为解决压电波动法在检测混凝土结构时面临的源信号信噪比低、背景噪声大与非平稳性问题,提出了一种K奇异值分解(K-means singular value decomposition,K-SVD)更新字典的压电信号滤波方法,并对混凝土结构损伤进行了识别。首先,对开裂状...为解决压电波动法在检测混凝土结构时面临的源信号信噪比低、背景噪声大与非平稳性问题,提出了一种K奇异值分解(K-means singular value decomposition,K-SVD)更新字典的压电信号滤波方法,并对混凝土结构损伤进行了识别。首先,对开裂状态与完整状态下混凝土结构的压电信号进行采集,并将采集的信号进行分类处理;其次,对上述采集的压电信号进行滤波处理,并对K-SVD字典学习滤波结果与未滤波结果进行对比分析,评价K-SVD字典学习滤波方法的适用性;最后,利用残差卷积神经网络(residual network,ResNet)对滤波后的压电信号进行分类识别。结果表明:利用基于K-SVD字典学习与ResNet模型,能够稳定地识别混凝土结构内部损伤的压电信号;训练集与测试集的损伤信号识别准确率分别为93.25%与92.38%,无损信号的识别准确率分别为95.41%与94.67%,相较于未滤波的采集信号,其准确率提升了10个百分点以上;利用K-SVD字典学习与ResNet对混凝土结构损伤进行有效识别,实现了对混凝土结构内部损伤区域的定位。研究结果可为混凝土结构健康监测的数据处理提供一种新的思路。展开更多
为了提高电能质量复合扰动(PQMD)信号的去噪指标,实现扰动信号特征的准确检测,提出一种自适应多尺度SVD(Adaptive Multi-resolution Singular Value Decomposition,AMSVD)去噪新算法及数学框架。该算法首先分析了高斯白噪声奇异值分布...为了提高电能质量复合扰动(PQMD)信号的去噪指标,实现扰动信号特征的准确检测,提出一种自适应多尺度SVD(Adaptive Multi-resolution Singular Value Decomposition,AMSVD)去噪新算法及数学框架。该算法首先分析了高斯白噪声奇异值分布情况及多尺度SVD消噪原理,针对不同尺度下的噪声近似与细节信号奇异值差值规律,确定出最佳消噪尺度的约束条件,由此实现噪声先验信息未知的自适应消噪方法。研究结果表明,在对不同噪声方差下的电能质量复合扰动去噪处理中,AMSVD消噪效果优于其他5种方法。为了进一步验证AMSVD算法去噪后特征量检测的准确性,采用希尔伯特黄变换(HHT)提取扰动特征信息,仿真结果表明该算法具有可行性和鲁棒性。展开更多
文摘为解决压电波动法在检测混凝土结构时面临的源信号信噪比低、背景噪声大与非平稳性问题,提出了一种K奇异值分解(K-means singular value decomposition,K-SVD)更新字典的压电信号滤波方法,并对混凝土结构损伤进行了识别。首先,对开裂状态与完整状态下混凝土结构的压电信号进行采集,并将采集的信号进行分类处理;其次,对上述采集的压电信号进行滤波处理,并对K-SVD字典学习滤波结果与未滤波结果进行对比分析,评价K-SVD字典学习滤波方法的适用性;最后,利用残差卷积神经网络(residual network,ResNet)对滤波后的压电信号进行分类识别。结果表明:利用基于K-SVD字典学习与ResNet模型,能够稳定地识别混凝土结构内部损伤的压电信号;训练集与测试集的损伤信号识别准确率分别为93.25%与92.38%,无损信号的识别准确率分别为95.41%与94.67%,相较于未滤波的采集信号,其准确率提升了10个百分点以上;利用K-SVD字典学习与ResNet对混凝土结构损伤进行有效识别,实现了对混凝土结构内部损伤区域的定位。研究结果可为混凝土结构健康监测的数据处理提供一种新的思路。
文摘为了提高电能质量复合扰动(PQMD)信号的去噪指标,实现扰动信号特征的准确检测,提出一种自适应多尺度SVD(Adaptive Multi-resolution Singular Value Decomposition,AMSVD)去噪新算法及数学框架。该算法首先分析了高斯白噪声奇异值分布情况及多尺度SVD消噪原理,针对不同尺度下的噪声近似与细节信号奇异值差值规律,确定出最佳消噪尺度的约束条件,由此实现噪声先验信息未知的自适应消噪方法。研究结果表明,在对不同噪声方差下的电能质量复合扰动去噪处理中,AMSVD消噪效果优于其他5种方法。为了进一步验证AMSVD算法去噪后特征量检测的准确性,采用希尔伯特黄变换(HHT)提取扰动特征信息,仿真结果表明该算法具有可行性和鲁棒性。
