基于EEMD_SVM的波紋管壓漿超聲檢測(cè)

，，

(河海大學(xué) 物聯(lián)網(wǎng)學(xué)院, 常州 213022)

橋梁的安全與內(nèi)部波紋管的壓漿質(zhì)量息息相關(guān)，在波紋管內(nèi)部灌入水泥漿后，由于灌漿工藝以及環(huán)境等因素的影響，波紋管內(nèi)部鋼絞線附近的水泥漿可能脫落而出現(xiàn)空腔，形成脫漿缺陷。由于波紋管壁和混凝土材料對(duì)聲波信號(hào)的衰減作用，超聲檢測(cè)獲取的反射信號(hào)包含的缺陷信息較為微弱，且聲波在混凝土中會(huì)發(fā)生不同程度的散射、反射、折射，這些因素會(huì)對(duì)回波造成復(fù)雜的影響，從而使得通過回波信號(hào)很難直接觀察出波紋管內(nèi)部是否存在缺陷，因此，如何有效快速地判斷波紋管內(nèi)部的注漿程度，是實(shí)際檢測(cè)過程中的一大難點(diǎn)[1-2]。

筆者提出將信號(hào)的總體平均經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)用于波紋管的質(zhì)量檢測(cè)中，其適用于常見的非平穩(wěn)、非線性信號(hào)的分解與處理，是一種自適應(yīng)的分解方法，信號(hào)通過EEMD分解，可以得到多個(gè)不同頻帶的本征模態(tài)分量(IMF)。波紋管內(nèi)部出現(xiàn)缺陷時(shí)，缺陷位置的信息會(huì)隱藏在超聲回波信號(hào)中，不同IMF分量信號(hào)的能量分布會(huì)發(fā)生相應(yīng)改變。文章采用了EEMD分解與支持向量機(jī)(SVM)相結(jié)合的波紋管壓漿質(zhì)量檢測(cè)方法，將包含主要信息的IMF分量中提取出來的能量熵特征作為SVM的輸入，建立支持向量機(jī)分類機(jī)制，判斷波紋管的壓漿質(zhì)量。結(jié)果表明，該方法能有效地判斷波紋管內(nèi)部是否出現(xiàn)嚴(yán)重空腔缺陷。

1 EEMD和支持向量機(jī)理論

1.1 EEMD能量熵理論

EEMD的分析引入了白噪聲的特性，由于EMD[3](經(jīng)驗(yàn)?zāi)B(tài))分解過程會(huì)出現(xiàn)模態(tài)混疊問題，而高斯白噪聲具有均勻分布的特點(diǎn)，加入了白噪聲的信號(hào)在各個(gè)尺度上會(huì)具有連續(xù)性，有效地避免了EMD方法的缺陷。

EEMD的分解如下[4]：

(1) 初始化EMD分解次數(shù)M和白噪聲幅值系數(shù)k(取值范圍0.1～0.4),設(shè)EMD初次分解次數(shù)m為1。

(2) 在原序列x(t)上加入隨機(jī)高斯白噪聲序列nm(t)，得到加噪的待處理的第m個(gè)序列。

xm(t)=x(t)+knm(t)

(1)

對(duì)xm(t)進(jìn)行EMD分解，得到n個(gè)IMF分量cim(t)和一個(gè)剩余分量rnm(t)，分別為

cim(t)=hjm(t)i=1,2,3,…,n

(2)

rnm(t)=rn-1m(t)-cnm(t)

(3)

若m

(3) 對(duì)M次EMD試驗(yàn)的所有IMF分量以及剩余分量計(jì)算平均值為如下式所示。

(4)

(5)

通過EEMD得到分解后的各個(gè)頻段，以不同分量信號(hào)的能量熵表示信號(hào)能量分布。

(1) 計(jì)算分解后各個(gè)尺度信號(hào)(IMF1到IMFn)的能量值Ei，總能量如式(6)所示。

(6)

(2) 每個(gè)IMF分量信號(hào)能量所占概率為Pi=Ei/E，得出每一個(gè)IMF信號(hào)的能量熵如式(7)所示。

H(IMFi)=-PilogePi[5]

