基于Sym小波和BP神经网络的基桩缺陷智能化识别

1、基于Sym小波和BP神经网络的基桩缺陷智能化识别刘明贵，岳向红，杨永波，李 祺(中国科学院武汉岩土力学研究所，湖北 武汉 430071)摘 要 为提高基桩低应变动测信号的分析水平，采用一种新的时频域分析方法小波分析。利用Sym小波对基桩速度响应时程曲线进行小波分解，对指定频带上的信号分量进行特征值提取，提取的特征值为反映各频带范围内体现能量分布的功率谱均值，提取的特征值可以构成反映信号特征的特征向量，同时利用BP人工神经网络的非线性映射特性建立特征向量和基桩缺陷类别之间的一种对应关系。通过数值模拟的方法可以得到大量的不同缺陷类型的基桩的桩顶速度响应时程曲线，对这些数值模拟信号进行小波分解得到的

2、特征向量为神经网络的学习提供了大量的训练样本。最后，利用实测信号小波分解后得到的特征向量对训练过的神经网络进行检验，其识别结果表明：训练后的神经网络能根据实测信号的特征向量对基桩缺陷进行智能化的识别。关键词 桩基工程；基桩缺陷；小波分析；神经网络；数值模拟；智能化识别INTELLIGENT RECOGNITION OF PILE DEFECT BASED ON SYM WAVELET AND BP NEURAL NETWORKLIU Minggui，YUEXianghong，YANG Yongbo，LI Qi (Institute of Rock and Soil Mechanics，Chin

3、ese Academy of Sciences，Wuhan，Hubei 430071) Abstract To improve the analysis level of piles low strain testing signal，wavelet analysis which is a new time-frequency analysis method has been adopted in this field. The velocity response time-history signal of pile can be decomposed by Sym wavelet. The

4、 power spectrum value can be extracted from some specified spectrum range. These vales get from one signal made up of the characteristic vector representing this signal. The relationship between characteristic vector of pile and piles defect type can be established by using BP artificial neural netw

5、ork which has non-linear mapping character. Abundant velocity response time-history signals of pile can be acquired by numerical simulation method. Characteristic vectors of these numerical simulation signals can be used to training this BP artificial neural network as the input pattens. In order to

6、 validate this new analysis method，some characteristic vectors which extracted from in-site test signals has been used. The recognized results of in-site test signals are in good agreement with piles defect type. The conclusion drawn from this study on the signal analysis of piles low strain testing

7、 have parctical significances for the piles integrity evaluation.Keywords pile defect；wavelet analysis；neural network；numerical simulation；intelligent recognition 1 引言反射波法是目前用于基桩完整性检测的最普遍的方法1。该方法是利用力棒或手锤在桩顶激发出的应力波沿桩身向下传播时，如遇到波阻抗(桩身中的缺陷会引起波阻抗的变化)变化的截面将会发生反射，这不仅引起波形时域信号的改变，而且波形的频谱成份也将改变。测试得到的速度响应时程曲线中

8、含有反映桩身质量的大量信息。如何正确理解桩顶速度响应时程曲线，对于合理解释试验结果和对基桩完整性作出正确评价是非常重要的。通常情况下，以时域分析为主，对信号进行数字滤波、指数放大等处理，以便去掉无关信号，将桩身完整性的各种反映充分展示出来，同时也可以利用傅里叶变换将桩顶速度响应时程曲线从时域变换到频域上进行辅助分析。检测人员在对桩顶反射波信号进行分析时，往往要凭借一定的经验，对同一信号，不同的检测人员得到的分析结果往往不尽相同2，3。小波分析是一种新的时频域分析方法，而神经网络具有非线性映射特性，因此本文将小波分析和神经网络的优点结合起来用于基桩缺陷的智能化识别，可有效避开人为主观因素带来的影

