相关实验视频
Updated: May 10, 2025
06:49
Automated Analysis of Dynamic Ca2+ Signals in Image Sequences
Published on: June 16, 2014
17.0K
使用深度学习和波形转换对板状结构的影响定位的新方法
Asaad Migot1,2, Ahmed Saaudi2,3, Victor Giurgiutiu2
1Department of Petroleum and Gas Engineering, College of Engineering, University of Thi-Qar, Nasiriyah 64001, Iraq.
Sensors (Basel, Switzerland)
|April 28, 2025
概括
这项研究引入了一种使用二维卷积神经网络 (CNN) 和压电晶片活性传感器 (PWAS) 精确定位对结构的影响的新方法. 该模型在冲击定位方面实现了高精度,证明了其在结构健康监测方面的有效性.
科学领域:
- 结构健康监测 结构健康监测
- 信号处理 信号处理
- 机器学习应用 机器学习应用
背景情况:
- 对板状结构的撞击事件会产生由传感器检测到的反射波.
- 准确地定位冲击对于评估结构完整性和损坏至关重要.
- 现有的方法在区分类似的信号特征时可能面临挑战.
研究的目的:
- 开发和评估一种用于定位板状结构上的冲击事件的新方法.
- 使用二维卷积神经网络 (CNN) 来处理冲击信号.
- 评估拟议的CNN模型在冲击本地化准确性方面的表现.
主要方法:
- 使用压电晶片活性传感器 (PWAS) 的网络来获取撞击信号.
- 接收到的信号经过基于波形变换 (WT) 的时间频率分析.
- 经过处理的WT图表被用作图像数据集来训练和测试2D CNN模型.
- 研究了两种传感器放置场景,影响的次数各不相同.
主要成果:
- 拟议的CNN模型在冲击定位方面表现出了卓越的表现.
- 在第一个场景 (两个传感器) 中,所有撞击点都被准确地定位.
- 该模型在第二种情景 (四个传感器) 中实现了99%的局部冲击精度.
结论:
- 开发的基于CNN的方法非常有效地将撞击事件定位在板状结构上.
- 该研究强调了基于WT的信号处理和CNN用于结构性健康监测的潜力.
- 未来的工作可能将重点放在解决与细分和影响近距离产生的差异化类似信号特征相关的挑战上.
