覃 悅, 謝開仲,2,3, 郭 曉,2,3, 王紅偉, 王秋陽, 彭佳旺

(1.廣西大學 土木建筑工程學院,南寧 530004; 2.廣西大學 工程防災與結構安全教育部重點實驗室,南寧 530004;3.廣西大學 廣西防災減災與工程安全重點實驗室,南寧 530004; 4.廣西新發(fā)展交通集團有限公司,南寧 530029)

由于突出的結構性能,鋼管混凝土(concrete filled steel tube,CFST)已被廣泛應用于各種基礎設施的建設。CFST優(yōu)異性能的發(fā)揮,主要得益于核心混凝土與鋼管的協(xié)同作用[1]。鋼管對核心混凝土的約束使核心混凝土處于復雜應力狀態(tài),提高了后者的力學強度、塑性和韌性;而核心混凝土可有效避免或延緩鋼管的局部屈曲,進而改善鋼管的抗彎性能和彈塑性。然而,由于混凝土的收縮、混凝土和鋼管的熱膨脹差異以及施工過程的氣體殘留等原因,常導致核心混凝土和鋼管之間出現(xiàn)空隙病害(稱為脫空),削弱了二者之間的協(xié)同工作性能。薛俊青等[2]通過進行脫黏(脫空)鋼管混凝土短柱偏壓試驗,發(fā)現(xiàn)隨著脫黏(脫空)率的增大,試件的極限承載力和延性均下降。Han等[3-5]對脫空鋼管混凝土短柱和梁開展了抗剪、抗壓和抗彎的試驗、理論和數(shù)值模擬研究,結果表明脫空明顯降低了結構的極限剪應力、極限強度和彎曲剛度。Guo等[6]對含環(huán)狀脫空的鋼管混凝土拱橋進行有限元分析,發(fā)現(xiàn)脫空會減低拱肋剛度,影響整體橋梁的動態(tài)特征。廖飛宇等[7-8]分別對環(huán)狀脫空和圓弓形脫空缺陷的鋼管混凝土構件開展了壓彎扭復合受力試驗,結果表明結構的承載力、剛度和耗能能力隨著脫空率的增大而下降。上述眾多研究表明,內部脫空嚴重危害CFST結構的承載力,從而會縮短其使用壽命。因此,準確并定量檢測CFST結構的脫空對于該類結構的健康狀態(tài)評估與維修養(yǎng)護至關重要

目前,已經開發(fā)了幾種用于識別CFST結構內部缺陷的無損檢測方法,包括X射線[9]、超聲波[10]、沖擊回波法[11]、紅外熱成像法[12]、光纖傳感器法[13]、壓電智能傳感器法[14]。這些方法為工程師們了解結構內部損傷狀況提供了多種途徑,但它們也有各自的不足。例如,X射線不能用于原位空洞檢測且會危害人體健康。超聲波法難以識別缺陷類型且信號收集過程會受到噪音影響。沖擊回波法檢測圓形截面構件時,容易被非直徑方向反射回來的應力波干擾而產生偏差。紅外熱成像易受環(huán)境溫度影響,常導致檢測精度明顯下降。光纖傳感器雖然受環(huán)境影響不大且能實時檢測損傷信息,但該方法需要提前在結構內部預埋光纖傳感器,并存在費用高、易損傷等缺陷。壓電智能傳感器法與光纖傳感器法類似,同樣需要提前預埋傳感器,因此也并不適用于已建成卻沒有埋設壓電智能傳感器的鋼管混凝土構件脫空檢測。此外,以上檢測方法都不可避免地需要在結構表面耦合安裝多個傳感器才能實施測試,不僅提高了成本還降低了檢測效率。因此,開發(fā)一種準確快速的測試替代方法顯得尤為必要。

