CN110487915A - 基于传感器网络信息熵的路面损伤程度检测方法 - Google Patents

Abstract

本发明提出了一种基于传感器网络信息熵的路面损伤程度检测方法，具体步骤为：在路面至少设置一个信号发射器和一个信号接收器，分别用于产生信号和接收信号；将接收到的信号应用于STWE得到该信号的信息熵；应用基于STWE的TOA算法对信息熵进行处理，确定信息熵幅值之和，通过信息熵幅值总和与位置的关系图表确定图表中若干个个椭圆轨迹重叠位置为裂缝所在之处。本发明能够在高噪声水平下进行损伤定位，通过STWE提高了结果精度。

Description

基于传感器网络信息熵的路面损伤程度检测方法

技术领域

本发明设计路面损失检测技术，具体而言涉及一种基于传感器网络信息熵的路面损伤程度检测方法。

背景技术

水泥混凝土路面是以水泥混凝土为主要材料做面层的路面。水泥混凝土路面在我国使用的时间较早，因其强度高、稳定性好和耐久性好，广泛应用在城市公路、机场跑道、车站码头等处。但是因水泥混凝土路面自身刚性的特点，在服役过程中由于热胀冷缩的原因，再加上行车载荷等约束的反复作用下，水泥混凝土路面容易产生断裂裂缝、沉陷、胀起等病害。因此水泥混凝土路面的损伤将直接影响到行车安全和舒适度，进行水泥混凝土路面的损伤监测对实际工程中的维修和养护尤其重要。

目前水泥混凝土路面损伤检测方法主要是应用声发射技术检测路面开裂等病害。声发射检测技术需要有荷载作用才能进行，而在道路工程领域，行车载荷可以做到给路面加载，利用这一特征便能进行声发射检测。但是，这一技术需要投入大量的人力物力，且不能进行实时监测。

发明内容

本发明的目的在于提出了一种基于传感器网络信息熵的路面损伤程度检测方法。

实现本发明的技术解决方案为：一种基于传感器网络信息熵的路面损伤程度检测方法，具体步骤为：

步骤1、在路面至少设置一个信号发射器和一个信号接收器，分别用于产生信号和接收信号；

步骤2、将接收到的信号应用于STWE得到该信号的信息熵；

步骤3、应用基于STWE的TOA算法对信息熵进行处理，确定信息熵幅值之和，通过信息熵幅值总和与位置的关系图表确定图表中若干个个椭圆轨迹重叠位置为裂缝所在之处。

优选地，步骤2将采集到的信号应用于STWE得到该信号的信息熵的具体方法为：

步骤2-1、将接收的信号进行离散小波变换，确定近似系数和细节系数，其中，离散小波变换后的信号表示为：

信号的近似系数和细节系数为：

其中，j为分辨率级别；k为各自时间序列的元素；a_j,k、T_j,k分别为尺度系数和小波系数；φ_j,k(t)、ψ_j,k(t)分别为尺度函数和小波函数；

步骤2-2、根据细节系数，计算每个分辨率级别的窗口时间中的能量总和，进而得到信息熵，其中，能量总和计算公式为：

式中，为每个分辨率级别的窗口时间中的能量；

根据能量总和，确定小波能量分布的时间演变，具体为：

从而确定信息熵为：

优选地，步骤1-1中尺度函数和小波函数具体为：

φ_j,k(t)＝2^-j/2φ(2^-jt-k)

ψ_j,k(t)＝2^-j/2ψ(2^-jt-k)

其中，j为分辨率级别；k为各自时间序列的元素，φ_j,k(t)、ψ_j,k(t)分别为由尺度函数φ(t)和小波函数ψ(t)经过展缩2^-j倍和平移k得到的尺度函数和小波函数。

优选地，步骤2-2中每个分辨率级别的窗口时间中的能量具体为：

优选地，步骤3中应用基于STWE的TOA算法对信息熵进行处理，确定信息熵幅值之和的具体步骤为：

步骤3-1、根据TOA算法，计算有损信号和无损信号的熵差，计算公式为：

分别表示有损信号和无损信号的熵；

步骤3-2、估计散射信号的飞行时间，具体为：

式中，x_a、y_a为驱动器坐标；x_b、y_b为接收器的坐标，C_g是载波频率的群速度；t_ab(x,y)为散射信号的飞行时间；

步骤3-3、根据散射信号的飞行时间以及有损信号和无损信号的熵差计算信息熵幅值之和信息熵幅值之和计算公式为：

本发明与现有技术相比，其显著优点为：(1)本发明能够在高噪声水平下进行损伤定位，通过STWE提高了结果精度；(2)本发明基于熵的总和使用TOA算法进行损伤定位，具有很高的精度，不易被噪声干扰；(3)本发明通过信息熵幅值之和，确定多个椭圆轨迹重叠即为裂缝所在之处，实现水泥混凝土路面损伤定位，大大提高了损伤定位的精度和可靠性。

