CN109577393B - 基桩检测中超声波形首波智能判读方法和系统 - Google Patents

基桩检测中超声波形首波智能判读方法和系统 Download PDF

Info

Publication number
CN109577393B
CN109577393B CN201910072175.6A CN201910072175A CN109577393B CN 109577393 B CN109577393 B CN 109577393B CN 201910072175 A CN201910072175 A CN 201910072175A CN 109577393 B CN109577393 B CN 109577393B
Authority
CN
China
Prior art keywords
waveform data
ultrasonic waveform
ultrasonic
characteristic
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910072175.6A
Other languages
English (en)
Other versions
CN109577393A (zh
Inventor
李明超
张梦溪
张津瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201910072175.6A priority Critical patent/CN109577393B/zh
Publication of CN109577393A publication Critical patent/CN109577393A/zh
Application granted granted Critical
Publication of CN109577393B publication Critical patent/CN109577393B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
    • E02D33/00—Testing foundations or foundation structures

Abstract

本发明提供了一种基桩检测中超声波形首波智能判读方法和系统，其中，基桩检测中超声波形首波智能判读方法包括：采集整根基桩不同高程的多组超声波形数据；将所述超声波形数据进行降噪、缩放处理，得到处理后的超声波形数据；根据特征函数提取所述处理后的超声波形数据中所有数据点的特征值；将所述特征值输入至机器学习模型，对所述处理后的超声波形数据中所有数据点进行分类，得到分类结果；根据所述分类结果，提取首波位置。本发明可自动进行快速、高精度的首波位置判读，提高了基桩完整性检测的准确性与可靠性。

