CN111595541A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111595541A CN111595541A CN202010344645.2A CN202010344645A CN111595541A CN 111595541 A CN111595541 A CN 111595541A CN 202010344645 A CN202010344645 A CN 202010344645A CN 111595541 A CN111595541 A CN 111595541A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- damage
- transfer rate
- data
- 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.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims description 48
- 238000000034 method Methods 0.000 title claims description 30
- 238000012545 processing Methods 0.000 title description 3
- 230000004044 response Effects 0.000 claims description 45
- 238000012546 transfer Methods 0.000 claims description 26
- 230000001133 acceleration Effects 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000006735 deficit Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 18
- 230000005284 excitation Effects 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/025—Measuring arrangements
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了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，具体为：通过传感器系统采集海量结构加速度响应数据；将数据分为参考响应和非参考响应，计算参考响应和非参考响应之间的传递率，形成基于振动传递率的海量样本数据集；建立卷积神经网络模型，并使用传递率数据集进行训练；经过N次训练，卷积神经网络达到收敛，使用训练后的卷积神经网络进行结构损伤识别，并输出其损伤模式。相比于传统方法，本发明建立的融合振动传递率和卷积神经网络的损伤识别方法，可以排除激励干扰，同时具有损伤敏感性强、损伤识别准确度高、抗噪声强的特点，而且可以高效率地处理海量高维数据。
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，属于结构损伤诊断领域。
背景技术
结构在长期服役中，受自身材料退化和复杂环境影响，不可避免发生损伤，结构损伤会对结构的安全运行产生威胁，甚至导致结构的破坏。基于结构动力学响应信号和人工智能算法的结构无损检测方法，因其成本低、效率高，能够实现实时检测和在线监测的优点，在近年来发展迅速，目前正逐步被应用到机械、土木领域的结构损伤识别中。
梁、板、壳等低维结构，只需提取少量动力响应即可表征结构状态，而框架结构、桥梁结构等多维结构需要提取海量动力响应实现对结构状态的充分表征，因此，与低维结构相比，多维结构需要提取海量动力响应，实现损伤识别。随着传感技术，数据传输、存储、处理技术的发展，海量的结构健康检测数据被提取，这些海量的数据中包含丰富的表征结构损伤的信息，海量监测数据的充分利用，需要能够高效率地提取海量数据中的损伤特征的损伤识别算法。常规的基于结构动力学响应信号和智能算法的损伤识别方法，一般使用传统的基于时间序列的时域信号或基于傅里叶变换的频域信号作为损伤识别的数据，使用传统的机器学习算法如人工神经网络作为损伤识别的智能算法；传统的时、频域数据对损伤不敏感且易受激励干扰；传统的智能算法难以充分提取数据中的损伤特征，且处理海量高维数据时效率低，需要消耗大量的计算资源。
发明内容
本发明为克服上述常规方法的不足，使用振动传递率数据代替传统的时、频域数据，使用卷积神经网络代替传统的机器学习算法。相比于传统方法，本发明使用的振动传递率数据包含显著的损伤特征，且可以避免激励干扰，使用的卷积神经网络可以自适应提取数据中的损伤特征，可以高效率地处理海量高维数据。提供了一种简单、快速、准确、高效率的多维结构损伤识别方法。
本发明所采用的技术方案为：
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，具体步骤包括：
步骤一、布置安装传感器量测系统，采集海量结构加速度响应数据，记为x＝{x(tn)},n＝1,2,…,N，N为加速度响应数据长度；
步骤二、将加速度响应分为参考响应r＝{r(tn)}，和非参考响应a＝{a(tn)}，计算参考响应和非参考响应之间的传递率y＝{y(fm)},m＝1,2,…,M，M为传递率数据长度。
步骤三、建立卷积神经网络模型，并使用传递率数据集进行训练；
