基于互信息和MiniRocket網(wǎng)絡(luò)的CFST脫空識別

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(xué) 土木建筑工程學(xué)院,南寧 530004; 2.廣西大學(xué) 工程防災(zāi)與結(jié)構(gòu)安全教育部重點(diǎn)實(shí)驗(yàn)室,南寧 530004;3.廣西大學(xué) 廣西防災(zāi)減災(zāi)與工程安全重點(diǎn)實(shí)驗(yàn)室,南寧 530004; 4.廣西新發(fā)展交通集團(tuán)有限公司,南寧 530029)

由于突出的結(jié)構(gòu)性能,鋼管混凝土(concrete filled steel tube,CFST)已被廣泛應(yīng)用于各種基礎(chǔ)設(shè)施的建設(shè)。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(fù)雜應(yīng)力狀態(tài),提高了后者的力學(xué)強(qiáng)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(jìn)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(dǎo)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(jìn)行脫黏(脫空)鋼管混凝土短柱偏壓試驗(yàn),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(yàn)、理論和數(shù)值模擬研究,結(jié)果表明脫空明顯降低了結(jié)構(gòu)的極限剪應(yīng)力、極限強(qiáng)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(jìn)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(dòng)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(gòu)件開展了壓彎扭復(fù)合受力試驗(yàn),結(jié)果表明結(jié)構(gòu)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(nèi)部脫空嚴(yán)重危害CFST結(jié)構(gòu)的承載力,從而會縮短其使用壽命。因此,準(zhǔn)確并定量檢測CFST結(jié)構(gòu)的脫空對于該類結(jié)構(gòu)的健康狀態(tài)評估與維修養(yǎng)護(hù)至關(guān)重要

目前,已經(jīng)開發(fā)了幾種用于識別CFST結(jié)構(gòu)內(nèi)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(jié)構(gòu)內(nèi)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(gòu)件時(shí),容易被非直徑方向反射回來的應(yīng)力波干擾而產(chǎn)生偏差。紅外熱成像易受環(huán)境溫度影響,常導(dǎo)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(shí)時(shí)檢測損傷信息,但該方法需要提前在結(jié)構(gòu)內(nèi)部預(yù)埋光纖傳感器,并存在費(fèi)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(yù)埋傳感器,因此也并不適用于已建成卻沒有埋設(shè)壓電智能傳感器的鋼管混凝土構(gòu)件脫空檢測。此外,以上檢測方法都不可避免地需要在結(jié)構(gòu)表面耦合安裝多個(gè)傳感器才能實(shí)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(zhǔn)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(yīng)用于結(jié)構(gòu)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(dòng),陶瓷師通過聆聽敲擊瓷器的聲音來判斷其質(zhì)量。然而,這種依靠檢測人員經(jīng)驗(yàn)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(shù)[16]和計(jì)算機(jī)信息技術(shù)[17]的快速發(fā)展,近年來,敲擊檢測法已經(jīng)得到了極大的改善。不少學(xué)者通過壓電技術(shù)采集敲擊回彈應(yīng)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(shù)和智能算法處理信號來識別結(jié)構(gòu)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(jīng)在室內(nèi)試驗(yàn)和有限元仿真中被證實(shí)是有效而準(zhǔn)確的[18]。該方法已成功應(yīng)用于復(fù)合結(jié)構(gòu)的脫黏識別[19]、螺栓的松動(dòng)檢查[20]、木結(jié)構(gòu)的空洞檢測[21]、CFST結(jié)構(gòu)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(jī)(power spectral density+support vector machines, PSD+SVM)、梅爾倒譜系數(shù)+卷積神經(jīng)網(wǎng)絡(luò)(Mel frequency cepstral coefficents+convolutional neural network,MFCC+CNN)[23]、多尺度樣品熵+BP神經(jīng)網(wǎng)絡(luò)(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(jīng)過復(fù)雜的數(shù)學(xué)計(jì)算,例如PSD通常需要通過快速傅里葉變換(fast Fourier transform,FFT)將時(shí)域信號轉(zhuǎn)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(jīng)過功率譜計(jì)算、濾波器組能量計(jì)算、對數(shù)運(yùn)算和離散余弦變換(discrete cosine transform,DCT)等過程;IMSE在計(jì)算多尺度樣品熵之前需要經(jīng)過經(jīng)驗(yàn)?zāi)Ｊ椒纸猥@取內(nèi)在模式函數(shù);MFA則需要通過小波引線或者大偏差法等復(fù)雜運(yùn)算求解分形維數(shù)。這些繁瑣的運(yùn)算流程嚴(yán)重影響了整體的評估效率,在一定程度上限制了它們在實(shí)際工程中的應(yīng)用。

