公共文化服务平台

林丽: 作品数：25 被引量：21H指数：3; 供职机构：大连交通大学更多>>; 发文基金：国家自然科学基金无损检测技术教育部重点实验室开放基金教育部重点实验室开放基金更多>>; 相关领域：机械工程金属学及工艺自动化与计算机技术交通运输工程更多>>

合作作者

识别车轴疲劳裂纹声发射信号方法: 本发明提供一种识别车轴疲劳裂纹声发射信号方法，包括：获取安装在车轴处的声发射传感器采集的声发射信号；对声发射信号进行预处理，并向声发射信号添加属性标签得到处理后的声发射信号并将其划分为训练集和测试集；构建CNN‑BiLS...; 林丽唐小雯彭庆伟刘晓晶

基于PSO-DBN的车轴疲劳裂纹声发射信号识别方法: 本发明公开了基于PSO‑DBN的车轴疲劳裂纹声发射信号识别方法，包括：获取车轴疲劳裂纹、敲击、噪声三种类型声发射信号数据，并对其进行分组归一化处理；对处理后的三种类型声发射信号数据进行时域特征提取，提取出的特征作为初始D...; 林丽武祥迪朱笑笑赵彦熹

基于BiLSTM-CRF的车轴疲劳裂纹声发射信号预测系统: 本发明公开了一种基于BiLSTM‑CRF的车轴疲劳裂纹声发射信号预测系统，包括设置在电脑终端内的用户登录模块、数据采集模块、BiLSTM‑CRF网络预测模块以及与电脑终端相连的数据采集设备。数据采集设备包括依次电性相连的...; 林丽张春朋冯森王国欣

基于CNN的金属疲劳裂纹超声红外热像检测与识别方法研究被引量：7: 2022年; 传统超声红外热像检测与识别金属疲劳裂纹主要是通过图像处理算法提取红外热图像的相关热特征,并与裂纹特征进行匹配,其过程过于繁琐,识别率较低且需要人工筛选有效特征。结合主动红外热成像技术以及卷积神经网络(Convolutional Neural Network,CNN)在金属结构无损检测与缺陷自动识别中的优势,提出了一种基于CNN的金属疲劳裂纹超声红外热像检测与识别方法。通过超声红外热成像装置对实验对象(文中为金属平板试件)进行检测,获取红外热图像并制作图像数据集。运用设计的卷积神经网络对不同尺寸裂纹的超声红外热图像进行特征提取与识别分类。此外,对所提出的方法与两种常见图像分类网络模型以及支持向量机的分类结果进行对比。实验结果表明,设计的卷积神经网络在该数据集上识别分类准确率为100%,优于其他网络模型和支持向量机的识别分类,可以有效检测与识别金属疲劳裂纹。; 林丽刘新朱俊臻冯辅周; 关键词：卷积神经网络图像识别图像分类

SK衍生特征结合BiLSTM网络的车轴疲劳裂纹不同阶段的识别: 针对车轴疲劳裂纹不同阶段的识别问题,为准确识别疲劳裂纹的初期以及初期裂纹扩展阶段,进一步提高各阶段的识别准确率,提出了一种结合SK衍生特征(Spectral Kurtosis,SK)和双向长短时记忆(Bidirectio...; 林丽李国霞周勇; 关键词：声发射故障诊断

基于VAR和ARMA模型的声发射信号加权预测: 提出用VAR模型和ARMA模型加权的方法对车轴裂纹声的发射信号进行预测.轨道车辆上车轴是连接列车轮对的关键部件,车轴若出现裂纹将是巨大的风险,会造成停机甚至重大事故的发生,给社会经济和安全带来隐患和损失.声发射技术是一种...; 林丽杨时川许强周勇; 关键词：列车车轴声发射信号; 文献传递

基于卷积神经网络的超声红外热图像分类被引量：3: 2021年; 在超声红外热像技术应用中,从红外热图像来判断被测对象是否含有裂纹,通常需要先基于人工经验,从红外热图像中提取特征再采用某种模式识别方法进行分类,裂纹的识别与定位过程繁琐且识别率较低。为此,提出一种基于卷积神经网络技术的超声红外热图像裂纹检测与识别方法,其特点是可以直接从超声红外图像中学习特征进而实现是否含有裂纹红外热图像的分类。通过实验得到的含裂纹和不含裂纹金属平板试件的红外热图像,建立卷积神经网络模型对图像中是否含有裂纹进行分类,研究结果表明,参数优化后的卷积神经网络模型对超声红外热图像的有无裂纹分类准确率达到98.7%。; 林丽刘新朱俊臻冯辅周; 关键词：卷积神经网络图像识别图像分类

基于时频图像和CNN的疲劳裂纹声发射信号实验数据分析: 轨道车辆的转向架是轨道列车结构中最为重要的部件之一,而车轴更是转向架中的关键部件,在长期承受载荷的情况下,容易发生故障。为了实现对车轴故障进行智能的故障诊断,提出了一种基于时频图像和卷积神经网络(CNN)相结合的车轴故障...; 林丽张俊松李俊周勇; 关键词：声发射列车车轴时频分析卷积神经网络

一种声发射信号识别方法及网络模型训练方法: 本发明公开了一种声发射信号识别方法，包括如下步骤：采集车轴运行过程中产生的声发射信号数据；对采集到的信号数据进行预处理操作；将经过预处理的信号数据导入网络识别模块中，利用网络模块中已训练好的改进一维CNN网络模型对导入的...; 林丽周康慧李坤田翀

基于Bi-LSTM的金属疲劳裂纹涡流脉冲热像技术检测与识别被引量：3: 2023年; 涡流脉冲热像(Eddy current pulsed thermography,ECPT)技术是一种新型的无损检测方法,广泛应用于金属材料结构的检测,但该技术常依赖人工经验提取特征进行裂纹检测与识别,自动化和智能性化程度不足。结合涡流脉冲热像技术以及循环神经网络(Recurrent Neural Network,RNN)的特性,提出一种基于双向长短期记忆网络(Bidirectional Long Short-Term Memory Network,Bi-LSTM)金属疲劳裂纹涡流脉冲热像分类识别方法。实验通过涡流加热装置对被测金属试件进行感应加热,使用红外热像采集装置对金属平板试件进行实时的数据采集,获得图像序列并制作数据集。运用设计的Bi-LSTM模型增强特征向量中的时序信息,对不同尺寸裂纹的热图像进行训练并测试。实验分析表明,Bi-LSTM网络可有效应用于金属疲劳裂纹检测与识别,针对现有裂纹检测准确率可达到100%,优于传统神经网络和其他深度学习的模型,具有更高的识别精度。; 林丽姜景朱俊臻冯辅周; 关键词：特征提取