步骤四、经过N次训练，卷积神经网络达到收敛，使用训练后的卷积神经网络进行结构损伤识别，并输出其损伤模式；
作为本发明的进一步优选方案，所述步骤二传递率具体计算方式如下：
其中，yij是自由度j处的参考响应和自由度i处的非参考响应之间的传递率，G(ai,rj)是ai和rj的互功率谱密度，G(rj,rj)是rj的自功率谱密度。
作为本发明的进一步优选方案，所述步骤三卷积神经网络包括第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层、SoftMax函数，激活函数。
作为本发明的进一步优选方案，所述步骤三卷积神经网络的输入层尺寸为1×m×n，其中m为传递率的长度，n为每个输入样本包含的传递率的个数。
作为本发明的进一步优选方案，所述步骤三卷积神经网络的前向传播过程为：输入数据经过第一卷积层、第一池化层、第二卷积层、第二池化层的卷积和池化操作后，输出三维特征矩阵，将三维特征矩阵按照行、列、深度的顺序展开形成一维向量输入第一全连接层，经过第一全连接层和第二全连接层输出原始输出数据，经过SoftMax函数对原始输出数据进行归一化，输出包含输入样本对应每种损伤模式概率的一维向量，输入样本被识别为该样本对应的概率最高的损伤模式。其中，第一、二卷积层和第一全连接层使用ReLU激活函数，其它层不使用激活函数。
作为本发明的进一步优选方案，所述步骤三卷积神经网络使用的ReLU激活函数表示为：
f(x)＝max(0,x)
其中，max表示取最大值。
作为本发明的进一步优选方案，所述步骤三卷积神经网络使用的SoftMax函数表示为：
其中，pk表示输入样本对应第k种损伤模式的概率，x表示原始输出数据。
作为本发明的进一步优选方案，所述步骤三卷积神经网络，使用交叉熵损失函数作为损失函数，使用Adam优化算法进行训练。
本发明具有以下有益效果：
本发明提供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，使用振动传递率数据代替传统的时、频域数据，使用卷积神经网络代替传统的机器学习算法。相比于传统方法，本发明使用的振动传递率数据包含显著的损伤特征，且可以避免激励干扰，使用的卷积神经网络可以自适应提取数据中的损伤特征，可以高效率的处理海量高维数据，可以简单、快速、准确、高效率地识别多维结构损伤。
附图说明
图1是本发明的一个实施例的方法流程示意图。
图2是本发明的一个实施例的一个原始量测结构加速度响应信号。
图3是本发明的一个实施例的一个振动传递率信号。
图4是本发明的一个实施例的卷积神经网络模型结构示意图。
具体实施方式
下面结合附图对本发明作进一步说明：
请参照图1，一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，具体步骤包括：
1.布置安装传感器量测系统，采集海量结构加速度响应数据，记为x＝{x(tn)},n＝1,2,…,N，N为加速度响应数据长度；
2.将加速度响应分为参考响应r＝{r(tn)}，和非参考响应a＝{a(tn)}，计算参考响应和非参考响应之间的传递率y＝{y(fm)},m＝1,2,…,M，M为传递率数据长度。
具体为：
按下式计算传递率：
其中，yij是自由度j处的参考响应和自由度i处的非参考响应之间的传递率，G(ai,rj)是ai和rj的互功率谱密度，G(rj,rj)是rj的自功率谱密度。
3.建立卷积神经网络模型，并使用传递率数据集进行训练；
具体为：
(1)卷积神经网络包括第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层、SoftMax函数，激活函数。
(2)卷积神经网络的输入层尺寸为1×m×n，其中m为传递率的长度，n为每个输入样本包含的传递率的个数。
(3)卷积神经网络的前向传播过程为：输入数据经过第一卷积层、第一池化层、第二卷积层、第二池化层的卷积和池化操作后，输出三维特征矩阵，将三维特征矩阵按照行、列、深度的顺序展开形成一维向量输入第一全连接层，经过第一全连接层和第二全连接层输出原始输出数据，经过SoftMax函数对原始输出数据进行归一化，输出包含输入样本对应每种损伤模式概率的一维向量。其中，第一、二卷积层和第一全连接层使用ReLU激活函数，其它层不使用激活函数。
使用的ReLU激活函数表示为：
f(x)＝max(0,x)
其中，max表示取最大值。
使用的SoftMax函数表示为：
其中，pk表示输入样本对应第k种损伤模式的概率，x表示原始输出数据。
(4)使用交叉熵损失函数作为损失函数，使用Adam优化算法进行训练。
4.经过N次训练，卷积神经网络达到收敛，使用训练后的卷积神经网络进行结构损伤识别，并输出其损伤模式；
实施例：
为验证本发明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的有效性，开展物理模型实验，提取结构的加速度响应进行分析。
参照图1，在本实施例中，使用一个四层钢框架结构，该结构由36根柱，48根梁和32根斜撑组成。为了便于描述，建立图1所示坐标系。荷载采用采样频率为1000HZ，时长10S，强度为30dBW的随机激励，激励位置如图中fx，fy所示，fx为x方向激励，fy为y方向激励；每层采集两个x方向加速度响应和两个y方向加速度响应作为非参考响应ax、ay，第四层非参考响应提取位置如图1中所示，第一、二、三层非参考响应提取位置与第四层相同；提取第四层中心点处x、y方向加速度响应作为参考响应rx、ry。首先施加x方向激励，提取x方向的参考响应和非参考响应；再施加y方向激励，提取y方向的参考响应和非参考响应。分别使用x、y方向的参考响应和非参考响应计算x、y方向的传递率。每个输入卷积神经网络的样本为由16个尺寸为1×1000的传递率(x、y方向各8个传递率)组成的尺寸为1×16×1000的数据。
