CN112668526A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112668526A CN112668526A CN202011641905.9A CN202011641905A CN112668526A CN 112668526 A CN112668526 A CN 112668526A CN 202011641905 A CN202011641905 A CN 202011641905A CN 112668526 A CN112668526 A CN 112668526A
- Authority
- CN
- China
- Prior art keywords
- loosening
- bolt
- neural network
- bolt group
- piezoelectric
- 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
Images
Abstract
本发明提出了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,基于压电传感器的特性,提出了以传感器阵列获取钢结构螺栓群不同螺栓松动的压电原始信号,基于三层小波分解的能量值构造一个一维螺栓群松动指标向量作为钢结构螺栓群不同螺栓松动工况的表征。由于卷积神经网络具有能够保留、提取数据中的特征以及自学习等特点,本发明基于Lenet5‑CBAM深度学习模型建立松动指标与螺栓群不同螺栓松动位置的数学模型,该模型可以实现根据实测压电信号得到的松动指标可以直接判定出钢结构螺栓群的松动位置。
Description
技术领域
本发明涉及螺栓连接的钢结构健康监测领域,尤其涉及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。
背景技术
螺栓连接具有易施工、可拆换、耐疲劳等优点,目前已经成为钢结构的一种主要的连接方式。然而,由于疲劳、腐蚀和其他因素,钢结构螺栓连接部位的受力状态十分容易发生变化,相应的工程实践也证明了螺栓群中单一螺栓发生损坏会使得周围螺栓的受力状态发生变化,如果没有及时发现螺栓松动部位并给予更换或修复可能会对结构性能产生重大影响。
这不仅在一定程度上影响整个结构的正常服役,甚至引发结构破坏等灾难性事故,造成重大的经济损失和人员伤亡,因此对螺栓连接状态进行实时定量监测具有重要的工程意义。
传统的压电主动传感无法实现钢结构螺栓群松动定位,因此,为解决上述问题,本发明提供了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,将深度学习以及压电主动传感法应用到钢结构螺栓群螺栓松动的监测,可以实现钢结构螺栓群螺栓松动位置的在线监测。
发明内容
有鉴于此,本发明提出了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,基于压电主动传感方法获取结构非线性响应信号的变化并结合深度学习处理大数据的能力,可以对钢结构螺栓连接松紧程度进行实时定量监测。
本发明的技术方案是这样实现的:本发明提供了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,包括以下步骤:
S1、搭建基于压电主动传感系统,采用压电主动传感的方式监测螺栓群的螺栓松动程度,获取钢结构螺栓群不同螺栓松动的压电信号;
S2、基于小波包分解法计算压电信号的小波分解能量值,将传感器阵列计算得到的小波能量值组成一维松动指标向量;
S3、搭建一维卷积神经网络,通过一维卷积神经网络建立螺栓群松紧指标向量与螺栓群螺栓松动位置的关系;
S4、训练并验证一维卷积神经网络;
S5、获取当前螺栓的压电传感信号,并将其输入至一维卷积神经网络中,获取螺栓群松动的具体位置。
在以上技术方案的基础上,优选的,S2中具体包括以下步骤:
S101、基于采集到压电传感信号,计算三层小波包分解为8个子信号;
S102、计算压电传感信号的小波包分解信号能量分量以及各频带对应的小波包分解子信号能量;
S103、根据小波包分解子信号能量计算压电传感器阵列信号的一维松动指标向量;
在以上技术方案的基础上,优选的,S3中一维卷积神经网络包括:顺次连接的输入层、卷积神经网络Lenet5、通道注意力模块、空间注意力模块和输出层。
在以上技术方案的基础上,优选的,卷积神经网络Lenet5包括顺次连接的卷积层1、ReLU层、最大池化层、卷积层2、ReLU层和池化层。
在以上技术方案的基础上,优选的,通道注意力模块的计算过程包括以下步骤:
S201、通道注意力机制将卷积神经网络Lenet5两个卷积层和池化层提取的特征通过最大池化和平均池化分别提取高级特征;
S202、经过共享的多层感知机后将输出的元素加和操作后,再经过sigmoid函数激活操作,最终生成最终的通道注意力权重;
