CN115266914A - 基于声学信号处理的沉桩质量监测系统及监测方法 - Google Patents

Abstract

本发明公开一种基于声学信号处理的沉桩质量监测系统，包括：计算机，计算机内集成有声卡；Arduino开发板，Arduino开发板与计算机连接；声音传感器，声音传感器与Arduino开发板连接；其中，声音传感器用于采集沉桩过程液压锤敲击管桩所产生的声音信号，并将其转换为模拟信号，Arduino开发板用于驱动声音传感器，并将声音传感器采集的声音信号数据传输至计算机，声卡用于将模拟信号的声音信号数据转换成数字信号的声音信号数据，计算机用于对数字信号的声音信号数据进行降噪滤波，并对声音信号数据进行预处理和特征计算，通过机器学习算法训练构建沉桩质量监测模型并对沉桩状态实时监测。本发明通过对沉桩过程的声音信号处理以实现对沉桩质量的实时监测，相较于传统监测方法具有非接触测量的优点，在保证识别准确率的基础上，给施工质量的监测提供了便利。

Description

基于声学信号处理的沉桩质量监测系统及监测方法

技术领域

本发明涉及沉桩施工技术领域，具体地说，涉及一种用于预应力高强度混凝土管桩的基 于声音信号处理的沉桩质量监测系统及监测方法。

背景技术

在建筑工程领域，锤击法成桩的质量监测取决于收锤标准的制定。收锤标准的研究主要 是沿着两条技术路径：一是根据地勘报告分析工程场地地质条件，选择有代表性的地质单元， 布置工程试打桩。通过实时监测打桩数据，对桩端进入持力层的情况进行预判以分析单桩竖 向极限承载力是否满足设计要求。待土的休止期满后，通过静载法或动测法验证监测预判结 果的准确性，提取包括桩长、最后几米的累计锤击数、最后三阵锤的贯入度等指标来进行配 桩和制定收锤要求；二是建立锤-桩-土模型，应用波动方程理论分析得出锤重配置、落距和 在此基础上的桩垫、贯入度要求，制定打桩方案，在上述配置条件下结合试打桩的情况来调 整优化方案。但上述两种技术方案，其理论都是基于一维波动理论和不同材料动力作用下的 变化响应模型，核心参数是速度和力。但受限于装备、成本和方便程度，难以对工地所有预 制管桩的速度和力的变化情况进行实时监测，因此不能通过参数的检测分析来量化收锤标准。

声音是一种波动，由物体振动产生并通过介质传播，是最寻常辨别事物的特征之一。在 工程应用中，声音信号的采集在工业环境中具有非接触测量的优点，相关传感元件可以放置 在监测范围内的任意方向对目标对象进行信号采集，而振动信号的采集需要将传感器放置在 被测物体的指定方向表面才能获取准确有效的信息，因此声音传感器在复杂恶劣的应用场景 下更具优势。由于施工场地环境的复杂性，例如噪声信号的干扰、沉桩状态的界定，在实际 工程中未能将声音监测的相关技术方法应用于沉桩施工领域，而现有监测手段成本较高，因 此，本文提出一种基于声学信号处理的沉桩质量监测系统及监测方法。

发明内容

本发明的目的在于克服现有监测方法中外设过多、采集流程复杂和成本较高的缺点，提 供一种基于声学信号处理的沉桩质量监测系统及监测方法，实现对沉桩状态的智能化监测， 从而降低沉桩质量监测成本，并为质量监测评估提供便利。

为了实现上述目的，本发明所采用的技术方案如下：

一种基于声学信号处理的沉桩质量监测系统，包括：

计算机，计算机内集成有声卡；

Arduino开发板，Arduino开发板与计算机连接；

声音传感器，声音传感器与Arduino开发板连接；

其中，声音传感器用于采集沉桩过程液压锤敲击管桩所产生的声音信号，并将其转换为 模拟信号，Arduino开发板用于驱动声音传感器，并将模拟信号的声音信号数据传输至计算机， 声卡用于将模拟信号的声音信号数据转换成数字信号的声音信号数据，计算机用于对数字信 号的声音信号数据进行降噪滤波，并对声音信号数据进行预处理和特征计算，通过机器学习 算法接收声音传感器采集的声音信号数据并处理，通过机器学习算法训练构建沉桩质量监测 模型并对沉桩状态实时监测。