敲擊檢測法很早便應用于結構的初步損傷識別中,例如鐵路工人利用敲擊鐵軌發(fā)出的聲音判斷軌道是否松動,陶瓷師通過聆聽敲擊瓷器的聲音來判斷其質量。然而,這種依靠檢測人員經驗的檢測方法往往過于粗糙,只能作為一種輔助的檢測手段。隨著智能材料[15]、傳感技術[16]和計算機信息技術[17]的快速發(fā)展,近年來,敲擊檢測法已經得到了極大的改善。不少學者通過壓電技術采集敲擊回彈應力波取代了人手對敲擊的感觸,利用聲壓傳感器采集聲波信號取代了人耳對聲音的聆聽,通過信號處理技術和智能算法處理信號來識別結構健康狀況取代了檢測人員的主觀判斷。與其他無損檢測法相比,基于敲擊的檢測方法無需耦合安裝傳感器,目前已經在室內試驗和有限元仿真中被證實是有效而準確的[18]。該方法已成功應用于復合結構的脫黏識別[19]、螺栓的松動檢查[20]、木結構的空洞檢測[21]、CFST結構的空隙檢測[22]等方面。另外,利用采集的信號數(shù)據(jù),也逐漸開發(fā)了多種檢測方法,包括功率譜密度+向量機(power spectral density+support vector machines, PSD+SVM)、梅爾倒譜系數(shù)+卷積神經網絡(Mel frequency cepstral coefficents+convolutional neural network,MFCC+CNN)[23]、多尺度樣品熵+BP神經網絡(improved multiscale sample entropy+BP neural network,IMSE+BPNN)[24]和多重分形分析+決策樹(multifractal analysis+decision tree,MFA+DT)[25]等。然而,這些方法大都需要經過復雜的數(shù)學計算,例如PSD通常需要通過快速傅里葉變換(fast Fourier transform,FFT)將時域信號轉化為頻域信號后,再歸一化,然后再分段積分求能量;MFCC則需要經過功率譜計算、濾波器組能量計算、對數(shù)運算和離散余弦變換(discrete cosine transform,DCT)等過程;IMSE在計算多尺度樣品熵之前需要經過經驗模式分解獲取內在模式函數(shù);MFA則需要通過小波引線或者大偏差法等復雜運算求解分形維數(shù)。這些繁瑣的運算流程嚴重影響了整體的評估效率,在一定程度上限制了它們在實際工程中的應用。

基于此,本文開發(fā)了一種新的基于敲擊與深度學習的CFST脫空檢測方法,主要貢獻總結如下:(1)提出了一種簡化的特征選擇方法,可直接基于FFT后的聲音頻域信號,利用互信息(mutual information,MI)挖掘與結構脫空狀態(tài)高度相關的數(shù)據(jù)建立特征集。與現(xiàn)有的方法相比,本方法無需復雜數(shù)學運算,有效提升了特征提取的效率和實用性。(2)首次采用基于敲擊與MiniRocket深度學習的方法檢測CFST結構變深度脫空識別,與當前基于機器學習的方法(如SVM和DT)相比,MiniRocket預測精度更高,在高信噪比環(huán)境下表現(xiàn)出了更好的抗噪性能。(3)采用提出的簡化特征集與SVM和DT等機器學習算法結合時,預測性能要優(yōu)于當前的方法(如PSD+SVM和PSD+DT)。本文的研究成果為CFST結構的脫空檢測提供一個新的思路。

1 基于FFT-MI-Minirocket的敲擊聲波CFST脫空識別方法

1.1 快速傅里葉變換

為提取關聯(lián)性更強的敲擊聲波數(shù)據(jù)集,本文選擇采用快速傅里葉變換方法[26],將敲擊聲波信號從時域變換到頻域,傅里葉變換的定義為

(1)

式中:ω=2πf;f(t)為時域聲波數(shù)據(jù)序列;F(ω)為頻域的普函數(shù)序列。

1.2 互信息

互信息是減小特征(在機器學習中指被觀測對象的一個獨立可觀測的屬性或者特點)數(shù)據(jù)集屬性數(shù)目的最常用方法之一[27-28],它是表示兩個相關變量之間的統(tǒng)計依賴性度量,反映了兩個變量之間的相關性。