S203、将通道注意力权重,与原始的输入特征进行点乘运算之后生成空间注意力机制所需要的输入特征。
在以上技术方案的基础上,优选的,通道注意力模块表示为:
在以上技术方案的基础上,优选的,空间注意力模块的计算过程包括以下步骤:
S301、将通道注意力模块输出的特征值作为空间注意力模块输入的特征图,基于通道做全局最大池化和平均最大池化;
S302、将空间注意力模块和通道注意力模块的这两个通道做concat操作,再经过一个卷积操作,降维为只有一个通道的特征图,再经过sigmoid函数生成空间注意力权重,最后将该权重与通道注意力模块输出的特征图做点乘运算,生成最终的特征。
在以上技术方案的基础上,优选的,空间注意力模块表示为:
在以上技术方案的基础上,优选的,输出层的神经元与空间注意力模块的输出层以全连接的形式,每个神经元对应钢结构螺栓群螺栓松动的工况,并采用softmax函数作为该输出层的激活函数;
激活函数为:式子中,n和k均表示输出出各神经元的编号,an表示输出层第k个神经元的输出,K表示输出节点的个数,Softmax(an)表示第k个神经元经激活函数后得到的输出,最终Lenet5-CBAM深度网络的输出为1*9的向量,每个值可以视为钢结构螺栓群对应螺栓松动的置信概率,将最大概率对应的松紧状态作为故障诊断的结果。
在以上技术方案的基础上,优选的,S4中具体包括以下步骤:
S401、重复采集螺栓不同松紧情况下的压电传感信号,获得大量的训练以及验证模型的数据,按照S2步骤计算得到标准化多通道小波包分量能量;
S402、将标准化多通道小波包分量能量按8:2划分为训练样本和测试样本,将训练样本作为一维卷积神经网络输入,对应的螺栓松动位置标签作为双注意力卷积神经网络模型的期待输出;
其中,第一次训练时,一维卷积神经网络各神经元的连接权重采用随机初始化的方式设定,并采用Adam梯度下降算法更新一维卷积神经网络连接权重,最终保存训练好的连接权重,得到钢结构螺栓群螺栓松动定位的模型;
S403、将测试样本输入一维卷积神经网络,测试模型泛化性能,若一维卷积神经网络满足预期要求,则保存一维卷积神经网络;反之,则调整一维卷积神经网络,更新一维卷积神经网络的权重。
本发明的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相对于现有技术具有以下有益效果:
(1)基于压电主动传感的方法对钢结构螺栓松动监测较为敏感,基于小波包分解的能量可以在一定程度上表征螺栓松动状态;
(2)基于压电传感器的特性,提出了以传感器阵列获取钢结构螺栓群不同螺栓松动的压电原始信号,基于三层小波分解的能量值构造一个一维螺栓群松动指标向量作为钢结构螺栓群不同螺栓松动工况的表征。由于卷积神经网络具有能够保留、提取数据中的特征以及自学习等特点,本发明基于Lenet5-CBAM深度学习模型建立松动指标与螺栓群不同螺栓松动位置的数学模型,该模型可以实现根据实测压电信号得到的松动指标可以直接判定出钢结构螺栓群的松动位置;
(3)将深度学习以及压电主动传感法应用到钢结构螺栓连接松紧程度的定量监测和识别,原理明确、成本低廉、操作简单易行、识别准确,可以实现钢结构螺栓松紧程度长期在线监测和识别,从而为钢螺栓连接节点的安全评价和寿命预测提供了科学依据,降低由螺栓连接松动引起的的安全隐患和运行风险;
(4)将通道空间双注意力机制引入到卷积神经网络中,构造一个轻便高精度识别网络,螺栓松紧程度识别准确率更高;通过加入空间通道注意力机制改善卷积神经网络的识别效果,在提高模型的识别能力的同时提高模型的鲁棒性。
(5)提出了多通道监测螺栓松紧程度的监测方案,并根据螺栓松动时造成引力波能量损耗的现象,采用小波包分量能量作为损伤指标,结合卷积神经网络强大的特征提取以及记忆能力,实现螺栓松紧定量监测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明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的流程图;
图2为本发明中Lenet5-CBAM模型训练的流程图;
图3为本发明中一维卷积神经网络结构图;
图4为本发明中通道空间注意力机制模块示意图;
图5为本发明中通道注意力模块与空间注意力模块的结构图;
图6本发明中模型训练过程以及验证过程的准确率曲线以及损失函数图;
图7本发明中网络模型识别钢结构螺栓扭矩的效果图以及混淆矩阵图表示。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
近些年,研究螺栓松紧监测的方法主要有:基于结构振动特性的检测方法、基于压电阻抗的检测方法、以及基于叩诊信号的检测方法。然而,现有的方法均只能检测螺栓是否松动,无法确定松动位置,因此,为解决上述问题,如图1所示,本实施例提供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,其包括以下步骤:
