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

技术特征：
1.一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，其特征在于，包含以下步骤：s1：隧道衬砌结构在外部激励作用下声压时域数据采集；s2：声压时域数据标准化预处理；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；s4：获取声压时频特征矩阵；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；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；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。2.根据权利要求1所述的方法，其特征在于，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；采样频率设置为48khz，每次敲击试验采样时间设置为2.5s。3.根据权利要求1所述的方法，其特征在于，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。4.根据权利要求1所述的方法，其特征在于，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：其中，x(t)和x
n
(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。5.根据权利要求4所述的方法，其特征在于，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。6.根据权利要求1所述的方法，其特征在于，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；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。7.根据权利要求1所述的方法，其特征在于，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。8.一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：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；信号预处理单元：将声压时域信号数据进行标准化预处理；
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；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；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；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。

技术总结
本发明公开了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，首先采集衬砌空洞区域与非空洞区域在外部激励作用下产生的回声声压时域信息；然后，利用数据标准化程序对两种工况时域声压数据样本进行标准化处理。随后，使用短时傅里叶变换技术对两种工况标准化时域数据进行时频分析，获取两种工况声压信息在时域、频域两个维度的声压幅值信息，并得到声压信息随时间变化、反映声压物理特征的频谱特征向量。最后，构建基于长短时记忆的神经网络模型，将不同时间点声压的频谱特征向量用于对神经网络模型训练与测试，完成模型参数调整工作，得到成熟的衬砌空洞识别模型。最终通过对新样本数据的分析，精准判断衬砌是否出现空洞。出现空洞。出现空洞。


技术研发人员：王晨 邱实 王劲 魏晓 王卫东 龚琛杰 汪思成 彭俊 牛浩然
受保护的技术使用者：中南大学
技术研发日：2021.12.27
技术公布日：2022/6/7