基于Sym小波和BP神經(jīng)網(wǎng)絡(luò)的基樁缺陷智能化識(shí)別

1、第3期 劉志祥，等. 基于混沌優(yōu)化的高階段充填體可靠性分析351基于Sym小波和BP神經(jīng)網(wǎng)絡(luò)的基樁缺陷智能化識(shí)別劉明貴，岳向紅，楊永波，李 祺(中國(guó)科學(xué)院武漢巖土力學(xué)研究所，湖北 武漢 430071)摘 要 為提高基樁低應(yīng)變動(dòng)測(cè)信號(hào)的分析水平，采用一種新的時(shí)頻域分析方法小波分析。利用Sym小波對(duì)基樁速度響應(yīng)時(shí)程曲線進(jìn)行小波分解，對(duì)指定頻帶上的信號(hào)分量進(jìn)行特征值提取，提取的特征值為反映各頻帶范圍內(nèi)體現(xiàn)能量分布的功率譜均值，提取的特征值可以構(gòu)成反映信號(hào)特征的特征向量，同時(shí)利用BP人工神經(jīng)網(wǎng)絡(luò)的非線性映射特性建立特征向量和基樁缺陷類別之間的一種對(duì)應(yīng)關(guān)系。通過數(shù)值模擬的方法可以得到大量的不同缺陷類型的

2、基樁的樁頂速度響應(yīng)時(shí)程曲線，對(duì)這些數(shù)值模擬信號(hào)進(jìn)行小波分解得到的特征向量為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)提供了大量的訓(xùn)練樣本。最后，利用實(shí)測(cè)信號(hào)小波分解后得到的特征向量對(duì)訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)進(jìn)行檢驗(yàn)，其識(shí)別結(jié)果表明：訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)能根據(jù)實(shí)測(cè)信號(hào)的特征向量對(duì)基樁缺陷進(jìn)行智能化的識(shí)別。關(guān)鍵詞 樁基工程；基樁缺陷；小波分析；神經(jīng)網(wǎng)絡(luò)；數(shù)值模擬；智能化識(shí)別INTELLIGENT RECOGNITION OF PILE DEFECT BASED ON SYM WAVELET AND BP NEURAL NETWORKLIU Minggui，YUEXianghong，YANG Yongbo，LI Qi (Institute

3、 of Rock and Soil Mechanics，Chinese Academy of Sciences，Wuhan，Hubei 430071) Abstract To improve the analysis level of piles low strain testing signal，wavelet analysis which is a new time-frequency analysis method has been adopted in this field. The velocity response time-history signal of pile can b

4、e decomposed by Sym wavelet. The power spectrum value can be extracted from some specified spectrum range. These vales get from one signal made up of the characteristic vector representing this signal. The relationship between characteristic vector of pile and piles defect type can be established by

5、 using BP artificial neural network which has non-linear mapping character. Abundant velocity response time-history signals of pile can be acquired by numerical simulation method. Characteristic vectors of these numerical simulation signals can be used to training this BP artificial neural network a

6、s the input pattens. In order to validate this new analysis method，some characteristic vectors which extracted from in-site test signals has been used. The recognized results of in-site test signals are in good agreement with piles defect type. The conclusion drawn from this study on the signal anal

7、ysis of piles low strain testing have parctical significances for the piles integrity evaluation.Keywords pile defect；wavelet analysis；neural network；numerical simulation；intelligent recognition 1 引言反射波法是目前用于基樁完整性檢測(cè)的最普遍的方法1。該方法是利用力棒或手錘在樁頂激發(fā)出的應(yīng)力波沿樁身向下傳播時(shí)，如遇到波阻抗(樁身中的缺陷會(huì)引起波阻抗的變化)變化的截面將會(huì)發(fā)生反射，這不僅引起波形時(shí)域信號(hào)

