详情

原文传递一种锚杆锚固缺陷的检测方法及终端设备

专利名称：	一种锚杆锚固缺陷的检测方法及终端设备
摘要：	本发明提供了一种锚杆锚固缺陷的检测方法及终端设备，方法包括：获取回波信号；利用变分模态分解方法分解所述回波信号，得到分解后各层对应的本征模态分量；将各层对应的本征模态分量降噪处理，得到降噪后的目标信号；将所述目标信号输入目标神经网络，获得锚杆锚固的缺陷检测结果。本发明对获取的回波信号，利用基于改进变分模态分解方法对回波信号进行分解得到分解后的各层的本征模态分量，对各层的本征模态分量进行降噪，对降噪后的本征模态分量作为结构自组织Elman神经网络的输入值，采用结构自组织Elman神经网络进行锚杆锚固质量检测，能快速检测锚杆锚固的缺陷，且具有较高的锚杆锚固缺陷检测精度。
专利类型：	发明专利
国家地区组织代码：	河北;13
申请人：	石家庄铁道大学
发明人：	孙晓云;林童;王明明;宫世杰;闫志勋
专利状态：	有效
申请日期：	2019-06-13T00:00:00+0800
发布日期：	2019-09-06T00:00:00+0800
申请号：	CN201910511203.X
公开号：	CN110208375A
代理机构：	石家庄国为知识产权事务所
代理人：	秦敏华
分类号：	G01N29/04(2006.01);G;G01;G01N;G01N29
申请人地址：	050043 河北省石家庄市北二环东路17号
主权项：	1.一种锚杆锚固缺陷的检测方法，其特征在于，包括：获取回波信号，所述回波信号为采集的用于检测所述锚杆锚固缺陷的初始信息；利用变分模态分解方法分解所述回波信号，得到分解后各层对应的目标本征模态分量；将各层对应的目标本征模态分量降噪处理，得到降噪后的目标信号；将所述目标信号输入目标神经网络，获得锚杆锚固的缺陷检测结果。 2.如权利要求1所述的锚杆锚固缺陷的检测方法，其特征在于，所述利用变分模态分解方法分解所述回波信号，得到分解后各层对应的本征模态分量包括：对所述回波信号进行初始分层，并基于每层循环更新本层的初始本征模态分量，在更新后的本征模态分量满足第一收敛条件后，获得当前层的目标本征模态分量；基于所述当前层的目标本征模态分量，计算本次分层后的各层的加权峭度值；若本次分层后的各层的加权峭度值满足第一预设条件，则停止分层，获得最终分层数为上一次分层后的层数；若本次分层后的各层的加权峭度值不满足第一预设条件，则继续分层，直到分层后的各层的加权峭度值满足第一预设条件；其中，所述目标本征模态分量为经过傅里叶逆变换得到：其中：n为循环次数；k为第k层；表示的傅里叶变换，为第k层经过n+1次循环所得；为所述回波信号f(t)经过傅里叶变换后的值；α为常数；表示的傅里叶变换，为第d层经过n次循环所得，其中d≠k；ω为频率；为第k层且是第n+1次循环时的模态中心频率；表示拉格朗日算子λn(t)的傅里叶变换，为第n次循环所得；τ为时间常数；K为当前分层数；所述第一收敛条件为：其中：ε＝10-7；所述第一预设条件为： Kw＝sgn(C)D\|C\|r＜ζ；其中，sgn()为符号函数，保证输出信号和原始信号的相位尽量一致；Kw为加权峭度值；r为C的指数；D为峭度值；μ为所述回波信号f(t)的均值；σ为所述回波信号f(t)的标准差；t为时间；T为回波信号f(t)的长度；uk(t)为当前分层时第k层的目标本征模态分量；为uk(t)的均值；为f(t)的均值；ζ为预设阈值；C为两个信号间的互相关系数。 3.