Page 90 - 无损检测2022年第七期
P. 90
邹兰林,等:
小波分析结合神经网络的桩基缺陷检测
n ( 小波阶数) 的大小影响着有效支撑长度 2n-1 , n 示。将小波包分解后的系数进行重构, 按式( 1 ) 计算
越大小波函数越光滑, 支撑长度越长; 但 n 的增大 各个频带信号的总能量。
会使得高频系数减小, 压缩比例增大, 信号的分辨率 n
E i = ∑ x ik 2 ( 1 )
降低。当 n=5 时时域波形较好,在该条件下对超
k=1
声波信号进行多尺度分解。 式中: x ik 为重构信号的幅值, E i 为各节点能量特征
桩基的超声波原始信号和分解信号如图 3 所 值; i 取值为 1~8 。
图 3 桩基的超声波原始波形和分解信号
然后提取各频段能量并进行重构, 同时构建特 式中: 'E i 为归一化后的特征量, 将 15 组信号进行归
征向量, 3 种典型缺陷的超声波信号能量谱比重图 一化处理, 得到 15 个样本特征空间, 每个样本包含
如图 4 所示。 8 个特征量, 其中 9 组( 无损类、 夹泥砂类、 空洞类各
直接将能量作为特征值时, 能量范围较大导致 3 组数据) 作为神经网络输入信号训练神经网络, 其
神经网络收敛慢, 训练时间长, 由此需要对特征向量 余 6 组作为待诊断样本验证神经网络的准确性, 部
进行归一化处理得到归一化特征值 W 为 分归一化后特征向量如表 1 所示。
[ , , , , , , , ] ( 2 ) 3.2 缺陷识别结果分析
E
E
E
E
E
E
E
E
W = ' 1 ' 2 ' 3 ' 4 ' 5 ' 6 ' 7 ' 8
8 将输出向量分为 3 类, 即 100 , 010 , 001 , 神经网
- 1 / 2
2
E ∑ ( 3 ) 络的转移函数为 lo g si g 函数, 训练函数为 trainc g f 函
' i =E i
E i
i =1
2
5
2022 年 第 44 卷 第 7 期
无损检测
