一种钢管桁架体内预应力灌浆含量的检测方法

技术领域

本发明涉及电数字数据处理的技术领域，尤其涉及一种钢管桁架体内预应力灌浆含量的检测方法。

背景技术

钢管桁架结构又称管桁架或管结构，是指结构杆件均为方管或圆管的桁架结构。由于管桁架结构具有自重轻、受力合理、造型新颖的独特优势，在大跨度建筑中得到极大地发展及应用。但钢管桁架结构在使用中易产生较大变形，因此，在施工中通常采用预应力方法来控制钢桁架结构的变形。钢管桁架体内预应力灌浆含量直接影响钢桁架结构的使用性能及安全性。

目前针对钢管桁架体内预应力灌浆含量的检测方法主要包含：钻芯取样法、超声波法、冲击弹性波、射线辐射法等。上述方法都有各自的缺点和不足。例如钻芯取样法操作复杂、准确度低、成本高，超声波法作业性差、效率低、难以实用，冲击弹性波法检测信号通常采用人员判断，对人员专业知识要求较高。

钢管桁架体内预应力灌浆含量质量好坏直接影响着钢结构建筑的耐久性和安全性，因此，加强对钢管桁架体内预应力灌浆含量检测技术的研究具有重要而深远的意义。

发明内容

本发明的目的是为了克服以上现有技术存在的不足，提供了一种钢管桁架体内预应力灌浆含量的检测方法。

本发明的目的通过以下的技术方案实现：一种钢管桁架体内预应力灌浆含量的检测方法，包括以下步骤：

S1、制作Z个已知灌浆含量

S2、采用一种钢管桁架体内预应力灌浆含量的检测系统对步骤S1的Z个已知灌浆含量

S3、将步骤S2的时域信号上传到PC端后进行快速傅里叶变换，得到Z个已知灌浆含量

S4、根据步骤S3的Z个频域信号得到Z个固有频率；

S5、将步骤S3的Z个频域信号进行预处理，得到Z个特征向量；

S6、将步骤S5的Z个所述特征向量输入到MLP网络模型，基于MLP网络模型提取信号的特征与训练MLP网络模型，获得检测模型；

S7、将步骤S4的Z个固有频率输入到步骤S6的检测模型中进行检测，得到检测结果；

S8、根据步骤S7的检测结果和步骤S4的固有频率得到Z个灌浆钢管桁架体内预应力的质量评估等级。

更优的选择，步骤S2的时域信号的采集方法包括以下步骤：

S201、将非接触自激发式激光测振装置安置于固定支架上，并固定好固定支架的位置；

S202、打开非接触自激发式激光测振装置，使非接触自激发式激光测振装置的激光垂直于已知灌浆含量

S203、将非接触自激发式激光测振装置的自发式激光激振器发射能量作用于已知灌浆含量

S204、通过非接触自激发式激光测振装置的激光检测器采集已知灌浆含量

更优的选择，步骤S3的快速傅里叶变换的公式包括

更优的选择，步骤S5的预处理方法包括以下步骤：

S50、对步骤S3的Z个频域信号进行独热编码归一化处理，得到矩阵；

S51、再对矩阵进行降维，得到Z个特征向量。

更优的选择，对频域信号进行独热编码归一化处理的方法包括以下步骤：

S501、将步骤S3的频域信号的频率进行离散化，得到离散数据，使用等宽离散化方式将离散数据划分为若干个区间；

S502、若干个区间按区间的大小进行排列，并依次对若干个区间进行整数编码；

S503、创建一个大小为(n,m)的矩阵，其中，n表示样本数，m表示离散数据的类别数；

S504、根据步骤S4中的固有频率，在矩阵的每一行中，将对应的区间所在的位置填充为1，剩余位置均填充为0；

S505、将灌浆含量

更优的选择，对矩阵进行降维的方法包括以下步骤：

S511、对矩阵进行标准化处理，得到标准化矩阵；

S512、然后对步骤S511中的标准化矩阵转换为协方差矩阵；

S513、对协方差矩阵进行特征值分解，得到特征向量和特征值；

S514、将特征向量按照对应的特征值大小降序排列，选择前k个特征向量作为主成分，其中，k为降维后的维度，k

更优的选择，步骤S6包括以下步骤：

S601、将步骤S5中的特征向量划分为训练集、验证集和测试集；

S602、设计MLP网络模型；

S603、使用训练集对步骤S602中的MLP网络模型进行训练，通过反向传播算法来更新MLP网络模型的权重和偏置；

S604、使用步骤S601中的验证集对步骤S603中的MLP网络模型进行超参数调优；

