CN117540326B - 钻爆法隧道施工装备的施工状态异常辨识方法及系统 - Google Patents
钻爆法隧道施工装备的施工状态异常辨识方法及系统 Download PDFInfo
- Publication number
- CN117540326B CN117540326B CN202410026160.7A CN202410026160A CN117540326B CN 117540326 B CN117540326 B CN 117540326B CN 202410026160 A CN202410026160 A CN 202410026160A CN 117540326 B CN117540326 B CN 117540326B
- Authority
- CN
- China
- Prior art keywords
- vector
- drilling
- time
- feature
- construction equipment
- 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
Links
- 238000010276 construction Methods 0.000 title claims abstract description 183
- 238000000034 method Methods 0.000 title claims abstract description 129
- 238000005553 drilling Methods 0.000 title claims abstract description 77
- 238000005422 blasting Methods 0.000 title claims abstract description 76
- 230000005856 abnormality Effects 0.000 title claims abstract description 32
- 239000013598 vector Substances 0.000 claims description 155
- 238000012544 monitoring process Methods 0.000 claims description 72
- 238000010586 diagram Methods 0.000 claims description 65
- 230000005284 excitation Effects 0.000 claims description 48
- 238000000605 extraction Methods 0.000 claims description 35
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 230000000737 periodic effect Effects 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000001133 acceleration Effects 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 8
- 238000011426 transformation method Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 241001074085 Scophthalmus aquosus Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Discrete Mathematics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种钻爆法隧道施工装备的施工状态异常辨识方法及系统,涉及施工状态异常辨识技术领域,先获取钻爆法隧道施工装备在施工状态下的振动监测数据,振动监测数据包括多个时刻的加速度数据,再对振动监测数据进行时频变换,得到时频图,然后以时频图作为输入,利用特征提取模型提取得到时频图的特征向量,最后基于特征向量生成特征辨识图像,通过特征辨识图像对钻爆法隧道施工装备的施工状态进行异常辨识,特征辨识图像为概率密度图,本发明基于加速度数据,采用特征提取模型和特征辨识图像来对施工状态进行异常辨识,可适应恶劣环境,实时性好,且异常辨识精度高。
Description
技术领域
本发明涉及施工状态异常辨识技术领域,特别是涉及一种钻爆法隧道施工装备的施工状态异常辨识方法及系统。
背景技术
面对存在极端气候和复杂地质条件的恶劣环境,采用钻爆法进行隧道施工是一项相对高效的施工方法,该施工方法可以适应单线、双线及多线工作方式及各类断面。同时,融合分部开挖和辅助工法,可以有效地控制上覆岩层下沉和坍塌。因此,针对相当一部分恶劣环境,要求钻爆法隧道施工装备稳定高效作业,此时钻爆法隧道施工装备的可靠运行关乎整体施工质量与人员安全。
