馬賽克墻面質(zhì)量檢測(cè)研究

■ 范強(qiáng)龍 Fan Qianglong 劉文白 Liu Wenbai 孔 戈 Kong Ge 高建衛(wèi) Gao Jianwei

馬賽克墻面質(zhì)量檢測(cè)研究

■ 范強(qiáng)龍 Fan Qianglong 劉文白 Liu Wenbai 孔 戈 Kong Ge 高建衛(wèi) Gao Jianwei

文章運(yùn)用非線性動(dòng)力學(xué)參數(shù)樣本熵作為特征，對(duì)正常與空鼓狀態(tài)下馬賽克飾面磚的敲擊振動(dòng)信號(hào)進(jìn)行分析識(shí)別。利用集成經(jīng)驗(yàn)?zāi)B(tài)分解方法（EEMD），將振動(dòng)信號(hào)分解得到若干個(gè)內(nèi)蘊(yùn)模式分量IMF。計(jì)算IMF的樣本熵并作為特征量，進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，對(duì)待測(cè)樣本判斷識(shí)別。結(jié)果表明該方法具有較高的準(zhǔn)確性。

EEMD；樣本熵；IMF；BP神經(jīng)網(wǎng)絡(luò)

0 引言

外墻飾面層黏結(jié)缺陷狀態(tài)診斷中的一個(gè)關(guān)鍵步驟就是特征提取，提取的特征若能正確反映狀態(tài)類(lèi)別，則可為模式識(shí)別打下基礎(chǔ)。

基于非線性動(dòng)力學(xué)參數(shù)的特征提取方法提供了一種研究飾面層黏結(jié)狀態(tài)非線性特征的工具，如信息熵、近似熵、分形維數(shù)等。樣本熵是在近似熵的基礎(chǔ)上發(fā)展的一種度量時(shí)間序列復(fù)雜度的新方法，其對(duì)時(shí)間序列長(zhǎng)度的依賴(lài)較少，抗噪聲能力較強(qiáng)，在參數(shù)大取值范圍內(nèi)一致性較好[1]。

考慮到空鼓狀態(tài)下，馬賽克飾面磚的振動(dòng)信號(hào)表現(xiàn)出非線性、非平穩(wěn)的特征，以及奇異值分解數(shù)學(xué)方法的特點(diǎn)和樣本熵作為振動(dòng)信號(hào)判斷的有效性，本文首先利用集成經(jīng)驗(yàn)?zāi)B(tài)分解方法（EEMD），將馬賽克飾面磚的敲擊振動(dòng)信號(hào)分解為一系列平穩(wěn)的本征模態(tài)函數(shù)——IMF分量，且每個(gè)IMF包含了原信號(hào)不同尺度上時(shí)間序列的局部特征[2-6]；然后計(jì)算樣本的樣本熵標(biāo)準(zhǔn)差與均值；最后，由于BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力、容錯(cuò)能力和非常強(qiáng)的非線性映射能力，可以將樣本熵作為特征量來(lái)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，并對(duì)馬賽克飾面磚的完好情況進(jìn)行診斷[7]。

1 樣本熵

國(guó)家自然科學(xué)基金項(xiàng)目（51078228）；國(guó)家海洋公益性行業(yè)科研專(zhuān)項(xiàng)經(jīng)費(fèi)項(xiàng)目（201105024-5）；2013年上海市研究生教育創(chuàng)新計(jì)劃實(shí)施項(xiàng)目“學(xué)位點(diǎn)建設(shè)培育”（20131129）；上海市科學(xué)技術(shù)委員會(huì)立項(xiàng)項(xiàng)目《既有建筑外圍護(hù)結(jié)構(gòu)飾面層脫落風(fēng)險(xiǎn)檢測(cè)技術(shù)及標(biāo)準(zhǔn)的制定》（編號(hào)15DZ0500700）。

范強(qiáng)龍，上海海事大學(xué)碩士研究生；劉文白，上海海事大學(xué)教授；孔戈，上海眾材工程檢測(cè)有限公司總經(jīng)理；高建衛(wèi)，上海眾材工程檢測(cè)有限公司科研中心主任。x(N)} ，樣本熵的計(jì)算方法如下[8-10]。

（1）按序號(hào)組成一組維數(shù)為m的向量序列：Xm(1)，… ，Xm(N-m+1)，其中，Xm(i)={x(i)，x(i+1)，…，x(i+m-1)}，且1≤i≤N-m+1。這些向量代表從第i點(diǎn)開(kāi)始的m個(gè)連續(xù)的x值。

（2）定義向量Xm(i) 與Xm(j)之間的距離d[Xm(i)，Xm(j)]為兩者對(duì)應(yīng)元素中最大差值的絕對(duì)值。即:

d[Xm(i)，Xm(j)]=maxk=0,…,m-1[ x(i+k)-x(j+k) ] (1)

