一种基于长短时记忆神经网络的隧道衬砌空洞声学识别方法

1.本发明涉及隧道衬砌结构内部空洞检测领域，尤其涉及一种基于长短时记 忆神经网络的隧道衬砌空洞声学识别方法。


背景技术：

2.隧道衬砌结构在施工和服役阶段在重力、荷载、沉降、环境等因素的作用 下会出现裂缝、空洞等多种伤损类型，其中衬砌背后空洞的危害与影响尤为严 重。
3.衬砌结构出现空洞的具体原因主要有以下几点：
4.①
隧道施工开挖阶段，若使用矿山法，当光面爆破控制不当，造成超挖， 施工单位未按相关规定进行填充，造成支护和围岩之间填充不严密，进而形成 空洞。
5.②
在隧道二次衬砌的施工过程中，由于泵送混凝土的功率不足、混凝土流 动性不好、抽拔泵送管过早等原因，导致混凝土处于不饱和状态，进而导致隧 道衬砌出现空洞。
6.③
模板支架底部稳定性不足，特别是在隧道拱顶位置，模板向下位移较 大，进而导致隧道拱顶位置混凝土下沉脱空、形成空洞。
7.④
在二次衬砌浇筑完成后拱顶位置未及时浇筑立墙底部，立墙可能产生相 对位移，导致拱顶下沉，造成拱顶衬砌混凝土下沉脱空，进而形成空洞。
8.⑤
隧道施工过程中所使用的原材料未严格控制，沙石级配不当、水泥用量 过大、混凝土水灰比过大、温差与通风管控不当等引起混凝土收缩过大，导致 衬砌混凝土下沉脱空，形成空洞。
9.⑥
隧道在长期运营过程中，地下水侵蚀或冲刷隧道背后围岩，造成支护结 构与围岩脱空。
10.当隧道衬砌结构出现空洞，衬砌结构的受力与围岩的应力状态都将发生改 变，衬砌上边缘容易发生开裂，进而为地下水的流通形成通道，导致渗漏水的 发生，渗漏水会沿着空洞与裂缝进入衬砌，进而导致渗漏现象的加重，进而导 致冻害与钢筋锈蚀。空洞的出现还会导致围岩失去应有的支持而松弛、变形， 导致隧道结构失稳、掉块、脱落，严重时还会发生突发性崩塌，对行车安全造 成严重影响。
11.空洞的存在给隧道的安全运营带来极大的安全隐患，及时地发现与识别隧 道衬砌结构空洞位置与范围对于保障隧道结构安全、稳定地服役具有重要意 义。
12.目前用于隧道衬砌结构空洞检测的常用方法有：基于声学的敲击回声检测 法、地质雷达法、超声回波综合法。
13.地质雷达法与超声回波综合法在隧道空洞检测过程中具有自动、快速、无 损、成本低廉等优点，但是此类自动检测方法对材料性质敏感，对探测目标匀 质性要求高、对测试环境的限制较多。但是隧道服役环境复杂，施工质量无法 得到保证。这一矛盾的存在导致地质雷达法与超声回波综合法在隧道空洞检测 过程中存在较高的漏检率，无法对整条线路隧道空洞情况进行有效排查。
14.目前，对于隧道空洞的实际检测工作，基于声学的敲击回声检测法依旧被 大量使
用。基于声学的敲击回声检测法可分为初检和复检等两个过程，初检过 程中维护人员对隧道区段逐点进行敲击检测，检测人员通过声音判断隧道衬砌 结构是否异常，并做好相应标记。复检过程中，维护人员采用钻芯法对隧道是 否出现空洞进行直观的检测。此方法具有直观、精度高、覆盖率高、可靠性 高、能真实反映隧道衬砌结构内部情况等诸多优点。基于声学的敲击回声检测 法能有效完成对隧道整体区段空洞伤损的有效排查，是现场维护人员最为信任 的一种隧道空洞检测方式，但是此方法检测效率低、人力成本高、初检正确率 低、检测过程安全性差，此外初检过程对工程人员的经验要求较高。


技术实现要素：

15.本发明提供一种基于长短时记忆神经网络的隧道衬砌空洞声学识别方法， 利用机器人对隧道衬砌结构施加固定的外部激励，使衬砌结构振动发声，然后 利用深度学习算法对衬砌结构所产生的结构振动声压进行分析，进而准确识别 隧道衬砌结构是否出现空洞。
16.本发明提供的技术方案如下：
17.一方面，一种基于长短时记忆神经网络的隧道衬砌空洞声学识别方法，包含 以下步骤：
18.s1：隧道衬砌结构在外部激励作用下声压时域数据采集；
19.s2：声压时域数据标准化预处理；
20.s3：对标准化声压时域数据进行短时傅里叶变换分析，获取声压时频特征；
21.s4：获取声压时频特征矩阵；
22.s5：设置基于长短时记忆神经网络的隧道衬砌空洞声学识别模型的超参数与 损失函数；
23.s6：利用历史数据按照s1-s4处理，获得的声压时频特征矩阵样本，进行模 型训练与参数调整；
24.s7：将待识别的隧道衬砌，按照s1-s4处理，获得的声压时频特征矩阵，输 入训练好的基于长短时记忆神经网络的隧道衬砌空洞声学识别模型进行空洞识 别。