一种基于声学信号处理的沉桩质量监测方法，采用上述的基于声学信号处理的沉桩质量 监测系统，包括以下步骤：

步骤1：声音传感器采集液压锤击打管桩所产生的声音信号数据，并通过Arduino开发板 发送至计算机进行存储；

步骤2：计算机对声音信号数据进行降噪滤波，然后进行样本数据划分，并对降噪后的 声音信号数据标记标签；

步骤3：计算机对声音信号数据进行预处理，并采用线性预测倒谱系数对预处理后的声 音信号数据进行特征计算；

步骤4：训练采用高斯核函数的支持向量机机器学习模型，构建性能最优的沉桩质量监 测模型；

步骤5：计算机调用性能最优的沉桩质量监测模型对现场的沉桩状态进行实时监测，判 断沉桩状态的好坏。

优选地，根据施工人员记录的单位深度锤击累计能量值和地勘土层类别进行样本数据划 分，单位深度锤击累计能量值是指管桩每下沉一米桩机输入能量的累计值，地勘土层类别是 指试打桩所在工地标准土层柱状分布图中不同深度土层类别。

优选地，样本数据划分是将数据划分为未进入设计持力层和满足收锤标准状态；未进入 设计持力层是指处于地表至设计持力层之间的地下深度这一段距离，即可划分为未进入设计 层状态标签，满足收锤标准状态是指依据单位深度锤击累计能量曲线变化满足突变且桩端土 层类别满足设计持力层要求，即可划分为满足收锤标准状态标签。

优选地，对声音信号数据进行降噪滤波包括以下步骤：

第一步，从原始声音信号中划分出噪声频段；

第二步，计算噪声信号的均值和标准差，并根据算法期望灵敏度生成阈值，其中，均值 计算公式为

标准差计算公式为

阈值计算公式为

式中n为样本点数，n_std为算法期望灵敏度。

第三步，对包含噪声的原始信号进行短时傅里叶变换，再将低于上述阈值的能量频段进 行提取，与平滑滤波器矩阵进行卷积计算，短时傅里叶变换的公式如下

第四步，对处理后信号进行傅里叶逆变换即可得到降噪后的信号。

优选地，对声音信号数据进行预处理包括以下步骤：

第一步，对样本数据进行预加重，预加重公式为H(z)＝1-μz^-1，其中μ为预加重系数；

第二步，对样本数据进行分帧；

第三步，对样本数据进行加窗，加窗采用的窗函数为汉明窗函数，汉明窗公式如下

其中N为窗的长度。

优选地，对预处理后的声音信号数据进行特征计算包括以下步骤：

第一步，计算当前时刻采样值，计算公式为

s(n)表示第n时刻 信号采样值大小，a₁～a_p为信号的线性预测系数，e_n为预测误差大小；

第二步，计算实际采样值和线性预测采样值的均方误差，实际采样值和线性预测采样值 的均方误差计算公式为

第三步，对上式求偏导并令其为0，即

为0，求出各阶线性预测系数，计算公式为

令

得出

即可求出各阶线性预测系数；

第四步，对信号进行傅里叶变换再取模对数，最后经过傅里叶逆变换即可得到信号的倒 谱系数，倒谱系数即用来建模的特征。

优选地，构建采用高斯核函数的支持向量机机器学习模型的训练流程如下：

第一步，进行数据集划分，随机选取70％样本数据作为训练集和交叉验证集，30％样本 数据用于模型测试；

第二步，在训练过程中，对训练数据和测试数据的特征向量进行标准化；

第三步，将标准化后的训练数据进行拟合模型；

第四步，采用网格搜索方法和交叉验证集对支持向量机模型进行验证并调整超参数；

第五步，采用测试集对调优后的支持向量机模型进行鲁棒性测试，以得到性能最优的沉 桩质量监测模型。

优选地，采用公式

对训练数据的特征向量进行标准化，μ为训练数据特征均值， σ为训练数据特征标准差。

优选地，结合网格搜索和交叉验证集进行超参数调整包括以下步骤：

第一步，设定随机状态值，给定惩罚系数和核函数系数的取值列表，两两组合带入待训 练模型；

第二步，将训练数据随机分成数份，依次选取其中一份作为验证集进行模型评估，对数 次验证结果求取准确率平均值，作为该参数组合下模型评估指标；

第三步，重复上述步骤，直至穷尽所有参数组合；

第四步，选取模型评估结果最优的参数组合作为最后的选择。

与现有技术相比，本发明通过对沉桩过程的声音信号处理以实现对沉桩质量的实时监测， 声音传感器采集现场液压锤锤击成桩产生的声音信号，通过数字信号处理技术、降噪滤波算 法、特征提取算法和机器学习算法等流程方法，实现对沉桩状态的智能化监测，相较于现有 监测手段具有非接触测量的优点，能够很大程度上减少外设的需求和降低沉桩质量监测成本， 给施工质量的监测提供了便利。