S1、搭建基于压电主动传感系统,采用压电主动传感的方式监测螺栓群的螺栓松动程度,获取钢结构螺栓群不同螺栓松动的压电信号;
本实施例中采用的压电传感器可以是压电陶瓷,压电陶瓷具有响应快,频率范围宽、易裁剪和价格低廉等特点,被广泛应用在工程结构监测技术领域中。优选的,压电传感器包括三个压电陶瓷,分别安装在下钢板螺栓连接部位的左边、上边和右边位置,其中,安装位置不限定。
S2、基于小波包分解法计算压电信号的小波分解能量值,将传感器阵列计算得到的小波能量值组成一维松动指标向量;
具体包括以下步骤:
S101、基于采集到压电传感信号,计算三层小波包分解为8个子信号;
将采集到压电传感信号标记为Xj,j表示第j个压电传感信号;
子信号分量可以表示为:Xj=[Xj,1,Xj,2…Xj,m](j=1,2,…,8),其中,m代表信号点数,Xj,m表示第j个压电传感信号的第m个子信号分量。
S102、计算压电传感信号的小波包分解信号能量分量以及各频带对应的小波包分解子信号能量;
根据信号能量的定义,小波包分解子信号能量可以表示为:Ej=Xj,1 2+Xj,2 2+…+Xj,m 2(j=1,2,…,8)。
S103、根据小波包分解子信号能量计算压电传感器阵列信号的一维松动指标向量;
本实施例中,由于采用了三个传感器,因此,小波基采用db2,一维卷积神经网络使用的指标为三个传感器信号的小波能量分量的组合值,即包括24个小波能量值,以便于更加全面综合表征螺栓的松紧程度。因此,最终得出的一维松动指标向量可以表示为:E=[E1,…E8,E9,…E16,E17,…E24]。
S3、搭建一维卷积神经网络,通过一维卷积神经网络建立螺栓群松紧指标向量与螺栓群螺栓松动位置的关系;
本实施例中,如图3所示,一维卷积神经网络包括顺次连接的输入层、卷积神经网络Lenet5、通道注意力模块、空间注意力模块和输出层;下面对每个组成组分进行详细的说明:
本实施例中,卷积神经网络Lenet5包括卷积层1、ReLU层、最大池化层、卷积层2、ReLU层、池化层组成,其中,卷积层1卷积核大小为1*3,卷积层2卷积核大小为1*5,移动步长均为1,池化层采用最大池化。卷积神经网络Lenet5结构简单;参数数目少,训练速度快等优点,且在多项数据集超过了传统的benchmark网络模型。
通道注意力模块和空间注意力模块,得到螺栓群松动的特征。
式子中,n和k均表示输出出各神经元的编号,an表示输出层第k个神经元的输出,K表示输出节点的个数,Softmax(an)表示第k个神经元经激活函数后得到的输出,最终Lenet5-CBAM深度网络的输出为1*9的向量,每个值可以视为钢结构螺栓群对应螺栓松动的置信概率,将最大概率对应的松紧状态作为故障诊断的结果。
S4、训练并验证一维卷积神经网络;如图2所示,具体包括以下步骤:
S401、重复采集螺栓不同松紧情况下的压电传感信号,获得大量的训练以及验证模型的数据,按照S2步骤计算得到标准化多通道小波包分量能量;
本实施例中,每次采样均为500个样本,基于小波包分解获得原始信号的小波分解能量向量,基于压电传感器阵列构造一个一维松动指标向量,采用标准化公式将指标转化为均值为0,方差为1的数值,加快神经网络迭代训练速度。
S402、将标准化多通道小波包分量能量按8:2划分为训练样本和测试样本,将训练样本作为一维卷积神经网络输入,对应的螺栓松动位置标签作为双注意力卷积神经网络模型的期待输出;
其中,第一次训练时,一维卷积神经网络各神经元的连接权重采用随机初始化的方式设定,并采用Adam梯度下降算法更新一维卷积神经网络连接权重,初始学习率设置为0.0001,训练样本循环次数为400,按照S1-S3的步骤训练模型,得到钢结构螺栓群螺栓松动定位的模型。
将步骤S401得到的一维松动指标指标向量输入到深度学习模型中,该模型即可输出对应的1*9的输出向量,对应钢结构螺栓群的9个松动的位置的预测置信概率,其中最大值对应的螺栓松动位置即为实际的螺栓群松动位置工况。由此可以确定钢结构螺栓群螺栓松动位置,为工程管理人员的更换或修复提供科学的依据。
S403、将测试样本输入一维卷积神经网络,测试模型泛化性能,若一维卷积神经网络满足预期要求,则保存一维卷积神经网络;反之,则调整一维卷积神经网络,更新一维卷积神经网络的权重。
S5、获取当前螺栓的压电传感信号,并将其输入至一维卷积神经网络中,获取螺栓群松动的具体位置。
本实施例的有益效果为:基于压电主动传感的方法对钢结构螺栓松动监测较为敏感,基于小波包分解的能量可以在一定程度上表征螺栓松动状态。
本发明基于压电传感器的特性,提出了以传感器阵列获取钢结构螺栓群不同螺栓松动的压电原始信号,基于三层小波分解的能量值构造一个一维螺栓群松动指标向量作为钢结构螺栓群不同螺栓松动工况的表征。由于卷积神经网络具有能够保留、提取数据中的特征以及自学习等特点,本发明基于Lenet5-CBAM深度学习模型建立松动指标与螺栓群不同螺栓松动位置的数学模型,该模型可以实现根据实测压电信号得到的松动指标可以直接判定出钢结构螺栓群的松动位置;
