基于CNN的CA砂漿層脫空識別方法研究

陳甜甜,趙維剛,李榮喆,楊 勇,田秀淑

(1.石家莊鐵道大學大型結構健康診斷與控制研究所,石家莊 050043； 2.石家莊鐵道大學電氣與電子工程學院,石家莊 050043； 3.石家莊鐵道大學材料科學與工程學院,石家莊 050043)

引言

水泥乳化瀝青砂漿(Cement-emulsified Asphalt Mortar，CA砂漿)層是板式無砟軌道中的彈性結構，其性能對無砟軌道結構的耐久性和高速列車運行的舒適性與安全性有重大影響。CA砂漿層位于結構內部，其病害尺寸小、隱蔽性強、檢測難度大[1]。目前，常用的無損檢測方法主要有彈性波法、超聲波法、探地雷達法等[2-3]。其中，沖擊回波法(impact-echo，IE)具有操作便捷、可單側檢測、探測深度大、不受混凝土材料和結構差異影響的特性，在CA砂漿層無損檢測中廣泛應用[4-5]。

在回波檢測信號特征提取上，國內外專家學者主要從信號的時域、頻域、時頻域三方面展開研究。魏來等[6]研究了沖擊回波波速與相位反轉特性，提出了與斜裂縫深度、夾角、延伸長度之間的定性關系。Ertugrul Cam等[7]通過分析信號的頻率和高、低頻振幅，實現了缺陷位置和深度的判斷。R Medina等[8]研究了互功率密度對于沖擊回波信號識別的影響，分析了FFT在波峰頻率信號分析的準確性。Jinying Zhu[9]和楊鴻凱[10]分別將信號回波幅值的比值和回波信號、波形能量和卓越頻譜作為缺陷檢測的融合特征。總的來說，基于時域、時頻域特征分析的缺陷檢測技術，在理論與實踐方面都已較為成熟。但此類方法提取特征單一，檢測精度較低。

在缺陷回波信號分類識別上，國內外專家學者主要從傳統(tǒng)概率統(tǒng)計方法和機器學習方法兩方面進行研究。LI B等[11]采用支持向量機方法，實現了IE信號的分類。IGUAL J等[12]采用貝葉斯分類器，實現了缺陷信號模式識別。Jing-Kui Zhang等[13]應用極限學習機器，實現了對缺陷信號的更好識別。Sadowski L等[7]采用人工神經網絡作為分類器模型對缺陷的IE信號進行診斷。Svecova等[14]為了減少測試所需的時間，提高沖擊回波測試的重復性和準確性，提出半自治測試方法與人工神經網絡相結合的方法對信號進行分析識別。基于傳統(tǒng)概率統(tǒng)計方法和有監(jiān)督機器學習方法的信號模式識別特征提取需由專家完成，由于人為因素的存在，其特征提取的優(yōu)良性無法保障，影響了識別的客觀性、精確性、泛化性。

綜上所述，CA砂漿層脫空識別方法面臨的主要問題為：(1)信號特征提取多基于時域、頻域特征方面，對于信號的表達不夠全面，并且特征參數選取存在難度。(2)模式識別基于傳統(tǒng)概率統(tǒng)計方法和有監(jiān)督機器學習方法，需要人為主觀參與，檢測精度和速度受到影響。為解決以上問題，本文采用希爾伯特黃變換(Hilbert-Huang Transform，HHT)方法進行特征提取，實現信號的多頻帶特征表達；引入卷積神經網絡(Convolutional Neural Network，CNN)進行模式自主識別，提高信號識別的速度、精度。

1 回波信號Hilbert譜圖分析

1.1 沖擊回波檢測實驗

高速鐵路實體模型從上到下依次為CRTSⅡ型無砟軌道板、砂漿層、支承層和土質路基。為模擬脫空缺陷，在砂漿層布設不同尺寸的塑料泡沫?？紤]到沖擊回波法可測缺陷的尺寸限制，文獻[15-16]研究了脫空尺寸對軌道板受力的影響，綜合考慮文獻結果，CA砂漿脫空的檢測需求為：縱向脫空長度>0.2 m，橫向脫空長度>0.12 m。因此，預設了縱向尺寸為0.1～0.4 m的缺陷并進行了檢測試驗。預設4種工況分別為：工況1為正常無砟道床，工況2內設0.12 m×0.2 m缺陷，工況3內設0.2 m×0.3 m缺陷，工況4內設0.12 m×0.4 m缺陷。不同單元內部缺陷布設位置及測線布置如圖1所示。