8、的改變，而且波形的頻譜成份也將改變。測(cè)試得到的速度響應(yīng)時(shí)程曲線中含有反映樁身質(zhì)量的大量信息。如何正確理解樁頂速度響應(yīng)時(shí)程曲線，對(duì)于合理解釋試驗(yàn)結(jié)果和對(duì)基樁完整性作出正確評(píng)價(jià)是非常重要的。通常情況下，以時(shí)域分析為主，對(duì)信號(hào)進(jìn)行數(shù)字濾波、指數(shù)放大等處理，以便去掉無(wú)關(guān)信號(hào)，將樁身完整性的各種反映充分展示出來，同時(shí)也可以利用傅里葉變換將樁頂速度響應(yīng)時(shí)程曲線從時(shí)域變換到頻域上進(jìn)行輔助分析。檢測(cè)人員在對(duì)樁頂反射波信號(hào)進(jìn)行分析時(shí)，往往要憑借一定的經(jīng)驗(yàn)，對(duì)同一信號(hào)，不同的檢測(cè)人員得到的分析結(jié)果往往不盡相同2，3。小波分析是一種新的時(shí)頻域分析方法，而神經(jīng)網(wǎng)絡(luò)具有非線性映射特性，因此本文將小波分析和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)

9、結(jié)合起來用于基樁缺陷的智能化識(shí)別，可有效避開人為主觀因素帶來的影響，提高基樁反射波法測(cè)試結(jié)果的準(zhǔn)確度4，5。2 反射波法動(dòng)測(cè)信號(hào)的數(shù)值模擬2.1 計(jì)算模型反射波法是以應(yīng)力波在樁身中的傳播反射特征為理論基礎(chǔ)的一種方法。將樁身和地基系統(tǒng)分成等分的一系列小單元，建立樁身在瞬態(tài)縱向激振力作用下的動(dòng)力有限元分析模型，如圖1所示。P(t)cs1cs2c2ks2ks1c1m1k1k2m2ksbcsbksncsn線性彈簧線性阻尼圖1 樁土模型示意圖Fig.1 Sketch of pile-soil model設(shè)樁土系統(tǒng)滿足以下的基本假定：(1) 樁的材料為均勻的彈性材料。(2) 在基樁低應(yīng)變動(dòng)測(cè)中，由于樁單元

10、運(yùn)動(dòng)位移可以忽略，模型一般采用彈簧和線性阻尼壺并聯(lián)的模式模擬樁土相互作用。(3) 激振力沿樁軸線方向。(4) 樁土體系的振動(dòng)為微小變形。不失一般性，可設(shè)樁頂瞬態(tài)縱向激振力為半正弦脈沖力： (1)2.2 數(shù)值模擬以混凝土灌注樁為例，樁長(zhǎng)20 m，樁徑1 m，樁周土層為均勻的粘土。灌注樁在施工過程中容易產(chǎn)生斷樁、縮頸、擴(kuò)頸、離析等質(zhì)量問題。下面對(duì)完整樁和缺陷樁的樁頂速度響應(yīng)進(jìn)行數(shù)值模擬，其典型時(shí)程曲線如圖2所示。(a) 完整樁(b) 斷裂(c) 擴(kuò)頸(d) 縮頸(e) 離析圖2 數(shù)值模擬得到的樁頂速度響應(yīng)時(shí)程曲線Fig.2 Time-history curves of velocity respo

11、nse of pile by numerical simulation 對(duì)于樁身不同類型的缺陷，反射波法測(cè)試信號(hào)中主要反映出樁身阻抗減小的信息，缺陷性質(zhì)往往較難區(qū)分。例如，混凝土灌注樁出現(xiàn)的縮頸與局部松散、夾泥、空洞等，只憑測(cè)試信號(hào)就很難區(qū)分。因此，對(duì)缺陷類型進(jìn)行判定，還要結(jié)合地質(zhì)、施工情況綜合分析，或采取鉆芯、聲波透射等其他方法。這就需要基樁檢測(cè)人員有比較高的專業(yè)素質(zhì)，顯現(xiàn)了樁基反射波法測(cè)試的難度。為了有效解決這一技術(shù)難題，必須要借助更好的信號(hào)分析手段來解決。3 基于小波分析的特征值提取3.1 小波變換在實(shí)際運(yùn)用中，尤其是在計(jì)算機(jī)上實(shí)現(xiàn)時(shí)，用到的都是離散化后的連續(xù)小波。離散小波函數(shù)可以寫作