在本实施例中，损伤模式设置为单根斜撑的刚度损失10％，故共有1种无损模式和32种损伤模式。为了模拟海量监测数据，将100组不同的随机激励施加到33种不同状态的结构上，共产生3300组输入数据。考虑结构的对称性，发生在同层同面的两根斜撑上的损伤视为同种损伤模式，因此，共有17种损伤(无损)模式，设置17种损伤(无损)模式标签。将输入数据的50％作为训练集对卷积神经网络进行训练，将其余50％作为测试集对神经网络进行测试。每次训练从训练集随机选取32个样本输入卷积神经网络进行训练，共训练20000次，使用测试集测试损伤识别准确率，准确率达到97.70％，可以反映本发明具有极高的损伤识别能力。此外，卷积神经网络在经过训练后，可以高效率地处理海量样本。除了本实施例使用的框架结构外，本方法还可应用于桥梁结构等多维结构的损伤识别。本发明提供了一种简单、快速、准确、高效率的多维结构损伤识别方法。
以上所述仅是本发明专利的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明专利原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明专利的保护范围。
Claims (8)
1.一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，其特征在于，具体步骤包括：
步骤一、布置安装传感器量测系统，采集海量结构加速度响应数据，记为x＝{x(tn)},n＝1,2,…,N，N为加速度响应数据长度；
步骤二、将加速度响应分为参考响应r＝{r(tn)}，和非参考响应a＝{a(tn)}，计算参考响应和非参考响应之间的传递率y＝{y(fm)},m＝1,2,…,M，M为传递率数据长度；
步骤三、建立卷积神经网络模型，并使用传递率数据集进行训练；
步骤四、经过N次训练，卷积神经网络达到收敛，使用训练后的卷积神经网络进行结构损伤识别，并输出其损伤模式。
2.根据权利要求1所述的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，其特征在于，所述步骤二传递率具体计算方式如下：
其中，yij是自由度j处的参考响应和自由度i处的非参考响应之间的传递率，G(ai,rj)是ai和rj的互功率谱密度，G(rj,rj)是rj的自功率谱密度。
3.根据权利要求1所述的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，其特征在于，所述步骤三卷积神经网络包括第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层、SoftMax函数，激活函数。
4.根据权利要求1所述的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，其特征在于，所述步骤三卷积神经网络的输入数据尺寸为1×m×n，其中m为传递率的长度，n为每个输入样本包含的传递率的个数。
5.根据权利要求1或3任一所述的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，其特征在于，所述步骤三卷积神经网络的前向传播过程为：输入数据经过第一卷积层、第一池化层、第二卷积层、第二池化层的卷积和池化操作后，输出三维特征矩阵，将三维特征矩阵按照行、列、深度的顺序展开形成一维向量输入第一全连接层，经过第一全连接层和第二全连接层输出原始输出数据，经过SoftMax函数对原始输出数据进行归一化，输出包含输入样本对应每种损伤模式概率的一维向量，输入样本被识别为该样本对应的概率最高的损伤模式。其中，第一、二卷积层和第一全连接层使用ReLU激活函数，其它层不使用激活函数。
6.根据权利要求5所述的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，其特征在于，所述步骤三卷积神经网络使用的ReLU激活函数表示为：
f(x)＝max(0,x)
其中，max表示取最大值。
7.根据权利要求5所述的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，其特征在于，所述步骤三卷积神经网络使用的SoftMax函数表示为：
其中，pk表示输入样本对应第k种损伤模式的概率，x表示原始输出数据。
8.根据权利要求1所述的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，其特征在于，所述步骤三卷积神经网络，使用交叉熵损失函数作为损失函数，使用Adam优化算法进行训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010344645.2A CN111595541A (zh) | 2020-04-27 | 2020-04-27 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010344645.2A CN111595541A (zh) | 2020-04-27 | 2020-04-27 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111595541A true CN111595541A (zh) | 2020-08-28 |