基于此,本文開發(fā)了一種新的基于敲擊與深度學(xué)習(xí)的CFST脫空檢測方法,主要貢獻(xiàn)總結(jié)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(jié)構(gòu)脫空狀態(tài)高度相關(guān)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(fù)雜數(shù)學(xué)運(yùn)算,有效提升了特征提取的效率和實(shí)用性。(2)首次采用基于敲擊與MiniRocket深度學(xué)習(xí)的方法檢測CFST結(jié)構(gòu)變深度脫空識別,與當(dāng)前基于機(jī)器學(xué)習(xí)的方法(如SVM和DT)相比,MiniRocket預(yù)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(jī)器學(xué)習(xí)算法結(jié)合時(shí),預(yù)測性能要優(yōu)于當(dāng)前的方法(如PSD+SVM和PSD+DT)。本文的研究成果為CFST結(jié)構(gòu)的脫空檢測提供一個(gè)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(guān)聯(lián)性更強(qiáng)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(shí)域變換到頻域,傅里葉變換的定義為

(1)

式中:ω=2πf;f(t)為時(shí)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(jī)器學(xué)習(xí)中指被觀測對象的一個(gè)獨(dú)立可觀測的屬性或者特點(diǎn))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(gè)相關(guān)變量之間的統(tǒng)計(jì)依賴性度量,反映了兩個(gè)變量之間的相關(guān)性。

假設(shè)兩個(gè)離散變量A,F均取有限值,信息源a和隨機(jī)變量f并不是相互獨(dú)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(xiàn)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(dāng)變量a與f完全無關(guān)或者相互獨(dú)立時(shí),MI(A;F)為0,表明兩者之間不存在相互的信息;反之,當(dāng)兩個(gè)變量之間相互依賴程度越高時(shí),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(gòu)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(guān)聯(lián)性較強(qiáng)的聲波,減少冗余信息。

1.2 MiniRocket時(shí)間序列網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)技術(shù)是數(shù)據(jù)分類的強(qiáng)大工具,廣泛應(yīng)用于金融、語音識別和圖像識別等領(lǐng)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(jīng)網(wǎng)絡(luò)能映射十分復(fù)雜的非線性關(guān)系,使其具備更強(qiáng)大的非線性泛化能力。雖然網(wǎng)絡(luò)的深化會導(dǎo)致計(jì)算效率降低,但事實(shí)證明,Rocket模型采用了大量隨機(jī)卷積核與線性分類器結(jié)合后,對于相對簡單的特征分類問題,可不建立深度神經(jīng)網(wǎng)絡(luò)便可實(shí)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(jìn)的神經(jīng)網(wǎng)絡(luò)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(shí),計(jì)算速率是Rocket模型的75倍,且預(yù)測精度更高。這表明MiniRocket神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò),其在更多領(lǐng)域的應(yīng)用效果,尤其是在與新的特征數(shù)據(jù)集結(jié)合下的預(yù)測性能,仍有待進(jìn)一步深入驗(yàn)證。因此,本文選用MiniRocket深度學(xué)習(xí)模型,通過新提出的特征集來訓(xùn)練分類器,實(shí)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(lǐng)域的有效性和準(zhǔn)確性。圖1顯示了MiniRocket的計(jì)算流程,具體步驟如下:

圖1 MiniRocket計(jì)算流程Fig.1 MiniRocket calculation process

步驟1輸入信號x與內(nèi)核Wk,d的擴(kuò)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(gè)預(yù)定義的核Wk。MiniRocket核的長度為9,權(quán)重限制為兩個(gè)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(kuò)展不同內(nèi)核的感受領(lǐng)域,每個(gè)內(nèi)核都應(yīng)用一個(gè)或多個(gè)從指數(shù)分布中選擇的膨脹d,以確保以更小的膨脹計(jì)算更多的特征。內(nèi)核和擴(kuò)展更為詳細(xì)的信息可參考文獻(xiàn)[32]。