圖1 不同工況缺陷布設示意

彈性波在傳播過程中，遇到裂紋、孔洞等不連續(xù)的界面時，會發(fā)生散射、折射以及反射等現象，因其在傳播過程中可以攜帶大量的缺陷信息，據此可以檢測結構的物理特性以及各種缺陷。本文采用掃描式沖擊回波測試系統(tǒng)(IES)對高鐵實體模型中預設了砂漿病害的CRTSⅡ型板式無砟軌道進行檢測?？紤]到軌道板厚度為0.2 m，單塊模型測線長度為0.6 m，沖擊器選取儀器中較高的頻率范圍(3～24 kHz)，采樣點設置為2048，每點抽樣頻率設置為10 μs，增益值根據實際測試波形情況手動調整。

1.2 希爾伯特黃變換

1.2.1 HHT原理

沖擊回波信號屬于瞬態(tài)非平穩(wěn)信號。根據沖擊回波原理，回波信號局部特征的提取效果直接影響信號的識別準確率。HHT能夠提取信號的瞬時振幅、瞬時頻率、瞬時相位信息，具有自適應性強、對數據類型沒有限制的特點，可以較準確地表征非線性、非平穩(wěn)信號特征[17]。HHT分析步驟如下。

(1)將原始信號x(t)進行經驗模態(tài)分解(Empirical Mode Decomposition，EMD)，自適應地分解成數個固有模態(tài)函數(Intrinsic Mode Function，IMF)ci和余量rn的形式，其表達式為

(1)

(2)將IMFs分量ci分別作Hilbert變換，其計算公式為

(2)

(3)構造解析函數，得到所有IMFs分量的瞬時頻率和瞬時幅值，解析函數為

zi(t)=ci(t)+jH[ci(t)]=ai(t)ejθi(t)

(3)

(4)根據解析函數可以提取信號的瞬時參數。

瞬時振幅為

(4)

瞬時相位為

(5)

瞬時頻率為

(6)

(5)經積分等計算得到希爾伯特時頻譜(或稱Hilbert譜)，其表達式為

(7)

對回波信號進行Hilbert譜分析，得到信號的時間-頻率-幅值的三維分布情況，可以反映缺陷狀況。

1.2.2 Hilbert譜分析

利用IES方法對無砟軌道CA砂漿層缺陷進行檢測，將所得信號作為CNN網絡的訓練和測試數據。正常測點和缺陷測點的時程曲線如圖2所示。

圖2 正常測點與缺陷測點時程曲線

對不同預設缺陷類型的測點信號進行HHT特征提取(缺陷測點選取為缺陷中心測點)，得到Hilbert譜圖及三維Hilbert譜圖，如圖3所示。

圖3 4種不同脫空工況回波數據的Hilbert譜圖

1.3 特征圖像處理

將回波信號的Hilbert譜圖作為信號的特征圖像。特征圖像過大或過小都會影響CNN網絡的訓練速度和準確率，因此需要對圖像進行合理裁剪和處理，具體步驟如下。

(1)將信號進行HHT變換生成Hilbert譜圖。

(2)截取頻率0～20 kHz，時間0～10 μs范圍內的頻譜圖像。減少背景干擾，提高識別精確度，使信號特征表達更加準確。RGB圖如圖4所示。

圖4 4種缺陷測點的RGB特征

(3)將裁剪后的RGB圖像轉換為32×32 pixel的灰度圖像?；叶葓D如圖5所示。

圖5 4種缺陷測點的灰度特征

2 基于CNN的脫空識別方法

2.1 輸入數據集建立

為實現脫空位置和大小的判斷，建立以下數據集用于卷積神經網絡的訓練、測試。

(1)正常信號數據集

正常信號數據集為不含缺陷測點的信號數據。對正常無砟道床進行多次重復試驗，選取1 200個信號進行特征提取，獲得正常信號特征圖像。特征圖的標記方式為0.000 1、…、0.xxxx、…、0.120 0。