将深度学习以及压电主动传感法应用到钢结构螺栓连接松紧程度的定量监测和识别,原理明确、成本低廉、操作简单易行、识别准确,可以实现钢结构螺栓松紧程度长期在线监测和识别,从而为钢螺栓连接节点的安全评价和寿命预测提供了科学依据,降低由螺栓连接松动引起的的安全隐患和运行风险;
将通道空间双注意力机制引入到卷积神经网络中,构造一个轻便高精度识别网络,螺栓松紧程度识别准确率更高;
提出了多通道监测螺栓松紧程度的监测方案,并根据螺栓松动时造成引力波能量损耗的现象,采用小波包分量能量作为损伤指标,结合卷积神经网络强大的特征提取以及记忆能力,实现螺栓松紧定量监测。
实施例2
在实施例1的基础上,本实施例提供通道注意力模块以及空间注意力模块的具体计算过程。通道注意力模块以及空间注意力模块的具体计算过程见图5。
其中,通道注意力模块的计算过程包括以下步骤:
S201、通道注意力机制将Lenet5两个卷积层和池化层提取的特征通过最大池化和平均池化分别提取高级特征;
S202、经过共享的多层感知机后将输出的元素加和操作后,再经过sigmoid函数激活操作,最终生成最终的通道注意力权重;
S203、将通道注意力权重与原始的输入特征进行点乘运算之后生成空间注意力机制所需要的输入特征。最终,通道注意力机制可以表述为:
另外,空间注意力模块的计算过程包括以下步骤:
S301、将通道注意力模块输出的特征值作为空间注意力模块输入的特征图,基于通道做全局最大池化和平均最大池化;
S302、将空间注意力模块和通道注意力模块的这两个通道做concat操作,再经过一个卷积操作,降维为只有一个通道的特征图,再经过sigmoid函数生成空间注意力权重,最后将该权重与通道注意力模块输出的特征图做点乘运算,生成最终的特征。最终,空间注意力机制可以表述为:
本实施例的有益效果为:本实施例中通过加入通道注意力模块以及空间注意力模块改善卷积神经网络的识别效果。因为注意力机制可以使模型更加有效的关注对识别效果有帮助的特征,而对模型识别效果没有帮助的特征,该机制会自动给一个较小的权重,在提高模型的识别能力的同时提高模型的鲁棒性。
实施例3
在实施例2的基础上,为了验证实施例2的有效性,本实施例中,每种工况重复采集500次,基于实施例2计算得出松动指标向量,并按8:2的原则划分训练和验证集,基于图2提出的训练方法训练一维卷积神经网络,根据训练集和验证集的准确率以及损失值确定最终的模型参数。为了最终检测该模型的性能,每种工况重新采集10组压电信号获取松动指标向量输入到构建好的一维卷积神经网络中,根据实测效果检测本发明的有效性。其中训练、验证、测试数据集情况如表1所示:
表1
将训练集和验证集分别输入至一维卷积神经网络中,如图6所示,通过400次迭代,实施例2的一维卷积神经网络在验证集上的识别准确率可以达到100%,损失值最终为0.025,该参数下的模型识别精读较好。如图7所示,实际测试结果以混淆矩阵形式表示,除了4号螺栓和6号螺栓误诊率为10%,其他工况下的螺栓松动判定准确为100%,该模型总体的松动检测准确率为98%。。
为了进一步验证引入的空间通道注意力模块的有效性,我们对比了普通卷积神经网络与一维卷积神经网络的识别效果,如表2所示,本发明提出的模型的准确率均高于这些模型,进一步证明了本发明提出模型的有效性。
表2
本实施例中,Lenet5两个卷积神经网络模型其结构简单,参数数目少,训练速度快等优点,且在多项数据集超过了传统的benchmark网络模型。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,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 (10)
1.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,其特征在于:包括以下步骤:
S1、搭建基于压电主动传感系统,采用压电主动传感的方式监测螺栓群的螺栓松动程度,获取钢结构螺栓群不同螺栓松动的压电信号;
S2、基于小波包分解法计算压电信号的小波分解能量值,将传感器阵列计算得到的小波能量值组成一维松动指标向量;
S3、搭建一维卷积神经网络,通过一维卷积神经网络建立螺栓群松紧指标向量与螺栓群螺栓松动位置的关系;
S4、训练并验证一维卷积神经网络;
S5、获取当前螺栓的压电传感信号,并将其输入至一维卷积神经网络中,获取螺栓群松动的具体位置。
3.如权利要求1所述的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,其特征在于:所述S3中一维卷积神经网络包括:顺次连接的输入层、卷积神经网络Lenet5、通道注意力模块、空间注意力模块和输出层。