S605、使用步骤S601中的测试集对步骤S604中的MLP网络模型进行评估，得到检测模型。

更优的选择，步骤S8的建立灌浆钢管桁架体内预应力的质量评估等级包括以下步骤：

S801、确定钢管桁架与灌浆体、灌浆体与钢绞线接触面上的界面压力

S802、按公式计算钢管桁架体内预应力试样对应的粘结强度，该计算公式为

其中，

S803、根据步骤S802中的粘结强度与步骤S4中的固有频率之间的关系，建立灌浆含量质量评估等级；

S804、根据步骤S7的检测结果和步骤S803的灌浆含量质量评估等级，得到Z个钢管桁架体内预应力试样的灌浆质量评估等级。

更优的选择，步骤S2的一种钢管桁架体内预应力灌浆含量的检测系统包括非接触自激发式激光测振装置、固定支架、钢管桁架体内预应力试样、信号采集箱和PC端，所述非接触自激发式激光测振装置检测所述钢管桁架体内预应力试样，所述非接触自激发式激光测振装置安装于所述固定支架，所述非接触自激发式激光测振装置通过所述信号采集箱与所述PC端连接。

更优的选择，所述非接触自激发式激光测振装置包括自发式激光激振器、激光发射器、激光分离器和激光检测器，所述自发式激光激振器、所述激光发射器、所述激光分离器和所述激光检测器均安装于所述固定支架，所述自发式激光激振器通过能量让所述钢管桁架体内预应力试样振动，所述激光发射器发射激光，所述激光通过所述激光分离器分离出参考光和检测光，所述检测光发射到所述钢管桁架体内预应力试样的表面，所述激光检测器接收所述参考光和所述钢管桁架体内预应力试样表面的检测光，所述激光检测器与所述信号采集箱连接。

本发明相对现有技术具有以下优点及有益效果：

1、本发明一种钢管桁架体内预应力灌浆含量的检测方法采用独热编码对数据进行归一化处理消除了各属性之间的量纲不一致，并对编码后的数据进行PCA（PrincipalComponent Analysis，主成分分析）降维，PCA降维去除了冗余特征，提高了海量数据分析的时效性；并采用的MLP神经网络，适合处理长时间序列的数据，对时间序列长度没有限制，解决了RNN（Recurrent Neural Network，循环神经网络）循环神经网络在处理长时间序列任务存在的梯度消失和梯度爆炸的问题，直接判断装配式灌浆钢管桁架提内预应力的质量等级，检测方法操作简单，降低了检测成本。

2、本发明一种钢管桁架体内预应力灌浆含量的检测系统，免去传统的重锤敲击动作，由自身携带激振器发射一定能量到待测物表面，提高了检测效率，有效避免了传感器与被测物表面接触而产生的误差，大幅提高测试精度和效率。

附图说明

图1是本发明一种钢管桁架体内预应力灌浆含量的检测系统的示意图；

图2是本发明一种钢管桁架体内预应力灌浆含量的检测系统的非接触自激发式激光测振装置的原理示意图；

图3是本发明一种钢管桁架体内预应力灌浆含量的检测方法的流程图；

图4是本发明一种钢管桁架体内预应力灌浆含量的检测方法的MLP神经网络结构示意图；

图5是本发明一种钢管桁架体内预应力灌浆含量的检测方法的桁架体内预应力灌浆连接受力模型示意图；

附图中各部件的标记：1-非接触自激发式激光测振装置；101-自发式激光激振器；102-激光发射器；103-激光分离器；104-激光检测器；2-固定支架；3-钢管桁架体内预应力试样；301-钢管桁架；302-灌浆体；303-钢绞线；4-信号采集箱；5-PC端。

具体实施方式

下面结合附图和具体实施例对本发明的发明目的作进一步详细地描述,实施例不能在此一一赘述,但本发明的实施方式并不因此限定于以下实施例。

如图1所示，一种钢管桁架体内预应力灌浆含量的检测系统包括非接触自激发式激光测振装置1、固定支架2、钢管桁架体内预应力试样3、信号采集箱4和PC端5，非接触自激发式激光测振装置1安装在固定支架2上，非接触自激发式激光测振装置1通过无线与信号采集箱4连接，信号采集箱4通过电线与PC端5连接。非接触自激发式激光测振装置1用于采集钢管桁架体内预应力试样3的时域信号；固定支架2用于固定非接触自激发式激光测振装置1；信号采集箱4用于收集时域信号；PC端5为计算机，用于时域信号的处理。