（3）對(duì)于給定的Xm(i)，統(tǒng)計(jì)Xm(i)與Xm(j)之間距離≤r的j(1≤j≤N-m，j≠1)的數(shù)目，并記作Bi。對(duì)于1≤j≤N-m，定義：

這些短語(yǔ)以前就有，只是被人們賦予了具有時(shí)代色彩的內(nèi)涵，讓人耳目一新。新的詞義，使得漢語(yǔ)的許多舊詞語(yǔ)煥發(fā)出了前所未有的活力。

（4）定義Bm(r)為：

（5）增加維數(shù)到m+1，計(jì)算Xm+1(i)與Xm+1(j) (1≤j≤N-m，j≠1) 距離≤r的個(gè)數(shù)，記為Ai，則Ai(r)定義為：

m

（6）定義Am(r)為：

（7）這樣，Bm(r)是兩個(gè)序列在相似容限r(nóng)下匹配m個(gè)點(diǎn)的概率，而Am(r)是兩個(gè)序列匹配m+1個(gè)點(diǎn)的概率。于是，可將樣本熵定義為：

當(dāng)N為有限值時(shí)，可以用下式估計(jì)：

可以看到，樣本熵的值與m、r的取值有關(guān)。因此，確定m、r兩個(gè)參數(shù)的值對(duì)于樣本熵的計(jì)算非常重要。根據(jù)Pincus[11]的研究結(jié)果，當(dāng)m=1或2，r=0.1Std~0.25Std（Std是原始數(shù)據(jù)x(i)的標(biāo)準(zhǔn)差）時(shí)，計(jì)算得到的樣本熵具有較為合理的統(tǒng)計(jì)特性。在本文的研究中，取m=2，r=0.2Std。

2 試驗(yàn)

2.1 試驗(yàn)?zāi)康?/p>

利用集成經(jīng)驗(yàn)?zāi)B(tài)分解方法（EEMD），將振動(dòng)信號(hào)分解，得到若干內(nèi)蘊(yùn)模式分量IMF，計(jì)算IMF的樣本熵并作為特征量，進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，對(duì)待測(cè)樣本進(jìn)行判斷識(shí)別，進(jìn)而可對(duì)建筑外墻馬賽克飾面磚的黏結(jié)安全性做出判斷，對(duì)后續(xù)采取的安全措施具有指導(dǎo)意義。

2.2 試驗(yàn)概況

本試驗(yàn)選取的SignalPad測(cè)控軟件及試驗(yàn)場(chǎng)地均由上海眾材工程檢測(cè)有限公司提供。試驗(yàn)方法是將壓電式加速度傳感器黏貼固定在馬賽克飾面磚上，再與計(jì)算機(jī)、信號(hào)采集卡及敲擊錘組成一套敲擊測(cè)試系統(tǒng)（圖1）。

2.3 試驗(yàn)步驟

將USB-2405凌華數(shù)據(jù)采集卡、CA-YD-1182型壓電式加速度傳感器分別與計(jì)算機(jī)相連，具體的SignalPad測(cè)控軟件參數(shù)設(shè)置為：采樣率25.6kS/s，靈敏度為100mV/g，數(shù)據(jù)采集模式為有限長(zhǎng)度，采樣時(shí)間為1s，單次單點(diǎn)測(cè)量，用力錘敲擊墻面，采集振動(dòng)信號(hào)。

2.4 IMF分量及分析

2.4.1 原始信號(hào)采集

采集到的原始信號(hào)如圖2～5所示。

圖1 現(xiàn)場(chǎng)布置示意圖

2.4.2 IMF分量信息

本文各取前3個(gè)IMF分量作為主要特征，具體信號(hào)信息如圖6～9。

2.4.3 分析

可見(jiàn)，正常馬賽克飾面磚與空鼓馬賽克飾面磚的功率譜與信號(hào)波形明顯不同。

（1）前者由振動(dòng)產(chǎn)生的振幅分布比較均勻，而后者由于空鼓時(shí)介質(zhì)不連續(xù)，振幅時(shí)大時(shí)小，且后者振幅平均值小于前者。

（2）信號(hào)波形中，前者振動(dòng)信號(hào)波時(shí)間較長(zhǎng)，后者較短。這說(shuō)明當(dāng)飾面磚空鼓時(shí)，敲擊回彈量較小，能量消散得比較快。