9、响，提高基桩反射波法测试结果的准确度4，5。2 反射波法动测信号的数值模拟2.1 计算模型反射波法是以应力波在桩身中的传播反射特征为理论基础的一种方法。将桩身和地基系统分成等分的一系列小单元，建立桩身在瞬态纵向激振力作用下的动力有限元分析模型，如图1所示。P(t)cs1cs2c2ks2ks1c1m1k1k2m2ksbcsbksncsn线性弹簧线性阻尼图1 桩土模型示意图Fig.1 Sketch of pile-soil model设桩土系统满足以下的基本假定：(1) 桩的材料为均匀的弹性材料。(2) 在基桩低应变动测中，由于桩单元运动位移可以忽略，模型一般采用弹簧和线性阻尼壶并联的模式模拟桩土

10、相互作用。(3) 激振力沿桩轴线方向。(4) 桩土体系的振动为微小变形。不失一般性，可设桩顶瞬态纵向激振力为半正弦脉冲力： (1)2.2 数值模拟以混凝土灌注桩为例，桩长20 m，桩径1 m，桩周土层为均匀的粘土。灌注桩在施工过程中容易产生断桩、缩颈、扩颈、离析等质量问题。下面对完整桩和缺陷桩的桩顶速度响应进行数值模拟，其典型时程曲线如图2所示。(a) 完整桩(b) 断裂(c) 扩颈(d) 缩颈(e) 离析图2 数值模拟得到的桩顶速度响应时程曲线Fig.2 Time-history curves of velocity response of pile by numerical simulat

11、ion 对于桩身不同类型的缺陷，反射波法测试信号中主要反映出桩身阻抗减小的信息，缺陷性质往往较难区分。例如，混凝土灌注桩出现的缩颈与局部松散、夹泥、空洞等，只凭测试信号就很难区分。因此，对缺陷类型进行判定，还要结合地质、施工情况综合分析，或采取钻芯、声波透射等其他方法。这就需要基桩检测人员有比较高的专业素质，显现了桩基反射波法测试的难度。为了有效解决这一技术难题，必须要借助更好的信号分析手段来解决。3 基于小波分析的特征值提取3.1 小波变换在实际运用中，尤其是在计算机上实现时，用到的都是离散化后的连续小波。离散小波函数可以写作 (2)在实际中采用的是动态的采样网格，而最常用的是二进制的动态采

12、样网格，即，每个网格点对应的尺度为，而平移为。由此得到的小波 (3)其中，称为二进小波611。本文中的相关小波变换都是利用MATLAB中的相关函数来实现的。3.2 小波基的选取由于Symlets小波系是有限紧支撑正交小波，其时域和频域的局部化能力强，尤其在数字信号的小波分解过程中可以提供有限长的更实际更具体的数字滤波器，因此本文选择Symlets小波系中的小波函数对基桩动测信号进行小波变换。图3 Sym8小波函数和尺度函数的波形Fig.3 Shape of sym8根据时频分辨率的要求综合考虑，Symlets小波系中的Sym8小波的小波函数和尺度函数的频率特性已经比较好了，时域分辨率也满足要求

13、。因此，在桩顶速度响应的小波变换时，取Sym8小波是比较合适的。3.3 特征提取选择Sym8小波将信号S小波分解到第七层时有 (4)如图4所示，S是的桩顶速度响应信号，A7是第7层的低频信号，它反映了信号的发展趋势，D7，D6，D5，D4，D3，D2，D1是对应各层的高频信号。采样时间/msD1D2D3D4D5D6D7NS 图4 完整桩的桩顶速度响应的小波分析Fig.4 Wavelet analysis of integrated piles Velocity response 图5 完整桩的时域信号小波分量的频谱图Fig.5 Spetrum graph of integrated piles