(7)

1.2 支持向量機(jī)理論

支持向量機(jī)的分類思想為：在樣本線性可分時(shí)，直接在原空間構(gòu)造數(shù)據(jù)樣本的最優(yōu)分類超平面。若樣本線性不可分，則在原空間中引入松弛變量，通過非線性變換將低維空間的數(shù)據(jù)樣本映射到高維空間，即經(jīng)過已選擇的非線性映射將輸入向量映射到一個(gè)高維的特征空間，然后在這個(gè)空間里面建立一個(gè)最優(yōu)的分類超平面,SVM分類函數(shù)實(shí)際上相當(dāng)于神經(jīng)網(wǎng)絡(luò)[6-7]。

輸出的決策準(zhǔn)則為

(8)

權(quán)值wi=αiyi，K(x·xi)為基于n個(gè)輸入向量x1,x2,…,xn的非線性變換，也即SVM中的內(nèi)積核函數(shù)。

常用的內(nèi)積核函數(shù)有：

(1)多項(xiàng)式核函數(shù)

K(x,xi)=[(x·xi)+1]q

(9)

(2)徑向基函數(shù)(RBF)

K(x,xi)=exp{-|(x-xi)2/σ2|}

(10)

(3) S形核函數(shù)

K(x,xi)=tanh[v(x·xi)+c]

(11)

1.3 聯(lián)合判別方法

事先從無缺陷模型和完全脫漿的波紋管模型中提取超聲檢測(cè)信號(hào)，作為試驗(yàn)組信號(hào)，采取EEMD聯(lián)合支持向量機(jī)方法來判斷模型是否產(chǎn)生嚴(yán)重脫漿，實(shí)施步驟為：

(1) 對(duì)試驗(yàn)組各取n組波回波信號(hào)的m個(gè)主要分量能量熵，組成訓(xùn)練集，輸入支持向量機(jī)進(jìn)行訓(xùn)練，得到分類器。

(2)對(duì)待檢測(cè)的波紋管同樣提取信號(hào)m個(gè)主要分量的能量熵，輸入分類器，支持向量機(jī)根據(jù)分類準(zhǔn)則對(duì)輸入的向量進(jìn)行分類，判斷原信號(hào)所屬模型的缺陷情況。

2 波紋管仿真分析

2.1 仿真模型及聲測(cè)量原理

波紋管壓漿結(jié)構(gòu)系統(tǒng)的模型如圖1所示，其最外層為混凝土層，其次為波紋管，在波紋管內(nèi)部注入了水泥漿，在鋼絞線附近可能出現(xiàn)水泥漿脫落的情況，即出現(xiàn)脫漿缺陷而產(chǎn)生空腔，脫漿的空腔越大，脫漿程度越嚴(yán)重。超聲波在傳播時(shí)，遇到不同介質(zhì)會(huì)發(fā)生反射、透射以及散射等一系列物理現(xiàn)象。由于空氣與混凝土等材料的聲阻抗特性相差較大，超聲經(jīng)過混凝土/空氣等界面時(shí)會(huì)發(fā)生較強(qiáng)的反射，空腔缺陷信息會(huì)隱藏在反射回波信號(hào)中，而利用超聲波脈沖回波法獲取信號(hào)中的有效信息，則能實(shí)現(xiàn)對(duì)缺陷的檢測(cè)。

圖1 波紋管結(jié)構(gòu)示意

首先采取仿真分析，建立不同波紋管壓漿模型，采用COMSOL Multiphysics仿真軟件[8]進(jìn)行仿真，圖2為建立的6個(gè)不同的二維仿真模型，A0～A5代表實(shí)際過程中不同脫漿程度的波紋管結(jié)構(gòu)，其中，A0代表無缺陷模型，A5代表完全脫漿模型；模型各段空腔缺陷尺寸如表1所示。仿真中以線源作為激勵(lì)源，模擬實(shí)際過程中的發(fā)射換能器，寬度為2cm，使用自發(fā)自收模式獲取模型回波信號(hào)，激勵(lì)信號(hào)S(t)采用漢寧窗調(diào)制的單脈沖信號(hào)，如下式所示。

