基于双通道卷积神经网络的桩基础多缺陷识别方法及其系统技术方案

本发明专利技术提供的一种基于双通道卷积神经网络的桩基础多缺陷识别方法，S1.对存在多缺陷的桩基础施加多次振动激励，并获取振动激励经过桩基础反射后的振动反射信号；S2.将振动反射信号进行滤波处理；S3.将滤波前和滤波后的振动反射信号均转换成时频信号图；S4.将滤波前和滤波后的振动反射信号输入至双通道卷积神经网络的一维通道中且滤波前的振动反射信号的时频信号图和滤波后的振动反射信号的时频信号图输入至双通道卷积神经网络的二维通道中并对双通道卷积神经网络进行训练,直至双通道卷积神经网络训练完成；S5.对待测桩基础施加振动激励，获取待测桩基础的振动反射信号进行滤波处理，并将待测桩基础滤波后的振动反射信号转换成时频信号图；S6.将待测桩基础滤波后的振动反射信号输入至双通道卷积神经网络的一维通道中且将待测桩基础滤波后的振动反射信号的时频信号图输入至双通道卷积神经网络的二维通道中，得到待测桩基础的缺陷类别。别。别。

【技术实现步骤摘要】
基于双通道卷积神经网络的桩基础多缺陷识别方法及其系统


[0001]本专利技术涉及工程领域，尤其涉及一种基于双通道卷积神经网络的桩基础多缺陷识别方法及其系统。

技术介绍

[0002]由于桩基础的承载力高、适用范围广、能适应各种复杂的工程地址条件，所以被广泛应用于公路、港口、桥梁、建筑的重要结构中。但是受施工工艺、地质条件、人为因素的影响，导致部分桩基会出现不同类型、不同程度的缺陷，从而影响桩基的承载力。
[0003]现有技术中，采用低应变桩完整性测试(简称LSPIT)来对桩基础的缺陷类别进行识别，其具有简单、可靠、快速、无损等特点而被广泛接受并用于评价桩身完整性等优点，但是，当桩基存在多缺陷时，弹性波会产生多次反射，仅靠速度时域曲线来识别缺陷类型的难度会更大，也就是说该方法对于存在多种缺陷的桩基础缺陷类别识别准确性低。
[0004]现有技术中还提出了比如时域信号、人工神经网络等，但是现有技术中的这些方法普遍存在过程复杂，而且准确性，比如现有的卷积神经网络，对于振动反射信号的特征敏感性低，从而导致最终准确性差，时域信号分析法容易受到环境干扰等。
[0005]因此，为了解决上述技术问题，亟需提出一种新的技术手段。