(2)缺陷信號數據集

缺陷信號數據集為缺陷區(qū)域測點的信號。對工況2、工況3、工況4中的缺陷區(qū)域進行多次重復試驗，選取不同缺陷類型信號各400個。將信號進行預處理獲得三類特征圖集，特征圖標記方式如表1所示。

表1 缺陷信號數據集

(3)缺陷特征信號數據集

測點與缺陷的相對位置不同，信號的反射折射結果不同。根據文獻[18]，當入射角為0°～25°時，反射P波能量較高，當入射角>25°時P波能量降低。因此當測點位于缺陷正中心時，接收到的沖擊回波信號更能反映缺陷狀態(tài)。選取缺陷類型2、3、4中心位置測點的信號各400個，作為缺陷特征信號，建立數據集。特征圖標記方式如表2所示。

表2 缺陷特征信號數據集

2.2 CNN結構設計

卷積神經網絡(convolutional neural network，CNN)模型是深度學習的一個代表性模型。CNN基于其卷積核參數共享和層間連接稀疏的特點對于處理格點化數據(如像素和音頻等)表現優(yōu)異，且效果穩(wěn)定[19]。

基于回波信號Hilbert圖像特征，本文模型以LeNet模型為基礎進行改進，模型選取ReLU函數作為激活函數。當ReLU函數的輸入值大于零時，導數值為1，可以防止梯度消失，加快神經網絡收斂速度[18]。其表達式為

(8)

損失函數采用交叉熵函數。輸出層選擇softmax函數，完成模型分類。Softmax源于Logistic回歸，對分類類別分別給出概率，最終確定類別，與本文分類相契合。

網絡共有5層，其中前4層為卷積池化層，第5層為全鏈接層，最后分類類別根據需求設定。LeNet模型結構如圖6所示。

(1)第一個卷積層中，采用6個5×5的卷積核，步長為1。對32×32pixel的圖像進行卷積，卷積后特征圖大小為28×28p ixel。對卷積運算后的數據進行ReLU變換，然后進行池化，特征圖尺寸減半為14×14 pixel。

(2)第二個卷積層，采用12個5×5的卷積核。對池化后的特征圖進行卷積，得到12個10×10 pixel的特征圖。對卷積運算后的數據進行ReLU變換，然后進行池化后，特征圖尺寸減半為5×5 pixel。

(3)輸出層：利用softmax分類器，進行多類別分類，輸出按所需分類的類別數設置。

圖6 LeNet模型結構

CA砂漿層脫空識別需要建立DE-CNN(Defect Exist-Convolutional Neural Network)模型，實現脫空位置判斷，輸出類別有2種，分別為有缺陷和無缺陷；建立DS-CNN(Defect Size-Convolutional Neural Network)模型，實現脫空大小判斷，輸出類別有三種，分別為0.12 m×0.2 m脫空、0.2 m×0.3 m脫空、0.3 m×0.4 m脫空?；贖HT-CNN的脫空缺陷識別模型流程如圖7所示。

圖7 HHT-CNN缺陷識別模型流程

2.3 CNN模型訓練、測試

2.3.1 缺陷有無判斷

將LeNet模型的分類器節(jié)點設定為2，記為DE-CNN模型，進行缺陷有無的判斷。運用正常信號數據1 200個和缺陷信號數據1 200個對網絡進行訓練、測試，訓練和測試數據比例為7∶3。識別結果如表3所示。

表3 DE-CNN模型測試結果

由測試結果可知，DE-CNN-1模型訓練網絡各信號識別率都能達到95%以上，平均識別率為98.61%，可以很好地進行缺陷識別。

2.3.2 缺陷大小判斷

將LeNet模型的分類器的節(jié)點設定為3，記為DS-CNN模型，對3種缺陷類型進行判斷。將缺陷特征信號數據集，作為測試和訓練數據。依據7∶3的比例，從每種缺陷特征信號數據集中分別選取280個作為訓練樣本，120個作為測試樣本。模型對信號的識別率如表4所示。