附图说明

图1为基于声学信号处理的沉桩质量监测系统的结构示意图。

图2为采用降噪算法后原始信号与降噪信号的波形对比示意图。

图3为以ZK75号桩沉桩过程单位深度累计能量变化曲线为例进行状态标签划分的示意 图。

图4为测试样本混淆矩阵统计分析结果示意图。

具体实施方式

下面结合附图和具体实施例对本发明基于声学信号处理的沉桩质量监测系统及监测方法 作进一步说明。

请参阅图1，本发明公开了一种基于声学信号处理的沉桩质量监测系统，包括计算机、 Arduino开发板和声音传感器，Arduino开发板与计算机连接，声音传感器与Arduino开发板 连接。声音传感器用于采集沉桩过程液压锤敲击PHC管桩(即预应力高强度混凝土管桩)所 产生的声音信号，并将其转换为模拟信号(电信号)，转换为wav(波形声音文件)文件进 行保存。Arduino开发板用于驱动声音传感器，并将模拟信号的声音信号数据传输至计算机。 计算机内集成有声卡，声卡用于将模拟信号的声音信号数据转换成数字信号的声音信号数据， 计算机用于对数字信号的声音信号数据进行降噪滤波，并对声音信号数据进行预处理和特征 计算，通过机器学习算法训练构建沉桩质量监测模型并对沉桩状态实时监测。

本实施例中，基于声学信号处理的沉桩质量监测系统建立于LabVIEW(实验室虚拟仪器 工程平台)基础上，声音传感器采用LM386声音传感器，声音传感器通过杜邦线连接在Arduino开发板上，Arduino开发板6通过USB连接线与计算机完成串口通讯协议。基于声学信号处理的沉桩质量监测系统的采样频率为44.1kHz，单通道数，每采样比特数为16。

本实施例中，将基于声学信号处理的沉桩质量监测系统设置于沉桩施工工地，基于声学 信号处理的沉桩质量监测方法，具体包括以下步骤：

步骤1，声音传感器采集液压锤击打管桩所产生的声音信号数据，并通过Arduino开发板 发送至计算机进行存储。

步骤2，计算机对声音信号数据进行降噪滤波，然后进行样本数据划分，并对降噪后的 声音信号数据标记标签。

步骤3，计算机对声音信号数据进行预处理，并采用线性预测倒谱系数对预处理后的声 音信号数据进行特征计算。

步骤4，训练采用高斯核函数的支持向量机机器学习模型，构建性能最优的沉桩质量监 测模型。

步骤5，计算机调用性能最优的沉桩质量监测模型对现场的沉桩状态进行实时监测，判 断沉桩状态的好坏。

本实施例中，步骤2中的采用自适应高斯降噪算法对所采集信号进行降噪滤波，具体包 括以下步骤：

第一步，从原始信号中划分出噪声频段。

第二步，计算噪声信号的均值和标准差，根据算法期望灵敏度生成阈值。

其中，均值的计算公式为

标准差的计算公式为

阈值的计 算公式

式中n为样本点数，n_std为噪声能量标准差的算数乘子，即算法期望灵 敏度，本发明中n_std取为1.5。由

计算公式可知，在某频率水平上比噪声的平均 能量高1.5个标准差以上则可认为是有效信号。

第三步，对包含噪声的原始信号进行短时傅里叶变换，再将低于上述阈值的能量频段进 行提取，与平滑滤波器矩阵进行卷积计算。

短时傅里叶变换的公式为

平滑滤波器矩阵如下

[[0.00444444,0.00888889,0.01333333,0.01777778,0.02222222,0.01777778,0.01333333,0.00888889,0.00444444], [0.00888889,0.01777778,0.02666667,0.03555556,0.04444444,0.03555556, 0.02666667,0.01777778,0.00888889],[0.01333333,0.02666667,0.04,0.05333333,0.06666667,0.05333333,0.04,0.02666667,0.01333333], [0.00888889,0.01777778,0.02666667,0.03555556,0.04444444,0.03555556, 0.02666667,0.01777778,0.00888889], [0.00444444,0.00888889,0.01333333,0.01777778,0.02222222,0.01777778, 0.01333333,0.00888889,0.00444444]]

