按通道进行拼接得到n+1维长度为m的一维信号;
A4.加入随机噪音得到基准数据集,将其分为训练集和验证集两个部分;
B.设计温度补偿网络框架,通过特征提取网络和解码网络技术过滤温度效应,输出补偿电导信号;具体包括:
B1.温度补偿网络框架包括特征提取网络、解码网络两个部分;
B2.特征提取网络由卷积块组成,每个卷积块由多个一维卷积层组成,卷积块之间通过池化层进行下采样;
B3.解码网络对上层输出进行上采样,接着将特征信号通过一维卷积层后,与特征提取网络中对应的特征层按照通道拼接,最后通过一个卷积块,通过该网络特征信号长度与输入信号相同;
B4.输出部分通过一维卷积层将解码网络输出特征的通道数映射为n,然后将信号展平,输出信号除以缩放比例q为温度补偿后的电导信号;
C.训练网络模型,最小化基准数据集输出信号与基准信号的差异;具体包括:
C1.使用均方误差MSE损失函数衡量输出信号与基准信号差异程度,如下所示
其中,表示网络输出的补偿电导信号;G(ω)表示基准信号;/>表示期望;
C2.引入总变分(TV)正则化因子以反映输出信号平滑特性,表示为:
其中,σ(ω)表示输出信号与参考信号的差值,由得到;网络损失函数为二者组合函数,表示为:
其中,λTV为TV正则化因子占比;
C3.将训练集代入温度补偿网络进行训练,并通过Adam优化算法沿网络反向传播损失函数值,调整网络参数使损失函数值最小化;
D.计算基准数据集输出信号的损伤指标,定义控制上限UCL以识别离群值;
E.构建测试数据集,输入温度补偿网络并计算输出信号的损伤指标,损伤指标大于UCL时为离群值,表示结构发生损伤。
2.如权利要求1所述的一种基于机电阻抗和CNN的结构损伤识别鲁棒方法,其特征在于,步骤D具体包括:
D1.选择合适频带,使用均方根偏差RMSD作为损伤指标衡量补偿后电导信号与基准信号的差异,该指标表示如下:
其中,和G(ωi)分别表示第i个频率下的补偿后电导信号和基准信号;
D2.使用基准数据集所有工况下的RMSD指标计算控制上限UCL,表示为:
UCL=μ+3σ (5)
其中,μ和σ分别表示基准数据集RMSD指标的平均值和标准差。
3.如权利要求1所述的一种基于机电阻抗和CNN的结构损伤识别鲁棒方法,其特征在于,步骤E具体包括:
E1.获取结构测试状态数据;
E2.将测试数据预处理为测试数据集,并代入已训练完成的温度补偿网络得到补偿信号,选择相同频带的补偿信号计算RMSD指标;
E3.若补偿信号的RMSD指标大于UCL,则该状态被识别为损伤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311470756.8A CN117520983B (zh) | 2023-11-07 | 2023-11-07 | 一种基于机电阻抗和cnn的结构损伤识别鲁棒方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311470756.8A CN117520983B (zh) | 2023-11-07 | 2023-11-07 | 一种基于机电阻抗和cnn的结构损伤识别鲁棒方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117520983A CN117520983A (zh) | 2024-02-06 |
CN117520983B true CN117520983B (zh) | 2024-05-24 |
Family
ID=89746898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311470756.8A Active CN117520983B (zh) | 2023-11-07 | 2023-11-07 | 一种基于机电阻抗和cnn的结构损伤识别鲁棒方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117520983B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111143932A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种桥梁健康状态的评估方法、装置、***和设备 |
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 |
CN112595913A (zh) * | 2020-12-07 | 2021-04-02 | 清华大学 | 一种电缆局部老化检测方法及检测装置 |
CN113092531A (zh) * | 2021-03-18 | 2021-07-09 | 西北工业大学 | 一种基于卷积神经网络的机电阻抗连接结构损伤检测方法 |
CN114186624A (zh) * | 2021-12-08 | 2022-03-15 | 华中科技大学 | 基于二维卷积神经网络的损伤识别模型建立方法及设备 |
CN114186586A (zh) * | 2021-12-08 | 2022-03-15 | 华中科技大学 | 基于二维卷积神经网络的损伤识别方法及设备 |
CN114358091A (zh) * | 2022-03-03 | 2022-04-15 | 中山大学 | 一种基于卷积神经网络的桩损伤识别方法、设备及介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11630040B2 (en) * | 2017-07-11 | 2023-04-18 | Qatar University | Real-time structural damage detection by convolutional neural networks |