表4 DS-CNN模型測試結果

由測試結果可知，DS-CNN模型訓練網絡各信號識別率都能達到95%以上，平均識別率為98.3%，可以很好地識別缺陷大小。

2.4 CNN模型驗證

為驗證本文方法的準確性，運用本文方法對預設4種工況道床進行多次缺陷識別。以工況2為例，缺陷識別步驟及結果如下。

步驟1：將工況2的道床測試數據輸入訓練好的DE-CNN模型進行驗證。

軌道板共有7條測線，每條測線18個點。將126個信號進行特征提取，獲得特征圖像。特征圖標記方法為1.01、1.02、…、7.18。模型的輸出結果設定為正常信號為“0”，缺陷信號為“1”。輸出結果如表5所示。結果顯示訓練好的DE-CNN模型可以準確識別出缺陷信號，并根據測點標簽可以判斷缺陷存在位置。

表5 DE-CNN模型測試結果

步驟2：將DE-CNN模型訓練結果中的缺陷的信號，作為DS-CNN模型的輸入。模型的輸出結果設定為0.12 m×0.2 m脫空為“1”，0.2 m×0.3 m脫空為“2”，0.12 m×0.4 m脫空為“3”，其余情況輸出為“negative”。缺陷大小識別結果如表6所示。識別結果表明，缺陷大小為0.2 m×0.3 m脫空，與實際結果相符。

表6 DS-CNN模型測試結果

3 結果分析及對比

將CNN方法的識別準確率與時頻分析方法的識別準確率進行對比。首先運用CNN方法對工況1～工況4的道床進行多次識別驗證。然后對不同工況道床進行時頻分析，以信號頻域的功率密度作為參數，進行缺陷識別。

3.1 CNN方法準確性驗證

對4塊道床分別做了多次識別驗證。驗證結果如圖8所示。驗證結果表明：基于HHT-CNN的CA砂漿層缺陷識別模型的平均識別率可達98.75%。

圖8 驗證結果

3.2 基于功率密度的脫空判斷

沖擊回波測試中，面波信號會干擾判斷，為消除表面波的影響，對原始信號進行去除面波的處理。去除面波后，由圖9可見，在回波信號頻域圖中，2～6 kHz和9～13 kHz頻域范圍內出現共振峰，且12 kHz附近的峰值較弱；對比正常測點與含缺陷測點可以發(fā)現，含缺陷測點在12 kHz附近共振峰更強。

圖9 不同工況測點的頻域圖譜

為研究不同工況9～13 kHz范圍內波形和能量的變化，對原始信號進行9～13 kHz帶通濾波，濾波后信號的頻域圖譜如圖10所示。

圖10 濾波后不同工況測點的頻域圖譜

由圖10可見，含缺陷測點的能量值要高于正常測點的能量值。沖擊彈性波中的縱波到達軌道板和砂漿層缺陷界面時，受缺陷影響會出現強烈反射，縱波在軌道板上下表面之間多次反射產生瞬態(tài)共振，從而在12 kHz處出現較高的共振峰。

由此可以通過計算9～13 kHz功率密度大小，識別無砟道床砂漿層內缺陷狀況。對不同工況軌道板表面測點的時程曲線進行傅立葉變換，分別計算4塊軌道板各測點處9～13 kHz的功率密度，如圖11所示。

圖11 測試區(qū)域的功率密度結果

根據計算結果可知，基于功率密度的CA砂漿層缺陷識別方法對于缺陷的平均識別率為77.92%。

3.3 對比分析

基于CNN的缺陷識別方法和功率密度的缺陷識別方法對于預設缺陷軌道板的識別準確率如圖12所示。

圖12 不同方法的缺陷識別率

由圖12可以看出，基于CNN識別方法遠遠高于功率密度識別法。

4 結論

(1)HHT提取原始回波信號的時間—頻率—能量三維圖像特征，將一維信息在三維空間表達，增加了特征間的絕對距離，為缺陷識別提供基礎。

(2)回波信號頻域功率密度對無砟道床中間位置砂漿層缺陷的檢測具有一定的適用性。功率密度比值大小可作為評定砂漿層存在缺陷與否的指標之一，但是具體量化界限還有待深入研究。

(3)觀察沖擊回波測試頻譜圖，如果12 kHz附近出現較高的共振峰，而5 kHz附近的共振峰減弱，功率密度比值較低時，可以判定無砟道床內砂漿層存在脫空或孔洞。

(4)基于CNN的有無缺陷識別率達98.75%，預設缺陷大小識別率達98.3%。CNN脫空缺陷識別方法具有更高的識別率。