第四步，对处理后信号进行傅里叶逆变换即可得到降噪后的信号。

请参阅图2，本实施例中，经过降噪处理的前后的对比图如图2所示。

步骤2中，根据施工人员所记录的单位深度锤击累计能量值和地勘土层类别进行样本数 据划分，对降噪后的声音信号数据标记标签。其中，声音信号每1024个采样点对应一个标签 组成一组样本数据。单位深度锤击累计能量值是指管桩PHC每下沉一米桩机输入能量的累计 值，地勘土层类别是指试打桩所在工地标准土层柱状分布图中不同深度土层类别。单位深度 锤击累计能量值为沉桩过程中管桩每下沉一米所耗的能量变化，结合能量曲线的斜率变化以 及施工前对目标地质条件的勘探结果综合判断，然后对样本数据进行划分。样本数据划分是 将数据划分为未进入设计持力层和满足收锤标准状态。设计持力层是根据待施工的地勘报告 来进行确定的，未进入设计持力层是指处于地表至设计持力层之间的地下深度这一段距离， 即可划分为未进入设计层状态标签，满足收锤标准状态是指依据单位深度锤击累计能量曲线 变化满足突变且桩端土层类别满足设计持力层要求，即可划分为满足收锤标准状态标签。

请参阅图3，本实施例中，以ZK75号桩沉桩过程单位深度累计能量变化曲线为例进行状 态标签划分，所使用液压锤为16吨锤、PHC管桩规格为PHC-AB500(125)，由图3可知，ZK75# 桩自33.7m开始进入泥质粉砂岩(强风化)层，因此0～33.6m的样本数据标签则标定为未进入 设计持力层；由其单桩极限承载力变化曲线可知，桩于33.7m处已满足试打桩的设计极限承 载力，再观察其后续数据变化，承载力随入土深度增加有略微下降再上升，但总体维持在 5000KN以上，因此确认上升后即34.5m开始可以认为该状态较大满足设计承载力，即满足 收锤条件，故可标定满足收锤标准状态标签。

本实施例中，步骤3中的对声音信号数据进行预处理，具体包括以下步骤：

第一步，对样本数据采用一阶数字滤波器进行预加重。

其中，预加重公式为H(z)＝1-μz^-1，其中μ为预加重系数，介于0.9至1.0之间，通常取为0.97。

在沉桩实验过程中，所采集的声音信号能量主要集中于低频部分，高频部分由于信号传 播过程中衰减太快而导致缺失或能量较低，使得高频部分的频谱比低频部分更难计算。因此， 需要对声音信号进行预加重实现对高频部分的加强处理，提高信号高频部分的信噪比和分辨 率，使得信号频谱更为平稳。

第二步，对样本数据进行分帧，每帧样本点数为1024个样本点。

第三步，对样本数据进行加窗。为了保证帧与帧之间信号的连接性，帧与帧之间存在一 定的重叠率，本实施例中为方便计算，重叠率取为1/2。所采用窗函数为汉明窗，汉明窗公式 为

其中N为窗的长度，这里窗的长度选为512。

本实施例中，步骤3中的采用线性预测倒谱系数对预处理后的声音信号数据进行特征计 算，选取1-13阶系数作为特征向量，具体包括以下步骤：

第一步，计算当前时刻采样值，计算公式为

式中，s(n)表示第n 时刻信号采样值大小，a₁～a_p为信号的线性预测系数，e_n为预测误差大小。

第二步，计算实际采样值和线性预测采样值的均方误差，为了让预测结果尽可能接近信 号真实值，因此函数的求解目标为使得声音信号实际采样值和线性预测采样值的均方误差最 小，计算公式为

第三步，对上式

求偏导并令其为0，即

为0，求 出各阶线性预测系数。

计算公式为

令

得出

由上方程

即可求出各阶线性预测系数。

第四步，对信号进行傅里叶变换再取模对数，最后经过傅里叶逆变换即可得到信号的倒 谱系数。倒谱系数的计算方式，实际上就是指特征计算的方式，所计算出的倒谱系数就是要 用来建模的特征。

