基于EEMD_SVM的波紋管壓漿超聲檢測

，，

(河海大學 物聯網學院, 常州 213022)

橋梁的安全與內部波紋管的壓漿質量息息相關，在波紋管內部灌入水泥漿后，由于灌漿工藝以及環境等因素的影響，波紋管內部鋼絞線附近的水泥漿可能脫落而出現空腔，形成脫漿缺陷。由于波紋管壁和混凝土材料對聲波信號的衰減作用，超聲檢測獲取的反射信號包含的缺陷信息較為微弱，且聲波在混凝土中會發生不同程度的散射、反射、折射，這些因素會對回波造成復雜的影響，從而使得通過回波信號很難直接觀察出波紋管內部是否存在缺陷，因此，如何有效快速地判斷波紋管內部的注漿程度，是實際檢測過程中的一大難點[1-2]。

筆者提出將信號的總體平均經驗模態分解(EEMD)用于波紋管的質量檢測中，其適用于常見的非平穩、非線性信號的分解與處理，是一種自適應的分解方法，信號通過EEMD分解，可以得到多個不同頻帶的本征模態分量(IMF)。波紋管內部出現缺陷時，缺陷位置的信息會隱藏在超聲回波信號中，不同IMF分量信號的能量分布會發生相應改變。文章采用了EEMD分解與支持向量機(SVM)相結合的波紋管壓漿質量檢測方法，將包含主要信息的IMF分量中提取出來的能量熵特征作為SVM的輸入，建立支持向量機分類機制，判斷波紋管的壓漿質量。結果表明，該方法能有效地判斷波紋管內部是否出現嚴重空腔缺陷。

1 EEMD和支持向量機理論

1.1 EEMD能量熵理論

EEMD的分析引入了白噪聲的特性，由于EMD[3](經驗模態)分解過程會出現模態混疊問題，而高斯白噪聲具有均勻分布的特點，加入了白噪聲的信號在各個尺度上會具有連續性，有效地避免了EMD方法的缺陷。

EEMD的分解如下[4]：

(1) 初始化EMD分解次數M和白噪聲幅值系數k(取值范圍0.1～0.4),設EMD初次分解次數m為1。

(2) 在原序列x(t)上加入隨機高斯白噪聲序列nm(t)，得到加噪的待處理的第m個序列。

xm(t)=x(t)+knm(t)

(1)

對xm(t)進行EMD分解，得到n個IMF分量cim(t)和一個剩余分量rnm(t)，分別為

cim(t)=hjm(t)i=1,2,3,…,n

(2)

rnm(t)=rn-1m(t)-cnm(t)

(3)

若m

(3) 對M次EMD試驗的所有IMF分量以及剩余分量計算平均值為如下式所示。

(4)

(5)

通過EEMD得到分解后的各個頻段，以不同分量信號的能量熵表示信號能量分布。

(1) 計算分解后各個尺度信號(IMF1到IMFn)的能量值Ei，總能量如式(6)所示。

(6)

(2) 每個IMF分量信號能量所占概率為Pi=Ei/E，得出每一個IMF信號的能量熵如式(7)所示。

H(IMFi)=-PilogePi[5]

(7)

1.2 支持向量機理論

支持向量機的分類思想為：在樣本線性可分時，直接在原空間構造數據樣本的最優分類超平面。若樣本線性不可分，則在原空間中引入松弛變量，通過非線性變換將低維空間的數據樣本映射到高維空間，即經過已選擇的非線性映射將輸入向量映射到一個高維的特征空間，然后在這個空間里面建立一個最優的分類超平面,SVM分類函數實際上相當于神經網絡[6-7]。

輸出的決策準則為

(8)

權值wi=αiyi，K(x·xi)為基于n個輸入向量x1,x2,…,xn的非線性變換，也即SVM中的內積核函數。

常用的內積核函數有：

(1)多項式核函數

K(x,xi)=[(x·xi)+1]q

(9)

(2)徑向基函數(RBF)

K(x,xi)=exp{-|(x-xi)2/σ2|}

(10)

(3) S形核函數

K(x,xi)=tanh[v(x·xi)+c]