下面结合附图对本发明做进一步详细的描述。

附图说明

图1为本发明的流程示意图。

图2为TOA算法的示意图。

图3为实施例1中超声波传感器阵列示意图。

图4为实施例1损伤位置示意图。

图5为实施例1的损伤位置检测结果示意图。

具体实施方式

一种基于传感器网络信息熵的路面损伤程度检测方法，具体步骤为：

步骤1、在路面至少设置一个信号发射器和一个信号接收器，分别用于产生信号和接收信号；

步骤2、将接收到的信号应用于STWE得到该信号的信息熵；

步骤3、应用基于STWE的TOA算法对信息熵进行处理，确定信息熵幅值之和，通过信息熵幅值总和与位置的关系图表确定图表中若干个个椭圆轨迹重叠位置为裂缝所在之处。

进一步的实施例中，步骤2将采集到的信号应用于STWE得到该信号的信息熵的具体方法为：

步骤2-1、将接收的信号进行离散小波变换，确定近似系数和细节系数，其中，离散小波变换后的信号表示为：

信号的近似系数和细节系数为：

其中，j为分辨率级别；k为各自时间序列的元素；a_j,k、T_j,k分别为尺度系数和小波系数；φ_j,k(t)、ψ_j,k(t)分别为尺度函数和小波函数；

步骤2-2、根据细节系数，计算每个分辨率级别的窗口时间中的能量总和，进而得到信息熵，其中，能量总和计算公式为：

式中，为每个分辨率级别的窗口时间中的能量；

根据能量总和，确定小波能量分布的时间演变，具体为：

从而确定信息熵为：

进一步的实施例中，步骤2-1中尺度函数和小波函数具体为：

φ_j,k(t)＝2^-j/2φ(2^-jt-k)

ψ_j,k(t)＝2^-j/2ψ(2^-jt-k)

其中，j为分辨率级别；k为各自时间序列的元素，φ_j,k(t)、ψ_j,k(t)分别为由尺度函数φ(t)和小波函数ψ(t)经过展缩2^-j倍和平移k得到的尺度函数和小波函数。

进一步的实施例中，步骤2-2中每个分辨率级别的窗口时间中的能量具体为：

进一步的实施例中，步骤3中应用基于STWE的TOA算法对信息熵进行处理，确定信息熵幅值之和的具体步骤为：

步骤3-1、根据TOA算法，计算有损信号和无损信号的熵差，计算公式为：

分别表示有损信号和无损信号的熵；

步骤3-2、估计散射信号的飞行时间，具体为：

式中，x_a、y_a为驱动器坐标；x_b、y_b为接收器的坐标，C_g是载波频率的群速度；t_ab(x,y)为散射信号的飞行时间；

步骤3-3、根据散射信号的飞行时间以及有损信号和无损信号的熵差计算信息熵幅值之和信息熵幅值之和计算公式为：

实施例1

本实施例中，基于传感器网络信息熵的路面损伤程度检测方法，包括以下步骤：

步骤1、在路面至少设置一个信号发射器和一个信号接收器，分别用于产生信号和接收信号；本实施例信号发射器和信号接收器位置布置如图2所示，设定的损伤如图4所示。

本实施例中使用具有色散(波数相关频率)和白噪声的合成高斯调制正弦波做为传播波通过信号发射器发射出去，该传播波为：

其中x是波的空间位置，x₀是空间参考，k₀是在载波频率ω₀处的波数，C_g是群速度，C_p是在ω₀处的相速度，σ²是波包在t＝0时的宽度，ε代表高斯白噪声。

步骤2、将接收到的合成高斯调制波信号应用于STWE得到该信号的信息熵

步骤2-1、用小波分析，通过执行多尺度算法，可在特定时间窗Δt处表征出信号。该信号同时在时间和频率上进行分析。

上式中，T_j,k为小波系数；j为分辨率级别；k为各自时间序列的元素；ψ_j,k为小波函数。

对上式采用离散小波变换可分解为：

对信号的近似系数和细节系数为：

其中，φ_j,k(t)、ψ_j,k(t)分别是的尺度函数和小波函数，具体定义为：

φ_j,k(t)＝2^-j/2φ(2^-jt-k)

ψ_j,k(t)＝2^-j/2ψ(2^-jt-k)

对于非平稳信号，频率成分是时间的函数。将信号分为i个窗口，其每个窗口长度为L(i＝1,2,...,N_t,N_t＝M/L，M是总采样时间)。在长度为L的时间窗内的DWT的每个j(j＝1,2,...，N，N是一次DWT级别数)级上，能量可以使用下式表示。

