Page 89 - 无损检测2022年第七期

邹兰林,等:
小波分析结合神经网络的桩基缺陷检测

桩、 夹泥桩。 3 根声测管呈三角形布置, 采用平测方
1 小波分析特征向量提取
式并在可疑缺陷区进行加密细测, 测点间距为0.2m 。
小波分析具有在时间和频率两域中对信号局部 空洞桩的超声检测结果如图 1 所示。
特征进行提取的能力, 且具有多分辨率分析的特点,
克服了传统的傅里叶分析、 短时傅里叶变换等无法
进行时频分析的缺点 [ 4-6 ] 。
小波变换的特殊之处在于其小波函数。小波函
数是由小波母函数进行伸缩平移变换后获 得的函
数, 其决定了小波具有变焦的特点。小波函数的支
撑长度由伸缩尺度决定, 在信号高频部分短支撑小
波起作用, 而在长时低频部分长 支撑小波起作用。
伸缩尺度确定了小波变换过程中的频域结果, 平移
尺度确定了小波变换过程中的时域结果。

2 神经网络缺陷检测模型

神经网络是通过计算机模仿生物大脑的信息传
递及处理机制而建立的一种仿真技术, 其可以建立
大量的非线性单元, 并且不用建立映射的函数关系,
其通过逆传播不断地修改神经网络的权值和阈值来
降低网络的误差。桩基检测获取的超声波信号混杂
图 1 空洞桩的超声检测结果

着砂浆、 孔洞等造成的影响因子, 可以通过 BP ( back
p ro p a g ation ) 神经网络对各个影响因子构建逼近的 利用小波程序处理桩基的超声波数据, 提取出
非线性映射关系进行处理 [ 7-8 ] , 即通过多次神经网络 各测点超声波信号的特征值, 得到分解的重构信号
试验获得总体误差较小的结果, 保存训练的阈值和 能量比, 建立带有缺陷信息的特征向量并作为输入
权值, 对检测信号进行特征值提取后输入神经网络, 层输入神经网络, 神经网络通过构建针对输出和输
经神经网络计算获得缺陷类型。 入的非线性映射单元对信号进行分类, 将待诊断的
BP神经网络通过建立大量神经单元来实现对复 数据归类到相应的类别, 实现缺陷的诊断和识别。
杂信息的储存, 其结构具有并行、 分布的特点, 在信号 小波分析结合神经网络的超声波桩基故障诊断系统
处理中具有容错性高、 推理能力强、 联想功能强大等 结构框图如图 2 所示。
特点 [ 9-10 ] 。在对桩基进行完整性检测时, 通过小波分
析将超声波信号分解到各个频段, 利用超声波信号在
各频段所占的能量作为 BP 神经网络的输入数据, 进
而对缺陷种类进行识别。桩基的常见缺陷为由混凝
土中空气气泡组成的空洞类缺陷以及夹泥砂类缺陷。
试验神经网络中输出神经元节点数为 3 , 输入神经元
节点数为8 , 隐含层神经元节点数为8 。

3 小波分析结合神经网络桩基缺陷诊断实
例分析

文章从某实际工程中抽取桩基检测数据进行实 图 2 小波分析结合神经网络的超声波桩基故障
例分析。桩基为冲孔灌注桩, 桩基础均为嵌岩桩, 桩 诊断系统结构框图

径为 1.2 , 1.4 , 1.6 , 1.8 , 2.2m , 桩长为 12~45 m , 材 3.1 超声波信号特征向量提取

料为 C30 水下混凝土, 桩基数量共 316 根。现选取 采用 局 部 化 分 析 较 强、 实 现 小 波 变 换 较 快 的
其中 3 组具有代表性的样本, 分别为 无损桩、 空洞 Daubenchies系小波作为小波基, 在该小波函数中,

1
5
2022 年 第 44 卷 第 7 期
无损检测