技术实现思路

[0006]有鉴于此，本专利技术的目的是提供一种基于双通道卷积神经网络的桩基础多缺陷识别方法及其系统，能够对桩基础的振动反射信号中的反应缺陷类型的敏感特征进行准确提取以及识别，而且能够有效避免环境的干扰，从而确保最终识别结果的准确性。
[0007]本专利技术提供的一种基于双通道卷积神经网络的桩基础多缺陷识别方法，包括以下步骤：
[0008]S1.对存在多缺陷的桩基础施加多次振动激励，并获取振动激励经过桩基础反射后的振动反射信号；
[0009]S2.将振动反射信号进行滤波处理；
[0010]S3.将滤波前和滤波后的振动反射信号均转换成时频信号图；
[0011]S4.将滤波前和滤波后的振动反射信号输入至双通道卷积神经网络的一维通道中且滤波前的振动反射信号的时频信号图和滤波后的振动反射信号的时频信号图输入至双通道卷积神经网络的二维通道中并对双通道卷积神经网络进行训练,直至双通道卷积神经网络训练完成；
[0012]S5.对待测桩基础施加振动激励，获取待测桩基础的振动反射信号进行滤波处理，并将待测桩基础滤波后的振动反射信号转换成时频信号图；
[0013]S6.将待测桩基础滤波后的振动反射信号输入至双通道卷积神经网络的一维通道中且将待测桩基础滤波后的振动反射信号的时频信号图输入至双通道卷积神经网络的二维通道中，得到待测桩基础的缺陷类别。
[0014]进一步，步骤S2和步骤S5中，对振动反射信号采用小波滤波算法进行滤波处理。
[0015]进一步，步骤S3和步骤S5中，对振动反射信号采用小波变换转换成时频信号图。
[0016]相应地，本专利技术还提供了一种基于双通道卷积神经网络的桩基础多缺陷识别系统，包括激励模块、信号采集模块、滤波模块、信号转换模块以及卷积神经网络模块；
[0017]所述激励模块，用于向存在多缺陷的桩基础施加振动激励；
[0018]所述信号采集模块，用于获取桩基础对振动激励反射后的振动反射信号并输出；
[0019]所述滤波模块，用于对信号采集模块输出振动反射信号进行滤波处理；
[0020]所述信号转换模块，用于将信号采集模块输出的振动反射信号以及滤波模块输出的振动反射信号转换成时频信号图；
[0021]所述卷积神经网络模块为双通道卷积神经网络模块，其一维输入通道连接于信号采集模块和滤波模块，其二维输入通道连接于信号转换模块，用于接收信号采集模块、滤波模块和信号转换模块输出的信号对自身进行训练，且训练完成后对待测桩基础的振动反射信号进行缺陷分类识别。
[0022]进一步，所述滤波模块采用小波滤波算法进行滤波。
[0023]进一步，所述信号转换模块采用小波变换将振动反射信号转换为时频信号图。
[0024]进一步，所述系统通过如下步骤进行多缺陷识别：
[0025]S1.控制激励模块对存在多缺陷的桩基础施加多次振动激励，并由信号采集模块获取振动激励经过桩基础反射后的振动反射信号；
[0026]S2.滤波模块将振动反射信号进行滤波处理；
[0027]S3.信号转换模块将滤波前和滤波后的振动反射信号均转换成时频信号图；
[0028]S4.将滤波前和滤波后的振动反射信号输入至双通道卷积神经网络模块的一维通道中且滤波前的振动反射信号的时频信号图和滤波后的振动反射信号的时频信号图输入至双通道卷积神经网络模块的二维通道中并对双通道卷积神经网络模块进行训练,直至双通道卷积神经网络训练完成；
[0029]S5.控制激励模块对待测桩基础施加振动激励，信号采集模块获取待测桩基础的振动反射信号并输入至滤波模块中进行滤波处理，信号转换模块并将待测桩基础滤波后的振动反射信号转换成时频信号图；
[0030]S6.将待测桩基础滤波后的振动反射信号输入至双通道卷积神经网络模块的一维通道中且将待测桩基础滤波后的振动反射信号的时频信号图输入至双通道卷积神经网络模块的二维通道中进行处理，双通道卷积神经网络模块输出待测桩基础的缺陷类别。
[0031]本专利技术的有益效果：通过本专利技术，能够对桩基础的振动反射信号中的反应缺陷类型的敏感特征进行准确提取以及识别，而且能够有效避免环境的干扰，从而确保最终识别结果的准确性。
附图说明
[0032]下面结合附图和实施例对本专利技术作进一步描述：
[0033]图1为本专利技术的流程示意图。
[0034]图2为本专利技术的结构示意图。
[0035]图3为本专利技术的一个具体实例桩基础6种缺陷示意图。
[0036]图4为图3中的6种缺陷振动反射曲线图。
[0037]图5为图4中转换后的时域信号图。
具体实施方式
[0038]以下进一步对本专利技术做出详细说明：
[0039]本专利技术提供的一种基于双通道卷积神经网络的桩基础多缺陷识别方法，包括以下步骤：
[0040]S1.对存在多缺陷的桩基础施加多次振动激励，并获取振动激励经过桩基础反射后的振动反射信号；
[0041]S2.将振动反射信号进行滤波处理；
[0042]S3.将滤波前和滤波后的振动反射信号均转换成时频信号图；
[0043]S4.将滤波前和滤波后的振动反射信号输入至双通道卷积神经网络的一维通道中且滤波前的振动反射信号的时频信号图和滤波后的振动反射信号的时频信号图输入至双通道卷积神经网络的二维通道中并对双通道卷积神经网络进行训练,直至双通道卷积神经网络训练完成；其中，训练完成的标志就是对双通道卷积神经网络的迭代优化次数达到设定次数；
[0044]S5.对待测桩基础施加振动激励，获取待测桩基础的振动反射信号进行滤波处理，并将待测桩基础滤波后的振动反射信号转换成时频信号图；
...

【技术保护点】

【技术特征摘要】
1.一种基于双通道卷积神经网络的桩基础多缺陷识别方法，其特征在于：包括以下步骤：S1.对存在多缺陷的桩基础施加多次振动激励，并获取振动激励经过桩基础反射后的振动反射信号；S2.将振动反射信号进行滤波处理；S3.将滤波前和滤波后的振动反射信号均转换成时频信号图；S4.将滤波前和滤波后的振动反射信号输入至双通道卷积神经网络的一维通道中且滤波前的振动反射信号的时频信号图和滤波后的振动反射信号的时频信号图输入至双通道卷积神经网络的二维通道中并对双通道卷积神经网络进行训练,直至双通道卷积神经网络训练完成；S5.对待测桩基础施加振动激励，获取待测桩基础的振动反射信号进行滤波处理，并将待测桩基础滤波后的振动反射信号转换成时频信号图；S6.将待测桩基础滤波后的振动反射信号输入至双通道卷积神经网络的一维通道中且将待测桩基础滤波后的振动反射信号的时频信号图输入至双通道卷积神经网络的二维通道中，得到待测桩基础的缺陷类别。2.根据权利要求1所述基于双通道卷积神经网络的桩基础多缺陷识别方法，其特征在于：步骤S2和步骤S5中，对振动反射信号采用小波滤波算法进行滤波处理。3.根据权利要求1所述基于双通道卷积神经网络的桩基础多缺陷识别方法，其特征在于：步骤S3和步骤S5中，对振动反射信号采用小波变换转换成时频信号图。4.一种基于双通道卷积神经网络的桩基础多缺陷识别系统，其特征在于：包括激励模块、信号采集模块、滤波模块、信号转换模块以及卷积神经网络模块；所述激励模块，用于向存在多缺陷的桩基础施加振动激励；所述信号采集模块，用于获取桩基础对振动激励反射后的振动反射信号并输出；所述滤波模块，用于对信号采集模块输出振动反射信号进行滤波处理；所述信号转换模块，用于将信号采集模块输出的振动反射信号以及滤波模块输出的振动反射信号转换成时频信号图；所...

【专利技术属性】
技术研发人员：伍川生，葛曼，范伟暄，卓德兵，漆玲玲，张建强，郝天琪，彭杨霞，李宇悦，王梦雨，申超月，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：