步骤4中的训练采用高斯核函数的支持向量机机器学习模型的过程如下：首先，进行数 据集划分，随机选取70％样本数据作为训练集和交叉验证集，30％样本数据用于模型测试。 其次，在训练过程中，对训练数据和测试数据的特征向量进行标准化。然后，将标准化后的 训练数据进行拟合模型。再次，采用网格搜索方法和交叉验证集对支持向量机模型进行验证 并调整超参数。最后，采用测试集对调优后的支持向量机模型进行鲁棒性测试，以得到性能 最优的沉桩质量监测模型。本实施例中，训练和交叉验证样本为15000个，测试样本为4998 个。

采集到声音信号数据以后，即已经完成了沉桩的实验过程，这时根据前面提到的样本数 据划分，对声音信号数据标上对应的阶段标签，即未进入持力层和满足收锤标准这两个阶段 标签，然后对声音信号数据进行降噪、预处理以及特征计算这些步骤后得到倒谱系数，把倒 谱系数作为特征，即模型的输入，上述的两个阶段标签作为输出，让支持向量机模型去拟合 输入和输出的关系，在训练过程中，不断调节超参数来减少误差。其中，对训练数据的特征 向量进行标准化，具体是指采用

公式对训练数据特征向量进行标准化，式中，μ为 训练数据特征均值，σ为训练数据特征标准差。

结合网格搜索和交叉验证集进行超参数调整，具体包括以下步骤：第一步，设定随机状 态值，针对给定超参数惩罚系数C和核函数系数γ的取值列表，两两组合带入待训练模型。 第二步，将训练数据随机分成5份，依次选取其中一份作为验证集进行模型评估，对五次验 证结果求取准确率平均值，作为该参数组合下模型评估指标。第三步，重复上述步骤，直至 穷尽所有参数组合。第四步，选取模型评估结果最优的参数组合作为最后的选择。

本实施例中，高斯核函数的支持向量机机器学习模型经过超参数搜索范围包括：惩罚系 数C为10000至20000之间，每间隔1000取值，核函数系数γ取值为0.01、0.05、0.1、0.5、 1。最后的参数设置为：惩罚系数C为16000，核函数系数γ为0.05，随机状态为420。

请参阅图4，其中，采用测试集对调优后的支持向量机模型进行鲁棒性测试，是指观察 模型对测试数据的预测准确率和混淆矩阵分布来衡量算法的优劣。在本实施例中，测试集的 准确率为91％，其混淆矩阵结果如图4所示，由图4可知，模型对未进入设计持力层和满足 收锤阶段状态的预测效果均表现良好，验证了本发明的有效性。

综上所述，本发明通过对沉桩过程的声音信号处理以实现对沉桩质量的实时监测，声音 传感器采集现场液压锤锤击成桩产生的声音信号，通过数字信号处理技术、降噪滤波算法、 特征提取算法和机器学习算法等流程方法，实现对沉桩状态的智能化监测，相较于现有监测 手段具有非接触测量的优点，能够很大程度上减少外设的需求和降低沉桩质量监测成本，给 施工质量的监测提供了便利。

上述说明是针对本发明较佳可行实施例的详细说明，但实施例并非用以限定本发明的专 利申请范围，凡本发明所揭示的技术精神下所完成的同等变化或修饰变更，均应属于本发明 所涵盖专利范围。

Claims (10)

1.一种基于声学信号处理的沉桩质量监测系统，其特征在于，包括：

计算机，计算机内集成有声卡；

Arduino开发板，Arduino开发板与计算机连接；

声音传感器，声音传感器与Arduino开发板连接；

其中，声音传感器用于采集沉桩过程液压锤敲击管桩所产生的声音信号，并将其转换为模拟信号，Arduino开发板用于驱动声音传感器，并将模拟信号的声音信号数据传输至计算机，声卡用于将模拟信号的声音信号数据转换成数字信号的声音信号数据，计算机用于对数字信号的声音信号数据进行降噪滤波，并对声音信号数据进行预处理和特征计算，通过机器学习算法训练构建沉桩质量监测模型并对沉桩状态实时监测。

2.一种基于声学信号处理的沉桩质量监测方法，其特征在于，采用如权利要求1的基于声学信号处理的沉桩质量监测系统，包括以下步骤：

步骤1：声音传感器采集液压锤击打管桩所产生的声音信号数据，并通过Arduino开发板发送至计算机进行存储；

步骤2：计算机对声音信号数据进行降噪滤波，然后进行样本数据划分，并对降噪后的声音信号数据标记标签；

步骤3：计算机对声音信号数据进行预处理，并采用线性预测倒谱系数对预处理后的声音信号数据进行特征计算；

步骤4：训练采用高斯核函数的支持向量机机器学习模型，构建性能最优的沉桩质量监测模型；

步骤5：计算机调用性能最优的沉桩质量监测模型对现场的沉桩状态进行实时监测，判断沉桩状态的好坏。

3.如权利要求2的基于声学信号处理的沉桩质量监测方法，其特征在于，根据施工人员记录的单位深度锤击累计能量值和地勘土层类别进行样本数据划分，单位深度锤击累计能量值是指管桩每下沉一米桩机输入能量的累计值，地勘土层类别是指试打桩所在工地标准土层柱状分布图中不同深度土层类别。