假設兩個離散變量A,F均取有限值,信息源a和隨機變量f并不是相互獨立的,則二者的聯(lián)合分布可表示為P(a,f)=P{A=a,F=f},邊緣分布可表示為P(a)=P{A=a}和P{F=f},則信息源a的初始不確定性可根據(jù)文獻得到等式(2)

(2)

已知F的情況下,a的條件熵可表示為等式(3)

(3)

MI(A;F)=H(A)-H(A|F)

(4)

即

(5)

當變量a與f完全無關或者相互獨立時,MI(A;F)為0,表明兩者之間不存在相互的信息;反之,當兩個變量之間相互依賴程度越高時,MI(A;F)越大,所包含的相同信息越多。

本文采用MI篩選鋼管混凝土構件敲擊聲波的目的是,通過MI作為度量因子,使得聲波輸入數(shù)據(jù)集中包含更多與脫空信息關聯(lián)性較強的聲波,減少冗余信息。

1.2 MiniRocket時間序列網絡

神經網絡技術是數(shù)據(jù)分類的強大工具,廣泛應用于金融、語音識別和圖像識別等領域[29-30]。與k-nearest neeighbors(k-NN)、support vector machine(SVM)、decision tree (DT)和hidden markov model(HMM)相比,神經網絡能映射十分復雜的非線性關系,使其具備更強大的非線性泛化能力。雖然網絡的深化會導致計算效率降低,但事實證明,Rocket模型采用了大量隨機卷積核與線性分類器結合后,對于相對簡單的特征分類問題,可不建立深度神經網絡便可實現(xiàn)良好的分類效果[31]。最近,基于Rocket模型,又開發(fā)了一種更先進的神經網絡模型MiniRocket[32],由于使用了更少的參數(shù)量和更小的特征尺寸,該模型在處理大量數(shù)據(jù)時,計算速率是Rocket模型的75倍,且預測精度更高。這表明MiniRocket神經網絡具有效率高精度高的優(yōu)勢和良好的開發(fā)利用潛力。但MiniRocket作為一種新穎的神經網絡,其在更多領域的應用效果,尤其是在與新的特征數(shù)據(jù)集結合下的預測性能,仍有待進一步深入驗證。因此,本文選用MiniRocket深度學習模型,通過新提出的特征集來訓練分類器,實現(xiàn)CFST脫空深度檢測,以討論它們在鋼管混凝土脫空檢測領域的有效性和準確性。圖1顯示了MiniRocket的計算流程,具體步驟如下:

圖1 MiniRocket計算流程Fig.1 MiniRocket calculation process

步驟1輸入信號x與內核Wk,d的擴張卷積,如等式(6)所示

Ck,d=x*Wk,d

(6)

式中:d為膨脹參數(shù);k為84個預定義的核Wk。MiniRocket核的長度為9,權重限制為兩個數(shù)(α=-1和β=2),而卷積核表示為α和β的組合,例如等式(7)

[α,α,α,α,α,α,β,β,β]
[α,α,α,α,β,α,α,β,β]
[α,α,α,α,α,β,α,β,β]

(7)

為了擴展不同內核的感受領域,每個內核都應用一個或多個從指數(shù)分布中選擇的膨脹d,以確保以更小的膨脹計算更多的特征。內核和擴展更為詳細的信息可參考文獻[32]。

步驟2每個卷積結果c與一個或多個偏置值Bb相比是元素級的,如等式(8)

Ck,d,b=Ck,d>Bb

(8)

步驟3計算輸出描述符yPPV的9996個維度中的每個維度作為均值,如式(9)所示,并將提取的PPV特征值用于訓練MiniRocketHead網絡,然后利用訓練好的MiniRocketHead網絡進行測試分類。MiniRocketHead由三層結構:扁平化層(Flatten Layer)、批量歸一化層(BarchNorm1d Layer)和全連接層(Linear Layer)。扁平化層的作用是將輸入“壓平”,即將輸入數(shù)據(jù)從多維轉化為一維。批量歸一化層可以將輸入歸一化在[0,1]或者[-1,1]范圍內,有助于加快收斂速度和提高網絡模型的穩(wěn)定性。全連接層的作用是將輸入的特征映射到樣本的標記空間,以實現(xiàn)樣本的分類。

