-
公开(公告)号：CN110782041B
公开(公告)日：2022-08-02
申请号：CN201910994657.7
申请日：2019-10-18
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种基于机器学习的结构模态参数识别方法，包括以下步骤：步骤一、将振动传感器收集到的数据进行初步滤波去噪处理；步骤二、将滤波后的数据输入设计的神经网络，设计目标函数，所述目标函数用于保证神经网络第三层的输出结果具有完全的独立性，使得神经网络的训练过程变为混叠信号的分离过程；步骤三、提取神经网络第三层的结果即为各阶模态响应，神经网络三四层之间的权重即为各阶振型系数；步骤四、对提取得到的模态响应进行功率谱变换求频率，利用对数衰减技术并进行曲线拟合得到阻尼比。本发明利用机器学习的方法实现了对监测数据的自动处理，网络自动化程度较高，分离速度较快。
-
Patent Agency Ranking
公开(公告)号：CN113239730A
公开(公告)日：2021-08-10
申请号：CN202110384984.8
申请日：2021-04-09
Applicant: 哈尔滨工业大学
Abstract: 本发明公开一种基于计算机视觉的结构虚假模态参数自动剔除方法。利用待测结构的已有数据绘制模态振型图；按虚假模态与真实模态阶次进行人工标定并制作成为待测结构的数据集；利用待测结构的数据集训练振型图像分类器；将结构的待测响应信号输入模态参数求解器；求解得到待测结构的真实模态参数与虚假模态参数掺杂的识别结果；进行各阶次的有效分类；利用自动分类器实现待测结构模态参数的自动分类。用以解决模态参数识别的准确结果主要人为判断，面对海量的结构监测数据，人工选取的方式效率低下，难以实现结构模态在线自动分析，严重影响了结构健康监测系统实时预警等功能的问题。
-
公开(公告)号：CN110782041A
公开(公告)日：2020-02-11
申请号：CN201910994657.7
申请日：2019-10-18
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种基于机器学习的结构模态参数识别方法，包括以下步骤：步骤一、将振动传感器收集到的数据进行初步滤波去噪处理；步骤二、将滤波后的数据输入设计的神经网络，设计目标函数，所述目标函数用于保证神经网络第三层的输出结果具有完全的独立性，使得神经网络的训练过程变为混叠信号的分离过程；步骤三、提取神经网络第三层的结果即为各阶模态响应，神经网络三四层之间的权重即为各阶振型系数；步骤四、对提取得到的模态响应进行功率谱变换求频率，利用对数衰减技术并进行曲线拟合得到阻尼比。本发明利用机器学习的方法实现了对监测数据的自动处理，网络自动化程度较高，分离速度较快。
-
公开(公告)号：CN113239730B
公开(公告)日：2022-04-05
申请号：CN202110384984.8
申请日：2021-04-09
Applicant: 哈尔滨工业大学
Abstract: 本发明公开一种基于计算机视觉的结构虚假模态参数自动剔除方法。利用待测结构的已有数据绘制模态振型图；按虚假模态与真实模态阶次进行人工标定并制作成为待测结构的数据集；利用待测结构的数据集训练振型图像分类器；将结构的待测响应信号输入模态参数求解器；求解得到待测结构的真实模态参数与虚假模态参数掺杂的识别结果；进行各阶次的有效分类；利用自动分类器实现待测结构模态参数的自动分类。用以解决模态参数识别的准确结果主要人为判断，面对海量的结构监测数据，人工选取的方式效率低下，难以实现结构模态在线自动分析，严重影响了结构健康监测系统实时预警等功能的问题。
-
公开(公告)号：CN117973208A
公开(公告)日：2024-05-03
申请号：CN202410162328.7
申请日：2024-02-05
Applicant: 哈尔滨工业大学
IPC: G06F30/27 , G06F30/23 , G06N20/00 , G06F17/18 , G06F17/14 , G06F17/16 , G06F18/23 , G06N3/04 , G06F17/11 , G06F111/04 , G06F119/14 , G06F111/08
Abstract: 本发明提出基于力学增强机器学习的结构模态参数识别方法。所述方法包括：得到结构时域加速度响应数据和结构响应时频域单源点输入；将数据输入设计好的力学增强模态参数神经网络，利用目标函数求解得到模态响应和振型；提取时域互相关最小化约束神经网络第六层的结果即为各阶模态响应，时域互相关最小化约束神经网络六七层之间的权重即为各阶振型系数；利用模态响应进行傅里叶变换得到结构各阶频率、利用对数衰减技术和曲线拟合得到结构各阶阻尼比。本发明在PYTHON软件平台上实现了基于机器学习的结构模态参数准确识别，实桥算例的结果表明该方法可以从环境激励下结构的响应数据中得到更多准确的模态参数结果。
-
公开(公告)号：CN116796615A
公开(公告)日：2023-09-22
申请号：CN202210230350.1
申请日：2022-03-09
Applicant: 哈尔滨工业大学
IPC: G06F30/27 , G06F30/13 , G06N3/04 , G06N3/08 , G06F119/02
Abstract: 本发明公开了一种基于随机子空间深度学习的结构模态参数识别方法。利用桥梁测点数据构造Hankel矩阵和Toeplitz矩阵；基于构造的Toeplitz矩阵，得到Toeplitz矩阵的奇异值；建立机器学习神经网络；将Toeplitz矩阵的奇异值作为建立的机器学习神经网络的输入，进而确定系统的阶次；基于构造的Hankel矩阵、Toeplitz矩阵及其建立的机器学习神经网络，得到系统矩阵和观测矩阵，并将系统矩阵和观测矩阵的求解程序自动嵌入到机器学习神经网络中；对神经网络得到的系统矩阵和观测矩阵进行求解，得到结构的模态参数。本发明用以解决现有技术中存在虚假模态的干扰和需要较多人工参数设定的问题。
-
-
-
-
-
Search Results
6
records
(took 0.027 seconds)