上式中d为分辨率级别j处的信号细节；k为各自时间序列的元素。上式反映了小波变换的每个重构级别的能量分布。

步骤2-2、根据细节系数，计算每个分辨率级别的窗口时间中的能量总和，进而得到信息熵，其中，能量总和计算公式为：

根据能量总和，确定小波能量分布的时间演变，具体为：

从而确定信息熵为：

步骤3、应用基于STWE的TOA算法对信息熵进行处理，确定信息熵幅值之和，通过信息熵幅值总和与位置的关系图表确定图表中若干个个椭圆轨迹重叠位置为裂缝所在之处。

利用所提出的差分信号上应用的STWE技术来对信号进行预处理，再实施TOA算法。

步骤3-1、根据TOA算法，计算有损信号和无损信号的熵差，计算公式为：

式中，分别表示有损信号和无损信号的熵。

步骤3-2、TOA算法使用最少两个传感器来定位损伤，即一个用作发射器，另一个用作接收器。因此，如果在(x，y)点存在损伤，估计散射信号的飞行时间：

式中，x_a、y_a为驱动器坐标；x_b、y_b为接收器的坐标，C_g是载波频率的群速度；t_ab(x,y)为散射信号的飞行时间；在配对的传感器周围产生损伤位置的最大概率的椭圆。

步骤3-3、根据散射信号的飞行时间以及有损信号和无损信号的熵差计算信息熵幅值之和信息熵幅值之和计算公式为：

上式表示超声波传感器阵列在基于STWE的TOA算法，通过信息熵幅值之和，确定多个椭圆轨迹重叠即为裂缝所在之处，从而实现水泥混凝土路面损伤定位。损伤定位结果如图5所示。

Claims (5)

1.一种基于传感器网络信息熵的路面损伤程度检测方法，其特征在于，具体步骤为：

步骤1、在路面至少设置一个信号发射器和一个信号接收器，分别用于产生信号和接收信号；

步骤2、将接收到的信号应用于STWE得到该信号的信息熵；

步骤3、应用基于STWE的TOA算法对信息熵进行处理，确定信息熵幅值之和，通过信息熵幅值总和与位置的关系图表确定图表中若干个个椭圆轨迹重叠位置为裂缝所在之处。

2.根据权利要求1所述的基于传感器网络信息熵的路面损伤程度检测方法，其特征在于，步骤2将采集到的信号应用于STWE得到该信号的信息熵的具体方法为：

步骤2-1、将接收的信号进行离散小波变换，确定近似系数和细节系数，其中，离散小波变换后的信号表示为：

信号的近似系数和细节系数为：

其中，j为分辨率级别；k为各自时间序列的元素；a_j,k、T_j,k分别为尺度系数和小波系数；φ_j,k(t)、ψ_j,k(t)分别为尺度函数和小波函数；

步骤2-2、根据细节系数，计算每个分辨率级别的窗口时间中的能量总和，进而得到信息熵，其中，能量总和计算公式为：

式中，为每个分辨率级别的窗口时间中的能量；

根据能量总和，确定小波能量分布的时间演变，具体为：

从而确定信息熵为：

3.根据权利要求2所述的基于传感器网络信息熵的路面损伤程度检测方法，其特征在于，步骤2-1中尺度函数和小波函数具体为：

φ_j,k(t)＝2^-j/2φ(2^-jt-k)

ψ_j,k(t)＝2^-j/2ψ(2^-jt-k)

其中，j为分辨率级别；k为各自时间序列的元素，φ_j,k(t)、ψ_j,k(t)分别为由尺度函数φ(t)和小波函数ψ(t)经过展缩2^-j倍和平移k得到的尺度函数和小波函数。

4.根据权利要求2所述的基于传感器网络信息熵的路面损伤程度检测方法，其特征在于，步骤2-2中每个分辨率级别的窗口时间中的能量具体为：

5.根据权利要求1所述的基于传感器网络信息熵的路面损伤程度检测方法，其特征在于，步骤3中应用基于STWE的TOA算法对信息熵进行处理，确定信息熵幅值之和的具体步骤为：

步骤3-1、根据TOA算法，计算有损信号和无损信号的熵差，计算公式为：

分别表示有损信号和无损信号的熵；

步骤3-2、估计散射信号的飞行时间，具体为：

式中，x_a、y_a为驱动器坐标；x_b、y_b为接收器的坐标，C_g是载波频率的群速度；t_ab(x,y)为散射信号的飞行时间；

步骤3-3、根据散射信号的飞行时间以及有损信号和无损信号的熵差计算信息熵幅值之和信息熵幅值之和计算公式为：