-
公开(公告)号：CN103526292A
公开(公告)日：2014-01-22
申请号：CN201310469833.8
申请日：2013-09-27
Applicant: 哈尔滨工业大学
Abstract: 本发明提供一种面内剪切型压电敏感元件及其制作方法，方法如下：采用弛豫铁电单晶材料，首先将晶体沿[011]方向，即Z向极化，然后切割出垂直于该方向的平面(011)，该平面由坐标轴X和Y表示，在该平面沿与坐标轴夹角45度方向切割正方体晶片，切割得到正方体晶片之后，在其上下表面制作电极，得到内剪切型压电敏感元件，所述的[001]、[010]、[100]及[011]为晶体学中表示晶向的密勒指数，(011)表示晶面的密勒指数，[011]方向与(011)面相互垂直，x，y，z表示原晶体所置于的坐标系，其中z向为晶体的生长方向。本发明具有体积微小，可永久固定于结构表面或嵌入内部的优点。
-
公开(公告)号：CN115032283B
公开(公告)日：2025-03-25
申请号：CN202210633550.1
申请日：2022-06-06
Applicant: 哈尔滨工业大学
Abstract: 一种基于复数稀疏贝叶斯学习的超声导波频散曲线反演方法，涉及超声无损检测技术领域。本发明是为了解决超声导波在板状薄壁结构中传播时，由于频散特性产生波包畸变导致难以准确提取导波信号里的损伤信息的问题。本发明根据导波频率响应模型转化为稀疏线性模型，并将复数稀疏线性模型转换为实数线性模型且采用相同的超参数控制稀疏向量的实部和虚部，保证实部和虚部稀疏一致性，从而提高稀疏贝叶斯学习效果。本发明进行复数稀疏贝叶斯学习时对未知权重系数采用Laplace先验，促进了波数权重向量的稀疏性，提高导波波数识别的精度。基于随机布设的传感器识别频散曲线，克服了超声导波在薄壁结构中传播时由于频散特性产生波包畸变的问题。
-
公开(公告)号：CN118395860A
公开(公告)日：2024-07-26
申请号：CN202410527603.0
申请日：2024-04-29
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种导波频散关系恢复问题中优化测点布置的方法。该方法采用多任务复数层次稀疏贝叶斯模型对导波的频散关系进行求解，并利用多任务复数层次稀疏贝叶斯模型给出的不确定性指标来计算后续测点布置方案的微分熵估计值，通过极小化微分熵估计值来获取最优测点布置。导波频散关系的多任务模型将多个频率下的任务联立求解，并构造字典矩阵使得在多个频率对应任务的权重向量具有一致稀疏性，滤去了仅在单个频率上出现的噪点使得频散关系求解结果更接近真实值。此外，多任务复数层次稀疏贝叶斯模型能根据数据来估计模型中超参数，减弱了导波频散关系恢复问题中过拟合现象造成的影响，从而能够更加可靠地求解导波频散关系并优化测点布置方案。
-
公开(公告)号：CN116124902B
公开(公告)日：2023-08-18
申请号：CN202310054298.3
申请日：2023-02-03
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种基于贝叶斯不确定性量化对超声导波损伤定位精度的诊断方法。所述方法包括对于对测量信号的前处理、导波损伤定位稀疏问题的构造与求解和算法损伤定位精度的判定等。本发明所述方法采用多任务复数层次稀疏贝叶斯模型对基于超声导波的损伤定位问题进行了求解，利用不同传感器数据个数下多任务复数层次稀疏贝叶斯模型给出的不确定性指标的变化趋势来诊断损伤定位的结果是否足够精确。此外，多任务复数层次稀疏贝叶斯模型能根据数据来估计模型中超参数，使得该方法中贝叶斯模型中给出的不确定性量化指标更加客观，从而能够更加可靠地对损伤定位的结构是否足够精确进行诊断。
-
公开(公告)号：CN116502163A
公开(公告)日：2023-07-28
申请号：CN202310427373.6
申请日：2023-04-20
Applicant: 哈尔滨工业大学
IPC: G06F18/2433 , G06F18/2415 , G06F18/25 , G06F18/2131 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06N3/08
Abstract: 基于多特征融合和深度学习的振动监测数据异常检测方法，涉及结构健康监测技术领域。本发明是为了解决现有的结构异常振动数据自动检测方法仅考虑历史数据在时域上的异常特征，导致效率低下、准确率差的问题。本发明从历史振动监测数据中分别提取残差序列和PSD序列作为训练样本，丰富了异常特征信息的同时还降低了模型输入样本的大小。将样本输入到卷积神经网络提取更高级别的数据特征，同时将历史数据在时域和频域上的特征进行融合；接着利用长短期记忆神经网络模型来学习融合后的特征序列的异常特征；最后利用训练好的模型实现振动监测数据的异常检测。