14、 Velocity response在本文中，对信号分量A7，D7，D6，D5实施特征提取，提取参数为各信号分量所对应频带范围内体现其能量分布的功率谱均值，具体步骤如下：(1) 对原时域信号的采样序列利用Sym8小波进行7层正交小波分解，得到第一层到第7层共8个小波分解系数序列，。 (2) 对小波分解系数进行重构，可得各个频带上所对应的信号分量A7，D7，D6，D5，D4，D3，D2，D1。(3) 对信号分量A7，D7，D6，D5进行功率谱分析(如图5所示)。(4) 特征向量的构成。以四个信号分量A7，D7，D6，D5的功率谱均值，组成特征向量，即 (5)4 利用特征向量识别基桩缺陷类型4.1

15、 BP神经网络BP神经网络是一种前馈型网络，由1个输入层、若干隐含层和1个输出层构成。如果输入层、隐含层和输出层的单元个数分别为n，q，m，则该三层网络可表示为BP(n，q，m)，利用该网络可实现n维输入向量 ，到m维输出向量 ，的非线性映射1216。4.2 样本数据的定义和预处理在实际工程中，混凝土灌注桩常见的缺陷类型主要有断裂、扩颈、缩颈、离析四种缺陷。下面我们就通过数值模拟的方法得到5个类别(完整桩和四种不同的缺陷类型)共计100根桩桩顶的速度响应时程曲线，利用上节我们所介绍的特征值提取方法，对这些模拟得到的信号进行特征值提取，也就可以得到100个反映信号特征的特征向量，每个特征向量包括

16、4个特征向量值。将这些特征向量作为神经网络的输入，以基桩完整性描述编码作为输出，就得到100个训练样本，对该BP神经网络进行训练。结果表明，不同缺陷类别的桩的特征向量值均有一定的分布范围，在此不便一一列出，只是从中选取了五个具有一定代表意义的特征向量进行了列举。为了提高网络的训练效率，我们需要对样本数据进行适当的预处理。对某一特征向量中4个特征向量值的预处理过程如下：表1 输出编码Table1 Code for output10000 01000001000001000001完整断裂扩颈缩颈离析 (6)为某一特征向量的第i个功率谱均值原始值，为某一特征向量的第i个功率谱均值处理后的值。进行预处

17、理后的某5根桩的(分别属于5个类别)特征向量(代表值)如表2所示。表2 基桩的特征向量(代表值)Table 2 Egenvector of pile特征向量完整性描述完整断裂扩颈缩颈离析E10.073 90.064 40.059 90.086 00.123 3E20.317 70.403 20.324 70.294 20.426 0E30.329 80.224 10.305 20.327 40.256 1E40.279 40.308 30.310 30.292 40.194 64.3 网络生成、训练选用含有一个隐层的BP神经网络，其中网络输入维数为4，输出维数为5，隐层的节点数取为10，激活函

18、数采用对数Sigmoid函数。 (7)训练算法为共轭梯度法，误差指标为1.0×103。编制BP神经网络的Matlab 程序，网络训练的误差变化曲线如图7所示，可见当网络迭代至726步时停止，误差值达到1.0×103。 图7 误差曲线Fig.7 Error Curve4.4 实例检验为了检验所建立的神经网络的精度和可靠性，我们从现场实测时程曲线中选取了5根模型桩的实测时程曲线对其进行验证。其中，S1是完整桩的实测时程曲线，S2是断桩的实测时程曲线，S3是扩颈桩的实测时程曲线，S4是缩颈桩的实测时程曲线，S5是离析桩的实测时程曲线。其神经网络识别结果见表3。表3 实测信号识别结

19、果Table 3 Recognizing results of measured signal信号项目识别结果1.2345S1实际1.000.000.000.000.00预测0.950.000.010.040.00S2实际0.001.000.000.000.00预测0.010.920.010.050.01S3实际0.000.001.000.000.00预测0.050.010.920.020.00S4实际0.000.000.001.000.00预测0.000.020.000.850.13S5实际0.000.000.000.001.00预测0.010.010.000.100.88通过表3可以清楚的

20、看到，神经网络的识别结果和实际情况基本一致，因此，将小波分析和神经网络的优点结合起来用于基桩缺陷的智能化识别，可有效避开人为主观因素带来的影响，其识别结果是准确可信的。5 结 论 本文基于小波变换的时频局部化特性及人工神经网络的非线性映射特性，将小波变换作为基桩动测信号的预处理手段，选用Sym8小波对动测信号进行小波分解，对反映信号特征的频带上的信号分量进行特征值提取，构成特征向量，再将这些特征向量作为BP神经网络的输入。通过数值模拟的方法可以得到大量的样本信号，并为BP神经网络的学习提供了大量的训练样本。最后，用现场实测信号对训练过的神经网络进行检验，其结果表明训练后的神经网络可以实现基桩缺

21、陷的智能化分类，对提高基桩低应变动测信号的分析水平有一定的实用意义。参考文献1 刘明贵，佘诗刚，汪大国等，桩基检测技术指南M. 北京：科学出版社，1995：245256.(LIU Minggui，SHE Shigang，WANG Daguo et al. The manual of pile testing technologyM. Beijing：Science Press，1995：245256.(in Chinese)2 张良均，王靖涛，李国成. 小波变换在桩基完整性检测中的应用J. 岩石力学与工程学报，2002，?(21)：1 7351 738.(ZHANG Liangjun，WANG

22、 Jingtao，LI Guocheng. Application of wavelet transform in integrity testing of pilestJ. Journal of Rock Mechanics and Engineering，2002，?(21)：1 7351 738.(in Chinese)3 黄理兴. 桩身完整性的新理念J. 岩石力学与工程学报，2002，?(21)：454456.(HUANG lixing，New conception of pile integrity character by dynamic testingJ. Journal of

23、Rock Mechanics and Engineering，2002，?(21)：454456.(in Chinese)4 潘冬子. 小波分析及其在基桩完整性检测中的应用研究硕士学位论文S. 武汉：中国科学院武汉岩土力学研究所硕士学位论文，2004.(PAN Dongzi，Wavelet analysis and its application in integrity testing of pilesPh. S. ThesisD. Wuhan：Institute of rock and Soil mechanics CAE，2004.(in Chinese)5 王成华，张 薇. 基于反射波

24、法的桩身完整性判别的神经网络模型J. 岩土力学，2003，24(6)：952956.(WANG Chenghua，ZHANG Wei A neural network model for diagnosing pile integrity based on reflection wave methodJ. Rock and Soil Mechanics2003，24(6)：952956.(in Chinese)6 蔡棋瑛，林建华. 基于小波分析和神经网络的桩身缺陷诊断J. 振动与冲击，2002，21(3)：1116.(CAI Qiying，LIN Jianhua. Pile defect di

25、agnosis based on wavelet and neural networksJ. Journal of Vibration and shock，2002，21(3)：1116.(in Chinese)7 JAMES C. Wavelet decomposition of vibrations for detection of bearing localized defectsJ. NDT&E International，1997，(3)：143149.8 LIEW K M，WANG Q. Application of wavelet theory for crack ide

26、ntification in structuralJ. Journal of Engineering Mechanics，1998，(2)：152157.9 WATSON J N，ADDISON P S. The de-noising of Sonic Echo test data through wavelet transform reconstructionJ. Journal of Shock and Vibration，1999，(6)：267272.10 刘明贵，岳向红，张 杰. 敲击回波法中传感器影响的小波分析J. 岩土力学，2005，26(9)：1 3791 384.(LIU M

27、inggui ，YUE Xianghong，ZHANG Jie. Influence analysis of transducers in impact echo method by waveletJ. Rock and Soil Mechanics，2005，26(9)：1 3791 384.(in Chinese)11 刘明贵，岳向红. 基于小波神经网络的锚杆锚固质量分析J. 岩石力学与工程学报，2006，25(1)：8388.(LIU Minggui ，YUE Xianghong .Analysis of bolts anchoring quality based on wavelet neural networkJ. Journal of Rock Mechanics and Engineering，2006，25(1)：8388.(in Chinese)12