(9)

1.3 基于FFT-MI-Minirocket的敲擊聲波CFST脫空識別方法

本文就鋼管混凝土結構內部脫空無損檢測問題開展研究,提出了基于FFT-MI-Minirocket的CFST脫空識別方法。方法直接基于結構的敲擊聲波信號進行脫空缺陷識別,首先利用FFT將敲擊時域信號轉化為頻域信號,其次采用MI理論篩選與CFST脫空狀態(tài)關聯(lián)性較強的信號建立數(shù)據(jù)集,然后將數(shù)據(jù)集輸入到建立好的Minirocket模型中進行訓練和驗證,最后采用訓練好的模型對CFST構件的脫空深度和脫空寬度進行識別?；贔FT-MI-Minirocket的脫空識別方法流程如圖2所示。

圖2 基于FFT-MI-Minirocket的脫空識別方法流程Fig.2 The process of void identification method based on FFT-MI-Minirocket

步驟1數(shù)據(jù)集建立。通過敲擊法分別獲取完好和帶有不同脫空深度和脫空寬度的鋼管混凝土聲波時域信號,利用1.1節(jié)介紹的FFT,將時域信號轉換為頻域信號,FFT分析點數(shù)選擇1 020,加窗方式為漢寧窗。經過FFT得到不同頻率對應的聲壓數(shù)據(jù)后,基于1.2節(jié)所述的MI,計算帶有不同脫空深度和寬度缺陷試件的不同頻率的聲壓數(shù)據(jù)與脫空深度和脫空寬度的關聯(lián)性,取前30個關聯(lián)性最大的聲壓數(shù)據(jù)建立數(shù)據(jù)集。對于數(shù)據(jù)集,再按10 ∶3 ∶7的比例分別建立訓練集、驗證集和測試集。

步驟2模型建立及優(yōu)化。建立如1.3節(jié)所述的Minirocket時間序列網絡模型,采用訓練集對模型進行訓練,并利用驗證集優(yōu)化模型的超參數(shù):batchsize、學習率和迭代次數(shù)。

步驟3脫空深度和寬度識別。利用步驟2優(yōu)化好的Minirocket模型,對測試集進行測試,識別鋼管混凝土的不同脫空深度和脫空寬度。最后,對比不同預測算法和特征提取方法之間的優(yōu)劣性,并評估所提出方法的噪音魯棒性。

為考察模型的分類性能,選取召回率(recall,RE)、精確率(precision,PR)和準確率(accuracy,AC)三個指標對模型性能進行評估,計算公式如下

RE=TP/(TP+FN)

(10)

PR=TP/(TP+FP)

(11)

AC=(TP+TN)/(TP+TN+FP+FN)

(12)

式中:TP為真陽性,實際為正樣本預測也為正樣本;FN為假陰性,實際為正樣本預測也為正樣本;TN為真陰性,實際為負樣本預測也為負樣本;FP為假陽性,實際為正樣本預測為負樣本。