现阶段恶劣环境对钻爆法隧道施工装备的机械性能提出了极高的要求。但是,恶劣环境下极端的气温、空气密度、温湿度等,使得钻爆法隧道施工装备的工作状态面临着性能下降的问题,此外,隧道施工往往需要在复杂多变的地质条件下进行,如岩层变化、水文条件复杂等,导致钻爆法隧道施工装备的零部件的损耗加剧和机械系统的磨损加速,从而影响钻爆法隧道施工装备的长期稳定运行。同时,高寒地区的施工环境可能导致钻爆法隧道施工装备的结冰、结霜等问题,影响钻爆法隧道施工装备的正常工作。因此,对钻爆法隧道施工装备的施工状态的自动监测和异常辨识成为一个亟需解决的问题。
传统方法往往针对单一方面机械直观指标,但是在高寒、低氧等恶劣环境下的适应性较差,使得钻爆法隧道施工装备的施工状态的监测精度、异常辨识精度和稳定性存在一定的局限性,造成施工正常指标出现异常等情况。且钻爆法隧道施工装备的施工状态的自动监测和异常辨识往往对实时性要求相对较高,需要迭代模型提前嵌入及更新,为监控端或者技术人员提供相对简易的理论支撑,保证钻爆法隧道施工装备在整体施工时满足安全要求,但传统方法的实时性差。基于此,亟需一种适应恶劣环境的自适应直观的高稳定性的装备自动监测及异常辨识技术,提升钻爆法隧道施工装备的自动监测与异常辨识能力,进一步辅助提高施工自动化、少人化能力。
发明内容
本发明的目的是提供一种钻爆法隧道施工装备的施工状态异常辨识方法及系统,可适应恶劣环境,实时性好,且异常辨识精度高。
为实现上述目的,本发明提供了如下方案:
一种钻爆法隧道施工装备的施工状态异常辨识方法,所述施工状态异常辨识方法包括:
获取钻爆法隧道施工装备在施工状态下的振动监测数据;所述振动监测数据包括多个时刻的加速度数据;
对所述振动监测数据进行时频变换,得到时频图;
以所述时频图作为输入,利用特征提取模型提取得到所述时频图的特征向量;所述特征提取模型中的部分卷积层增加有周期性激励函数和非周期性激励函数;
基于所述特征向量生成特征辨识图像,通过所述特征辨识图像对所述钻爆法隧道施工装备的施工状态进行异常辨识;所述特征辨识图像为概率密度图。
在一些实施例中,所述振动监测数据为所述钻爆法隧道施工装备的发动机的振动监测数据和/或所述钻爆法隧道施工装备的执行器的振动监测数据。
在一些实施例中,对所述振动监测数据进行时频变换,得到时频图,具体包括:利用短时傅里叶变换方法对所述振动监测数据进行时频变换,得到时频图;其中,所述短时傅里叶变换方法的窗函数采用Hann窗函数或Hamming窗函数。
在一些实施例中,将增加有周期性激励函数和非周期性激励函数的卷积层记为优化卷积层,所述优化卷积层用于利用所述周期性激励函数和所述非周期性激励函数对所述优化卷积层的输入向量进行处理,得到中间向量,再对所述中间向量进行特征提取,得到所述优化卷积层的输出向量。
在一些实施例中,所述中间向量的计算公式包括:
;
其中,Av为中间向量;IPF为周期性激励函数;INPF为非周期性激励函数;
;
其中,x为输入向量;tanh为双曲正切函数;π为圆周率;
;
其中,F为频率;P为相位。
在一些实施例中,基于所述特征向量生成特征辨识图像,具体包括:
对于所述特征向量中的第i行向量,对所述第i行向量进行欧式距离转换,得到所述第i行向量对应的概率向量;其中,i>1;
基于所有所述概率向量构建概率矩阵;
基于所述概率矩阵生成概率密度图组合;所述概率密度图组合包括基于高斯分布的概率密度图和基于柯西分布的概率密度图;
以所述概率密度图组合作为输入,利用KL散度值计算公式计算得到所述概率密度图组合对应的KL散度值;
判断是否达到最大迭代次数;若否,则重复“以所述时频图作为输入,利用特征提取模型提取得到所述时频图的特征向量”的步骤,得到新的特征向量,并以所述新的特征向量作为下一迭代的特征向量,返回“对于所述特征向量中的第i行向量,对所述第i行向量进行欧式距离转换,得到所述第i行向量对应的概率向量”的步骤;若是,则选取所有迭代中KL散度值最小的所述概率密度图组合作为特征辨识图像。
在一些实施例中,所述KL散度值计算公式包括:
;
其中,为KL散度值;pG(v)为基于高斯分布的概率密度图;pT(v)为基于柯西分布的概率密度图;vk为第k个数据点;V为所有数据点组成的集合;pG(vk)为基于高斯分布的概率密度图的第k个数据点;pT(vk)为基于柯西分布的概率密度图的第k个数据点。
在一些实施例中,通过所述特征辨识图像对所述钻爆法隧道施工装备的施工状态进行异常辨识,具体包括:
将所述特征辨识图像与预先获取的正常施工状态对应的正常特征辨识图像进行对比,判断所述特征辨识图像相较于所述正常特征辨识图像是否存在偏移;若是,则所述钻爆法隧道施工装备的施工状态为异常;若否,则所述钻爆法隧道施工装备的施工状态为正常。
一种钻爆法隧道施工装备的施工状态异常辨识系统,所述施工状态异常辨识系统包括:
数据获取模块,用于获取钻爆法隧道施工装备在施工状态下的振动监测数据;所述振动监测数据包括多个时刻的加速度数据;
时频变换模块,用于对所述振动监测数据进行时频变换,得到时频图;
特征提取模块,用于以所述时频图作为输入,利用特征提取模型提取得到所述时频图的特征向量;所述特征提取模型中的部分卷积层增加有周期性激励函数和非周期性激励函数;