如图2所示，非接触自激发式激光测振装置1包括自发式激光激振器101、激光发射器102、激光分离器103和激光检测器104。自发式激光激振器101发射一定能量E

激光信号采样率为3MHz，采样点为9000个，每个激振点重复采样10次，则可得到钢管桁架体内预应力试样3的激光时域信号，通过快速傅立叶变换得到频域信号，采用数据转化算法对频域信号进行预处理。首先预处理后的数据进行平均处理，对10次激光时域信号进行平均计算。每种不同百分比灌浆含量的钢管桁架体内预应力试样3均获取8000个样本，其中包括4000个灌浆饱满样本和4000个灌浆不饱满样本。为了减少单个信号造成的随机性，为灌浆不饱满样本的每个点随机生成2000个样本，将训练集导入MLP网络模型，通过卷积层和全连接层进行特征提取，再通过softmax（归一化指数函数）函数将特征值映射到标签值中，通过MLP网络模型计算得到的标签值和实际标签值的差异对MLP网络模型进行反馈训练，直到迭代结束，本MLP网络模型设置的迭代次数为200次。获得不同百分比灌浆含量的钢管桁架体内预应力试样3的检测模型后，将用相同的方法从原始数据中获取一组检测数据输入检测模型进行检测，输出检测结果，根据检测结果得到钢管桁架体内预应力试样3的质量评估等级。

钢管桁架体内预应力试样3采集时域信号的原理说明：结构的动力特性是结构物理参数的函数，当结构产生缺陷时物理参数会发生改变，而物理参数的改变则引起结构动力特性的改变。频率是结构最基本的动力特性，测量容易并且精度高，当钢管桁架301灌浆不饱满时，钢管桁架301的结构刚度会被削弱,从而引起结构固有频率发生变化，具体过程如下：

1、对于多个自由度自由振动系统，其运动微分方程可以表示为：

其中，

2、对于多自由度无阻尼自由振动的结构系统来说阻尼

其特征值为：

3、当钢管桁架301在灌浆不饱满时，钢管桁架301的刚度矩阵

4、灌浆钢管桁架301含量与其钢管桁架301结构固有频率对应关系为：

,

表示灌浆钢管桁架301第i阶固有频率平方的变化；/>

如图3所示，一种钢管桁架体内预应力灌浆含量的检测方法包括以下步骤：

S1、制作Z个已知灌浆含量

S2、采用非接触自激发式激光测振装置1对步骤S1的Z个已知灌浆含量

S201、将非接触自激发式激光测振装置1安置在固定支架2上，并固定好固定支架2的位置；

S202、打开非接触自激发式激光测振装置1，使非接触自激发式激光测振装置1的激光垂直于钢管桁架体内预应力试样3；

S203、将非接触自激发式激光测振装置1的自发式激光激振器101发射一定能量E

S204、非接触自激发式激光测振装置1的激光检测器104采集钢管桁架体内预应力试样3的时域信号。

S3、将步骤S2的时域信号被信号采集箱4所收集，信号采集箱4将采集好的Z个时域信号上传到PC端5后，对时域信号进行快速傅里叶变换，得到Z个频域信号，该快速傅里叶变换的公式包括

S4、根据步骤S3的Z个频域信号得到Z个固有频率；

S5、将步骤S3的Z个频域信号进行预处理，得到Z个特征向量；

步骤S5中的预处理方法包括对Z个频域信号进行独热编码归一化处理，得到Z个矩阵，再对Z个矩阵进行降维，得到Z个特征向量。

S50、对步骤S3的Z个频域信号进行独热编码归一化处理的方法包括以下步骤：

（1）对每个频域信号进行离散化处理。将每个频域信号的频率值按照一定的离散化方式进行划分，比如划分为0~20Hz、20~40Hz、40~60Hz等不同的区间。这样可以使得不同频率之间的差异被转化为同一尺度上的数值。

（2）对离散化的频域信号进行独热编码。对于每个离散化的频域信号，创建一个独热编码矩阵。在该矩阵中，每一行对应一个频域信号，每一列对应一个离散化的频率区间。将每个频域信号在对应频率区间内的值设置为1，其他值设置为0。这样就可以将不同的频域信号表示为同一尺度上的独热编码矩阵。

（3）对独热编码矩阵进行归一化处理。对独热编码矩阵的每一行进行归一化处理，使得每一行的元素之和为1。这样可以消除不同频域信号之间的量纲和数值差异，使得它们在同一个尺度上可以进行比较和分析。

