1、“.....输出层与最后的卷积层之间采用全连接方法。基于传递率函数和卷练样本有个,测试样本有个。对于每种工况类型,采用独热的编码方式对其进行分类,即设臵个向量,其维数与损伤类别数相同,同时保证向量中除其中位元素为外,其他的元素都为,如表所示为种不同工况下的独热编码。摘要为了能对船舶结构的损伤类型进行分类识别,提出了种基于传递率函数和卷积神经网络的损伤,圆盘半径为,厚度为。如图所示,在仿真过程中,以圆盘的中心点为圆心,取半径为的圆形区域为损伤区域,损伤类型有弹性模量变化和厚度变化两种类型,其中弹性模量的变化包含损伤区域弹性模量依次减小种损伤情况,厚度的变化包含损伤区域厚度依次减小种损伤情况,考虑到原本的健康状态,因此,本研行模态分析获得,但在船舶的服役过程中,由于工作环境恶劣外界载荷复杂等原因......”。

2、“.....为了摆脱对于载荷谱测量的依赖,国外学者提出了传递率函数的概念,并对将其用于损伤检测。虽然利用传递率函数进行损伤检测取得了定的成果,但这种方法只能简单做到判断是否有损伤,无法对船舶上的各种损伤类基于传递率函数和卷积神经网络的损伤类型识别研究原稿蚀,裂纹,磨损等。采用传统的结构损伤检测方法需要测得动力特征参数,如频率振型等,这些参数均需在测量载荷谱的基础上进行模态分析获得,但在船舶的服役过程中,由于工作环境恶劣外界载荷复杂等原因,导致许多载荷谱难以精确测量。为了摆脱对于载荷谱测量的依赖,国外学者提出了传递率函数的概念,并对将其用于损伤,船舶及船上各种设备在长期的服役过程中,会受到各种外界载荷的影响导致结构出现各种损伤情况,如产生腐识别的卷积神经网络模型......”。

3、“.....以验证该方法的有效性。摘要为了能对船舶结构的损伤类型进行分类识别,提出了种基于传递率函数和卷积神经网络的损伤类型识别方法。首先,利用传递率函数对不同损伤类型下的振动响应信号进行处理,得到训练样本集和测试样本集,然后将训练样第层卷积层我们继续用的卷积核进行卷积,其步长为,但特征图的数量不变,即最终可得到个特征图,每个特征图的大小为,也就是每个特征图相当于个神经元,共有个特征图,则最终只剩下个神经元。最后,在输出层利用函数实现对损伤类型的分类,输出层与最后的卷积层之间采用全连接方法。基于传递率函数和卷来越理想,实际输出与理想输出也越来越近。当迭代次数达到时,本论文中模型的值为,已经非常接近于。从测试集准确率可以看出,随着迭代次数的增加,测试集准确率越来越高,说明网络模型越来越符合稳定......”。

4、“.....本论文中模型的测试集准确率高达,网络模型的误判率已经非常的小。第卷积层为个特征卷。本文将利用传递率函数和卷积神经网络进行结构的损伤识别,并设计出个适合于结构损伤类型识别的卷积神经网络模型,通过仿真不同厚度和不同弹性模量作为多种损伤类型,以验证该方法的有效性。第层卷积层我们继续用的卷积核进行卷积,其步长为,但特征图的数量不变,即最终可得到个特征图,每个特征图的大小为,也就是船舶及船上各种设备在长期的服役过程中,会受到各种外界载荷的影响导致结构出现各种损伤情况,如产生腐蚀,裂纹,磨损等。采用传统的结构损伤检测方法需要测得动力特征参数,如频率振型等,这些参数均需在测量载荷谱的基础上进蚀,裂纹,磨损等。采用传统的结构损伤检测方法需要测得动力特征参数,如频率振型等......”。

5、“.....但在船舶的服役过程中,由于工作环境恶劣外界载荷复杂等原因,导致许多载荷谱难以精确测量。为了摆脱对于载荷谱测量的依赖,国外学者提出了传递率函数的概念,并对将其用于损伤基于传递率函数和卷积神经网络的损伤类型识别研究原稿积核,卷积核的大小依旧选择为,步长为,经过卷积操作后,我们可得到个特征图,每个特征图的大小为,也就是最终可提取个的特征图。第池化层采用最大池化进行下采样,池化的尺寸取为,对于每个的特征图进行分块后,我们可以得到个的特征图,共有个这样的特征图。基于传递率函数和卷积神经网络的损伤类型识别研究原稿蚀,裂纹,磨损等。采用传统的结构损伤检测方法需要测得动力特征参数,如频率振型等,这些参数均需在测量载荷谱的基础上进行模态分析获得,但在船舶的服役过程中,由于工作环境恶劣外界载荷复杂等原因......”。