步驟2每個(gè)卷積結(jié)果c與一個(gè)或多個(gè)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(jì)算輸出描述符yPPV的9996個(gè)維度中的每個(gè)維度作為均值,如式(9)所示,并將提取的PPV特征值用于訓(xùn)練MiniRocketHead網(wǎng)絡(luò),然后利用訓(xùn)練好的MiniRocketHead網(wǎng)絡(luò)進(jìn)行測試分類。MiniRocketHead由三層結(jié)構(gòu):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(zhuǎn)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(nèi),有助于加快收斂速度和提高網(wǎng)絡(luò)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(biāo)記空間,以實(shí)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(jié)構(gòu)內(nèi)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(jié)構(gòu)的敲擊聲波信號進(jìn)行脫空缺陷識別,首先利用FFT將敲擊時(shí)域信號轉(zhuǎn)化為頻域信號,其次采用MI理論篩選與CFST脫空狀態(tài)關(guān)聯(lián)性較強(qiáng)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(jìn)行訓(xùn)練和驗(yàn)證,最后采用訓(xùn)練好的模型對CFST構(gòu)件的脫空深度和脫空寬度進(jìn)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(shí)域信號,利用1.1節(jié)介紹的FFT,將時(shí)域信號轉(zhuǎn)換為頻域信號,FFT分析點(diǎn)數(shù)選擇1 020,加窗方式為漢寧窗。經(jīng)過FFT得到不同頻率對應(yīng)的聲壓數(shù)據(jù)后,基于1.2節(jié)所述的MI,計(jì)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(guān)聯(lián)性,取前30個(gè)關(guān)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(xùn)練集、驗(yàn)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(shí)間序列網(wǎng)絡(luò)模型,采用訓(xùn)練集對模型進(jìn)行訓(xùn)練,并利用驗(yàn)證集優(yōu)化模型的超參數(shù):batchsize、學(xué)習(xí)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(jìn)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(yù)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(zhǔn)確率(accuracy,AC)三個(gè)指標(biāo)對模型性能進(jìn)行評估,計(jì)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(shí)際為正樣本預(yù)測也為正樣本;FN為假陰性,實(shí)際為正樣本預(yù)測也為正樣本;TN為真陰性,實(shí)際為負(fù)樣本預(yù)測也為負(fù)樣本;FP為假陽性,實(shí)際為正樣本預(yù)測為負(fù)樣本。

2 試驗(yàn)設(shè)置和步驟

2.1 構(gòu)件制作

共制備了11根CFST構(gòu)件如圖3所示,包括1根不設(shè)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(nèi)徑分別為2 mm、650 mm和219 mm。核心混凝土強(qiáng)度為50 MPa。由于難以采用混凝土材質(zhì)材料來控制脫空而非混凝土材質(zhì)材料與真實(shí)混凝土界面存在較大差距,使得實(shí)際的鋼管混凝土脫空是難以精準(zhǔn)模擬的,為盡可能地模擬實(shí)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(shí)際的脫空之間的差異,本文利用3D打印技術(shù)制作了10個(gè)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(qiáng)度高且易于打磨。缺陷體冠狀部分的直徑與鋼管內(nèi)徑一致,均為219 mm,以便能更好地與鋼管內(nèi)壁貼合。缺陷體壁厚均為2 mm,其中5個(gè)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(gè)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(gòu)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(nèi)壁已標(biāo)記的中間位置,同時(shí)在鋼管外壁做好相應(yīng)的缺陷標(biāo)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(dòng)棒對混凝土進(jìn)行振動(dòng)密實(shí)。最后,待混凝土成型后,在鋼管外壁和鋼板的相應(yīng)位置涂抹油漆,并在標(biāo)準(zhǔn)條件下養(yǎng)護(hù)28 d。根據(jù)每根CFST構(gòu)件脫空缺陷信息對其進(jìn)行標(biāo)記,如H3B5代表脫空深度和寬度分別為3 mm和5 mm的CFST構(gòu)件,具體標(biāo)簽信息及分組情況如表1所示。

表1 標(biāo)簽信息及分組情況

圖3 11根CFST構(gòu)件Fig.3 11 CFST members

2.2 試驗(yàn)設(shè)備及步驟

如圖4所示,試驗(yàn)過程所使用的設(shè)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(gòu)件,敲擊點(diǎn)選擇在脫空區(qū)域的中點(diǎn)位置,而對照組則隨機(jī)選擇在中線上的某一點(diǎn)?？紤]到敲擊過程持續(xù)時(shí)間較短,為了獲取更為密集的數(shù)據(jù),本文將采樣頻率設(shè)置為51.0 kHz。對于每個(gè)敲擊點(diǎn),分別記錄了150次敲擊數(shù)據(jù),每次采集時(shí)間長度為0.02 s,從而獲得了總共1 650個(gè)聲音信號。同時(shí),為了較少氣流的影響,每次敲擊都將聲壓傳感器與敲擊點(diǎn)的距離控制在0.1 m以內(nèi)。