25.进一步地，对隧道施加外部激励，使衬砌结构振动发声，并使用麦克风声压 传感器采集空洞区域和非空洞区域的声压时域信息。
26.采样频率设置为48khz，每次敲击试验采样时间设置为2.5s。
27.这一过程可在隧道衬砌空洞注浆维护阶段完成，因为这一时期，工程人员已 明确哪些区域出现隧道空洞，哪些区域未出现，数据的准确性较好。
28.进一步地，对声压时域数据标准化预处理，是指首先确定和提取采样间隔时 间内采集的声压信息的峰值点，然后截取峰值点前4800个采样点，峰值点后 57600个采样点，总计62400个采样点，作为标准化预处理后的声压时域数据。
29.这一数据预处理工作一方面保证了数据区段包含整个发声过程，另一方面通 过个数据的峰值对齐，进而以较低的误差实现了声压信息的标准化处理。
30.进一步地，所述对标准化声压时域数据进行短时傅里叶变换分析，按照以下 公式进行：
31.其中，x(t)和xn(e
jω
)分别为标准化声压 时域
信号和经过短时傅里叶变化后的采样点n处声压频域信号,ω与t分别频率 和时间，τ为时间窗口中心；j为虚数单位；g(t-τ)为窗口函数。
32.在短时傅里叶分析中采用的是汉明窗，在此过程中选择的窗长为1024个采 样点，窗移设置为512个采样点；
33.进一步地，通过短时傅里叶变换，获取各采样间隔0.02s内声压的频谱特征， 每组频谱特征数据便是各时间点声压信息的频谱特征向量，将各特征向量组合得 到全时段声压信息的特征矩阵。
34.进一步地，所述基于长短时记忆神经网络的隧道衬砌空洞声学识别模型的超 参数设置如下：训练轮次epoch为80轮，初始学习率设置为0.01，且采用指数 衰减的方法更新学习率，损失函数采用交叉熵损失函数；
35.训练过程中，将特征矩阵所包含的特征向量按时间序列逐个输入基于长短时 记忆神经网络的隧道衬砌空洞声学识别模型中的lstm，且采用均方根反向传播 算法更新基于长短时记忆神经网络的隧道衬砌空洞声学识别模型中的所有参数。
36.即每完成一个训练轮次(epoch)，学习率衰减为上次学习率的0.9倍。
37.进一步地，采用频带划分方式将频率参数间隔10个取一次平均值，降低频 率参数数量，带宽为10hz。
38.在本发明技术方案中频率参数分析到8000hz，每间隔10取平均值，即采用 频带划分的方式将8000个参数降低10倍，带宽为10hz。通过这一设置，一方 面保证了所分析的频率成分包含必要的高频，另一方面合理降低参数数量，进而 提高模型的计算速度。
39.另一方面，一种基于卷积神经网络的隧道衬砌空洞声学识别系统，其特征在 于，包括：
40.声压时域信号采集单元：用于采集隧道衬砌结构在外部激励作用下声压时域 数据采集；
41.信号预处理单元：将声压时域信号数据进行标准化预处理；
42.信号时频分析单元：对经标准化预处理后的声压时域信号数据进行短时傅里 叶变换分析，获取声压时频特征，构建声压时频特征矩阵；
43.识别模型构建单元：设置基于长短时记忆神经网络的隧道衬砌空洞声学识别 模型的超参数与损失函数；
44.利用历史样本调用声压时域信号采集单元、信号预处理单元以及信号时频分 析单元进行处理，获得训练样本，以训练样本的声压时频特征矩阵和识别标签分 别作为基于长短时记忆神经网络的隧道衬砌空洞声学识别模型的输入信息和输 出信息，进行模型训练；
45.识别单元：将训练好的基于长短时记忆神经网络的隧道衬砌空洞声学识别模 型，对隧道衬砌调用声压时域信号采集单元、信号预处理单元以及信号时频分析 单元进行处理处理获得的声压时频特征矩阵进行空洞识别。
46.有益效果
47.与现有技术相比，本发明的优点体现在以下几点：
48.(1)在隧道衬砌空洞识别过程中摆脱了对专家诊断经验和复 杂信号处理的依赖；
49.(2)在隧道衬砌空洞的识别过程中将特征提取与空洞识别等 两个步骤进行结合；
50.(3)对于隧道衬砌结构空洞识别具有较高的准确率和可靠性，并具有较好 的适用性。
附图说明
51.图1为本发明实施例所述方法的流程图；
52.图2为声压时域信号采集敲击点布置示意图；
53.图3为原始声压时域数据，其中，(a)为空洞区域振动声压时域数据，(b) 为无空洞区域振动声压时域数据；
54.图4为标准化数据，其中，(a)为空洞区域声压标准化时域图，(b)为正常 区域声压标准化时域图；
55.图5为离散时间点声压频谱图，其中，(a)空洞工况声压频谱图，(b)正常 工况声压频谱图；；