12、(2)在實(shí)際中采用的是動(dòng)態(tài)的采樣網(wǎng)格，而最常用的是二進(jìn)制的動(dòng)態(tài)采樣網(wǎng)格，即，每個(gè)網(wǎng)格點(diǎn)對(duì)應(yīng)的尺度為，而平移為。由此得到的小波 (3)其中，稱為二進(jìn)小波611。本文中的相關(guān)小波變換都是利用MATLAB中的相關(guān)函數(shù)來實(shí)現(xiàn)的。3.2 小波基的選取由于Symlets小波系是有限緊支撐正交小波，其時(shí)域和頻域的局部化能力強(qiáng)，尤其在數(shù)字信號(hào)的小波分解過程中可以提供有限長(zhǎng)的更實(shí)際更具體的數(shù)字濾波器，因此本文選擇Symlets小波系中的小波函數(shù)對(duì)基樁動(dòng)測(cè)信號(hào)進(jìn)行小波變換。圖3 Sym8小波函數(shù)和尺度函數(shù)的波形Fig.3 Shape of sym8根據(jù)時(shí)頻分辨率的要求綜合考慮，Symlets小波系中的Sym8小波

13、的小波函數(shù)和尺度函數(shù)的頻率特性已經(jīng)比較好了，時(shí)域分辨率也滿足要求。因此，在樁頂速度響應(yīng)的小波變換時(shí)，取Sym8小波是比較合適的。3.3 特征提取選擇Sym8小波將信號(hào)S小波分解到第七層時(shí)有 (4)如圖4所示，S是的樁頂速度響應(yīng)信號(hào)，A7是第7層的低頻信號(hào)，它反映了信號(hào)的發(fā)展趨勢(shì)，D7，D6，D5，D4，D3，D2，D1是對(duì)應(yīng)各層的高頻信號(hào)。采樣時(shí)間/msD1D2D3D4D5D6D7NS 圖4 完整樁的樁頂速度響應(yīng)的小波分析Fig.4 Wavelet analysis of integrated piles Velocity response 圖5 完整樁的時(shí)域信號(hào)小波分量的頻譜圖Fig.5 S

14、petrum graph of integrated piles Velocity response在本文中，對(duì)信號(hào)分量A7，D7，D6，D5實(shí)施特征提取，提取參數(shù)為各信號(hào)分量所對(duì)應(yīng)頻帶范圍內(nèi)體現(xiàn)其能量分布的功率譜均值，具體步驟如下：(1) 對(duì)原時(shí)域信號(hào)的采樣序列利用Sym8小波進(jìn)行7層正交小波分解，得到第一層到第7層共8個(gè)小波分解系數(shù)序列，。 (2) 對(duì)小波分解系數(shù)進(jìn)行重構(gòu)，可得各個(gè)頻帶上所對(duì)應(yīng)的信號(hào)分量A7，D7，D6，D5，D4，D3，D2，D1。(3) 對(duì)信號(hào)分量A7，D7，D6，D5進(jìn)行功率譜分析(如圖5所示)。(4) 特征向量的構(gòu)成。以四個(gè)信號(hào)分量A7，D7，D6，D5的功率譜均值

15、，組成特征向量，即 (5)4 利用特征向量識(shí)別基樁缺陷類型4.1 BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)是一種前饋型網(wǎng)絡(luò)，由1個(gè)輸入層、若干隱含層和1個(gè)輸出層構(gòu)成。如果輸入層、隱含層和輸出層的單元個(gè)數(shù)分別為n，q，m，則該三層網(wǎng)絡(luò)可表示為BP(n，q，m)，利用該網(wǎng)絡(luò)可實(shí)現(xiàn)n維輸入向量 ，到m維輸出向量 ，的非線性映射1216。4.2 樣本數(shù)據(jù)的定義和預(yù)處理在實(shí)際工程中，混凝土灌注樁常見的缺陷類型主要有斷裂、擴(kuò)頸、縮頸、離析四種缺陷。下面我們就通過數(shù)值模擬的方法得到5個(gè)類別(完整樁和四種不同的缺陷類型)共計(jì)100根樁樁頂?shù)乃俣软憫?yīng)時(shí)程曲線，利用上節(jié)我們所介紹的特征值提取方法，對(duì)這些模擬得到的信號(hào)進(jìn)行特征值提

