-
公开(公告)号：CN119025896A
公开(公告)日：2024-11-26
申请号：CN202411226368.X
申请日：2024-09-02
IPC: G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/045 , G06N3/048 , G06N3/049 , G06N3/0442 , G06F30/27 , G06F119/14 , G06F113/26
Abstract: 本发明公开了一种基于冲击应力波和深度学习的复合材料平板结构冲击能量识别方法，属于结构健康监测技术领域。主要包括建立第一级深度学习模型用于学习冲击应力波信号的序列特征和高维度抽象特征，最终建立冲击应力波信号与冲击位置坐标之间的映射关系；建立第二深度学习模型用于建立所述冲击应力波信号与冲击波能量之间的映射关系。本申请提出的方法可以学习到更多的冲击应力波信号特征，表明深度学习和冲击实验相结合的复合材料冲击位置与能量识别技术有应用前景。
-
公开(公告)号：CN119004080A
公开(公告)日：2024-11-22
申请号：CN202411226374.5
申请日：2024-09-02
IPC: G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/045 , G06N3/048 , G06N3/049 , G06N3/084 , G06F18/25 , G06F30/27 , G06F119/14 , G06F113/26
Abstract: 本发明公开了一种基于冲击应力波深度学习的复合材料板结构冲击位置识别方法，该方法包括在复合材料平板上粘贴传感器，在传感器包络区域进行不同位置的冲击实验，实时采集冲击响应信号并记录坐标位置，建立数据库并按照预定比例划分训练集和测试集；建立深度学习模型，学习冲击响应信号的序列特征和高维度抽象特征，最终建立冲击响应信号与冲击位置坐标之间的映射关系。本申请的方法可以学习到更多的信号特征，表明深度学习和冲击实验相结合的复合材料冲击位置识别技术有一定的应用价值。
-
公开(公告)号：CN119150120A
公开(公告)日：2024-12-17
申请号：CN202411295223.5
申请日：2024-09-16
IPC: G06F18/2413 , G06F18/25 , G06N20/20 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/0985 , G01N29/04 , G01N29/06 , G01N29/44 , G06F123/02
Abstract: 为了提高基于机器学习冲击损伤识别的准确性和可靠性，发明了一种基于多模态数据融合及集成学习的冲击损伤识别。该方法采用包括离散的冲击损伤特征、时域冲击信号序列及冲击信号的时频图像在内的多模态数据作为机器模型的输入，充分挖掘了冲击应力波信号中所包含的冲击损伤信息，还利用权重平均技术对人工神经网络、长短期记忆网络和卷积神经网络进行集成，融合余弦距离、曼哈顿距离以及欧氏距离三种距离对冲击损伤进行识别。在400mm×400mm复合材料板状结构上对方法进行了验证，结果表明该方法在使用少量传感器的情况下能够对结构内部的冲击损伤进行高精度识别。
-
公开(公告)号：CN119128442A
公开(公告)日：2024-12-13
申请号：CN202411295222.0
申请日：2024-09-16
IPC: G06F18/20 , G06F18/213 , G06N3/08 , G06N5/04 , G06N3/047 , G06F123/02
Abstract: 本申请公开了一种基于近似贝叶斯计算的概率化冲击位置及能量识别方法。该方法包括离线训练阶段和在线监测阶段，在离线训练阶段，利用神经网络拟合冲击位置、冲击能量与到达时间差、最大包络振幅之间的关系；在线监测阶段，选择合适的距离函数，利用神经网络生成数据与在线监测数据进行近似贝叶斯计算，采用序列蒙特卡罗采样算法获得冲击位置和冲击能量参数的后验概率分布，最终实现概率化冲击定位和冲击能量识别。在500mm×500mm复合材料板状结构对方法进行了验证，结果表明该方法在使用少量传感器的情况下能够进行概率化冲击定位和冲击能量且具有较高的精度。
-
公开(公告)号：CN116165278A
公开(公告)日：2023-05-26
申请号：CN202310061858.8
申请日：2023-01-19
Applicant: 大连理工大学 , 中国飞机强度研究所 , 大连君晟科技有限责任公司
Abstract: 本申请公开了一种基于多重小波分解和时间反转的结构冲击定位方法，其包括接收笛卡尔坐标系下监测区域上的每个所述传感器的冲击应力波信号并对每个冲击应力波信号根据多贝西小波基函数的尺度选择多个不同的多贝西小波基函数对所述冲击应力波信号进行分解、信号重构，归一化处理后，利用余弦相似度公式假定冲击源位置的所有时间反转信号波形相似度，并进行累乘得到该假定冲击源位置的像素值；计算所述监测区域内的多个假定冲击源位置的像素值，再根据像素值定位冲击源位置。本申请提出的方法采用多重多贝西小波基函数对冲击应力波信号进行分解、重构，削弱了边界反射和噪声等干扰信号对冲击定位的影响，提高了定位精度。