Family
ID=72185072
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010344645.2A Pending CN111595541A (zh) | 2020-04-27 | 2020-04-27 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111595541A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113505415A (zh) * | 2021-06-17 | 2021-10-15 | 贵州顺康检测股份有限公司 | 一种基于深度学习的桥梁快速检测方法 |
| CN113627048A (zh) * | 2021-07-12 | 2021-11-09 | 暨南大学 | 基于局部传递率函数与模式匹配的结构损伤快速识别方法 |
| US20210382120A1 (en) * | 2020-06-08 | 2021-12-09 | Wuhan University | Failure diagnosis method for power transformer winding based on gsmallat-nin-cnn network |
| CN114444187A (zh) * | 2022-01-28 | 2022-05-06 | 河海大学 | 一种振动传递大数据与胶囊网络融合的桥梁损伤诊断方法 |
| CN116502677A (zh) * | 2023-04-03 | 2023-07-28 | 西北工业大学 | 一种基于传递率函数矩阵和二维卷积神经网络的结构损伤检测方法 |
| CN117520983A (zh) * | 2023-11-07 | 2024-02-06 | 浙江大学 | 一种基于机电阻抗和cnn的结构损伤识别鲁棒方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103604575A (zh) * | 2013-10-22 | 2014-02-26 | 航天科工防御技术研究试验中心 | 隔振器加速老化失效标准确定方法 |
| CN105205200A (zh) * | 2015-04-27 | 2015-12-30 | 河海大学 | 一种淤泥质海岸波生流数值模拟的验证方法 |
| CN109946389A (zh) * | 2019-01-31 | 2019-06-28 | 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 |
-
2020
- 2020-04-27 CN CN202010344645.2A patent/CN111595541A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103604575A (zh) * | 2013-10-22 | 2014-02-26 | 航天科工防御技术研究试验中心 | 隔振器加速老化失效标准确定方法 |
| CN105205200A (zh) * | 2015-04-27 | 2015-12-30 | 河海大学 | 一种淤泥质海岸波生流数值模拟的验证方法 |
| CN109946389A (zh) * | 2019-01-31 | 2019-06-28 | 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 |
Non-Patent Citations (3)
| Title |
|---|
| SERGIO COFRE-MARTEL，PHILIP KOBRICH，ENRIQUE LOPEZ DROGUETT: ""Deep Convolutional Neural Network-Based Structural Damage Localization and Quantification Using Transmissibility Data"", 《SHOCK AND VIBRATION》 * |
| TONGWEI LIU: ""A Data-Driven Damage Identification Framework Based on Transmissibility Function Datasets and One-Dimensional Convolutional Neural Networks: Verification on a Structural Health Monitoring Benchmark Structure"", 《SENSORS》 * |
| ZHOU YUN LAI, RICARDO PERERA: ""Transmissibility based damage assessment by intelligent algorithm"", 《PROCEEDINGS OF THE 9TH INTERNATIONAL CONFERENCE ON STRUCTURAL DYNAMICS》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210382120A1 (en) * | 2020-06-08 | 2021-12-09 | Wuhan University | Failure diagnosis method for power transformer winding based on gsmallat-nin-cnn network |