举例：假设有三个样本，灌浆含量分别为50%、60%、70%，每个频域信号对应的固有频率分别为30Hz、20Hz、10Hz，将固有频率数据离散化为0~20Hz、20~40Hz、40~60Hz三个区间，按照如下方式进行独热编码：

S501、确定离散化方式：将Z个频域信号的频率进行离散化，得到离散数据，再使用等宽离散化方式将离散数据划分为若干个区间；例如：0~20Hz，20~40Hz，40~60Hz；

S502、对离散数据进行编号：步骤S501中的若干个区间按区间从小到大进行排列，并依次对若干个区间进行整数编码；例如：0~20Hz=1，20~40Hz=2，40~60Hz=3；

S503、创建矩阵：创建一个大小为(n,m)的矩阵，其中n表示样本数，m表示离散数据的类别数；例如：创建一个大小为（3，4）的矩阵；

S504、将矩阵中对应位置填充1：根据步骤S4中的固有频率，在矩阵的每一行中，将对应的区间所在的位置填充为1，其他位置填充为0；

S505、向矩阵中添加灌浆含量

其中，第一列至第三列表示样本的固有频率分别属于0~20Hz、20~40Hz、40~60Hz三个区间，第四列表示钢管桁架体内预应力试样3的灌浆含量

S51、对矩阵进行降维的方法包括以下步骤：

S511、矩阵标准化：对矩阵进行标准化处理，即是使得矩阵中的每个特征的均值为0，方差为1，得到标准化矩阵；计算公式如下：

设有n个样本，每个样本具有p个属性：X

式中，

对

其中：

S512、计算协方差矩阵：然后对步骤S511中的标准化矩阵转换为协方差矩阵；

按照

S513、计算特征值和特征向量：对协方差矩阵进行特征值分解，得到特征向量和特征值，特征向量和特征值的计算公式如下：

假设

相应单位特征向量为：

令

由

，

。

S514、选择主成分：将特征向量按照对应的特征值大小降序排列，选择前k个特征向量作为主成分，其中k为降维后的维度。

S6、将步骤S5的特征向量输入到MLP（Multilayer Perceptron，多层感知机）网络模型，基于MLP网络模型提取信号的特征与训练MLP网络模型，获得检测模型；

步骤S6包括以下步骤：

S601、特征向量划分：将步骤S5的特征向量划分为训练集、验证集和测试集；训练集用于训练模型，验证集用于调整模型的超参数，测试集用于评估模型的性能；

S602、设计MLP网络模型：MLP网络模型由输入层、3个隐藏层和输出层组成，如图4所示；

S603、MLP网络模型训练：使用训练集对步骤S602的MLP网络模型进行训练，通过反向传播算法来更新MLP网络模型的权重和偏置；

S604、MLP网络模型的调优：使用步骤S601的验证集对步骤S603的MLP网络模型进行超参数调优，超参数包括调整网络的结构、学习率和正则化项；

S605、使用步骤S601的测试集对步骤S604中的MLP网络模型进行评估，得到检测模型，该检测模型为不同百分比已知灌浆含量

S7、再将步骤S4的Z个固有频率输入到步骤S6的检测模型进行检测，输出检测结果，该检测结果为固有频率对应的钢管桁架体内预应力试样3的灌浆含量；

S8、根据步骤S7的检测结果和步骤S4的固有频率得到Z个钢管桁架体内预应力试样3的灌浆质量评估等级。步骤S8的建立钢管桁架体内预应力试样3的灌浆质量评估等级包括以下步骤：

S801、确定钢管桁架301与灌浆体302、灌浆体302与钢绞线303接触面上的界面压力

，

，

，

，

。

界面处的约束压力与钢管桁架301、灌浆体302、钢绞线303的力学特性及钢绞线303、钢管桁架301尺寸有关，K、M、N为常数，

S802、按公式计算不同百分比灌浆含量钢管桁架体内预应力试样3对应的粘结强度，该计算公式为

其中，

S803、通过步骤S802粘结强度与灌浆含量的关系、灌浆含量与步骤S4的固有频率的关系推算出步骤S802中的粘结强度与步骤S4中的固有频率之间的关系，建立灌浆质量评估等级标准；

灌浆含量

灌浆含量

灌浆含量

灌浆含量

灌浆含量

S804、根据步骤S7的输出结果和步骤S803的灌浆质量评估等级标准，得到Z个钢管桁架体内预应力试样3的质量评估等级。

上述具体实施方式为本发明的优选实施例，并不能对本发明进行限定，其他的任何未背离本发明的技术方案而所做的改变或其它等效的置换方式，都包含在本发明的保护范围之内。