异常辨识模块,用于基于所述特征向量生成特征辨识图像,通过所述特征辨识图像对所述钻爆法隧道施工装备的施工状态进行异常辨识;所述特征辨识图像为概率密度图。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明用于提供一种钻爆法隧道施工装备的施工状态异常辨识方法及系统,先获取钻爆法隧道施工装备在施工状态下的振动监测数据,振动监测数据包括多个时刻的加速度数据,再对振动监测数据进行时频变换,得到时频图,然后以时频图作为输入,利用特征提取模型提取得到时频图的特征向量,最后基于特征向量生成特征辨识图像,通过特征辨识图像对钻爆法隧道施工装备的施工状态进行异常辨识,特征辨识图像为概率密度图,本发明基于加速度数据,采用特征提取模型和特征辨识图像来对施工状态进行异常辨识,具有在恶劣环境中也保证能够采集到加速度数据的优势,且即使加速度数据发生中断,本发明也能够完成异常辨识过程,对采集的加速度数据的要求低,可适应恶劣环境,实时性好,且异常辨识精度高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1所提供的施工状态异常辨识方法的方法流程图;
图2为本发明实施例1所提供的施工状态异常辨识方法的详细流程图;
图3为本发明实施例1所提供的施工状态异常辨识方法的原理框图;
图4为本发明实施例2所提供的施工状态异常辨识系统的系统框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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。
本发明的目的是提供一种钻爆法隧道施工装备的施工状态异常辨识方法及系统,可适应恶劣环境,实时性好,且异常辨识精度高,可提升钻爆法隧道施工装备的异常辨识能力,进一步辅助提高施工自动化、少人化能力。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
本实施例用于提供一种钻爆法隧道施工装备的施工状态异常辨识方法,如图1、图2和图3所示,所述施工状态异常辨识方法包括:
S1:获取钻爆法隧道施工装备在施工状态下的振动监测数据;所述振动监测数据包括多个时刻的加速度数据。
本实施例的钻爆法隧道施工装备是指利用钻爆法进行隧道施工的装备,包括锚杆台车、湿喷台车、凿岩台车等装备。在钻爆法隧道施工装备的施工过程中采集振动数据,即可得到钻爆法隧道施工装备在施工状态下的振动监测数据,振动监测数据包括多个时刻的加速度数据,时刻的个数可以根据需求而定。为了对施工状态进行准确定义,本实施例将发动机的振动频率处于40Hz以下(此时发动机处于怠速状态)时采集的加速度数据视作非工作状态数据,将发动机的振动频率处于40Hz以上时采集的加速度数据视作施工状态下的振动监测数据,故本实施例的振动监测数据还可称为高频振动监测数据。
考虑在实际工作中,发动机和执行器发生异常的概率较大,执行器是指钻爆法隧道施工装备中用于执行具体施工操作的部件,比如锚杆台车的机械臂,故本实施例的振动监测数据分为发动机部分与施工操作执行器部分,此时将钻爆法隧道施工装备在各时刻的加速度数据按区域进行采集划分,利用加速度传感器在同一钻爆法隧道施工装备上分别采集发动机部分和施工操作执行器部分两个区域的振动监测数据,发动机部分的振动监测数据和施工操作执行器部分的振动监测数据均存储于钻爆法隧道施工装备的本地缓存模块中。即本实施例S1所获取的振动监测数据为钻爆法隧道施工装备的发动机的振动监测数据和/或钻爆法隧道施工装备的执行器的振动监测数据,后续即可通过发动机的振动监测数据对发动机进行异常辨识,通过执行器的振动监测数据对执行器进行异常辨识。
S2:对所述振动监测数据进行时频变换,得到时频图。
本实施例基于短时傅里叶变换方法获取钻爆法隧道施工装备在施工状态下的时频图,即对振动监测数据进行时频变换,得到时频图,可以包括:利用短时傅里叶变换方法对振动监测数据进行时频变换,得到时频图。
短时傅里叶变换方法是利用窗函数对振动监测数据进行划分,将其划分为多个窗,再对每一个窗进行时频变换,得到每一个窗的时频图,最后将所有窗的时频图进行组合,得到最终的时频图,时频图的横坐标为时间,纵坐标为频率。其中,窗函数以复杂度与解析率为判断基础,考虑钻爆法隧道施工装备的作业环境复杂,导致振动监测数据对应的曲线具有较强噪音及施工对象强扰动特性,故本实施例优先选取Hann窗函数或Hamming两种窗函数进行钻爆法隧道施工装备的短时傅里叶变换,即短时傅里叶变换方法的窗函数采用Hann窗函数或Hamming窗函数。
其中,短时傅里叶变换方法的变换公式为:
; (1)
式(1)中,为t时刻的窗对应的时频图;f为频率;/>为窗函数在t时刻τ相位的表达式;/>为平移τ后的t时刻的窗;/>为欧拉公式表达式,j为虚数单位,等于-1的平方根。
本实施例利用式(1)进行振动监测数据的处理,将振动监测数据转换为施工状态下的时频图,通过短时傅里叶变换方法,可去除振动监测数据的噪声,并将振动监测数据转换为时频图,便于输入后续的特征提取模型。利用短时傅里叶变换方法对发动机的振动监测数据进行时频变换,即可得到发动机的时频图;利用短时傅里叶变换方法对执行器的振动监测数据进行时频变换,即可得到执行器的时频图。