Description

基桩检测中超声波形首波智能判读方法和系统
技术领域
本发明涉及建筑基桩完整性检测领域，尤其涉及一种基桩检测中超声波形首波智能判读方法和系统。
背景技术
桩基础是一种广泛应用的基础形式，其质量和完整性直接影响上部结构的安全性。在我国每年基桩建造数量超过一千万根，而大量的建造数量和参差不齐的施工技术水平给桩基质量控制带来了更大的挑战。混凝土桩完整性一直是保证建筑质量和安全的重点。随着土木、建筑等相关行业的不断发展，超高层和超大跨度结构的广泛应用对基桩的完整性检测提出了更高的要求。
近年来，超声波检测技术作为一种无损检测技术，已成功应用于工程中混凝土构件、岩石、钢结构、钢筋混凝土结构的损伤、缺陷以及完整性的检测。而且声波透射法已成为规范中基桩完整性检测的重要方法，其原理是通过判读首波位置来计算声波波速，根据波速的异常来评价混凝土基桩的完整性，因此，首波位置的进行准确判读能够对确保建筑物的安全起到了积极的作用。
现阶段，超声信号的首波判读主要是对信号进行单一特征变换，通过设置人工阈值进行判别，涉及方法主要有长短时窗平均比法(STA/LTA)、赤池信息量准则法(AIC)、高阶统计量法(HOS)、频谱分析法、相关法等。而这些方法在精度、计算效率、自动化以及适用条件等方面仍存在不足，不具有普遍适用性。
发明内容
(一)要解决的技术问题
本公开提供了一种基桩检测中超声波形首波智能判读方法和系统，以至少部分解决以上所提出的技术问题。
(二)技术方案
根据本发明的一个方面，提供了一种基桩检测中超声波形首波智能判读方法，所述方法包括：
采集整根基桩不同高程的多组超声波形数据；
将所述超声波形数据进行降噪、缩放处理，得到处理后的超声波形数据；
根据特征函数提取所述处理后的超声波形数据中所有数据点的特征值；
将所述特征值输入至机器学习模型，对所述处理后的超声波形数据中所有数据点进行分类，得到分类结果；
根据所述分类结果，提取首波位置。
在一些实施例中，将所述超声波形数据进行降噪、缩放处理，得到处理后的超声波形数据的步骤，包括：
通过小波变换计算所述超声波形数据对应的小波能量密度；
将多个频率范围的超声波形数据所对应的小波能量密度设置为预设值，得到新的小波能量密度；
利用反小波变换将所述新的小波能量密度重构为超声波形数据；
将所述重构的超声波形数据进行归一化处理，得到降噪和缩放处理后的超声波形数据。
在一些实施例中，所述特征函数包括第一特征函数：
CF1＝x(i)2
以及第二特征函数：
CF2＝x(i)2-x(i-1)x(i+1)
其中，x()为超声波形数据，i表示时间，1≤j≤i。
在一些实施例中，所述特征函数还包括Bear特征函数和能量累计特征函数。
在一些实施例中，所述机器学习模型为预先利用数据挖掘算法，根据所述处理后的超声波形数据训练得到。
在一些实施例中，根据所述分类结果，提取首波位置的步骤，包括：
计算所述分类结果的超声波形累计函数；
提取所述超声波形累计函数的最小值的位置，即为所述首波位置。
根据本发明的另一个方面，提供了一种基桩检测中超声波形首波智能判读系统，所述系统包括：
声波换能器，用于采集整根基桩不同高程的多组超声波形数据；
信号过滤及前处理设备，与所述声波换能器连接，用于将所述超声波形数据进行降噪、缩放处理，得到处理后的超声波形数据；
特征变换与提取设备，与所述信号过滤及前处理设备连接，用于根据特征函数提取所述处理后的超声波形数据中所有数据点的特征值；
计算分析设备，与所述特征变换与提取设备连接，用于将所述特征值输入至机器学习模型，对所述处理后的超声波形数据中的所有数据点进行分类，得到分类结果；
首波判读设备，与所述计算分析设备连接，用于根据所述分类结果，提取首波位置。
在一些实施例中，所述信号过滤及前处理设备，还用于：
通过小波变换计算所述超声波形数据对应的小波能量密度；
将多个频率范围的超声波形数据对应的小波能量密度设置为预设值，得到新的小波能量密度；
利用反小波变换将所述新的小波能量密度重构为超声波形数据；
将所述重构的超声波形数据进行归一化处理，得到降噪和缩放处理后的超声波形数据。
在一些实施例中，所述特征函数包括第一特征函数：
CF1＝x(i)2
以及第二特征函数：
CF2＝x(i)2-x(i-1)x(i+1)
其中，x()为超声波形，i表示时间，1≤j≤i。
在一些实施例中，所述特征函数还包括Bear特征函数和能量累计特征函数。
(三)有益效果
从上述技术方案可以看出，本发明提供的基桩检测中超声波形首波智能判读方法和系统，至少具有以下有益效果其中之一或其中一部分：
(1)本发明中，通过小波变换对超声波行进行降噪，能够提高超声波形数据的信噪比，从而有效降低噪声对超声波形首波位置判读精度的干扰；
(2)本发明中，采用预先利用数据挖掘算法对降噪和缩放处理后的超声波形数据进行训练得到的机器学习模型，能够对采集的大量超声波形数据充分利用，实现更加快速地判读基桩的质量与完整性；
(3)本发明中，通过对超声波形数据中的每个数据点提取特征函数并进行分类，实现了高精度的首波位置判读；
(4)本发明中，通过基桩检测中超声波形首波智能判读方法，无需人工设定阈值等参数，可以自动对超声波形数据中的所有数据点进行分类，实现超声波形首波位置的自动拾取。
附图说明
图1为本发明实施例所提供的基桩检测中超声波形首波智能判读方法的流程图；
图2是本发明实施例所提供的超声波形数据点分类结果以及首波判读位置与实际位置对比图。
图3为本发明实施例所提供基桩检测中超声波形首波智能判读系统的结构示意图；