4.如权利要求3所述的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,其特征在于:所述卷积神经网络Lenet5包括顺次连接的卷积层1、ReLU层、最大池化层、卷积层2、ReLU层和池化层。
5.如权利要求3所述的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,其特征在于:所述通道注意力模块的计算过程包括以下步骤:
S201、通道注意力机制将卷积神经网络Lenet5两个卷积层和池化层提取的特征通过最大池化和平均池化分别提取高级特征;
S202、经过共享的多层感知机后将输出的元素加和操作后,再经过sigmoid函数激活操作,最终生成最终的通道注意力权重;
S203、将通道注意力权重,与原始的输入特征进行点乘运算之后生成空间注意力机制所需要的输入特征。
7.如权利要求5所述的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,其特征在于:所述空间注意力模块的计算过程包括以下步骤:
S301、将通道注意力模块输出的特征值作为空间注意力模块输入的特征图,基于通道做全局最大池化和平均最大池化;
S302、将空间注意力模块和通道注意力模块的这两个通道做concat操作,再经过一个卷积操作,降维为只有一个通道的特征图,再经过sigmoid函数生成空间注意力权重,最后将该权重与通道注意力模块输出的特征图做点乘运算,生成最终的特征。
10.如权利要求2所述的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,其特征在于:所述S4中具体包括以下步骤:
S401、重复采集螺栓不同松紧情况下的压电传感信号,获得大量的训练以及验证模型的数据,按照S2步骤计算得到标准化多通道小波包分量能量;
S402、将标准化多通道小波包分量能量按8:2划分为训练样本和测试样本,将训练样本作为一维卷积神经网络输入,对应的螺栓松动位置标签作为双注意力卷积神经网络模型的期待输出;
其中,第一次训练时,一维卷积神经网络各神经元的连接权重采用随机初始化的方式设定,并采用Adam梯度下降算法更新一维卷积神经网络连接权重,最终保存训练好的连接权重,得到钢结构螺栓群螺栓松动定位的模型;
S403、将测试样本输入一维卷积神经网络,测试模型泛化性能,若一维卷积神经网络满足预期要求,则保存一维卷积神经网络;反之,则调整一维卷积神经网络,更新一维卷积神经网络的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011641905.9A CN112668526A (zh) | 2020-12-31 | 2020-12-31 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011641905.9A CN112668526A (zh) | 2020-12-31 | 2020-12-31 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112668526A true CN112668526A (zh) | 2021-04-16 |
Family
ID=75412333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011641905.9A Pending CN112668526A (zh) | 2020-12-31 | 2020-12-31 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668526A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113267536A (zh) * | 2021-05-14 | 2021-08-17 | 大连理工大学 | 一种多频段阻抗融合的松动螺栓定位方法 |
CN113607325A (zh) * | 2021-10-09 | 2021-11-05 | 武汉地震工程研究院有限公司 | 一种钢结构螺栓群松动定位智能监测方法及系统 |
CN114492146A (zh) * | 2022-04-02 | 2022-05-13 | 武汉地震工程研究院有限公司 | 基于迁移学习的螺栓群松动定位和定量分析方法及系统 |
CN116592814A (zh) * | 2023-07-17 | 2023-08-15 | 塔盾信息技术(上海)有限公司 | 一种基于人工智能自适应多维度计算的物体移位监测方法 |
-
2020
