.png){kind=icon}
返回
Data-Driven Damage Detection on a Temperature-Varying Turbine Blade Using Multiple Sensor Modalities
.png){kind=icon}
OA
AI
DOI：10.1155/stc/7943746.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究探讨了使用多种传感器类型对小型风力涡轮机叶片进行基于振动的结构健康监测（SHM），以评估一种输出-only、数据驱动和半监督损伤检测框架的性能。主要目的是评估不同传感模式如何影响损伤检测和定位，并展示所提出的SHM方法在风力涡轮机复合材料叶片的多样化传感器配置下的鲁棒性。为此，本研究考虑了实验加速度计和应变片的时间序列数据。该方法集成了多元自回归（MAR）建模、主成分分析（PCA）、基于马氏距离的相异度度量以及K-means聚类。该混合框架无需标记的损伤数据且用户输入量最少，提供了一种透明、可解释且计算高效的解决方案，适用于实际应用。叶片在实验中经历了渐进式损伤测试，损伤以三个位置的顺序裂纹形式引入，并在变化的温度条件下进行测试。结果表明，该方法能够可靠地检测不同传感器配置下的损伤，突显其作为连续SHM实用且经济有效工具的潜力。值得注意的是，两种传感器类型均能仅以一个传感器作为输入检测损伤；然而，应变片在损伤定位方面比加速度计更有效。
Keyword:
damage detection
data-driven methods
semisupervised learning
sensor modalities
structural health monitoring
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
5.1
论文数:
242
被引数:
9.2K
机构
引用论文
分享收藏Identifying damage locations under ambient vibrations utilizing vector autoregressive models and Mahalanobis distances利用矢量自回归模型和马氏距离识别环境振动下的损伤位置
PREAI
分享收藏分享收藏Effects of environmental and operational variability on structural health monitoring.png)
PHILOSOPHICAL TRANSACTIONS OF THE ROYAL SOCIETY A-MATHEMATICAL PHYSICAL AND ENGINEERING SCIENCES
PHILOSOPHICAL TRANSACTIONS OF THE ROYAL SOCIETY A-MATHEMATICAL PHYSICAL AND ENGINEERING SCIENCESIF3.7
PREAI
分享收藏Big Data Analytics and Structural Health Monitoring: A Statistical Pattern Recognition-Based ApproachSENSORSOAAI
SENSORSIF3.5
OAAI分享收藏Failure rate, repair time and unscheduled O&M cost analysis of offshore wind turbinesWIND ENERGYOAAI
WIND ENERGYIF3.3
OAAI分享收藏Online unsupervised detection of structural changes using train-induced dynamic responses使用火车引起的动态响应在线无监督检测结构变化
OAAI
OAAI分享收藏
查看更多内容