56.图6为基于长短时记忆神经网络的隧道衬砌空洞声学识别模型结构及训练 示意图。
具体实施方式
57.下面将结合附图和实施例对本发明做进一步的说明。
58.如图1所示，一种基于长短时记忆神经网络的隧道衬砌空洞声学识别方法， 包含以下步骤：
59.s1：隧道衬砌结构在外部激励作用下声压时域数据采集；
60.对隧道施加外部激励，使衬砌结构振动发声，并使用麦克风声压传感器采集 空洞区域和非空洞区域的声压时域信息。
61.采样频率设置为48khz，每次敲击试验采样时间设置为2.5s，取两种工况空 洞区域与非空洞区域两种工况条件下时域声压数据各100500组。
62.这一过程可在隧道衬砌空洞注浆维护阶段完成，因为这一时期，工程人员已 明确哪些区域出现隧道空洞，哪些区域未出现，数据的准确性较好。
63.隧道衬砌空洞主要是由于施工阶段混凝土泵送压力不足、重力影响以及服役 期地下水侵蚀而形成。空洞一般出现在隧道拱腰以上区域，主要分布在拱顶0
°ꢀ
至两侧各30
°
区域。不同区域出现空洞，其敲击回声的特征频率也有所不同，为 了保证声音数据集能有效反映隧道各区域的敲击回声特征，本文根据空洞分布密 度选择敲击点位置，在拱顶单侧0
°
至30
°
区域每隔10
°
选择一个敲击点，在 60
°
处选择一个敲击点。敲击点标号分别为#1、#2、#3、#4、#5，敲击点分布图 如图2所示。
64.在具体的工程实际中，很难在一个隧道断面上找到五个满足要求的测点，针 对空洞工况，在不同断面上选择满足角度要求的测点，对于正常工况，则在一个 断面上完成敲击测试，每个测点进行敲击试验100次。#1号测点空洞区域与非 空洞区域在外部激励作用下所产生的振动声压数据如图3所示。
65.s2：声压时域数据标准化预处理；
66.对声压时域数据标准化预处理，是指首先确定和提取采样间隔时间内采集的 声压信息的峰值点，然后截取峰值点前4800个采样点，峰值点后57600个采样 点，总计62400
个采样点，作为标准化预处理后的声压时域数据。
67.这一数据预处理工作一方面保证了数据区段包含整个发声过程，另一方面通 过个数据的峰值对齐，进而以较低的误差实现了声压信息的标准化处理。
68.利用matlab编写时域声压数据标准化处理程序，首先确定和提取一段声压信 息的峰值点，然后截取峰值点前4800个采样点，峰值点后57600个采样点，总 计62400个采样点，时长总计1.3s。这一数据预处理工作一方面保证了数据区段 包含整个发声过程，另一方面通过个数据的峰值对齐，进而以较低的误差实现了 声压信息的标准化处理。经标准化处理的声压时域数据如图4所示。
69.s3：对标准化声压时域数据进行短时傅里叶变换分析，获取声压时频特征；
70.采用短时傅里叶变换对声压时域数据进行时频分析，获取声压信息在各离散 时间点的频率幅值(能量特征)，进而得到整个发声过程，各时间点声压的频谱 特征。在短时傅里叶分析中采用的是汉明窗，在此过程中选择的窗长为1024个 采样点，窗移设置为512个采样点。在此过程中所获得的离散时间点的频谱图如 图5所示。
71.s4：获取声压时频特征矩阵；
72.通过短时傅里叶变换，获取各小时段(0.02s)声压的频谱特征，每组频谱特 征数据形成各时间点的特征向量，将各特征向量组合得到全时段声压信息的特征 矩阵。
73.s5：设置基于长短时记忆神经网络的隧道衬砌空洞声学识别模型的超参数与 损失函数；
74.在lstm模型设置上，一方面充分发挥lstm模型对时域数据分析、提取、 识别上的优异能力，另一方面结合隧道敲击回声的自生特性与要求，完成lstm 最优化设置。
75.隧道结构在敲击作用下振动发声的过程大概在1.3s左右，本发明技术方案采 用48000hz的采样频率，所获取的回声样本经预处理之后，实际长度为1.3s、包 含62400个采样点。在利用短时傅里叶技术对样本数据进行时频分析时，经对比 窗长设置为1024时(即0.021s分析时长)效果最好。最终一段样本数据可被分 为61个小时段。
76.因此在lstm模型设置上，sltm神经元数量设置为61个，与数据样本频 率特征矩阵相匹配，进而达到较好的协调性与分析效果。因为敲击回声在频域的 分布特征与时间是强相关关系，所以在本专利中对于lstm采用严格的单向传 递设置，各神经元之间的次序与连接严格限制。
77.s6：利用历史数据按照s1-s4处理，获得的声压时频特征矩阵样本，进行模 型训练与参数调整；