4.如权利要求3的基于声学信号处理的沉桩质量监测方法，其特征在于，样本数据划分是将数据划分为未进入设计持力层和满足收锤标准状态；未进入设计持力层是指处于地表至设计持力层之间的地下深度这一段距离，即可划分为未进入设计层状态标签，满足收锤标准状态是指依据单位深度锤击累计能量曲线变化满足突变且桩端土层类别满足设计持力层要求，即可划分为满足收锤标准状态标签。

5.如权利要求2的基于声学信号处理的沉桩质量监测方法，其特征在于，对声音信号数据进行降噪滤波包括以下步骤：

第一步，从原始声音信号中划分出噪声频段；

第二步，计算噪声信号的均值和标准差，并根据算法期望灵敏度生成阈值，其中，均值计算公式为

标准差计算公式为

阈值计算公式为

式中n为样本点数，n_std为算法期望灵敏度；

第三步，对包含噪声的原始信号进行短时傅里叶变换，再将低于上述阈值的能量频段进行提取，与平滑滤波器矩阵进行卷积计算，短时傅里叶变换的公式如下

第四步，对处理后信号进行傅里叶逆变换即可得到降噪后的信号。

6.如权利要求2的基于声学信号处理的沉桩质量监测方法，其特征在于，对声音信号数据进行预处理包括以下步骤：

第一步，对样本数据进行预加重，预加重公式为H(z)＝1-μz^-1，其中μ为预加重系数；

第二步，对样本数据进行分帧；

第三步，对样本数据进行加窗，加窗采用的窗函数为汉明窗函数，汉明窗公式如下

其中N为窗的长度。

7.如权利要求2的基于声学信号处理的沉桩质量监测方法，其特征在于，对预处理后的声音信号数据进行特征计算包括以下步骤：

第一步，计算当前时刻采样值，计算公式为

s(n)表示第n时刻信号采样值大小，a₁～a_p为信号的线性预测系数，e_n为预测误差大小；

第二步，计算实际采样值和线性预测采样值的均方误差，实际采样值和线性预测采样值的均方误差计算公式为

第三步，对上式求偏导并令其为0，即

为0，求出各阶线性预测系数，计算公式为

令

得出

即可求出各阶线性预测系数；

第四步，对信号进行傅里叶变换再取模对数，最后经过傅里叶逆变换即可得到信号的倒谱系数，倒谱系数即用来建模的特征。

8.如权利要求2的基于声学信号处理的沉桩质量监测方法，其特征在于，构建采用高斯核函数的支持向量机机器学习模型的训练流程如下：

第一步，进行数据集划分，随机选取70％样本数据作为训练集和交叉验证集，30％样本数据用于模型测试；

第二步，在训练过程中，对训练数据和测试数据的特征向量进行标准化；

第三步，将标准化后的训练数据进行拟合模型；

第四步，采用网格搜索方法和交叉验证集对支持向量机模型进行验证并调整超参数；

第五步，采用测试集对调优后的支持向量机模型进行鲁棒性测试，以得到性能最优的沉桩质量监测模型。

9.如权利要求8的基于声学信号处理的沉桩质量监测方法，其特征在于，采用公式

对训练数据的特征向量进行标准化，μ为训练数据特征均值，σ为训练数据特征标准差。

10.如权利要求8的基于声学信号处理的沉桩质量监测方法，其特征在于，结合网格搜索和交叉验证集进行超参数调整包括以下步骤：

第一步，设定随机状态值，给定惩罚系数和核函数系数的取值列表，两两组合带入待训练模型；

第二步，将训练数据随机分成数份，依次选取其中一份作为验证集进行模型评估，对数次验证结果求取准确率平均值，作为该参数组合下模型评估指标；

第三步，重复上述步骤，直至穷尽所有参数组合；

第四步，选取模型评估结果最优的参数组合作为最后的选择。

Images