(t

式中：f為信號(hào)中心頻率,f=200 kHz;t0=10 μs。

圖2 波紋管壓漿仿真模型

表1 仿真模型各段空腔缺陷的尺寸 cm

2.2 仿真信號(hào)分析

分別以A0模型及A5模型超聲回波信號(hào)(見圖3和圖4)為例進(jìn)行分析，由于波紋管復(fù)雜結(jié)構(gòu)的作用，回波信號(hào)較為復(fù)雜，A5模型回波信號(hào)中，缺陷回波隱藏在波紋管反射波等復(fù)雜波形中，難以直觀判斷，因此需要采用必要的信號(hào)處理手段來提取有用信息。

圖3 A0模型的仿真回波信號(hào)

圖4 A5模型的仿真回波信號(hào)

采用文章提出的方法對(duì)信號(hào)進(jìn)行EEMD分解，圖5為A0信號(hào)分解后的波形，圖6為A0、A5模型仿真信號(hào)的前4個(gè)主要IMF分量的能量熵分布。仿真信號(hào)的分析表明，波紋管結(jié)構(gòu)缺陷的信息可以由回波信號(hào)的能量熵分布體現(xiàn)出來，提取兩種模型回波信號(hào)主要分量的能量熵，作為試驗(yàn)組輸入向量建立分類機(jī)，設(shè)置A0模型數(shù)據(jù)組成的特征向量對(duì)應(yīng)類別標(biāo)簽為+1，A5模型數(shù)據(jù)對(duì)應(yīng)類別標(biāo)簽為-1，可以用來判斷其他仿真模型缺陷情況，分類結(jié)果為：A1,+1;A2,+1;A3,-1;A4,-1。

圖5 A0模型回波信號(hào)各頻段分量

圖6 A0,A5模型信號(hào)的主要能量熵分布

從支持向量機(jī)分類結(jié)果可看出，A3、A4的分類結(jié)果為-1，表明這兩種模型較為接近A5模型，判定其中有嚴(yán)重脫漿;A1、A2模型結(jié)果為+1，比較接近A0模型。仿真結(jié)果表明，此方法較適用于尺寸較大的缺陷的檢測(cè)。

圖7 實(shí)際澆筑模型

圖8 實(shí)際試驗(yàn)的激勵(lì)信號(hào)

圖9 無缺陷模型實(shí)測(cè)回波

圖10 脫漿模型實(shí)測(cè)回波

3 試驗(yàn)測(cè)量與分析

試驗(yàn)?zāi)Ｐ褪前凑赵O(shè)計(jì)好的缺陷位置及類型進(jìn)行澆筑的混凝土結(jié)構(gòu)，如圖7所示，其中，波紋管內(nèi)徑為69 mm，波紋管壁的厚度為3 mm，試件尺寸(長×寬×高)為10 m×0.5 m×1 m，內(nèi)置不同程度的脫漿缺陷。激勵(lì)源采用單脈沖激勵(lì)，激勵(lì)信號(hào)如圖8所示，發(fā)射換能器中心頻率為200 kHz，采用一發(fā)一收模式獲取超聲回波數(shù)據(jù)，采樣頻率為1 MHz，獲得的一組測(cè)量信號(hào)如圖9，10所示。由圖9，10可見，脫漿模型的缺陷回波信號(hào)隱藏在波紋管反射信號(hào)等復(fù)雜波形中，由于實(shí)際過程中脫漿程度不同，回波信號(hào)的缺陷回波時(shí)刻和幅度也有所差別，且受各種因素影響，難以通過復(fù)雜的波形直觀判斷出波紋管壓漿質(zhì)量。和仿真結(jié)果類似，通過EEMD分解后的信號(hào)能量熵(見圖11)能夠作為區(qū)別兩種信號(hào)的指標(biāo)。采取仿真的方法來判斷壓漿質(zhì)量，首先建立試驗(yàn)組，即事先采集無缺陷模型和完全脫漿模型回波信號(hào)各20組樣本，將此20組信號(hào)組成的特征向量作為訓(xùn)練集輸入，得到分類機(jī)，設(shè)置無缺陷模型特征向量對(duì)應(yīng)類別標(biāo)簽為+1，完全脫漿模型對(duì)應(yīng)類別標(biāo)簽為-1。