- 2020-12-31 CN CN202011641905.9A patent/CN112668526A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113267536A (zh) * | 2021-05-14 | 2021-08-17 | 大连理工大学 | 一种多频段阻抗融合的松动螺栓定位方法 |
CN113607325A (zh) * | 2021-10-09 | 2021-11-05 | 武汉地震工程研究院有限公司 | 一种钢结构螺栓群松动定位智能监测方法及系统 |
CN114492146A (zh) * | 2022-04-02 | 2022-05-13 | 武汉地震工程研究院有限公司 | 基于迁移学习的螺栓群松动定位和定量分析方法及系统 |
CN114492146B (zh) * | 2022-04-02 | 2022-07-08 | 武汉地震工程研究院有限公司 | 基于迁移学习的螺栓群松动定位和定量分析方法及系统 |
CN116592814A (zh) * | 2023-07-17 | 2023-08-15 | 塔盾信息技术(上海)有限公司 | 一种基于人工智能自适应多维度计算的物体移位监测方法 |
CN116592814B (zh) * | 2023-07-17 | 2023-10-13 | 塔盾信息技术(上海)有限公司 | 一种基于人工智能自适应多维度计算的物体移位监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
Li et al. | Damage identification in civil engineering structures utilizing PCA‐compressed residual frequency response functions and neural network ensembles | |
CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
CN111737909B (zh) | 基于时空图卷积网络的结构健康监测数据异常识别方法 | |
KR102073323B1 (ko) | 인공지능 기반의 구조물 건전성 관리 시스템 | |
CN112036042B (zh) | 一种基于变分模态分解的动力设备异常检测方法及系统 | |
CN102265227A (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
CN114757309A (zh) | 多物理场监测数据协同融合的工程灾害预警方法及系统 | |
CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
CN111898644B (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
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 | |
CN112418529B (zh) | 基于lstm神经网络的户外广告在线倒塌预测方法 | |
CN111982256B (zh) | 一种基于多通道cnn模型的汽车衡压力传感器故障预警方法 | |
CN111291481B (zh) | 一种基于贝叶斯模型的结构预警分析方法 | |
CN114492146B (zh) | 基于迁移学习的螺栓群松动定位和定量分析方法及系统 | |
Yanez-Borjas et al. | Convolutional neural network-based methodology for detecting, locating and quantifying corrosion damage in a truss-type bridge through the autocorrelation of vibration signals | |
Tao et al. | A structural monitoring data processing model based on signal musicalization | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
CN113722308B (zh) | 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 | |
CN113688770A (zh) | 高层建筑长期风压缺失数据补全方法及装置 | |
CN113570111A (zh) | 基于轻量化网络的桥梁健康状态片上监测方法 | |
CN113065602A (zh) | 一种压裂泵凡尔故障的诊断方法和装置 |
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 |