圖4 試驗(yàn)設(shè)置Fig.4 Test setup

3 數(shù)據(jù)集構(gòu)建及模型訓(xùn)練

3.1 數(shù)據(jù)集構(gòu)建

目前,已經(jīng)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(yàn)證了它們的有效性。然而,以上這些特征都是通過復(fù)雜的數(shù)學(xué)運(yùn)算才能提取得到,預(yù)測效率并不高。為此,本文通過FFT將聲波時(shí)域信號轉(zhuǎn)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(guān)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(fù)雜的特征提取過程,同時(shí)獲取相關(guān)性更強(qiáng)的信號建立數(shù)據(jù)集,有望取得更好的預(yù)測性能。

首先,利用FFT將聲波信號從時(shí)域轉(zhuǎn)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(guān)性,結(jié)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(guān)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(diǎn)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(diǎn)作為可能存在較多冗余信息,影響預(yù)測精度。為能提取到足夠多的點(diǎn)數(shù)同時(shí)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(guān)聯(lián)度排在前30的頻率對應(yīng)的聲壓值,作為該敲擊點(diǎn)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(yīng)頻率。隨機(jī)選取MI值排在第3、13和24個(gè)數(shù)據(jù)值建立散點(diǎn)分布圖,結(jié)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(yīng)頻率

圖7 第3、第13和第24個(gè)特征的3維散點(diǎn)圖Fig.7 Three-dimensional scatter plots of the 3rd, 13th and 24th features

3.2 模型訓(xùn)練

本文在配有AMD銳龍Ryzen 5 5600H(3.30 GHz)處理器和16 GB內(nèi)存的計(jì)算機(jī)進(jìn)行了訓(xùn)練,并采用帶有Fastai庫、Pytorch(版本1.11.0)的Python(版本3.9.9)運(yùn)行代碼。經(jīng)過反復(fù)試驗(yàn),我們可以確定MiniRocket模型的參數(shù),具體如下:batchsize為50,學(xué)習(xí)率為1×10-4,迭代設(shè)置為20。

圖8顯示了MiniRocket的訓(xùn)練和驗(yàn)證過程。從圖8(a)可以看出,經(jīng)過10次和5次迭代后,A組的訓(xùn)練損失曲線和驗(yàn)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(xùn)練精度和驗(yàn)證精度都逐漸增大。訓(xùn)練精度和驗(yàn)證精度分別在迭代2次和3次后就可達(dá)到100%。B組的訓(xùn)練和驗(yàn)證過程的規(guī)律與A組基本相似。圖9顯示MiniRocket在訓(xùn)練過程中得到的一個(gè)最好模型對應(yīng)的混淆矩陣,可以看出,不同脫空深度和寬度標(biāo)簽都被進(jìn)行了精準(zhǔn)的預(yù)測?？傮w而言,MiniRocket的訓(xùn)練和測試過程沒有看到過擬合的現(xiàn)象,訓(xùn)練和驗(yàn)證精度都滿足要求。

圖8 MiniRockte的訓(xùn)練和驗(yàn)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(xùn)練和驗(yàn)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(jìn)行了100次重復(fù)測試,采用召回率RE、精度PR和準(zhǔn)確性AC來評估MiniRocket模型的預(yù)測性能,三個(gè)指標(biāo)的詳細(xì)結(jié)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(jié)果平均值

圖10 三種模型的分類結(jié)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(fù)試驗(yàn)中,RE、PR和AC三個(gè)評價(jià)指標(biāo)的平均值都為100%。換句話說,所提出的方法預(yù)測性能非常優(yōu)異,幾乎所有的樣本都能被準(zhǔn)確預(yù)測。究其原因,主要是因?yàn)楸疚膶︿摴芑炷撩摽杖毕葑R別屬于時(shí)間序列分類問題,而MiniRocket神經(jīng)網(wǎng)絡(luò)時(shí)間序列預(yù)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(shí)間序列分類問題時(shí)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(yù)測算法的對比

