[发明专利]基于高斯过程的疲劳裂纹长度智能评定方法和监测方法在审
| 申请号： | 201810105717.0 | 申请日： | 2018-02-02 |
| 公开（公告）号： | CN108318589A | 公开（公告）日： | 2018-07-24 |
| 发明（设计）人： | 蔡国强;王要飞;吕姣姣;潘越;宋琼;杨晨;郝强;赵佳庆;李一鸣 | 申请（专利权）人： | 北京交通大学 |
| 主分类号： | G01N29/44 | 分类号： | G01N29/44;G01N29/46;G01N29/04;G01B17/00 |
| 代理公司： | 北京正理专利代理有限公司 11257 | 代理人： | 付生辉 |
| 地址： | 100044*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 高斯 结构件 评定 传感信号 过程模型 疲劳裂纹 特征因子 发射探测信号 高速列车 傅里叶变换 应用范围广 最大似然法 先验 复数小波 关键部件 轨道交通 结构材料 均值函数 模型训练 损伤识别 探测信号 提取特征 映射关系 中心频率 智能 分散性 有效地 方差 减小 采集 监测 预测 | ||
1.一种基于高斯过程的疲劳裂纹长度智能评定方法，其特征在于，包括：
S101：设置Lamb波的中心频率，向高速列车的被测结构件发射探测信号；
S103：采集所述被测结构件接收到所述探测信号产生的传感信号；
S105：使用傅里叶变换和香农复数小波变换从所述传感信号中提取特征因子；
S107：设置高斯过程的先验均值函数和协方差函数，建立高斯过程模型，建立所述特征因子与所述被测结构件的裂纹长度的映射关系；
S109：对所述特征因子分别通过所述高斯过程模型使用最大似然法进行模型训练以评定和预测所述被测结构件的裂纹长度。
2.根据权利要求1所述的智能评定方法，其特征在于，所述S101中的Lamb波为窄带激励信号。
3.根据权利要求1所述的智能评定方法，其特征在于，所述S101采用压电陶瓷作为触发介质以发射所述探测信号。
4.根据权利要求1所述的智能评定方法，其特征在于，所述特征因子包括互相关系数差、空间相位差、频谱幅值差和幅值谱互相关系数差。
5.根据权利要求1所述的智能评定方法，其特征在于，所述高斯过程的先验均值函数的初始值设置为0。
6.根据权利要求1所述的智能评定方法，其特征在于，所述高斯过程的协方差函数为能够生成协方差矩阵是正定矩阵的函数。
7.根据权利要求1所述的智能评定方法，其特征在于，所述高斯过程的协方差函数为神经网络协方差函数、径向基协方差函数、常量协方差函数和高斯白噪声协方差函数的组合协方差函数。
8.一种基于高斯过程的疲劳裂纹长度智能评定的监测方法，其特征在于，利用权利要求1-7中所述任一项智能评定方法对高速列车的关键部件进行实时监测。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于北京交通大学，未经北京交通大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201810105717.0/1.html，转载请声明来源钻瓜专利网。