6、“.....为了摆脱对于载荷谱测量的依赖,国外学者提出了传递率函数的概念,并对将其用于损伤得到个特征图,每个特征图的大小为,也就是最终可提取个的特征图。第池化层采用最大池化进行下采样,池化的尺寸取为,对于每个的特征图进行分块后,我们可以得到个的特征图,共有个这样的特征图。图误差散点图及测试集准确率从误差散点图可以看出,随着迭代次数的增加,值越来越小,说明网络模型的训练效果越构损伤类型识别传递率函数卷积神经网络,每个特征图相当于个神经元,共有个特征图,则最终只剩下个神经元。最后,在输出层利用函数实现对损伤类型的分类,输出层与最后的卷积层之间采用全连接方法。基于传递率函数和卷积神经网络的损伤类型识别研究原稿。第卷积层为个特征卷积核,卷积核的大小依旧选择为,步长为,经过卷积操作后,我们可检测......”。

7、“.....但这种方法只能简单做到判断是否有损伤,无法对船舶上的各种损伤类型进行识别。自卷积神经网络被提出之后,卷积神经网络也逐渐被运用到了损伤检测中,并通过结合其他方法以实现多种损伤类型的识别,如结合离线小波变换的故障诊断,结合短时傅里叶变换的故障诊断船舶及船上各种设备在长期的服役过程中,会受到各种外界载荷的影响导致结构出现各种损伤情况,如产生腐卷积神经网络的损伤类型识别研究原稿。自卷积神经网络被提出之后,卷积神经网络也逐渐被运用到了损伤检测中,并通过结合其他方法以实现多种损伤类型的识别,如结合离线小波变换的故障诊断,结合短时傅里叶变换的故障诊断等。本文将利用传递率函数和卷积神经网络进行结构的损伤识别,并设计出个适合于结构损伤类型基于传递率函数和卷积神经网络的损伤类型识别研究原稿蚀,裂纹......”。

8、“.....采用传统的结构损伤检测方法需要测得动力特征参数,如频率振型等,这些参数均需在测量载荷谱的基础上进行模态分析获得,但在船舶的服役过程中,由于工作环境恶劣外界载荷复杂等原因,导致许多载荷谱难以精确测量。为了摆脱对于载荷谱测量的依赖,国外学者提出了传递率函数的概念,并对将其用于损伤类型识别方法。首先,利用传递率函数对不同损伤类型下的振动响应信号进行处理,得到训练样本集和测试样本集,然后将训练样本集作为网络模型的输入,不断更新网络模型的各参数,最后通过测试样本集输出故障识别结果。通过仿真不同厚度和不同弹性模量的结构损伤情况,验证了该方法对损伤类型识别的有效性。关键词船舶结船舶及船上各种设备在长期的服役过程中,会受到各种外界载荷的影响导致结构出现各种损伤情况,如产生腐究共有种工况数据。图损伤区域示意图首先......”。

9、“.....共产生了种不同的白噪声。在种不同的工况下,将种不同的白噪声输入到仿真模型的点,方向沿轴,则总共有个样本点,每个样本点取为分析频率,采样时间为,其中的样本点作为训练样本,的样本点作为测试样本,即训型进行识别。图卷积神经网络结构创建样本数据库为了得到不同损伤类型下的振动信号,在本小节中主要是利用有限元仿真的手段对模型进行处理。仿真模型来源于实验室前期工作中的圆盘模型,其材料属性及尺寸为弹性模量为,泊松比为,密度为船舶及船上各种设备在长期的服役过程中,会受到各种外界载荷的影响导致结构出现各种损伤情况,如产生腐蚀,裂纹,磨损等。采用传统的结构损伤检测方法需要测得动力特征参数,如频率振型等,这些参数均需在测量载荷谱的基础上进本集作为网络模型的输入,不断更新网络模型的各参数......”。