2 試驗設置和步驟

2.1 構件制作

共制備了11根CFST構件如圖3所示,包括1根不設置脫空的對照組(寬度B=0,深度H=0),5根具有不同脫空深度(寬度B=5 cm,深度H=1 cm,2 cm,3 cm,4 cm,5 cm),另外5根具有不同脫空寬度(深度H=3 cm,寬度B=3 cm,5 cm,7 cm,9 cm,11 cm)。所有鋼管的尺寸是一致的,其壁厚、高度和內徑分別為2 mm、650 mm和219 mm。核心混凝土強度為50 MPa。由于難以采用混凝土材質材料來控制脫空而非混凝土材質材料與真實混凝土界面存在較大差距,使得實際的鋼管混凝土脫空是難以精準模擬的,為盡可能地模擬實際環(huán)境中脫空的非貫通和冠狀的狀態(tài)特征,以減小模擬的脫空和實際的脫空之間的差異,本文利用3D打印技術制作了10個冠狀脫空缺陷體(見圖3)。3D打印材料選用光敏樹脂,該材料強度高且易于打磨。缺陷體冠狀部分的直徑與鋼管內徑一致,均為219 mm,以便能更好地與鋼管內壁貼合。缺陷體壁厚均為2 mm,其中5個缺陷體最大深度H分別為1 mm,2 mm,3 mm,4 mm,5 mm(寬度固定B=5 mm),另外其中5個缺陷體寬度B分別為3 mm,5 mm,7 mm,9 mm,11 mm(最大深度固定H=3 mm)。帶脫空的CFST構件制備過程如下:首先,采用環(huán)氧樹脂將缺陷體粘貼在鋼管內壁已標記的中間位置,同時在鋼管外壁做好相應的缺陷標記線。其次,將一塊邊長300 mm、厚度10 mm的鋼板焊接在鋼管底部,并將另一塊具有同樣尺寸但中間開有直徑為180 mm空洞的鋼板,焊接在鋼管頂部。接著,從具有空洞的鋼管一端澆筑核心混凝土,并通過振動棒對混凝土進行振動密實。最后,待混凝土成型后,在鋼管外壁和鋼板的相應位置涂抹油漆,并在標準條件下養(yǎng)護28 d。根據(jù)每根CFST構件脫空缺陷信息對其進行標記,如H3B5代表脫空深度和寬度分別為3 mm和5 mm的CFST構件,具體標簽信息及分組情況如表1所示。

表1 標簽信息及分組情況

圖3 11根CFST構件Fig.3 11 CFST members

2.2 試驗設備及步驟

如圖4所示,試驗過程所使用的設備主要包括電腦,信號采集儀(型號INV3062V;東方所),聲壓傳感器(型號INV9206;東方所)和沖擊力錘(型號IEPE;東方所)。對于帶脫空CFST構件,敲擊點選擇在脫空區(qū)域的中點位置,而對照組則隨機選擇在中線上的某一點?？紤]到敲擊過程持續(xù)時間較短,為了獲取更為密集的數(shù)據(jù),本文將采樣頻率設置為51.0 kHz。對于每個敲擊點,分別記錄了150次敲擊數(shù)據(jù),每次采集時間長度為0.02 s,從而獲得了總共1 650個聲音信號。同時,為了較少氣流的影響,每次敲擊都將聲壓傳感器與敲擊點的距離控制在0.1 m以內。

圖4 試驗設置Fig.4 Test setup

3 數(shù)據(jù)集構建及模型訓練

3.1 數(shù)據(jù)集構建

目前,已經開發(fā)幾種特征作為分類模型的數(shù)據(jù)集,包括功率譜密度(power spectral density,PSD)、梅爾倒譜系數(shù)(Mel frequency cepstrum coefficient,MFCC)以及多重分形分析(multifractal analysis,MFA)等,并驗證了它們的有效性。然而,以上這些特征都是通過復雜的數(shù)學運算才能提取得到,預測效率并不高。為此,本文通過FFT將聲波時域信號轉換為頻域信號,利用互信息理論建立頻域信號與脫空深度和寬度的相關性,提取部分互信息較大的數(shù)據(jù)建立特征集。這避免了復雜的特征提取過程,同時獲取相關性更強的信號建立數(shù)據(jù)集,有望取得更好的預測性能。

首先,利用FFT將聲波信號從時域轉化為頻域信號,如圖5所示,接著利用MI建立頻域信號與脫空深度和脫空寬度的相關性,結果如圖6所示。

圖5 H1B5的聲音信號Fig.5 Acoustic signal of H1B5

圖6 不同頻率下聲壓幅值與脫空狀態(tài)的MI值Fig.6 The MI value of sound pressure amplitude and void state at different frequencies