S3:以所述时频图作为输入,利用特征提取模型提取得到所述时频图的特征向量;所述特征提取模型中的部分卷积层增加有周期性激励函数和非周期性激励函数。
本实施例在现有模型中融合周期性与非周期性扰动,具体在现有模型的部分卷积层中增加有周期性激励函数和非周期性激励函数,对现有模型进行微调,以构建特征提取模型,然后以时频图作为输入,利用特征提取模型开展特征值提取,以进行向量重构,获得钻爆法隧道施工装备在施工状态下的时间特征向量(即特征向量)。
本实施例将增加有周期性激励函数和非周期性激励函数的卷积层记为优化卷积层,优化卷积层用于利用周期性激励函数和非周期性激励函数对优化卷积层的输入向量进行处理,得到中间向量,再利用普通卷积层对中间向量进行特征提取,得到优化卷积层的输出向量,普通卷积层即指未增加有周期性激励函数和非周期性激励函数的卷积层。即本实施例的优化卷积层保留普通卷积层的功能,仅是在普通卷积层的处理中增加有利用周期性激励函数和非周期性激励函数对输入向量进行处理,得到中间向量的步骤,后续再利用普通卷积层对中间向量进行处理,得到输出向量。
本实施例的特征提取模型可为在任意的卷积神经网络中的部分卷积层中增加周期性激励函数和非周期性激励函数后所得到的模型,基于特征提取模型开展特征值提取,挖掘特征向量,卷积神经网络包括卷积层和全连接层,以构建针对钻爆法隧道施工装备的基于改进型卷积神经网络的特征提取模型。比如,卷积神经网络包括但不限于VGG16,VGG19等模型,此时本实施例的微调聚焦于卷积神经网络中包括三层卷积层+一层最大池化层的第五区块,即将第五区块中的三层卷积层均替换为优化卷积层,以开展基于卷积神经网络的钻爆法隧道施工装备的特征提取模型的精细化构建。具体的,VGG16模型为以五个区块+全连接层为基础的模型,其包括依次连接的第一区块(2层卷积层+1层池化层)、第二区块(2层卷积层+1层池化层)、第三区块(3层卷积层+1层池化层)、第四区块(3层卷积层+1层池化层)、第五区块(3层卷积层+1层池化层)以及3层全连接层,通道数起始为64,卷积层通道翻倍至512,激活单元为ReLU,池化层不参与权重,包括16层权重层,对VGG16模型的第五区块进行针对性改进,将第五区块的3层卷积层均替换为优化卷积层,即可得到本实施例的特征提取模型。
利用周期性激励函数和非周期性激励函数将输入向量x转换为中间向量的计算公式包括:
; (2)
式(2)中,Av为中间向量;IPF为周期性激励函数;INPF为非周期性激励函数。
; (3)
式(3)中,x为输入向量;tanh为双曲正切函数;π为圆周率。
; (4)
式(4)中,F为频率;P为相位。特别指出,F和P为将时频图拟合为正弦函数后所得到的正弦函数的频率及相位。将时频图拟合为正弦函数的过程包括:将时频图中的各个数据点代入正弦函数的公式y=asin(wx+φ)中,此时,y为时频图中的数据点的频率,a为振幅,w为角速度,x为时频图中的数据点的时间,φ为初始相位,得到解析解,解析解包括a的取值范围、w的取值范围和φ的取值范围。在取值范围内随机取多个值,即可得到多组参数组合,每一参数组合均包括a、w和φ的一个取值,每一参数组合均可确定出一个具体的正弦函数表达式。对于每一参数组合,将时频图中的各个数据点的时间作为输入,利用该参数组合对应的正弦函数表达式,得到每一数据点的频率计算值,以每一数据点的频率计算值和频率真实值(即时频图中该数据点的频率)作为输入,计算得到平均绝对误差MAE。选取平均绝对误差MAE最小的参数组合所对应的正弦函数表达式作为将时频图拟合为正弦函数后所得到的正弦函数的表达式,以将时频图中的各个数据点进行最优化拟合,确定频率F及相位P。
综合式(2)-式(4),则中间向量的计算公式为:
; (5)
本实施例以发动机的时频图作为输入,利用特征提取模型提取得到发动机的时频图的特征向量,该特征向量包括n行向量,n行向量即为图3中的Avet1、Avet2、...、Avetn;以执行器的时频图作为输入,利用特征提取模型提取得到执行器的时频图的特征向量,该特征向量包括n行向量,n行向量即为图3中的Avwt1、Avwt2、...、Avwtn。
S4:基于所述特征向量生成特征辨识图像,通过所述特征辨识图像对所述钻爆法隧道施工装备的施工状态进行异常辨识;所述特征辨识图像为概率密度图。
本实施例基于重构的特征向量,通过非线性降维方法获取钻爆法隧道施工装备的特征辨识图像,则S4中,基于特征向量生成特征辨识图像,可以包括:
(1)对于特征向量中的第i行向量,对第i行向量进行欧式距离转换,得到第i行向量对应的概率向量;其中,i>1。
特征向量共包含n行向量,对于特征向量中的第i行向量,利用下式(6)对第i行向量进行欧式距离转换,得到第i行向量对应的概率向量。
; (6)
式(6)中,pvi(i,i-1)为第i行向量对应的概率向量;sqrt表示开方运算;J为一行向量所包含的元素的总个数;bj(i)为第i行向量的第j个元素;bj(i-1)为第i-1行向量的第j个元素。