16、取，也就可以得到100個(gè)反映信號(hào)特征的特征向量，每個(gè)特征向量包括4個(gè)特征向量值。將這些特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入，以基樁完整性描述編碼作為輸出，就得到100個(gè)訓(xùn)練樣本，對(duì)該BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。結(jié)果表明，不同缺陷類別的樁的特征向量值均有一定的分布范圍，在此不便一一列出，只是從中選取了五個(gè)具有一定代表意義的特征向量進(jìn)行了列舉。為了提高網(wǎng)絡(luò)的訓(xùn)練效率，我們需要對(duì)樣本數(shù)據(jù)進(jìn)行適當(dāng)?shù)念A(yù)處理。對(duì)某一特征向量中4個(gè)特征向量值的預(yù)處理過程如下：表1 輸出編碼Table1 Code for output10000 01000001000001000001完整斷裂擴(kuò)頸縮頸離析 (6)為某一特征向量的第i個(gè)功率譜

17、均值原始值，為某一特征向量的第i個(gè)功率譜均值處理后的值。進(jìn)行預(yù)處理后的某5根樁的(分別屬于5個(gè)類別)特征向量(代表值)如表2所示。表2 基樁的特征向量(代表值)Table 2 Egenvector of pile特征向量完整性描述完整斷裂擴(kuò)頸縮頸離析E10.073 90.064 40.059 90.086 00.123 3E20.317 70.403 20.324 70.294 20.426 0E30.329 80.224 10.305 20.327 40.256 1E40.279 40.308 30.310 30.292 40.194 64.3 網(wǎng)絡(luò)生成、訓(xùn)練選用含有一個(gè)隱層的BP神經(jīng)網(wǎng)絡(luò)，

18、其中網(wǎng)絡(luò)輸入維數(shù)為4，輸出維數(shù)為5，隱層的節(jié)點(diǎn)數(shù)取為10，激活函數(shù)采用對(duì)數(shù)Sigmoid函數(shù)。 (7)訓(xùn)練算法為共軛梯度法，誤差指標(biāo)為1.0×103。編制BP神經(jīng)網(wǎng)絡(luò)的Matlab 程序，網(wǎng)絡(luò)訓(xùn)練的誤差變化曲線如圖7所示，可見當(dāng)網(wǎng)絡(luò)迭代至726步時(shí)停止，誤差值達(dá)到1.0×103。 圖7 誤差曲線Fig.7 Error Curve4.4 實(shí)例檢驗(yàn)為了檢驗(yàn)所建立的神經(jīng)網(wǎng)絡(luò)的精度和可靠性，我們從現(xiàn)場(chǎng)實(shí)測(cè)時(shí)程曲線中選取了5根模型樁的實(shí)測(cè)時(shí)程曲線對(duì)其進(jìn)行驗(yàn)證。其中，S1是完整樁的實(shí)測(cè)時(shí)程曲線，S2是斷樁的實(shí)測(cè)時(shí)程曲線，S3是擴(kuò)頸樁的實(shí)測(cè)時(shí)程曲線，S4是縮頸樁的實(shí)測(cè)時(shí)程曲線，S5是離析

19、樁的實(shí)測(cè)時(shí)程曲線。其神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果見表3。表3 實(shí)測(cè)信號(hào)識(shí)別結(jié)果Table 3 Recognizing results of measured signal信號(hào)項(xiàng)目識(shí)別結(jié)果1.2345S1實(shí)際1.000.000.000.000.00預(yù)測(cè)0.950.000.010.040.00S2實(shí)際0.001.000.000.000.00預(yù)測(cè)0.010.920.010.050.01S3實(shí)際0.000.001.000.000.00預(yù)測(cè)0.050.010.920.020.00S4實(shí)際0.000.000.001.000.00預(yù)測(cè)0.000.020.000.850.13S5實(shí)際0.000.000.000.001.0

20、0預(yù)測(cè)0.010.010.000.100.88通過表3可以清楚的看到，神經(jīng)網(wǎng)絡(luò)的識(shí)別結(jié)果和實(shí)際情況基本一致，因此，將小波分析和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)結(jié)合起來用于基樁缺陷的智能化識(shí)別，可有效避開人為主觀因素帶來的影響，其識(shí)別結(jié)果是準(zhǔn)確可信的。5 結(jié) 論 本文基于小波變換的時(shí)頻局部化特性及人工神經(jīng)網(wǎng)絡(luò)的非線性映射特性，將小波變換作為基樁動(dòng)測(cè)信號(hào)的預(yù)處理手段，選用Sym8小波對(duì)動(dòng)測(cè)信號(hào)進(jìn)行小波分解，對(duì)反映信號(hào)特征的頻帶上的信號(hào)分量進(jìn)行特征值提取，構(gòu)成特征向量，再將這些特征向量作為BP神經(jīng)網(wǎng)絡(luò)的輸入。通過數(shù)值模擬的方法可以得到大量的樣本信號(hào)，并為BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)提供了大量的訓(xùn)練樣本。最后，用現(xiàn)場(chǎng)實(shí)測(cè)信號(hào)對(duì)訓(xùn)