(11)

1.3 聯合判別方法

事先從無缺陷模型和完全脫漿的波紋管模型中提取超聲檢測信號，作為試驗組信號，采取EEMD聯合支持向量機方法來判斷模型是否產生嚴重脫漿，實施步驟為：

(1) 對試驗組各取n組波回波信號的m個主要分量能量熵，組成訓練集，輸入支持向量機進行訓練，得到分類器。

(2)對待檢測的波紋管同樣提取信號m個主要分量的能量熵，輸入分類器，支持向量機根據分類準則對輸入的向量進行分類，判斷原信號所屬模型的缺陷情況。

2 波紋管仿真分析

2.1 仿真模型及聲測量原理

波紋管壓漿結構系統的模型如圖1所示，其最外層為混凝土層，其次為波紋管，在波紋管內部注入了水泥漿，在鋼絞線附近可能出現水泥漿脫落的情況，即出現脫漿缺陷而產生空腔，脫漿的空腔越大，脫漿程度越嚴重。超聲波在傳播時，遇到不同介質會發生反射、透射以及散射等一系列物理現象。由于空氣與混凝土等材料的聲阻抗特性相差較大，超聲經過混凝土/空氣等界面時會發生較強的反射，空腔缺陷信息會隱藏在反射回波信號中，而利用超聲波脈沖回波法獲取信號中的有效信息，則能實現對缺陷的檢測。

圖1 波紋管結構示意

首先采取仿真分析，建立不同波紋管壓漿模型，采用COMSOL Multiphysics仿真軟件[8]進行仿真，圖2為建立的6個不同的二維仿真模型，A0～A5代表實際過程中不同脫漿程度的波紋管結構，其中，A0代表無缺陷模型，A5代表完全脫漿模型；模型各段空腔缺陷尺寸如表1所示。仿真中以線源作為激勵源，模擬實際過程中的發射換能器，寬度為2cm，使用自發自收模式獲取模型回波信號，激勵信號S(t)采用漢寧窗調制的單脈沖信號，如下式所示。

(t

式中：f為信號中心頻率,f=200 kHz;t0=10 μs。

圖2 波紋管壓漿仿真模型

表1 仿真模型各段空腔缺陷的尺寸 cm

2.2 仿真信號分析

分別以A0模型及A5模型超聲回波信號(見圖3和圖4)為例進行分析，由于波紋管復雜結構的作用，回波信號較為復雜，A5模型回波信號中，缺陷回波隱藏在波紋管反射波等復雜波形中，難以直觀判斷，因此需要采用必要的信號處理手段來提取有用信息。

圖3 A0模型的仿真回波信號

圖4 A5模型的仿真回波信號

采用文章提出的方法對信號進行EEMD分解，圖5為A0信號分解后的波形，圖6為A0、A5模型仿真信號的前4個主要IMF分量的能量熵分布。仿真信號的分析表明，波紋管結構缺陷的信息可以由回波信號的能量熵分布體現出來，提取兩種模型回波信號主要分量的能量熵，作為試驗組輸入向量建立分類機，設置A0模型數據組成的特征向量對應類別標簽為+1，A5模型數據對應類別標簽為-1，可以用來判斷其他仿真模型缺陷情況，分類結果為：A1,+1;A2,+1;A3,-1;A4,-1。

圖5 A0模型回波信號各頻段分量

圖6 A0,A5模型信號的主要能量熵分布

從支持向量機分類結果可看出，A3、A4的分類結果為-1，表明這兩種模型較為接近A5模型，判定其中有嚴重脫漿;A1、A2模型結果為+1，比較接近A0模型。仿真結果表明，此方法較適用于尺寸較大的缺陷的檢測。