-
Patent Agency Ranking
公开(公告)号：CN114120129A
公开(公告)日：2022-03-01
申请号：CN202111451203.9
申请日：2021-11-30
Applicant: 哈尔滨工业大学
Abstract: 基于无人机图像和深度学习的滑坡滑移面的三维识别方法，涉及灾害监测技术领域。本发明是为了解决现有对山体滑坡进行检测的方法对滑移面的具体定位不准确的问题。本发明利用无人机采集被测区域至少5个不同角度的图像作为检测图像，利用语义分割网络对检测图像中所有像素点的类型进行区分，获得语义分割结果，其中像素点的类型包括背景像素点和滑坡滑移面像素点，利用三维重构算法对检测图像进行重构，获得包含滑坡滑移面的三维点云，计算三维点云中任一像素点A在二维平面中的二维坐标，将像素点A在二维平面中的二维坐标带入步骤二获得的语义分割结果中，获得像素点A的类型，将像素点A的类型及像素点A的三维坐标作为滑坡滑移面的三维识别结果。
-
公开(公告)号：CN113916794A
公开(公告)日：2022-01-11
申请号：CN202111202903.4
申请日：2021-10-15
Applicant: 哈尔滨工业大学
IPC: G01N21/17
Abstract: 基于超弱光纤光栅传感技术的土壤含水量监测装置及方法，涉及边坡土体状态监测技术领域。本发明是为了解决边坡安全防护监测中，土体表层及深层含水量无法进行分布式、实时监测的问题。本发明每个监测单元的外壳外部的水汽能够渗透到其内部，分隔底座将外壳内部腔体分隔成互不连通的上层土壤容纳腔和下层温度补偿腔，超弱光纤光栅的一端与光纤光栅解调仪相连，超弱光纤光栅的另一端从上至下依次贯穿N个监测单元的外壳，超弱光纤光栅与每个分隔底座、外壳的顶部和底部均固定连接，上位机采集光纤光栅解调仪在被测时间段内获得的每个监测单元中超弱光纤光栅的波长，并利用波长分别计算被测时间段内每个监测单元中上层土壤容纳腔内部土壤的含水量。
-
公开(公告)号：CN111678465B
公开(公告)日：2021-12-10
申请号：CN202010470971.8
申请日：2020-05-28
Applicant: 哈尔滨工业大学
IPC: G01B15/06
Abstract: 一种基于超声导波的管道弯曲检测方法，涉及结构健康监测和无损检测技术领域。本发明是为了解决现有管道变形检测方法需要布设大量传感器，或者每次只测管道上一个点的深度，费时费力、探测精度不高，进而导致具有很大局限性的问题。本发明所述的一种基于超声导波的管道弯曲检测方法，首先在管道某一位置激励产生纯纵向导波模态，然后将至少两个面剪切型超声换能器布设于距激励一定距离的管道表面。通过一段距离两端的换能器形成激励接收一体化系统，测量得到管道顶部和侧面位置超声导波透射信号，来检测激励与接收换能器间管道的弯曲情况。同时，通过对同一截面两个微型接收换能器信号的波包特征和差异进行分析，即可识别弯曲部位和弯曲方向。
-
公开(公告)号：CN108490079B
公开(公告)日：2020-12-11
申请号：CN201810226134.3
申请日：2018-03-19
Applicant: 哈尔滨工业大学
Abstract: 一种基于超声换能器的波束成形方法，本发明涉及基于超声换能器的波束成形方法。本发明的目的是为了解决现有导波换能器无法产生沿某一特定方向传播超声导波，导致通过信号定位损伤检测难度大的问题。具体过程为：一、根据被检测结构的材料特征和几何特征，得到被检测结构中传播的超声导波的频散曲线；所述材料特征为材料密度和拉梅常数；所述几何特征为结构的厚度；二、根据频散曲线计算激发频率下的导波波长λ；三、将两个超声换能器以中心间距为λ/2放置，对两个超声换能器分别施加同幅值，反相位的激励信号，得到沿两个超声换能器中心连线所在直线的正负方向的两个方向性波束。本发明属于基于超声波方法的结构无损检测领域。
-
公开(公告)号：CN110568084B
公开(公告)日：2020-07-24
申请号：CN201910888792.3
申请日：2019-09-19
Applicant: 哈尔滨工业大学
Abstract: 一种适用于导波换能器阵列的低信噪比导波信号达到时刻的提取方法，涉及超声无损检测领域。本发明是为了解决现有导波阵列信号处理方法无法从低信噪比的接收信号中提取信息，从而限制了导波检测范围的问题。本发明超声导波换能器阵列中各阵元接收的信号中，损伤散射信号成分具有高度相关性，而损伤散射信号成分与噪声不具有相关性，从而实现从低信噪比的阵列接收信号中提取所需要的损伤散射信号成分，大大提高了导波的有效检测范围以及对小损伤的检测能力。
-
-
-
-
-
-
-
-
-
Search Results
59
records
(took 0.023 seconds)