如权利要求1所述的锚杆锚固缺陷的检测方法，其特征在于，所述将各层对应的本征模态分量降噪处理，得到降噪后的目标信号，包括：利用小波阈值法对各层的本征模态分量进行降噪处理，得到降噪后的目标信号。 4.如权利要求1所述的锚杆锚固缺陷的检测方法，其特征在于，在将所述目标信号，输入目标神经网络之前，还包括：获取构建的神经网络；获取样本集，并对所述样本集中的样本进行变分模态分解和降噪处理，获得样本信号集；将样本信号集中的一组样本信号输入所述构建的神经网络，获得本次训练过程中隐含层的输出；基于所述隐含层的输出，删除满足第二预设条件的节点，分裂满足第三预设条件的节点，获得本次训练后的神经网络；确定本次训练后的神经网络是否满足第二收敛条件；若满足第二收敛条件，则本次训练后的神经网络为所述目标神经网络；若不满足所述第二收敛条件，则通过Elman神经网络权值更新公式对本次训练后的神经网络的权值和偏置值进行更新；并从所述样本信号集中选取一组未训练的样本信号输入本次更新后的神经网络，进行下一次训练，直到训练后的神经网络满足第二收敛条件。 5.如权利要求4所述的锚杆锚固缺陷的检测方法，其特征在于，所述基于所述隐含层的输出，删除满足第二预设条件的节点，分裂满足第三预设条件的节点，获得本次训练后的神经网络包括：基于每层隐含层的输出，获得每层隐含层的各个节点的贡献度，当前神经网络的修剪阈值和当前神经网络的增长阈值；将每层隐含层的各个节点的贡献度与所述修剪阈值进行比较，删除节点的贡献度小于修剪阈值的隐含层节点和该隐含层节点对应的承接层节点；将每层隐含层的各个节点的贡献度与所述增长阈值进行比较，分裂节点的贡献度大于增长阈值的隐含层节点和该隐含层节点对应的承接层节点，获得本次训练后的神经网络。 6.如权利要求5所述的锚杆锚固缺陷的检测方法，其特征在于，所述隐含层的各个节点的贡献度为：其中，SConj为隐含层的节点j的贡献度；wij3为隐含层的节点j与输出层的节点i之间连接权值；zj(p)隐含层的节点j的第p组输出值；s为特征数据集的第s组数据；N为特征数据集的总组数；m为输出层的节点个数；所述当前神经网络的修剪阈值为：其中，SACon为隐含层的平均贡献度；Pth为当前神经网络的修剪阈值；n为隐含层的节点个数；c为修剪常数；所述当前神经网络的增长阈值为： Gth＝d·SACon；其中，Gth为当前神经网络的增长阈值；d为增长常数。 7.如权利要求6所述的锚杆锚固缺陷的检测方法，其特征在于，所述第二收敛条件为： MSE＜ψ；其中，MSE为网络误差；M为一次迭代中网络输出矩阵中元素的总个数，yi为网络输出层节点i实际输出，yiexp为网络输出层节点i期望输出；m为输出层节点个数；ψ为循环跳出误差。 8.如权利要求1-7任意一项所述的锚杆锚固缺陷的检测方法，其特征在于，所述回波信号为预设的回波信号采集装置采集的用于检测所述锚杆锚固缺陷的初始信息；其中，所述回波信号采集装置包括：信号发生装置、磁场产生装置和线圈；所述线圈缠绕在锚杆上，所述磁场产生装置设置于所述锚杆上，且所述线圈设置于所述磁场产生装置内，所述信号发生装置与所述线圈电连接；所述信号发生装置发出的激励信号在所述磁场产生装置的作用下，使所述锚杆中激发出超声导波，经过所述锚杆锚固反射回来的超声导波即为回波信号。 9.一种终端设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述锚杆锚固缺陷的检测方法的步骤。 10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述锚杆锚固缺陷的检测方法的步骤。
所属类别：	发明专利