利用上式(6),即将特征向量的第i行向量转换为概率向量,由于i大于1,故本实施例可得到n-1个概率向量,定义n-1=m,即可得到m个概率向量。
(2)基于所有概率向量构建概率矩阵。
本实施例将所有概率向量按其对应的向量所在行的顺序进行组合,得到概率矩阵,比如,第i行向量对应的概率向量即处于概率矩阵的第i-1行,概率矩阵。
(3)基于概率矩阵生成概率密度图组合,概率密度图组合包括基于高斯分布的概率密度图和基于柯西分布的概率密度图。
本实施例构建平面坐标系,双轴开展基于概率矩阵pvm的基于高斯分布与基于柯西分布的数据随机化分析,构建概率密度图组合,概率密度图组合包括基于高斯分布的概率密度图pG(v)和基于柯西分布的概率密度图pT(v)。
pG(v)为概率矩阵pvm基于服从高斯分布构成,具体过程如下:
将概率矩阵pvm的每一行概率向量分别代入下式(7)所示的概率密度函数pGf(v),得到每一行概率向量对应的高斯概率值。
; (7)
式(7)中,pGf(v)为概率矩阵pvm的第v行概率向量对应的高斯概率值;σ为标准差;exp为指数函数;v代表概率矩阵pvm的第v行概率向量;μ为均值。
以概率向量对应的高斯概率值作为纵坐标,以概率向量所在横向位置作为横坐标,本实施例设置第1行概率向量所在横向位置为原点,设置任意相邻两行概率向量所在横向位置之间的间隔为固定值,则可依次确定各行概率向量对应的横向位置,将各行概率向量对应的高斯概率值和横向位置作为输入,即可构建得到基于高斯分布的概率密度图pG(v)。
pT(v)为概率矩阵pvm基于服从柯西分布构成,具体过程如下:
将概率矩阵pvm的每一行概率向量分别代入下式(8)所示的概率密度函数pTf(v),得到每一行概率向量对应的柯西概率值。
; (8)
式(8)中,pTf(v)为概率矩阵pvm的第v行概率向量对应的柯西概率值;v代表概率矩阵pvm的第v行概率向量;μ为均值;σ为标准差。
以概率向量对应的柯西概率值作为纵坐标,以概率向量所在横向位置作为横坐标,本实施例设置第1行概率向量所在横向位置为原点,设置任意相邻两行概率向量所在横向位置之间的间隔为固定值,则可依次确定各行概率向量对应的横向位置,将各行概率向量对应的柯西概率值和横向位置作为输入,即可构建得到基于柯西分布的概率密度图pT(v)。
(4)以概率密度图组合作为输入,利用KL散度值计算公式计算得到概率密度图组合对应的KL散度。
本实施例基于KL散度值(Kullback-Leibler Divergence)计算公式,分别计算概率密度图组合的pG(v)与pT(v)的距离,得到该概率密度图组合对应的KL散度值。KL散度值计算公式包括:
; (9)
式(9)中,为KL散度值;pG(v)为基于高斯分布的概率密度图;pT(v)为基于柯西分布的概率密度图;vk为第k个数据点;V为所有数据点组成的集合;pG(vk)为基于高斯分布的概率密度图的第k个数据点,其为概率矩阵pvm的第k行概率向量对应的高斯概率值;pT(vk)为基于柯西分布的概率密度图的第k个数据点,其为概率矩阵pvm的第k行概率向量对应的柯西概率值。
(5)判断是否达到最大迭代次数;若否,则重复“以时频图作为输入,利用特征提取模型提取得到时频图的特征向量”的步骤,得到新的特征向量,并以新的特征向量作为下一迭代的特征向量,返回“对于特征向量中的第i行向量,对第i行向量进行欧式距离转换,得到第i行向量对应的概率向量”的步骤;若是,则选取所有迭代中KL散度值最小的概率密度图组合作为特征辨识图像。
由于本实施例的特征提取模型中包括多个随机量,故以同一个时频图作为输入,可以得到不同的特征向量,基于此,本实施例采用迭代优化的方式,多次重复S3,直至达到最大迭代次数时终止迭代,每一次迭代均可得到一个新的特征向量,以及该新的特征向量对应的概率密度图组合的KL散度值,选取迭代过程中KL散度值最小的概率密度图组合作为特征辨识图像。
本实施例以发动机的时频图的特征向量作为输入,利用上述方法即可确定发动机的特征辨识图像;以执行器的时频图的特征向量作为输入,利用上述方法即可确定执行器的特征辨识图像。
S4中,通过特征辨识图像对钻爆法隧道施工装备的施工状态进行异常辨识,可以包括:将特征辨识图像与预先获取的正常施工状态对应的正常特征辨识图像进行对比,判断特征辨识图像相较于正常特征辨识图像是否存在偏移;若是,则钻爆法隧道施工装备的施工状态为异常;若否,则钻爆法隧道施工装备的施工状态为正常。需要说明的是,若施工状态发生异常,则此时的特征辨识图像相较于正常特征辨识图像会存在很大程度的偏移,本领域技术人员通过人眼观察特征辨识图像,即可确定其相较于正常特征辨识图像是否存在偏移,从而确定施工状态是否异常。经过实际施工后,一旦发生异常值,特征辨识图像即会出现偏移,图像识别一定比数字更具有直观性,也更加适用于一线员工。
需要说明的是,本实施例可分别依据基于高斯分布的概率密度图和基于柯西分布的概率密度图来进行异常状态辨识,得到两个辨识结果,若有一个辨识结果为异常,则施工状态为异常。本实施例还可将基于高斯分布的概率密度图和基于柯西分布的概率密度图进行简单的叠加,利用叠加后图像来进行异常状态辨识。