图4为本发明实施例所提供的声测管在基桩内部布置方案的水平剖面图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了一种基桩检测中超声波形首波智能判读方法和系统，可以解决现有技术中存在的精度、计算效率、自动化等方面的不足，达到了高精度，快速，自动化提取首波的效果。
为便于对本实施例进行理解，首先对本发明实施例提供的一种基桩检测中超声波形首波智能判读方法进行详细介绍，如图1所示，该方法包括如下步骤：
步骤S101，采集整根基桩不同高程的多组超声波形数据。
步骤S102，将超声波形数据进行降噪、缩放处理，得到处理后的超声波形数据。
进一步的，步骤S102可以包括以下步骤：
通过小波变换计算超声波形数据对应的小波能量密度。具体公式如公式(1)所示：
Figure BDA0001957624340000051
其中,x(t)为超声波形数据，Wx(a,b)为小波能量密度，a为频率，ψ*为母小波的复共轭，t为时间，b为时间尺度伸缩系数。
将多个频率范围的超声波形数据对应的小波能量密度设置为预设值，得到新的小波能量密度。
其中，多个频率范围指受噪声干扰严重的超声波形数据的频率范围，而受噪声干扰较轻的频率范围的超声波形数据对应的小波能量密度保持不变。
优选的，频率范围在30kHz～80kHz之间的超声波形数据对应的小波能量密度保持不变，预设值为0，新的小波能量密度表示为Wx′(a,b)。
利用反小波变换将新的小波能量密度重构为超声波形数据。具体公式如公式(2)和(3)所示：
Figure BDA0001957624340000052
Figure BDA0001957624340000053
式中，
Figure BDA0001957624340000054
为母小波的一个常数，满足Cψ＜∞的完全重构容许条件。
Figure BDA0001957624340000055
母小波ψ(t)的傅里叶变换，t为时间，ω为频率。
将重构的超声波形数据做归一化处理，得到降噪和缩放后的超声波形数据。
通过小波变换对超声波形数据进行降噪，能够提高超声波形数据的信噪比，从而有效降低噪声对超声波形首波位置判读精度的干扰。
步骤S103，根据特征函数提取处理后的超声波形数据中所有数据点的特征值。
其中，特征函数包括第一特征函数、第二特征函数、Bear特征函数以及能量累计特征函数，具体求解公式如公式(4)至(7)所示。
特征函数一：
CF1(i)＝x(i)2 (4)
特征函数二：
CF2(i)＝x(i)2-x(i-1)x(i+1) (5)
Bear特征函数：
Figure BDA0001957624340000061
能量累计特征函数：
Figure BDA0001957624340000062
式中，x(i)为超声波形，
Figure BDA0001957624340000063
为超声波形的一阶差分，i，表示时间，1≤j≤i。
步骤S104，将特征值输入至机器学习模型，对处理后的超声波形数据中的所有数据点进行分类，得到分类结果。
其中，机器学习模型为采用数据挖掘算法，如随机森林算法，预先根据降噪和缩放处理后的超声波形数据训练得到。
采用预先利用数据挖掘算法对降噪和缩放处理后的超声波形数据进行训练得到的机器学习模型，能够对采集的大量超声波形数据充分利用，实现更加快速地判读基桩的质量与完整性。
将步骤S103中提取的4个特征值输入机器学习模型，对降噪和缩放后的超声波形数据的所有数据点进行分类，“1”表示超声波形，“0”表示非超声波形，分类结果如图2所示。
通过对超声波形数据中的每个数据点提取特征值并进行分类，实现了高精度的首波位置判读。
步骤S105，根据分类结果，提取首波位置。
进一步的，步骤S105可以包括以下步骤：
计算分类结果的超声波形累计函数NSCsum，用以消除分类错误点对首波位置判别的影响，具体公式如公式(8)所示：
Figure BDA0001957624340000071
式中，i表示时间，1≤j≤i，label(i)是由“0”和“1”组成的序列，表示数据点的类别，N为单一波形数据点总数。
提取超声波形累计函数的最小值位置，即为该波形的首波位置。
通过基桩检测中超声波形首波智能判读方法，无需人工设定阈值等参数，可以自动对超声波形数据中的所有数据点进行分类，实现超声波形首波位置的自动拾取。
从图2中可以看出，本发明实施例提供的基桩检测中超声波形首波智能判读方法可准确、快速、自动地提取基桩检测超声透射信号的首波位置，有效提高了基桩的完整性检测水平。
根据本发明的另一个方面，提供了一种基桩检测中超声波形首波智能判读系统，如图3所示，该系统包括：
声波换能器11，用于采集整根基桩不同高程的多组超声波形数据。
具体地，按图4所示方式，将声波换能器11布置在混凝土基桩的预留声测管内，并将声波换能器11向上提拉至声测管外部，收集整根基桩不同高程的多组超声波形数据。
信号过滤及前处理设备12，与声波换能器11连接，用于将超声波形数据进行降噪、缩放处理，得到处理后的超声波形数据。
具体地，通过小波变换计算超声波形数据对应的小波能量密度；
将多个频率范围的超声波形数据对应的小波能量密度设置为预设值，得到新的小波能量密度值；
利用反小波变换将新的小波能量密度重构为超声波形数据；
将重构的超声波形数据进行归一化处理，得到降噪和缩放处理后的超声波形数据。
特征变换与提取设备13，与信号过滤及前处理设备12连接，用于根据特征函数提取处理后的超声波形数据中所有数据点的特征值。其中，特征函数包括第一特征函数、第二特征函数、Bear特征函数以及能量累计函数。