（3）兩者由3層EEMD分解得到的IMF時(shí)域波形圖也明顯不同。

2.5 試驗(yàn)結(jié)果及分析

根據(jù)表1及圖10，我們可以知道，基于樣本熵的識(shí)別系統(tǒng)具有相當(dāng)高的識(shí)別率。由表2可知，當(dāng)選取信號(hào)的數(shù)據(jù)長(zhǎng)度相同時(shí)，正常馬賽克飾面磚的樣本熵標(biāo)準(zhǔn)差與均值均明顯大于空鼓時(shí)的值，且兩者均值之比大于2。

3 結(jié)語(yǔ)

綜上所述，本文提出一種基于EEMD與樣本熵的馬賽克飾面磚空鼓檢測(cè)方法。通過(guò)實(shí)測(cè)馬賽克飾面磚的敲擊振動(dòng)信號(hào)試驗(yàn)表明：

表1 樣本選取及識(shí)別情況

（1）樣本熵分析方法只需較短數(shù)據(jù)就可得出穩(wěn)健的估計(jì)值，是一種具有良好的抗噪和抗干擾能力的非線性分析方法。通過(guò)對(duì)正常與空鼓馬賽克飾面磚的振動(dòng)信號(hào)分析可得出，當(dāng)墻面空鼓時(shí)，樣本熵的值會(huì)有所改變，并且小于正常時(shí)的值。

（2）EEMD是自適應(yīng)的，能對(duì)時(shí)間序列進(jìn)行多尺度分解，有效彌補(bǔ)樣本熵單一尺度上分析的缺陷。因此，二者的結(jié)合能有效識(shí)別損傷。

（3）對(duì)馬賽克飾面磚振動(dòng)信號(hào)進(jìn)行EEMD分解后，再進(jìn)行樣本熵特征提取，具有相當(dāng)高的識(shí)別率，并且可就具體每一層的IMF向量進(jìn)行分析，從而可以發(fā)現(xiàn)更深層次的信息，得到更好的診斷效果，該方法具有廣闊的發(fā)展前景。

表2 基于樣本熵的識(shí)別結(jié)果

[1]Pincus S M. Approximate Entropy(ApEn) as a Complexity Measure[J].Chaos,1995,5(1):110-117.

[2]王玉靜,康守強(qiáng),張?jiān)?等.基于集合經(jīng)驗(yàn)?zāi)B(tài)分解敏感固有模態(tài)函數(shù)選擇算法的滾動(dòng)軸承狀態(tài)識(shí)別方法[J].電子與信息學(xué)報(bào),2014,36(3):595-600.

[3]胡愛(ài)軍,馬萬(wàn)里,唐貴基. 基于集成經(jīng)驗(yàn)?zāi)B(tài)分解和峭度準(zhǔn)則的滾動(dòng)軸承故障特征提取方法[J].中國(guó)電機(jī)工程學(xué)報(bào),2012,32(11):106-111+153.

[4]王小玲,陳進(jìn),從飛云.基于時(shí)頻的頻帶熵方法在滾動(dòng)軸承故障識(shí)別中的應(yīng)用[J].振動(dòng)與沖擊,2012,31(18):29-32.

[5]Yan,Gao R X. Approximate entropy as a diagnostic tool for machine health monitoring[J].Mechanical Systems and Signal Processing,2007,21(2):824-839.

[6]Pincus S M.Approximate Entropy as a measure of system Complexity[J].ProNatlAcadSci, 1991(88):2297-2301.

[7]王惠中,効迎春,任虎.電機(jī)振動(dòng)信號(hào)特征提取新方法的研究[A].自動(dòng)化與儀器儀表,2014(12).

[8]王書(shū)濤,李亮,張淑清,等.基于EEMD樣本熵和GK模糊聚類(lèi)的機(jī)械故障識(shí)別[J].中國(guó)機(jī)械工程, 2013,24(022):3036-3040.

[9]向丹,葛爽.一種基于小波包樣本熵和流行學(xué)習(xí)的故障特征提取模型[J].振動(dòng)與沖擊,2014,33(11):1-5.

[10]鄒慶龍,陳桂娟,邢俊杰,等.基于LMD樣本熵與SVM的往復(fù)壓縮機(jī)故障診斷方法[J].噪聲與振動(dòng)控制,2014,34(6):174-177.

[11]Pincus S M. Accessing serial irregularity and its implications for health[J].Ann.N.Y. Acad.Sci,2002,954:245-267.

Research on Quality Test of Mosaic Wall

This paper took sample entropy of nonlinear kinetic parameters as characters to analyze and distinguish knocking and vibrating signals of mosaic tiles under normal state and hollowing state. By utilizing EEMD, it resolved the vibration signals and obtained several IMF. Calculate the sample entropy of IMF and take as characteristic quantity, and carry out BP neural network training to judge and distinguish the test samples. The result shows that this method is highly accurate.

EEMD, sample entropy, IMF, BP neural network

2017-01-13）