78.首先将经短时傅里叶处理得到的反映不同时段声压频谱特征的特征向量按 时序顺序逐个输入lstm网络模型，用于对网络模型的训练。对每个0.02s小时 段的时域信号做短时傅里叶分析，得到声压能量在频域尺度下的分布特征。在本 技术方案中分析到8000hz，频率每间隔10取平均值，即采用频带划分的方式将8000个参数降低10倍，带宽为10hz。通过这一设置，一方面保证了所分析的频 率成分包含必要的高频，另一方面合理降低参数数量，进而提高模型的计算速度。 最终每个特征向量包含800个元素，作为每个输入lstm神经元的输入x
t
。在第 一个lstm神经元输入端x1为第一个0.021s频域特征向量，c0与h0可设置为任 意值，然后在61个神经元中逐个输入每个样本中的特征向量；
79.将80％的样本数据作为训练集用于对模型的训练，20％的样本数据作为测试 集，
用于对模型的验证，在此过程中完成对模型的超参数的调整，进而得到成熟 的预测模型。
80.以图形处理器(gpu)为计算核心，依托于google开发的深度学习框架 tensorflow完成模型的训练及调参工作，超参数初始设置如下：训练轮次(epoch) 为80轮，初始学习率设置为0.01(模型权重参数每次更新的幅度)，采用指数衰 减的方法更新学习率。即每完成一个训练轮次(epoch)，学习率衰减为上次学习 率的0.9倍。整个训练过程采用均方根反向传播算法(rmsprop)更新模型参数。
81.本实施例将80份样本数据作为训练集，20份样本数据作为测试集。通过损 失函数判断模型的训练与测试效果，训练集与测试集的损失函数逐渐达到稳定与 收敛，当两者的误差最小，此时模型的拟合效果最好，进而得到最终的成熟模型。 在本专利中所使用的损失函数是交叉熵损失函数。
82.其中单次样本的交叉熵损失函数为：
[0083][0084]
整体的交叉熵损失函数为：因为本技术方案是利用隧道的敲击回声判断敲击区域是否存在空洞，属于一 个二分类问题，最终softmax给出的是存在空洞的概率即而y为该样本是否 为空洞的概率，空洞为1，非空洞为0。l的数据值始终大于或等于0，当l越 接近0说明的预测效果越好，预测值与真实值接近。随着训练次数的增加，l的 值逐渐减小并趋于稳定。当整体的交叉熵损失l趋于稳定，则模型训练完成。
[0085]
s7：将待识别的隧道衬砌，按照s1-s4处理，获得的声压时频特征矩阵，输 入训练好的基于长短时记忆神经网络的隧道衬砌空洞声学识别模型进行空洞识 别。
[0086]
一种基于卷积神经网络的隧道衬砌空洞声学识别系统，包括：
[0087]
声压时域信号采集单元：用于采集隧道衬砌结构在外部激励作用下声压时域 数据采集；
[0088]
信号预处理单元：将声压时域信号数据进行标准化预处理；
[0089]
信号时频分析单元：对经标准化预处理后的声压时域信号数据进行短时傅里 叶变换分析，获取声压时频特征，构建声压时频特征矩阵；
[0090]
识别模型构建单元：设置基于长短时记忆神经网络的隧道衬砌空洞声学识别 模型的超参数与损失函数；
[0091]
利用历史样本调用声压时域信号采集单元、信号预处理单元以及信号时频分 析单元进行处理，获得训练样本，以训练样本的声压时频特征矩阵和识别标签分 别作为基于长短时记忆神经网络的隧道衬砌空洞声学识别模型的输入信息和输 出信息，进行模型训练；
[0092]
识别单元：将训练好的基于长短时记忆神经网络的隧道衬砌空洞声学识别模 型，对隧道衬砌调用声压时域信号采集单元、信号预处理单元以及信号时频分析 单元进行处理处理获得的声压时频特征矩阵进行空洞识别。
[0093]
应当理解，本发明各个实施例中的功能单元模块可以集中在一个处理单元中， 也
可以是各个单元模块单独物理存在，也可以是两个或两个以上的单元模块集成 在一个单元模块中，可以采用硬件或软件的形式来实现。
[0094]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制， 尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当 理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发 明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当 中。