计算分析设备14，与特征变换与提取设备13连接，用于将特征值输入至机器学习模型，对处理后的超声波形数据中的所有数据点进行分类，得到分类结果。其中，机器学习模型为预先利用数据挖掘算法，根据处理后的超声波形数据训练得到。
首波判读设备15，与计算分析设备14连接，用于根据分类结果，提取首波位置。
具体地，计算分类结果的超声波形累计函数；
提取超声波形累计函数的最小值的位置，即为首波位置。
还需要说明的是，贯穿附图，在可能导致对本发明的理解造成混淆时，将省略常规结构或构造。并且图中各部件的形状和尺寸不反映真实大小和比例，而仅示意本发明实施例的内容。另外，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。
再者，单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。说明书与权利要求中所使用的序数例如“第一”、“第二”、“第三”等的用词，以修饰相应的元件，其本身并不意味着该元件有任何的序数，也不代表某一元件与另一元件的顺序、或是制造方法上的顺序，该些序数的使用仅用来使具有某命名的一元件得以和另一具有相同命名的元件能做出清楚区分。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基桩检测中超声波形首波智能判读方法，其特征在于，所述方法包括：
采集整根基桩不同高程的多组超声波形数据；
将所述超声波形数据进行降噪、缩放处理，得到处理后的超声波形数据；
根据特征函数提取所述处理后的超声波形数据中所有数据点的特征值；
将所述特征值输入至机器学习模型，对所述处理后的超声波形数据中所有数据点进行分类，得到分类结果；
根据所述分类结果，提取首波位置；
根据所述分类结果，提取首波位置的步骤，包括：
计算所述分类结果的超声波形累计函数；
提取所述超声波形累计函数的最小值的位置，即为所述首波位置。
2.根据权利要求1所述的方法，其特征在于，将所述超声波形数据进行降噪、缩放处理，得到处理后的超声波形数据的步骤，包括：
通过小波变换计算所述超声波形数据对应的小波能量密度；
将多个频率范围的超声波形数据所对应的小波能量密度设置为预设值，得到新的小波能量密度；
利用反小波变换将所述新的小波能量密度重构为超声波形数据；
将所述重构的超声波形数据进行归一化处理，得到降噪和缩放处理后的超声波形数据。
3.根据权利要求1所述的方法，其特征在于，所述特征函数包括第一特征函数：
CF1＝x(i)2
第二特征函数：
CF2＝x(i)2-x(i-1)x(i+1)
Bear特征函数：
Figure FDA0002620505810000021
以及能量累计特征函数：
Figure FDA0002620505810000022
其中，x()为超声波形数据，i表示时间，1≤j≤i。
4.根据权利要求1所述的方法，其特征在于，所述机器学习模型为预先利用数据挖掘算法，根据所述处理后的超声波形数据训练得到。
5.一种基桩检测中超声波形首波智能判读系统，其特征在于，所述系统包括：
声波换能器，用于采集整根基桩不同高程的多组超声波形数据；
信号过滤及前处理设备，与所述声波换能器连接，用于将所述超声波形数据进行降噪、缩放处理，得到处理后的超声波形数据；
特征变换与提取设备，与所述信号过滤及前处理设备连接，用于根据特征函数提取所述处理后的超声波形数据中所有数据点的特征值；
计算分析设备，与所述特征变换与提取设备连接，用于将所述特征值输入至机器学习模型，对所述处理后的超声波形数据中的所有数据点进行分类，得到分类结果；
首波判读设备，与所述计算分析设备连接，用于根据所述分类结果，提取首波位置；
根据所述分类结果，提取首波位置的步骤，包括：
计算所述分类结果的超声波形累计函数；
提取所述超声波形累计函数的最小值的位置，即为所述首波位置。
6.根据权利要求5所述的系统，其特征在于，所述信号过滤及前处理设备，还用于：
通过小波变换计算所述超声波形数据对应的小波能量密度；
将多个频率范围的超声波形数据对应的小波能量密度设置为预设值，得到新的小波能量密度；
利用反小波变换将所述新的小波能量密度重构为超声波形数据；
将所述重构的超声波形数据进行归一化处理，得到降噪和缩放处理后的超声波形数据。
7.根据权利要求5所述的系统，其特征在于，所述特征函数包括第一特征函数：
CF1＝x(i)2
第二特征函数：
CF2＝x(i)2-x(i-1)x(i+1)
Bear特征函数：
Figure FDA0002620505810000031
以及能量累计特征函数：
Figure FDA0002620505810000032
其中，x()为超声波形，i表示时间，1≤j≤i。
CN201910072175.6A 2019-01-25 2019-01-25 基桩检测中超声波形首波智能判读方法和系统 Active CN109577393B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910072175.6A CN109577393B (zh) 2019-01-25 2019-01-25 基桩检测中超声波形首波智能判读方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910072175.6A CN109577393B (zh) 2019-01-25 2019-01-25 基桩检测中超声波形首波智能判读方法和系统