-
Patent Agency Ranking
公开(公告)号：CN118671194A
公开(公告)日：2024-09-20
申请号：CN202410961100.4
申请日：2024-07-17
Applicant: 大连理工大学
IPC: G01N29/06 , G01N29/26 , G01N29/265 , G01N29/44
Abstract: 本申请针对超声波在复合材料内部传播复杂这一问题，公开了一种CFRP复合材料分层损伤的超声相控阵合成孔径聚焦成像方法，通过将超声换能器沿一维方向横向移动来采集多组合成孔径成像幅值，其中，每个孔径所对应的成像区域为该孔径正下方预定宽度的区域；再将所述多组合成孔径成像幅值进行叠加得到CFRP层合板内部分层损伤成像图。相较于传统的合成孔径聚焦成像方法，提高了成像精度。
-
公开(公告)号：CN117434156A
公开(公告)日：2024-01-23
申请号：CN202311397374.7
申请日：2023-10-25
Applicant: 大连理工大学 , 大连君晟科技有限责任公司
IPC: G01N29/06 , G01N29/07 , G01N29/265 , G01N29/22
Abstract: 本发明公开了一种复合材料气瓶的全自动超声C扫描成像方法，其包括用超声相控阵单元获取所述复合材料气瓶的瓶身的多个扫查点的多个超声A扫信号流，将所述多个超声A扫信号流分别与其对应扫查点的位置信息相关联形成超声A扫数据，所述位置信息包括水平位置信息和周向位置信息；对所述超声A扫数据进行超声C扫声时差处理得到所述瓶身的第一超声C扫图像。本申请还公开了对应的系统。本发明针对复合材料气瓶，尤其是碳纤维复合材料气瓶的结构特征和材料属性，设计了检测系统和成像算法，检测效率高，能够实现碳纤维复合材料气瓶损伤的可视化实时成像。
-
公开(公告)号：CN117269321A
公开(公告)日：2023-12-22
申请号：CN202311218528.1
申请日：2023-09-20
Applicant: 大连理工大学
Abstract: 本申请公开了碳纤维复合材料内部缺陷超声定位方法，包括构建碳纤维复合材料内部缺陷测试装置；获得碳纤维复合材料内部缺陷测试系统的实际传播时间组；构建所述碳纤维复合材料内部缺陷测试系统的仿真系统；获取所述仿真系统的理论声传播时间集；确定与各接收阵元的实际传播时间相符的理论声传播路径；获取与各接收阵元的理论声传播路径对应反射点组合的网格点分布，通过该网格点分布中的重合部分确定内部缺陷的位置，本发明解决了碳纤维复合材料缺陷定位精度低的问题。本申请还公开了碳纤维复合材料内部缺陷超声定位系统。
-
公开(公告)号：CN117451846A
公开(公告)日：2024-01-26
申请号：CN202311466803.1
申请日：2023-11-06
Applicant: 大连理工大学
Abstract: 本申请公开了基于多信号分类算法的变温环境下的结构冲击定位方法，其包括基于多信号分类算法获得单一频率冲击应力波信号在所述波数初始值下的冲击定位图像；以所述设定的所述波数迭代区间以及波数迭代步长进行迭代，获取所述波数迭代区间内每个波数所对应的冲击定位图像；标记所述波数迭代区间中每个波数所对应的冲击定位图像的最大像素值；选择所有冲击定位图像中的所述最大像素值最大的冲击定位图像作为代表冲击定位图像，将该代表冲击定位图像的最大像素值所在的网格点位置确定为冲击位置。本申请还公开了对应的装置。本申请提供的方法合装置无需提前测量变温环境下结构的波场信息，提高了MUSIC算法在工程应用中的实用价值。
-
公开(公告)号：CN116908312A
公开(公告)日：2023-10-20
申请号：CN202310402071.3
申请日：2023-04-14
Applicant: 大连理工大学 , 大连君晟科技有限责任公司
Abstract: 本申请公开了一种基于超声导波深度学习的变温环境下复合材料损伤定位方法，该方法包括以下步骤：生成复合材料试件的变温损伤超声导波数据；对所述变温损伤超声导波数据进行预处理得到二维时频图像；用所属二维时频图像作为输入训练RAC网络深度学习模型输出变温损伤类别，所述RAC网络深度学习模型包括具有RSA机制的卷积模块以及包括胶囊注意力机制的胶囊模块；以及通过所述经训练的RAC深度学习模型识别变温损伤。该方法的包括但不限于利用深度学习技术进行变温损伤识别，无需考虑过多信号物理参数，可自动学习并提取损伤特征。本申请还公开了对应的系统和存储介质。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.035 seconds)