本实施例以发动机的特征辨识图像作为输入,利用上述方法即可确定发动机的施工状态是否存在异常;以执行器的特征辨识图像作为输入,利用上述方法即可确定执行器的施工状态是否存在异常。本实施例还可在施工状态存在异常时,进行提醒,从而便于对钻爆法隧道施工装备进行及时维护。
本实施例提供一种钻爆法隧道施工装备的施工状态的自动监测及异常辨识方法,基于钻爆法隧道施工装备的施工状态下的高频振动监测数据,融合特征提取及概率密度图开展自动监测及异常辨识,实时获取振动监测数据并进行异常辨识,便可完成自动监测过程,完成钻爆法隧道施工装备的施工状态在单一机械指标基础上的自适应辨识。本实施例的方法具体包括:采集钻爆法隧道施工装备在施工状态下的发动机与执行器的高频振动监测数据,并将高频振动监测数据转换为时频图;针对时频图,构建顾及装备施工状态时周期性激励函数与非周期性激励函数的微调卷积神经网络的特征提取模型,获得装备施工状态的特征向量;针对特征向量,通过多层自适应迭代非线性降维,构建基于钻爆法施工恶劣环境中装备施工状态的特征向量对应的特征辨识图像,为施工装备整体安全评估、辨识效率提供直观基础分析数据,可提高钻爆法隧道施工装备在施工状态的数据辨识能力,更易让非相关机械专业人员对装备整体数据进行有效辨识,辅助判断装备施工安全状态,进一步增加装备安全及自动化能力。
由于传统方法所采集的数据类型不是加速度数据,存在在恶劣环境中无法保证可以采集到数据的缺陷,而本实施例采集的振动监测数据为加速度数据,具有在恶劣环境中也可以保证能够采集到数据的优势,故本实施例采集的振动监测数据对环境的适应性强,且即使本实施例采集的振动监测数据出现数据中断,也仍然可以利用本实施例的方法完成异常辨识,而传统方法采集的数据出现数据中断时,则必须对采集到的数据进行补齐,才可以进行后续的异常辨识过程,故本实施例的方法抗干扰能力强,对采集的振动监测数据的要求低,基于上述优势,本实施例的方法能够适应于恶劣环境,且本实施例的方法是建立模型对采集到的振动监测数据进行处理,实时性好,精度高。
实施例2:
本实施例用于提供一种钻爆法隧道施工装备的施工状态异常辨识系统,如图4所示,所述施工状态异常辨识系统包括:
数据获取模块M1,用于获取钻爆法隧道施工装备在施工状态下的振动监测数据;所述振动监测数据包括多个时刻的加速度数据;
时频变换模块M2,用于对所述振动监测数据进行时频变换,得到时频图;
特征提取模块M3,用于以所述时频图作为输入,利用特征提取模型提取得到所述时频图的特征向量;所述特征提取模型中的部分卷积层增加有周期性激励函数和非周期性激励函数;
异常辨识模块M4,用于基于所述特征向量生成特征辨识图像,通过所述特征辨识图像对所述钻爆法隧道施工装备的施工状态进行异常辨识;所述特征辨识图像为概率密度图。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种钻爆法隧道施工装备的施工状态异常辨识方法,其特征在于,所述施工状态异常辨识方法包括:
获取钻爆法隧道施工装备在施工状态下的振动监测数据;所述振动监测数据包括多个时刻的加速度数据;
对所述振动监测数据进行时频变换,得到时频图;
以所述时频图作为输入,利用特征提取模型提取得到所述时频图的特征向量;所述特征提取模型中的部分卷积层增加有周期性激励函数和非周期性激励函数;
基于所述特征向量生成特征辨识图像,通过所述特征辨识图像对所述钻爆法隧道施工装备的施工状态进行异常辨识;所述特征辨识图像为概率密度图;
将增加有周期性激励函数和非周期性激励函数的卷积层记为优化卷积层,所述优化卷积层用于利用所述周期性激励函数和所述非周期性激励函数对所述优化卷积层的输入向量进行处理,得到中间向量,再对所述中间向量进行特征提取,得到所述优化卷积层的输出向量;
所述中间向量的计算公式包括:
;
其中,Av为中间向量;IPF为周期性激励函数;INPF为非周期性激励函数;
;
其中,x为输入向量;tanh为双曲正切函数;π为圆周率;
;
其中,F为频率;P为相位。
2.根据权利要求1所述的一种钻爆法隧道施工装备的施工状态异常辨识方法,其特征在于,所述振动监测数据为所述钻爆法隧道施工装备的发动机的振动监测数据和/或所述钻爆法隧道施工装备的执行器的振动监测数据。
3.根据权利要求1所述的一种钻爆法隧道施工装备的施工状态异常辨识方法,其特征在于,对所述振动监测数据进行时频变换,得到时频图,具体包括:利用短时傅里叶变换方法对所述振动监测数据进行时频变换,得到时频图;其中,所述短时傅里叶变换方法的窗函数采用Hann窗函数或Hamming窗函数。
4.根据权利要求1所述的一种钻爆法隧道施工装备的施工状态异常辨识方法,其特征在于,基于所述特征向量生成特征辨识图像,具体包括:
对于所述特征向量中的第i行向量,对所述第i行向量进行欧式距离转换,得到所述第i行向量对应的概率向量;其中,i>1;
基于所有所述概率向量构建概率矩阵;
基于所述概率矩阵生成概率密度图组合;所述概率密度图组合包括基于高斯分布的概率密度图和基于柯西分布的概率密度图;
以所述概率密度图组合作为输入,利用KL散度值计算公式计算得到所述概率密度图组合对应的KL散度值;