為驗(yàn)證MiniRocket算法的優(yōu)越性,分別建立了支持向量機(jī)(SVM)和決策樹(DT)兩種不同的機(jī)器學(xué)習(xí)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(shè)置分別為訓(xùn)練集和測試集,輸入到兩個(gè)不同的機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練和測試。所提出的特征提取方法與SVM和DT結(jié)合的預(yù)測方法分別記為FFT-MI-SVM和FFT-MI-DT。通過不斷的調(diào)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(fù)100次測試后所得的結(jié)果如圖10和表3所示?？梢钥闯?對于不同脫空深度的CFST構(gòu)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(gè)模型的三個(gè)評價(jià)指標(biāo)分別為100%、99%和97%左右。但對于不同脫空寬度的CFST構(gòu)件,分類性能最佳的是FFT-MI-MiniRocket和FFT-MI-SVM,三個(gè)指標(biāo)均為100%,FFT-MI-DT略低,為99.5%左右。由此表明,無論是預(yù)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(jìn)一步驗(yàn)證基于FT-MI的特征提取方法的有效性,引入現(xiàn)有文獻(xiàn)中基于PSD的特征提取方法進(jìn)行對比。PSD的特征提取方法的步驟如下:首先,通過FFT將時(shí)域信號轉(zhuǎn)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(gè)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(jié)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(jī)器學(xué)習(xí)算法結(jié)合后,所得的三種評價(jià)指標(biāo)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(jié)論。總而言之,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(jìn)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(shí)難以實(shí)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(jié)果?？梢钥闯?當(dāng)SNR大于10時(shí),FFT-MI-MiniRocket的三個(gè)評價(jià)指標(biāo)均大于90%,說明所提出的模型能準(zhǔn)確預(yù)測脫空深度。但信噪比低于5時(shí),脫空深度預(yù)測不夠準(zhǔn)確,三個(gè)指標(biāo)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(yīng)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(yù)測性能需要進(jìn)一步改進(jìn)。此外,通過三個(gè)評價(jià)指標(biāo)的對比,我們還可以看出所提的MiniRocket模型預(yù)測性能要優(yōu)于SVM和DT模型,證實(shí)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(gè)指標(biāo)均要高于SVM模型比DT模型。同時(shí)我們可以得出,SVM模型的抗噪性能比DT模型更優(yōu),因?yàn)樵囼?yàn)范圍內(nèi)的信噪比下,DT模型的三個(gè)性能評價(jià)指標(biāo)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(jìn)方法的對比

為了進(jìn)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(jī)器學(xué)習(xí)的CFST脫空檢測法進(jìn)行了比較,比較結(jié)果如表4所示。由于每個(gè)試驗(yàn)設(shè)置并不完全相同,這里將試驗(yàn)設(shè)置和結(jié)果轉(zhuǎn)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(jié)果平均值

在特征提取方面,文獻(xiàn)[22]和文獻(xiàn)[34]采用了PSD特征,如4.4節(jié)所述,該方法需要更多的計(jì)算流程,而本文提出FFT-MI的特征提取方法,計(jì)算過程更為簡便。在構(gòu)件數(shù)量方面,文獻(xiàn)[34]和文獻(xiàn)[35]都只制備了1根構(gòu)件,文獻(xiàn)[22]制備了2根構(gòu)件,而本文制備了11根構(gòu)件,數(shù)據(jù)量更大。在缺陷模擬方面,本文采用3D打印技術(shù)制備了冠狀脫空缺陷,文獻(xiàn)[22]、文獻(xiàn)[34]和文獻(xiàn)[35]均采用有機(jī)玻璃板制備了長方體脫空缺陷,而研究表明,CFST構(gòu)件實(shí)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(shí)際情況。在脫空變量方面,文獻(xiàn)[34]和文獻(xiàn)[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(shè)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(jì)算流程更為簡便,驗(yàn)證更為嚴(yán)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(yù)測性能。

5 結(jié) 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(diǎn)提高實(shí)際環(huán)境下的檢測效率和精度。FFT將時(shí)域信號轉(zhuǎn)化為頻域信號,利用MI篩選與脫空狀態(tài)關(guān)聯(lián)性較強(qiáng)的頻域信號建立數(shù)據(jù)集,避免了復(fù)雜計(jì)算流程,同時(shí)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(fù)試驗(yàn)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(yàn)證條件更嚴(yán)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(yàn)結(jié)果表明,所提出的CFST脫空識別方法具有良好的預(yù)測性能。

從目前的結(jié)果來看,雖然所提出的方法取得了較好的預(yù)測精度,但實(shí)際工程中,鋼管混凝土截面形式、核心混凝土強(qiáng)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(jié)構(gòu)的發(fā)聲,從而影響所提方法的預(yù)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(xì)而全面的討論,進(jìn)一步驗(yàn)證模型的魯棒性。同時(shí),對比驗(yàn)證對其他神經(jīng)網(wǎng)絡(luò)預(yù)測模型,如多層感知機(jī)、循環(huán)神經(jīng)網(wǎng)絡(luò)和長時(shí)間記憶網(wǎng)絡(luò)等。