| US11875500B2 (en) * | 2020-06-08 | 2024-01-16 | Wuhan University | Failure diagnosis method for power transformer winding based on GSMallat-NIN-CNN network |
| CN113505415A (zh) * | 2021-06-17 | 2021-10-15 | 贵州顺康检测股份有限公司 | 一种基于深度学习的桥梁快速检测方法 |
| CN113627048A (zh) * | 2021-07-12 | 2021-11-09 | 暨南大学 | 基于局部传递率函数与模式匹配的结构损伤快速识别方法 |
| CN114444187A (zh) * | 2022-01-28 | 2022-05-06 | 河海大学 | 一种振动传递大数据与胶囊网络融合的桥梁损伤诊断方法 |
| CN114444187B (zh) * | 2022-01-28 | 2023-07-18 | 河海大学 | 一种振动传递大数据与胶囊网络融合的桥梁损伤诊断方法 |
| CN116502677A (zh) * | 2023-04-03 | 2023-07-28 | 西北工业大学 | 一种基于传递率函数矩阵和二维卷积神经网络的结构损伤检测方法 |
| CN117520983A (zh) * | 2023-11-07 | 2024-02-06 | 浙江大学 | 一种基于机电阻抗和cnn的结构损伤识别鲁棒方法 |
| CN117520983B (zh) * | 2023-11-07 | 2024-05-24 | 浙江大学 | 一种基于机电阻抗和cnn的结构损伤识别鲁棒方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111595541A (zh) | 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 | |
| CN112084974B (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
| CN104751229B (zh) | 一种改进bp神经网络估值的缺失数据轴承故障诊断方法 | |
| CN112001110B (zh) | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 | |
| CN107065842B (zh) | 一种基于粒子群优化核独立元分析模型的故障检测方法 | |
| CN111580151B (zh) | 一种基于SSNet模型的地震事件到时识别方法 | |
| CN109001557A (zh) | 一种基于随机卷积神经网络的飞机机电系统故障识别方法 | |
| CN112906282B (zh) | Sanger神经网络并行主元抽取的工作模态参数识别方法和系统 | |
| CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
| CN103018338A (zh) | 一种基于声发射和神经网络的混凝土无损检测方法 | |
| CN111638034B (zh) | 基于深度学习的应变天平温度梯度误差补偿方法及系统 | |
| CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
| CN117236188A (zh) | 一种仿真数据辅助的轴承迁移诊断方法、系统及设备介质 | |
| CN110082106A (zh) | 一种基于Yu范数的深度度量学习的轴承故障诊断方法 | |
| CN114169374A (zh) | 一种斜拉桥斜拉索损伤识别方法及电子设备 | |
| Ding et al. | Jaya-based long short-term memory neural network for structural damage identification with consideration of measurement uncertainties | |
| CN114295967A (zh) | 一种基于迁移神经网络的模拟电路故障诊断方法 | |
| CN110362902B (zh) | 一种基于区间逐维分析的单源动载荷识别方法 | |
| CN112183624A (zh) | 一种基于集成学习的大坝监测数据异常检测方法 | |
| 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 | |
| CN115455764A (zh) | 一种框架结构多节点损伤诊断方法 | |
| CN109187898B (zh) | 水产养殖环境中水质氨氮含量的软测量方法及装置 | |
| CN115452957B (zh) | 基于注意力原型网络的小样本金属损伤识别方法 | |
| CN116522654A (zh) | 基于多通道mtf和cnn的结构损伤识别方法及装置 | |
| CN112528849B (zh) | 一种基于内积矩阵及深度学习的结构健康监测方法 |
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 |