圖7 實際澆筑模型

圖8 實際試驗的激勵信號

圖9 無缺陷模型實測回波

圖10 脫漿模型實測回波

3 試驗測量與分析

試驗模型是按照設計好的缺陷位置及類型進行澆筑的混凝土結構，如圖7所示，其中，波紋管內徑為69 mm，波紋管壁的厚度為3 mm，試件尺寸(長×寬×高)為10 m×0.5 m×1 m，內置不同程度的脫漿缺陷。激勵源采用單脈沖激勵，激勵信號如圖8所示，發射換能器中心頻率為200 kHz，采用一發一收模式獲取超聲回波數據，采樣頻率為1 MHz，獲得的一組測量信號如圖9，10所示。由圖9，10可見，脫漿模型的缺陷回波信號隱藏在波紋管反射信號等復雜波形中，由于實際過程中脫漿程度不同，回波信號的缺陷回波時刻和幅度也有所差別，且受各種因素影響，難以通過復雜的波形直觀判斷出波紋管壓漿質量。和仿真結果類似，通過EEMD分解后的信號能量熵(見圖11)能夠作為區別兩種信號的指標。采取仿真的方法來判斷壓漿質量，首先建立試驗組，即事先采集無缺陷模型和完全脫漿模型回波信號各20組樣本，將此20組信號組成的特征向量作為訓練集輸入，得到分類機，設置無缺陷模型特征向量對應類別標簽為+1，完全脫漿模型對應類別標簽為-1。

圖11 實測信號的主要能量熵分布

圖12 試驗測試模型

建立分類器后，試驗測試模型如圖12所示，采集實際測量模型信號，檢驗SVM測試結果，試驗檢測T1～T6段模型。試驗模型各段空腔缺陷尺寸如表2所示，分類結果如表3所示，試驗結果驗證了仿真結果，結果表明T3～T5段有較嚴重的脫漿缺陷，而T2的缺陷無法識別出來，驗證了仿真理論，也表明此方法適用于大缺陷的檢測，而在實際工程中，脫漿程度較小時的安全隱患較低。此方法通過超聲脈沖回波法獲取波紋管結構信息，經EEMD分解結合SVM分類結果即可初步判斷壓漿質量，能夠較為直觀地檢測出波紋管是否有嚴重脫漿，適用于工程檢測。

表2 試驗模型各段空腔缺陷尺寸 cm

表3 試驗測試模型的SVM分類結果

4 結論

EEMD是一種自適應的非線性分解方法，能夠有效地提取波紋管超聲回波信號的特征，通過EEMD分解后的各頻段信號的能量熵特征能夠反映模型內部缺陷特征，SVM分類機制和EEMD結合的方法能夠有效地判斷波紋管內部是否存在嚴重空腔缺陷，但如何精確判別小缺陷的有無及所在位置還需作進一步的研究。

參考文獻：

[1] 成錦, 韓慶邦, 范洪輝,等. 基于小波熵技術的波紋管壓漿質量無損檢測[J]. 壓電與聲光, 2014, 36(6):1025-1029.

[2] 高小妮, 謝峻 , 安寧,等.基于不同雷達天線的橋梁深層鋼筋識別精度試驗[J]. 無損檢測, 2017, 39(11):44-47.

[3] JONG-HYO A, DAE-HO K, BONG-HWAN K. Fault detection of a roller-bearing system through the EMD of a wavelet denoised signal[J]. Sensors, 2014, 14(8):15022-15038.

[4] WANG T, ZHANG M, YU Q, et al. Comparing the application of EMD and EEMD on time-frequency analysis of seimic signal[J]. Journal of Applied Geophysics, 2012, 83(6):29-34.

[5] LIU Z, CUI Y, LI W. A classification method for complex power quality disturbances using EEMD and rank wavelet SVM[J]. IEEE Transactions on Smart Grid, 2015, 6(4):1678-1685.

[6] 吳慶偉, 王金龍, 張平. 基于FOA-SVM模型的輸油管道內腐蝕速率預測[J]. 腐蝕與防護, 2017, 38(9):732-736.

[7] LIAN Y, LI Y W, QUAN Z, et al. SVM strategies for common-mode current reduction in transformerless current-source drives at low modulation index[J]. IEEE Transactions on Power Electronics,2016，32(2)：1312-1323.

[8] HAN Q, CHENG J, FAN H, et al. Ultrasonic nondestructive testing of cement grouting quality in corrugated pipes based on impact-echo[J].Journal of Advanced Concrete Technology,2014,12(11):503-509.