Publications (2)

Publication Number Publication Date
CN109577393A CN109577393A (zh) 2019-04-05
CN109577393B true CN109577393B (zh) 2020-10-13

Family

ID=65917997

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910072175.6A Active CN109577393B (zh) 2019-01-25 2019-01-25 基桩检测中超声波形首波智能判读方法和系统

Country Status (1)

Country Link
CN (1) CN109577393B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110133105A (zh) * 2019-05-31 2019-08-16 水利部交通运输部国家能源局南京水利科学研究院 一种水浸混凝土强度的非接触式无损检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101793955B (zh) * 2010-03-30 2012-07-18 山东科技大学 超声波首波检测与定位的方法和装置
CN101907606A (zh) * 2010-07-12 2010-12-08 哈尔滨工业大学深圳研究生院 一种超声波钢管混凝土柱质量检测方法
CN105929024B (zh) * 2016-04-21 2018-08-14 安徽省（水利部淮河水利委员会）水利科学研究院 混凝土缺陷智能化检测与定量识别方法

Also Published As

Publication number Publication date
CN109577393A (zh) 2019-04-05

Similar Documents

Publication Publication Date Title
CN113707176B (zh) 一种基于声信号及深度学习技术的变压器故障检测方法
CN101894551B (zh) 一种咳嗽自动识别装置
CN110299141B (zh) 一种声纹识别中录音回放攻击检测的声学特征提取方法
CN110398647B (zh) 变压器状态监测方法
CN101477801A (zh) 一种检测和消除数字音频信号中脉冲噪声的方法
CN111414832B (zh) 一种基于鲸豚类低频水声信号的实时在线识别分类系统
CN113567969B (zh) 一种基于水下声信号的非法采砂船自动监控方法及系统
CN109139390B (zh) 一种基于声信号特征库的风机桨叶故障识别方法
CN110890087A (zh) 一种基于余弦相似度的语音识别方法和装置
CN109577393B (zh) 基桩检测中超声波形首波智能判读方法和系统
CN104122486A (zh) 一种电缆早期故障检测方法及装置
CN112599134A (zh) 一种基于声纹识别的变压器声音事件检测方法
CN112364706A (zh) 一种基于类不平衡的小样本轴承故障诊断方法
CN114137079A (zh) 一种基于深度学习和Duffing系统结合的超声导波无损检测方法
CN104316167A (zh) 一种低信噪比下结构响应异常检测方法
CN110398775B (zh) 隧道突涌水灾害微震事件信号波动初至拾取方法及系统
CN114021620B (zh) 基于bp神经网络特征提取的电潜泵故障诊断方法
CN114234061A (zh) 一种基于神经网络的带压运行供水管道漏水音智能判别方法
CN104977602B (zh) 一种地震数据采集施工的控制方法及装置
Yao et al. Multiband weights-induced periodic sparse representation for bearing incipient fault diagnosis
CN113345443A (zh) 基于梅尔频率倒谱系数的海洋哺乳动物发声检测识别方法
CN113139430A (zh) 用于故障检测的声信号分析方法、故障检测的方法、装置
CN113327632A (zh) 一种基于字典学习的无监督异常声检测方法和装置
CN115424635B (zh) 一种基于声音特征的水泥厂设备故障诊断方法
CN114077850B (zh) 一种变工况下的基于图数据的旋转机械设备状态监测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant