一种用于检测矿用锚杆施工质量和工作状态的检测方法技术

本发明专利技术涉及一种用于检测矿用锚杆施工质量和工作状态的检测方法，其包括以下步骤：a、测量频率响应函数矩阵的主成分分析；b、基于改进概率神经网络的锚杆锚固质量缺陷识别算法；c、基于粒子群算法对概率神经网络参数进行优化。本发明专利技术可实现实时检测巷道锚杆支护的质量和工作状态，确保锚杆支护工程质量的可靠性与煤矿生产安全。

Detection method for detecting construction quality and working state of mine anchor bolt

The invention relates to a detection method used for bolt construction quality and working condition, which comprises the following steps: principal component analysis function matrix A, the measurement of frequency response; B, defect recognition of anchorage quality improved algorithm based on probabilistic neural network; C, particle swarm algorithm based on probabilistic neural network parameter optimization. The invention can realize the quality and the working state of the bolt support in real-time and ensure the reliability of the quality of the bolt support project and the safety of the coal mine production.

【技术实现步骤摘要】
一种用于检测矿用锚杆施工质量和工作状态的检测方法
本专利技术属于无损检测
，具体涉及一种用于检测矿用锚杆施工质量和工作状态的方法。
技术介绍
我国煤矿主要为井工开采，由于地质条件多变，煤矿的安全事故一直制约着煤矿的高效生产。每年因支护结构失效而发生的巷道顶板跨落事故的频率和数量位居首位。导致巷道顶板跨落事故的原因之一就是缺乏对支护结构工作状态的检测和监测，不能掌握事故发生之前的支护异常。目前，锚杆支护技术作为我国煤矿井下巷道支护的重要手段，我国很多矿区煤巷锚杆支护率达到60％，有些矿区超过了90％，甚至达到100％。锚杆锚固工程不仅受岩土工程条件、锚杆结构设计、锚杆与围岩体系的相互作用、施工以及专业技术水平和经验等关联因素的影响，而且锚杆的施工还具有高度的隐蔽性，发现质量问题难，事故处理更难。
技术实现思路
本专利技术的目的是提供一种可实现实时检测巷道锚杆支护的质量和工作状态，确保锚杆支护工程质量的可靠性与煤矿生产安全的检测矿用锚杆施工质量和工作状态的方法。本专利技术采用如下技术方案：一种用于检测矿用锚杆施工质量和工作状态的检测方法，其包括以下步骤：a、测量频率响应函数矩阵的主成分分析；b、基于改进概率神经网络的锚杆锚固质量缺陷识别算法；c、基于粒子群算法对概率神经网络参数进行优化。更详细的说，所述步骤a包括步骤如下：a-1、设测量频率响应函数矩阵H(ω)＝[hij(ω)]m×n，其中，m为实测样本数，n为频率点数，i和j分别为矩阵行列的下标；a-2、根据下列的公式(1)对频率响应函数矩阵进行标准化：公式(1)中，a-3、根据下列的公式(2)计算协方差矩阵Cn×n：公式(2)中，a-4、根据下列的公式(3)对协方差矩阵C进行特征分解：CΨi＝λiΨi(3)公式(3)中，i＝1，2，…，n；Ψi和λi为协方差矩阵的特征向量和特征值，且λ1＞λ2＞…＞λn；a-5、根据下列的公式(4)计算相对重构误差E：E＝Je/Jv(4)公式(4)中，p＜n为主元个数。通常情况，选择合适的主元个数p，使误差E＜15％。更详细的说，所述步骤b包括如下步骤：b-1、设计概率神经网络的拓扑结构共有4层，分别为输入层、模式层、求和层和输出层；b-2、输入层：输入层负责将经过主元分析后的特征参数传递给模式层，输入层神经元为xi，其中，i＝1，2，…，p；b-3、模式层：模式层神经元个数与频率响应函数实测样本数m相同，根据下列的公式(5)计算模式层的输出值：公式(5)中，i＝1，2，…，m；ξ＞0为识别系数；σ为平滑因子；wiq为输入层到模式层的权值，通常情况下，权值等于训练样本值；根据公式(5)可知，Pi与Φi成反比，当Φi趋于0时，Pi达到最大值ξ/2；当Φi趋于∞时，Pi＝0。因此，可以选择ξ＞＞1，使得Pi输出范围增大。b-4、求和层：求和层神经元个数r，其值等于类别个数；根据下列的公式(6)计算求和层的输出值：公式(6)中，j＝1，2，…，r；wji为模式层到求和层的权值；b-5、输出层：输出层神经元个数与求和层神经元个数r相同；根据下列的公式(7)计算输出层的输出：一般情况，0≤Oj≤1，Oj的最大值所对应的类别即为锚杆锚固质量缺陷的类别。4、根据权利要求1所述的检测方法，其特征在于，所述步骤c包括如下步骤：c-1、优化目标函数采用如下列公式(8)表示的均方误差函数(MSEF)：公式(8)中，Tj(i)为概率神经网络的期望输出；通过寻找最优的平滑因子σ，使公式(8)的值最小；c-2、将平滑因子σ作为粒子群优化算法中的位置，根据下列的公式(9)和公式(10)更新粒子的速度和位置；公式(9)中，i为粒子种群数；w为惯性权重，是保持当前速度的系数；c1、c2分别为粒子向自己和全局最优粒子的学习的能力，通常为正数；rand1和rand2分别为[0，1]之间的随机数；为i个粒子在第k次迭代时的值；pi为第i个粒子个体最优值；pg为全局最优值；公式(10)中，β为约束因子；c-3、为了保证粒子群优化算法快速收敛到最优值，公式(9)中的c1、c2可分别根据下列的公式(11)和公式(12)计算：公式(11)和公式(12)中，a1，a2，b1和b2分别为常数，kmax为最大迭代步数，k为当前迭代步数。根据粒子群优化算法基本原理可知，公式(9)中等号右边第2项代表“认知”部分，第3项代表“社会”部分，在算法迭代初期，“认知”部分占主导作用，随着迭代次数的增加，“认知”部分的作用逐渐降低，而“社会”部分的功能越来越大。所以，可选择合适的a1，a2，b1和b2，使得c1从2.5递减至0.5，而c2则从0.5递增至2.5；c-4、粒子群优化算法迭代终止条件有2个：(A)目标函数的值，即公式(8)，小于期望值；(B)迭代步数达到最大值，即k＝kmax；此时，平滑因子σ达到最优值。公式(5)中的平滑因子表示训练样本各维度的标准差，平滑因子的取值对概率神经网络的输出影响较大，因此，通过对平滑因子优化可以极大地提高锚杆锚固缺陷识别的准确率。本专利技术的有益效果在于：本专利技术基于锚杆锚固系统测量频率响应函数，利用主元分析和粒子群优化的概率神经网络对矿用锚杆锚固质量进行评价，进一步对缺陷类型及程度进行分类识别。附图说明图1本专利技术中用于检测锚杆锚固质量的结构流程示意图。图2本专利技术实施例中用于表示不同迭代次数对应的全局最优值。图3本专利技术实施例中用于表示不同迭代次数对应的均方差。具体实施方式下面将结合附图和实施例对本专利技术作进一步的详细说明。锚杆的施工质量直接决定了锚杆支护的安全性。实际工程中，锚杆的实际锚固长度与理论锚固长度会有差别。常见的缺陷类型有以下3种：(1)现场打钻孔时无法精确控制其深度，当钻孔深度比设计值大时，树脂锚固剂搅拌后回堆积于钻孔底部，起不到固定锚杆的作用，此时的锚固长度会偏短；(2)钻孔的直径也受围岩状态的影响，在松散或地应力较大的围体中钻孔时，会出现孔壁坍塌而造成钻孔直径大于设计值，也会引起锚固长度偏短；(3)搅拌锚固剂时操作过快或过慢都可能引起锚固剂分布不均匀，造成锚固段的锚固剂密度降低，此种情况下虽然锚杆的锚固长度大于设计值，但是锚固段的强度和刚度都会下降，影响锚杆的承载力。因此，在本实施例中，采用的样本类型均属于上述3种类型。为了评价锚杆的锚固状态，可以根据下列公式(13)所示的密实度进行分类。其中，d为锚固密实度；la为理论锚固长度；ld为实际锚固长度。如果d＜0，则取d＝0。根据公式(13)可知，锚固密实度d的取值范围为[0,1]。该参数定量的反映了锚杆的施工质量。根据在不同矿区巷道锚杆的检测结果，一般可以认为当d≥0.8时，锚杆的施工质量是合格的；反之，当d＜0.8时，表明锚杆的锚固长度过短或锚固剂过于分散，施工质量不合格。利用ANSYS软件，创建60个锚杆锚固系统有限元模型，其中45个合格样本，15个不合格样本。本专利技术提出一种用于检测矿用锚杆施工质量和工作状态的检测方法，具体包括以下几个步骤：一、测量频率响应函数矩阵的主成分分析，包括：对每个锚杆锚固系统的有限元模型，施加一个脉冲激励，同时测量其加速度响应。根据力和加速度信号求出每一个锚杆的频率响应函数。构建测量频率响应函数矩阵H(ω)＝[hij(ω)]m×n，其中，m为实测样本本文档来自技高网...

【技术保护点】
一种用于检测矿用锚杆施工质量和工作状态的检测方法，其特征在于其包括以下步骤：a、测量频率响应函数矩阵的主成分分析；b、基于改进概率神经网络的锚杆锚固质量缺陷识别算法；c、基于粒子群算法对概率神经网络参数进行优化。

【技术特征摘要】
1.一种用于检测矿用锚杆施工质量和工作状态的检测方法，其特征在于其包括以下步骤：a、测量频率响应函数矩阵的主成分分析；b、基于改进概率神经网络的锚杆锚固质量缺陷识别算法；c、基于粒子群算法对概率神经网络参数进行优化。2.根据权利要求1所述的检测方法，其特征在于，所述步骤a包括步骤如下：a-1、设测量频率响应函数矩阵H(ω)＝[hij(ω)]m×n，其中，m为实测样本数，n为频率点数，i和j分别为矩阵行列的下标；a-2、根据下列的公式(1)对频率响应函数矩阵进行标准化：公式(1)中，a-3、根据下列的公式(2)计算协方差矩阵Cn×n：公式(2)中，a-4、根据下列的公式(3)对协方差矩阵C进行特征分解：CΨi＝λiΨi(3)公式(3)中，i＝1，2，…，n；Ψi和λi为协方差矩阵的特征向量和特征值，且λ1＞λ2＞…＞λn；a-5、根据下列的公式(4)计算相对重构误差E：E＝Je/Jv(4)公式(4)中，p＜n为主元个数。3.根据权利要求1所述的检测方法，其特征在于，所述步骤b包括如下步骤：b-1、设计概率神经网络的拓扑结构共有4层，分别为输入层、模式层、求和层和输出层；b-2、输入层：输入层负责将经过主元分析后的特征参数传递给模式层，输入层神经元为xi，其中，i＝1，2，…，p；b-3、模式层：模式层神经元个数与频率响应函数实测样本数m相同，根据下列的公式(5)计算模式层的输出值：公式(5)中，i＝1，2，…，m；ξ＞0为识别系数；σ为平滑因子；wiq为输入层到模式层的权值，通常情况下，权值等于训练样本值；b-4、求和层：求和层神经元个数r，其值等于类别个数；根据下列的公式(6)计算求和层的输出值：公式(6)中，j＝1，2，…，r；wji为模式层到求和层的权值；b-5、输出层：输出层神经元个数与求和层神经元个数r相同；根据下列的公式(7)计算输出层的输出：

【专利技术属性】
技术研发人员：王明明，孙晓云，邢卉，
申请(专利权)人：石家庄铁道大学，
类型：发明
国别省市：河北,13