從圖6(a)可以看出,頻域信號與脫空深度的MI值最大接近1.6,最小為0.1左右。其中,大部分MI值集中在0.4～1.0之間,有一定數(shù)量的MI值低于0.4,而只有少部分MI值高于1.0。對照圖6(b),頻域信號與脫空寬度的最大和最小MI值與前面接近,分別在1.6和0.1左右,其中最大值出現(xiàn)的位置比較接近,在975 Hz附近,說明該頻率附近數(shù)據(jù)對脫空深度和寬度信息的變化都較為敏感。相對于脫空深度而言,脫空寬度與頻域信號的相關性整體要更高。主要體現(xiàn)在,MI值大于1.0的比例明顯提高,整體的MI數(shù)據(jù)點向上偏移?？傮w而言,隨著頻率的變化,MI值并未呈現(xiàn)明顯的規(guī)律性,而是高低起伏交替變化。盲目取點作為可能存在較多冗余信息,影響預測精度。為能提取到足夠多的點數(shù)同時避免冗余信息,本文選擇采用MI值排在前30的特征值,也即與脫空深度或者脫空寬度關聯(lián)度排在前30的頻率對應的聲壓值,作為該敲擊點的特征信息建立數(shù)據(jù)集。表2給出了A組MI值排在前30的特征值對應頻率。隨機選取MI值排在第3、13和24個數(shù)據(jù)值建立散點分布圖,結果如圖7所示。從圖7可以看出,所建立的特征集存在明顯的邊界類區(qū)分不同的脫空深度和不同的脫空寬度,這為識別和分類不同的脫空狀態(tài)提供了可能性。

表2 A組MI值排在前30的特征值對應頻率

圖7 第3、第13和第24個特征的3維散點圖Fig.7 Three-dimensional scatter plots of the 3rd, 13th and 24th features

3.2 模型訓練

本文在配有AMD銳龍Ryzen 5 5600H(3.30 GHz)處理器和16 GB內存的計算機進行了訓練,并采用帶有Fastai庫、Pytorch(版本1.11.0)的Python(版本3.9.9)運行代碼。經過反復試驗,我們可以確定MiniRocket模型的參數(shù),具體如下:batchsize為50,學習率為1×10-4,迭代設置為20。

圖8顯示了MiniRocket的訓練和驗證過程。從圖8(a)可以看出,經過10次和5次迭代后,A組的訓練損失曲線和驗證損失曲線分別趨于穩(wěn)定,穩(wěn)定值分別在0.026 0和0.003 7左右。隨著迭代次數(shù)的增加,訓練精度和驗證精度都逐漸增大。訓練精度和驗證精度分別在迭代2次和3次后就可達到100%。B組的訓練和驗證過程的規(guī)律與A組基本相似。圖9顯示MiniRocket在訓練過程中得到的一個最好模型對應的混淆矩陣,可以看出,不同脫空深度和寬度標簽都被進行了精準的預測?？傮w而言,MiniRocket的訓練和測試過程沒有看到過擬合的現(xiàn)象,訓練和驗證精度都滿足要求。

圖8 MiniRockte的訓練和驗證過程的損失和精度Fig.8 Loss and accuracy of the training and verification process of MiniRockte

圖9 MiniRockte的訓練和驗證過程的混淆矩陣Fig.9 Confusion matrix of the training and verification process of MiniRockte

4 模型測試分析及對比

4.1 模型測試分析

為了測試MiniRocket算法的魯棒性,進行了100次重復測試,采用召回率RE、精度PR和準確性AC來評估MiniRocket模型的預測性能,三個指標的詳細結果和平均值分別如圖10所示和表3所示。

表3 三種模型的分類結果平均值

圖10 三種模型的分類結果Fig.10 Classification results of three models

從圖10和表3可以看出,無論是A組還是B組,在100次重復試驗中,RE、PR和AC三個評價指標的平均值都為100%。換句話說,所提出的方法預測性能非常優(yōu)異,幾乎所有的樣本都能被準確預測。究其原因,主要是因為本文對鋼管混凝土脫空缺陷識別屬于時間序列分類問題,而MiniRocket神經網絡時間序列預測模型,通過使用更少的參數(shù)量和更小的特征尺寸等方式,提高了模型的精度,在處理本文的時間序列分類問題時具有更好的切合度?？傊梢缘贸?本文所提的方法是一種可高效識別CFST不同脫空深度和不同脫空寬度的行之有效的方法。