圖11 實(shí)測(cè)信號(hào)的主要能量熵分布

圖12 試驗(yàn)測(cè)試模型

建立分類器后，試驗(yàn)測(cè)試模型如圖12所示，采集實(shí)際測(cè)量模型信號(hào)，檢驗(yàn)SVM測(cè)試結(jié)果，試驗(yàn)檢測(cè)T1～T6段模型。試驗(yàn)?zāi)Ｐ透鞫慰涨蝗毕莩叽缛绫?所示，分類結(jié)果如表3所示，試驗(yàn)結(jié)果驗(yàn)證了仿真結(jié)果，結(jié)果表明T3～T5段有較嚴(yán)重的脫漿缺陷，而T2的缺陷無法識(shí)別出來，驗(yàn)證了仿真理論，也表明此方法適用于大缺陷的檢測(cè)，而在實(shí)際工程中，脫漿程度較小時(shí)的安全隱患較低。此方法通過超聲脈沖回波法獲取波紋管結(jié)構(gòu)信息，經(jīng)EEMD分解結(jié)合SVM分類結(jié)果即可初步判斷壓漿質(zhì)量，能夠較為直觀地檢測(cè)出波紋管是否有嚴(yán)重脫漿，適用于工程檢測(cè)。

表2 試驗(yàn)?zāi)Ｐ透鞫慰涨蝗毕莩叽?cm

表3 試驗(yàn)測(cè)試模型的SVM分類結(jié)果

4 結(jié)論

EEMD是一種自適應(yīng)的非線性分解方法，能夠有效地提取波紋管超聲回波信號(hào)的特征，通過EEMD分解后的各頻段信號(hào)的能量熵特征能夠反映模型內(nèi)部缺陷特征，SVM分類機(jī)制和EEMD結(jié)合的方法能夠有效地判斷波紋管內(nèi)部是否存在嚴(yán)重空腔缺陷，但如何精確判別小缺陷的有無及所在位置還需作進(jìn)一步的研究。

參考文獻(xiàn)：

[1] 成錦, 韓慶邦, 范洪輝,等. 基于小波熵技術(shù)的波紋管壓漿質(zhì)量無損檢測(cè)[J]. 壓電與聲光, 2014, 36(6):1025-1029.

[2] 高小妮, 謝峻 , 安寧,等.基于不同雷達(dá)天線的橋梁深層鋼筋識(shí)別精度試驗(yàn)[J]. 無損檢測(cè), 2017, 39(11):44-47.

[3] JONG-HYO A, DAE-HO K, BONG-HWAN K. Fault detection of a roller-bearing system through the EMD of a wavelet denoised signal[J]. Sensors, 2014, 14(8):15022-15038.

[4] WANG T, ZHANG M, YU Q, et al. Comparing the application of EMD and EEMD on time-frequency analysis of seimic signal[J]. Journal of Applied Geophysics, 2012, 83(6):29-34.

[5] LIU Z, CUI Y, LI W. A classification method for complex power quality disturbances using EEMD and rank wavelet SVM[J]. IEEE Transactions on Smart Grid, 2015, 6(4):1678-1685.

[6] 吳慶偉, 王金龍, 張平. 基于FOA-SVM模型的輸油管道內(nèi)腐蝕速率預(yù)測(cè)[J]. 腐蝕與防護(hù), 2017, 38(9):732-736.

[7] LIAN Y, LI Y W, QUAN Z, et al. SVM strategies for common-mode current reduction in transformerless current-source drives at low modulation index[J]. IEEE Transactions on Power Electronics,2016，32(2)：1312-1323.

[8] HAN Q, CHENG J, FAN H, et al. Ultrasonic nondestructive testing of cement grouting quality in corrugated pipes based on impact-echo[J].Journal of Advanced Concrete Technology,2014,12(11):503-509.