判断是否达到最大迭代次数;若否,则重复“以所述时频图作为输入,利用特征提取模型提取得到所述时频图的特征向量”的步骤,得到新的特征向量,并以所述新的特征向量作为下一迭代的特征向量,返回“对于所述特征向量中的第i行向量,对所述第i行向量进行欧式距离转换,得到所述第i行向量对应的概率向量”的步骤;若是,则选取所有迭代中KL散度值最小的所述概率密度图组合作为特征辨识图像。
5.根据权利要求4所述的一种钻爆法隧道施工装备的施工状态异常辨识方法,其特征在于,所述KL散度值计算公式包括:
;
其中,为KL散度值;pG(v)为基于高斯分布的概率密度图;pT(v)为基于柯西分布的概率密度图;vk为第k个数据点;V为所有数据点组成的集合;pG(vk)为基于高斯分布的概率密度图的第k个数据点;pT(vk)为基于柯西分布的概率密度图的第k个数据点。
6.根据权利要求1所述的一种钻爆法隧道施工装备的施工状态异常辨识方法,其特征在于,通过所述特征辨识图像对所述钻爆法隧道施工装备的施工状态进行异常辨识,具体包括:
将所述特征辨识图像与预先获取的正常施工状态对应的正常特征辨识图像进行对比,判断所述特征辨识图像相较于所述正常特征辨识图像是否存在偏移;若是,则所述钻爆法隧道施工装备的施工状态为异常;若否,则所述钻爆法隧道施工装备的施工状态为正常。
7.一种钻爆法隧道施工装备的施工状态异常辨识系统,其特征在于,所述施工状态异常辨识系统包括:
数据获取模块,用于获取钻爆法隧道施工装备在施工状态下的振动监测数据;所述振动监测数据包括多个时刻的加速度数据;
时频变换模块,用于对所述振动监测数据进行时频变换,得到时频图;
特征提取模块,用于以所述时频图作为输入,利用特征提取模型提取得到所述时频图的特征向量;所述特征提取模型中的部分卷积层增加有周期性激励函数和非周期性激励函数;
异常辨识模块,用于基于所述特征向量生成特征辨识图像,通过所述特征辨识图像对所述钻爆法隧道施工装备的施工状态进行异常辨识;所述特征辨识图像为概率密度图;
将增加有周期性激励函数和非周期性激励函数的卷积层记为优化卷积层,所述优化卷积层用于利用所述周期性激励函数和所述非周期性激励函数对所述优化卷积层的输入向量进行处理,得到中间向量,再对所述中间向量进行特征提取,得到所述优化卷积层的输出向量;
所述中间向量的计算公式包括:
;
其中,Av为中间向量;IPF为周期性激励函数;INPF为非周期性激励函数;
;
其中,x为输入向量;tanh为双曲正切函数;π为圆周率;
;
其中,F为频率;P为相位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410026160.7A CN117540326B (zh) | 2024-01-09 | 2024-01-09 | 钻爆法隧道施工装备的施工状态异常辨识方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410026160.7A CN117540326B (zh) | 2024-01-09 | 2024-01-09 | 钻爆法隧道施工装备的施工状态异常辨识方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117540326A CN117540326A (zh) | 2024-02-09 |
CN117540326B true CN117540326B (zh) | 2024-04-12 |
Family
ID=89788400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410026160.7A Active CN117540326B (zh) | 2024-01-09 | 2024-01-09 | 钻爆法隧道施工装备的施工状态异常辨识方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117540326B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171176A (zh) * | 2017-12-29 | 2018-06-15 | 中车工业研究院有限公司 | 一种基于深度学习的地铁司机情绪辨识方法及装置 |
WO2021155705A1 (zh) * | 2020-02-06 | 2021-08-12 | 支付宝(杭州)信息技术有限公司 | 文本预测模型的训练方法及装置 |
CN113987910A (zh) * | 2021-09-18 | 2022-01-28 | 国网江苏省电力有限公司信息通信分公司 | 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置 |
CN116662920A (zh) * | 2023-07-31 | 2023-08-29 | 深圳大学 | 钻爆法施工装备异常数据辨识方法、系统、装备及介质 |