4.2 預測算法的對比

為驗證MiniRocket算法的優(yōu)越性,分別建立了支持向量機(SVM)和決策樹(DT)兩種不同的機器學習模型。與前面不同的是,此處將數(shù)據(jù)集按照1 ∶1的比例設置分別為訓練集和測試集,輸入到兩個不同的機器學習模型進行訓練和測試。所提出的特征提取方法與SVM和DT結合的預測方法分別記為FFT-MI-SVM和FFT-MI-DT。通過不斷的調整,SVM模型的參數(shù)確定為:tol=1.1,正規(guī)化參數(shù)C=0.01。決策樹的深度max_depth確定為6。

FFT-MI-SVM和FFT-MI-DT重復100次測試后所得的結果如圖10和表3所示?？梢钥闯?對于不同脫空深度的CFST構件,FFT-MI-MiniRocket方法最優(yōu),其次是FFT-MI-DT,FFT-MI-SVM最差。主體現(xiàn)在,上述三個模型的三個評價指標分別為100%、99%和97%左右。但對于不同脫空寬度的CFST構件,分類性能最佳的是FFT-MI-MiniRocket和FFT-MI-SVM,三個指標均為100%,FFT-MI-DT略低,為99.5%左右。由此表明,無論是預測不同脫空深度還是不同脫空寬度,MiniRocket模型均有優(yōu)于現(xiàn)有兩種模型(SVM和DT),具有極高的分類精度和穩(wěn)定性。

4.3 特征選取的對比

為進一步驗證基于FT-MI的特征提取方法的有效性,引入現(xiàn)有文獻中基于PSD的特征提取方法進行對比。PSD的特征提取方法的步驟如下:首先,通過FFT將時域信號轉為頻域信號,再通過平方積分得到功率譜;其次,將功率譜歸一化;最后,將功率譜劃分為若干小段后,提取每個小段的總能量作為特征序列建立數(shù)據(jù)集。建立數(shù)據(jù)集后,再按照前面介紹的方法分別輸入到建立的MiniRocket、SVM和DT模型,所得結果如圖11所示(以A組數(shù)據(jù)為例)?？梢钥闯?對于不同脫空深度,FT-MI方法與三種機器學習算法結合后,所得的三種評價指標均要高于PSD方法。例如,FFT-MI-MiniRocket、FFT-MI-SVM和FFT-MI-DT的AC值分別為100%、97.37%和99.54%,而PSD-MiniRocket、PSD-SVM和PSD-DT的AC值則分別只有66.43%、51.11和55.73%,同比下降了33.57%、45.26%和44.01%。對比RE值和PR值也得到了相似的結論?？偠灾?所提的基于FT-MI的特征提取方法要優(yōu)于基于PSD的方法。

圖11 不同特征選取方法的對比Fig.11 Comparison of different feature selection methods

4.4 噪音魯棒性對比

進一步地,還考察了所提方法的噪音魯棒性。由于本方法仍處于初步研究階段,暫時難以實現(xiàn)檢測現(xiàn)場的噪音,因此本文采用添加白高斯噪音的方法模擬噪音環(huán)境。通過式(13)對原始信號添加不同的信噪比噪音[33]

(13)