US11544522B2 (en) * | 2018-12-06 | 2023-01-03 | University Of Tennessee Research Foundation | Methods, systems, and computer readable mediums for determining a system state of a power system using a convolutional neural network |
US11580646B2 (en) * | 2021-03-26 | 2023-02-14 | Nanjing University Of Posts And Telecommunications | Medical image segmentation method based on U-Net |
-
2023
- 2023-11-07 CN CN202311470756.8A patent/CN117520983B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111143932A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种桥梁健康状态的评估方法、装置、***和设备 |
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 |
CN112595913A (zh) * | 2020-12-07 | 2021-04-02 | 清华大学 | 一种电缆局部老化检测方法及检测装置 |
CN113092531A (zh) * | 2021-03-18 | 2021-07-09 | 西北工业大学 | 一种基于卷积神经网络的机电阻抗连接结构损伤检测方法 |
CN114186624A (zh) * | 2021-12-08 | 2022-03-15 | 华中科技大学 | 基于二维卷积神经网络的损伤识别模型建立方法及设备 |
CN114186586A (zh) * | 2021-12-08 | 2022-03-15 | 华中科技大学 | 基于二维卷积神经网络的损伤识别方法及设备 |
CN114358091A (zh) * | 2022-03-03 | 2022-04-15 | 中山大学 | 一种基于卷积神经网络的桩损伤识别方法、设备及介质 |
Non-Patent Citations (3)
Title |
---|
Jing Fu ; Dansheng Wang.A Probabilistic Damage Identification Method Based on PZT Admittances and 1D-CNN.2022 16th Symposium on Piezoelectricity, Acoustic Waves, and Device Applications (SPAWDA).2023,全文. * |
基于平行卷积神经网络的结构损伤识别;曹永杰;中国优秀硕士学位论文全文数据库(电子期刊);20221115;全文 * |
朱一凯 ; 陈安妮 ; 余哲帆 ; 万华平.采用BP神经网络优化的振动信号压缩感知方法.振动工程学报.2022,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117520983A (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109282837B (zh) | 基于lstm网络的布拉格光纤光栅交错光谱的解调方法 | |
CN115659160A (zh) | 一种用于数字孪生模型优化的数据质量度量方法 | |
CN113743013A (zh) | 一种基于XGBoost气温预测数据修正的方法 | |
CN116519206A (zh) | 基于深度学习的压力传感器校准***及方法 | |
CN116308963B (zh) | 一种政务数据分析方法及*** | |
CN116148656B (zh) | 一种便携式模拟断路器故障检测方法 | |
CN117454255B (zh) | 一种智慧建筑能耗数据优化存储方法 | |
CN116027158A (zh) | 一种高压电缆局放故障预测方法及*** | |
CN116718218B (zh) | 一种光电集成式传感芯片测试数据处理方法 | |
CN114091368A (zh) | 一种轴流式水轮机空化状态的识别方法 | |
CN113358239A (zh) | 一种基于fbg的波长特征识别方法 | |
CN116609720A (zh) | 基于数据驱动的台式万用表误差智能补偿方法及*** | |
CN111365624A (zh) | 一种输卤管道泄漏检测的智能终端与方法 | |
CN113465676B (zh) | 一种双阶段布里渊频移提取方法 | |
CN113742929B (zh) | 一种针对格点气象实况的数据质量评价方法 | |
CN117520983B (zh) | 一种基于机电阻抗和cnn的结构损伤识别鲁棒方法 | |
CN117151948B (zh) | 一种高校学生外出签到综合管理方法及*** | |
CN112215495B (zh) | 一种基于长短时记忆神经网络的污染源贡献度计算方法 | |
CN117147022A (zh) | 力传感器非线性补偿方法及*** | |
CN117313020A (zh) | 一种承载式张力传感器数据处理方法 | |
CN116992388A (zh) | 基于数据分析的薄膜开关测试数据处理方法 | |
CN115526276A (zh) | 一种具有鲁棒性的风洞天平校准载荷预测方法 | |
CN115081741A (zh) | 一种基于神经网络的天然气计量检定智能预测的方法 | |
CN114492146A (zh) | 基于迁移学习的螺栓群松动定位和定量分析方法及*** | |
CN111735528B (zh) | 一种基于knn投票精准定位扰动点的方法 |
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 |