CN116778272A (zh) * | 2023-06-12 | 2023-09-19 | 国能大渡河检修安装有限公司 | 基于多通道信息融合的水电机组小样本工况辨识方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8682670B2 (en) * | 2011-07-07 | 2014-03-25 | International Business Machines Corporation | Statistical enhancement of speech output from a statistical text-to-speech synthesis system |
-
2024
- 2024-01-09 CN CN202410026160.7A patent/CN117540326B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171176A (zh) * | 2017-12-29 | 2018-06-15 | 中车工业研究院有限公司 | 一种基于深度学习的地铁司机情绪辨识方法及装置 |
WO2021155705A1 (zh) * | 2020-02-06 | 2021-08-12 | 支付宝(杭州)信息技术有限公司 | 文本预测模型的训练方法及装置 |
CN113987910A (zh) * | 2021-09-18 | 2022-01-28 | 国网江苏省电力有限公司信息通信分公司 | 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置 |
CN116778272A (zh) * | 2023-06-12 | 2023-09-19 | 国能大渡河检修安装有限公司 | 基于多通道信息融合的水电机组小样本工况辨识方法 |
CN116662920A (zh) * | 2023-07-31 | 2023-08-29 | 深圳大学 | 钻爆法施工装备异常数据辨识方法、系统、装备及介质 |
Non-Patent Citations (1)
Title |
---|
基于卷积神经网络的机械故障诊断方法综述;吴定海;任国全;王怀光;张云强;;机械强度;20200930(05);第12-20页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117540326A (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334987B (zh) | 一种基于小波分解-神经网络的海浪波高预测方法 | |
CN111680788A (zh) | 基于深度学习的设备故障诊断方法 | |
CN116842364A (zh) | 一种异步电机滚动轴承故障方法 | |
CN114492533A (zh) | 一种变工况轴承故障诊断模型的构建方法及应用 | |
CN117540326B (zh) | 钻爆法隧道施工装备的施工状态异常辨识方法及系统 | |
CN110879927A (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
CN113536226A (zh) | 增强旋转机械故障信号特征的盲解卷积算法 | |
CN117540304B (zh) | 一种粘合剂生产数据处理方法 | |
CN114741945A (zh) | 一种航空发动机在线故障的诊断方法 | |
CN116296127B (zh) | 基于多传感器信像映射的阀门泄漏故障诊断方法 | |
CN110674893B (zh) | 一种旋转机械故障诊断知识库中诊断经验自适应修正方法 | |
CN110598674B (zh) | 一种基于模式识别的转辙机故障识别方法 | |
CN112802011A (zh) | 一种基于vgg-bls的风机叶片缺陷检测方法 | |
CN110569966B (zh) | 一种数据处理方法、装置及电子设备 | |
CN115452377B (zh) | 一种基于ceemdan与自适应去噪的滚动轴承故障诊断方法 | |
CN116754213A (zh) | 一种基于强噪声背景下的电动闸阀故障诊断方法、装置及设备 | |
CN111309973A (zh) | 基于改进马尔可夫模型和改进k最近邻的缺失值填补方法 | |
CN116429428A (zh) | 一种基于多特征融合和igwo-lssvm的滚动轴承故障诊断方法 | |
CN114235409B (zh) | 一种轻量化通信的滚动轴承多用户协同智能故障诊断方法 | |
CN113344169B (zh) | 一种新型拖拉机故障诊断系统及故障诊断方法 | |
CN115522945A (zh) | 盾构掘进姿态的动态预测方法 | |
CN115345192A (zh) | 一种变工况和复杂噪音环境下滚动轴承的故障诊断方法 | |
CN117828285B (zh) | 一种生产数据管理系统及方法 | |
CN112540408A (zh) | 一种基于深度学习的地震数据静校正处理方法及系统 | |
CN117668623B (zh) | 船舶管道阀门泄漏多传感器跨域故障诊断方法 |
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 |