式中:Psignal和Asignal分別為原始信號的功率和幅值;Pnoise和Anoise分別為噪音的功率和幅值。

圖12比較了不同方法在噪音下的分類精度結果?？梢钥闯?當SNR大于10時,FFT-MI-MiniRocket的三個評價指標均大于90%,說明所提出的模型能準確預測脫空深度。但信噪比低于5時,脫空深度預測不夠準確,三個指標的數(shù)值只有70%左右。這表明本文所提出的FFT-MI-MiniRocket能很好地適應高信噪比環(huán)境下的CFST脫空檢測,而在低信噪比環(huán)境的預測性能需要進一步改進。此外,通過三個評價指標的對比,我們還可以看出所提的MiniRocket模型預測性能要優(yōu)于SVM和DT模型,證實了本文方法的優(yōu)越性。主要體現(xiàn)在,在2 dB、5 dB、10 dB和20 dB信噪比下,MiniRocket模型的三個指標均要高于SVM模型比DT模型。同時我們可以得出,SVM模型的抗噪性能比DT模型更優(yōu),因為試驗范圍內的信噪比下,DT模型的三個性能評價指標都低于SVM模型。

圖12 不同方法的噪音魯棒性Fig.12 Noise robustness of different methods

4.5 與其他先進方法的對比

為了進一步評估所提方法的分類性能,將所提方法(以A組為例)與其他已發(fā)表的基于敲擊法和機器學習的CFST脫空檢測法進行了比較,比較結果如表4所示。由于每個試驗設置并不完全相同,這里將試驗設置和結果轉化為與本文相同的顯示形式,具體差異不贅述。

表4 不同模型的分類結果平均值

在特征提取方面,文獻[22]和文獻[34]采用了PSD特征,如4.4節(jié)所述,該方法需要更多的計算流程,而本文提出FFT-MI的特征提取方法,計算過程更為簡便。在構件數(shù)量方面,文獻[34]和文獻[35]都只制備了1根構件,文獻[22]制備了2根構件,而本文制備了11根構件,數(shù)據(jù)量更大。在缺陷模擬方面,本文采用3D打印技術制備了冠狀脫空缺陷,文獻[22]、文獻[34]和文獻[35]均采用有機玻璃板制備了長方體脫空缺陷,而研究表明,CFST構件實際的脫空狀態(tài)通常為環(huán)狀和冠狀脫空,因此,本文的脫空缺陷更符合實際情況。在脫空變量方面,文獻[34]和文獻[35]僅考慮了脫空的深度,而本文既考慮了不同的脫空深度,還設置了不同的脫空寬度,脫空變量更為全面。因此,所提出的脫空識別方法計算流程更為簡便,驗證更為嚴格,但平均精度最高,為100%,這表明所提出的方法在不同脫空深度和不同脫空寬度下具有較好的預測性能。

5 結 論

本文提出了一種基于FFT、MI和MiniRocket的鋼管混凝土脫空識別方法,重點提高實際環(huán)境下的檢測效率和精度。FFT將時域信號轉化為頻域信號,利用MI篩選與脫空狀態(tài)關聯(lián)性較強的頻域信號建立數(shù)據(jù)集,避免了復雜計算流程,同時減少了冗余信息。MiniRocket使用更少的參數(shù)量和更小的特征尺寸,提高分類的速度和精度。在模型100次重復試驗過程中,所提出的FFT-MI-MiniRocket方法獲得平均精度為100%,高于其他現(xiàn)有模型(SVM和DT)和現(xiàn)有特征提取方法(PSD)。在高信噪比(SNR=10～20 dB)下,所提方法受到的影響并不大(精度>90%)。此外,在驗證條件更嚴格的前提下,本方法的分類精度依然高于同類比較論文的94.17%、90.23%和99.81%。因此,在分類算法、特征提取方法和高信噪比的對比試驗結果表明,所提出的CFST脫空識別方法具有良好的預測性能。

從目前的結果來看,雖然所提出的方法取得了較好的預測精度,但實際工程中,鋼管混凝土截面形式、核心混凝土強度、鋼管厚度、受約束條件、鋼管表面清潔度、敲擊錘頭材料等因素都可能會影響鋼管混凝土結構的發(fā)聲,從而影響所提方法的預測效果,因此,在下一步工作中,我們將考慮對上述影響因素開展詳細而全面的討論,進一步驗證模型的魯棒性。同時,對比驗證對其他神經網絡預測模型,如多層感知機、循環(huán)神經網絡和長時間記憶網絡等。