21、練過的神經(jīng)網(wǎng)絡(luò)進(jìn)行檢驗(yàn)，其結(jié)果表明訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)基樁缺陷的智能化分類，對(duì)提高基樁低應(yīng)變動(dòng)測(cè)信號(hào)的分析水平有一定的實(shí)用意義。參考文獻(xiàn)1 劉明貴，佘詩(shī)剛，汪大國(guó)等，樁基檢測(cè)技術(shù)指南M. 北京：科學(xué)出版社，1995：245256.(LIU Minggui，SHE Shigang，WANG Daguo et al. The manual of pile testing technologyM. Beijing：Science Press，1995：245256.(in Chinese)2 張良均，王靖濤，李國(guó)成. 小波變換在樁基完整性檢測(cè)中的應(yīng)用J. 巖石力學(xué)與工程學(xué)報(bào)，2002，?(21)

22、：1 7351 738.(ZHANG Liangjun，WANG Jingtao，LI Guocheng. Application of wavelet transform in integrity testing of pilestJ. Journal of Rock Mechanics and Engineering，2002，?(21)：1 7351 738.(in Chinese)3 黃理興. 樁身完整性的新理念J. 巖石力學(xué)與工程學(xué)報(bào)，2002，?(21)：454456.(HUANG lixing，New conception of pile integrity character

23、by dynamic testingJ. Journal of Rock Mechanics and Engineering，2002，?(21)：454456.(in Chinese)4 潘冬子. 小波分析及其在基樁完整性檢測(cè)中的應(yīng)用研究碩士學(xué)位論文S. 武漢：中國(guó)科學(xué)院武漢巖土力學(xué)研究所碩士學(xué)位論文，2004.(PAN Dongzi，Wavelet analysis and its application in integrity testing of pilesPh. S. ThesisD. Wuhan：Institute of rock and Soil mechanics CAE，2

24、004.(in Chinese)5 王成華，張 薇. 基于反射波法的樁身完整性判別的神經(jīng)網(wǎng)絡(luò)模型J. 巖土力學(xué)，2003，24(6)：952956.(WANG Chenghua，ZHANG Wei A neural network model for diagnosing pile integrity based on reflection wave methodJ. Rock and Soil Mechanics2003，24(6)：952956.(in Chinese)6 蔡棋瑛，林建華. 基于小波分析和神經(jīng)網(wǎng)絡(luò)的樁身缺陷診斷J. 振動(dòng)與沖擊，2002，21(3)：1116.(CAI Qi

25、ying，LIN Jianhua. Pile defect diagnosis based on wavelet and neural networksJ. Journal of Vibration and shock，2002，21(3)：1116.(in Chinese)7 JAMES C. Wavelet decomposition of vibrations for detection of bearing localized defectsJ. NDT&E International，1997，(3)：143149.8 LIEW K M，WANG Q. Application

26、 of wavelet theory for crack identification in structuralJ. Journal of Engineering Mechanics，1998，(2)：152157.9 WATSON J N，ADDISON P S. The de-noising of Sonic Echo test data through wavelet transform reconstructionJ. Journal of Shock and Vibration，1999，(6)：267272.10 劉明貴，岳向紅，張 杰. 敲擊回波法中傳感器影響的小波分析J. 巖

27、土力學(xué)，2005，26(9)：1 3791 384.(LIU Minggui ，YUE Xianghong，ZHANG Jie. Influence analysis of transducers in impact echo method by waveletJ. Rock and Soil Mechanics，2005，26(9)：1 3791 384.(in Chinese)11 劉明貴，岳向紅. 基于小波神經(jīng)網(wǎng)絡(luò)的錨桿錨固質(zhì)量分析J. 巖石力學(xué)與工程學(xué)報(bào)，2006，25(1)：8388.(LIU Minggui ，YUE Xianghong .Analysis of bolts anchoring quality based on wavelet neural networkJ. Journal of Rock Mechanics and Engineering，2006，25(1)：8388.(in Chinese)