马赛克墙面质量检测研究

■ 范强龙 Fan Qianglong 刘文白 Liu Wenbai 孔 戈 Kong Ge 高建卫 Gao Jianwei

马赛克墙面质量检测研究

■ 范强龙 Fan Qianglong 刘文白 Liu Wenbai 孔 戈 Kong Ge 高建卫 Gao Jianwei

文章运用非线性动力学参数样本熵作为特征，对正常与空鼓状态下马赛克饰面砖的敲击振动信号进行分析识别。利用集成经验模态分解方法（EEMD），将振动信号分解得到若干个内蕴模式分量IMF。计算IMF的样本熵并作为特征量，进行BP神经网络训练，对待测样本判断识别。结果表明该方法具有较高的准确性。

EEMD；样本熵；IMF；BP神经网络

0 引言

外墙饰面层黏结缺陷状态诊断中的一个关键步骤就是特征提取，提取的特征若能正确反映状态类别，则可为模式识别打下基础。

基于非线性动力学参数的特征提取方法提供了一种研究饰面层黏结状态非线性特征的工具，如信息熵、近似熵、分形维数等。样本熵是在近似熵的基础上发展的一种度量时间序列复杂度的新方法，其对时间序列长度的依赖较少，抗噪声能力较强，在参数大取值范围内一致性较好[1]。

考虑到空鼓状态下，马赛克饰面砖的振动信号表现出非线性、非平稳的特征，以及奇异值分解数学方法的特点和样本熵作为振动信号判断的有效性，本文首先利用集成经验模态分解方法（EEMD），将马赛克饰面砖的敲击振动信号分解为一系列平稳的本征模态函数——IMF分量，且每个IMF包含了原信号不同尺度上时间序列的局部特征[2-6]；然后计算样本的样本熵标准差与均值；最后，由于BP神经网络的自学习能力、容错能力和非常强的非线性映射能力，可以将样本熵作为特征量来训练BP神经网络，并对马赛克饰面砖的完好情况进行诊断[7]。

1 样本熵

国家自然科学基金项目（51078228）；国家海洋公益性行业科研专项经费项目（201105024-5）；2013年上海市研究生教育创新计划实施项目“学位点建设培育”（20131129）；上海市科学技术委员会立项项目《既有建筑外围护结构饰面层脱落风险检测技术及标准的制定》（编号15DZ0500700）。

范强龙，上海海事大学硕士研究生；刘文白，上海海事大学教授；孔戈，上海众材工程检测有限公司总经理；高建卫，上海众材工程检测有限公司科研中心主任。x(N)} ，样本熵的计算方法如下[8-10]。

（1）按序号组成一组维数为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。这些向量代表从第i点开始的m个连续的x值。

（2）定义向量Xm(i) 与Xm(j)之间的距离d[Xm(i)，Xm(j)]为两者对应元素中最大差值的绝对值。即:

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

（3）对于给定的Xm(i)，统计Xm(i)与Xm(j)之间距离≤r的j(1≤j≤N-m，j≠1)的数目，并记作Bi。对于1≤j≤N-m，定义：

这些短语以前就有，只是被人们赋予了具有时代色彩的内涵，让人耳目一新。新的词义，使得汉语的许多旧词语焕发出了前所未有的活力。

（4）定义Bm(r)为：

（5）增加维数到m+1，计算Xm+1(i)与Xm+1(j) (1≤j≤N-m，j≠1) 距离≤r的个数，记为Ai，则Ai(r)定义为：

m

（6）定义Am(r)为：

（7）这样，Bm(r)是两个序列在相似容限r下匹配m个点的概率，而Am(r)是两个序列匹配m+1个点的概率。于是，可将样本熵定义为：

当N为有限值时，可以用下式估计：

可以看到，样本熵的值与m、r的取值有关。因此，确定m、r两个参数的值对于样本熵的计算非常重要。根据Pincus[11]的研究结果，当m=1或2，r=0.1Std~0.25Std（Std是原始数据x(i)的标准差）时，计算得到的样本熵具有较为合理的统计特性。在本文的研究中，取m=2，r=0.2Std。

2 试验

2.1 试验目的

利用集成经验模态分解方法（EEMD），将振动信号分解，得到若干内蕴模式分量IMF，计算IMF的样本熵并作为特征量，进行BP神经网络训练，对待测样本进行判断识别，进而可对建筑外墙马赛克饰面砖的黏结安全性做出判断，对后续采取的安全措施具有指导意义。

2.2 试验概况

本试验选取的SignalPad测控软件及试验场地均由上海众材工程检测有限公司提供。试验方法是将压电式加速度传感器黏贴固定在马赛克饰面砖上，再与计算机、信号采集卡及敲击锤组成一套敲击测试系统（图1）。

2.3 试验步骤

将USB-2405凌华数据采集卡、CA-YD-1182型压电式加速度传感器分别与计算机相连，具体的SignalPad测控软件参数设置为：采样率25.6kS/s，灵敏度为100mV/g，数据采集模式为有限长度，采样时间为1s，单次单点测量，用力锤敲击墙面，采集振动信号。

2.4 IMF分量及分析

2.4.1 原始信号采集

采集到的原始信号如图2～5所示。

图1 现场布置示意图

2.4.2 IMF分量信息

本文各取前3个IMF分量作为主要特征，具体信号信息如图6～9。

2.4.3 分析

可见，正常马赛克饰面砖与空鼓马赛克饰面砖的功率谱与信号波形明显不同。

（1）前者由振动产生的振幅分布比较均匀，而后者由于空鼓时介质不连续，振幅时大时小，且后者振幅平均值小于前者。

（2）信号波形中，前者振动信号波时间较长，后者较短。这说明当饰面砖空鼓时，敲击回弹量较小，能量消散得比较快。

（3）两者由3层EEMD分解得到的IMF时域波形图也明显不同。

2.5 试验结果及分析

根据表1及图10，我们可以知道，基于样本熵的识别系统具有相当高的识别率。由表2可知，当选取信号的数据长度相同时，正常马赛克饰面砖的样本熵标准差与均值均明显大于空鼓时的值，且两者均值之比大于2。

3 结语

综上所述，本文提出一种基于EEMD与样本熵的马赛克饰面砖空鼓检测方法。通过实测马赛克饰面砖的敲击振动信号试验表明：

表1 样本选取及识别情况

（1）样本熵分析方法只需较短数据就可得出稳健的估计值，是一种具有良好的抗噪和抗干扰能力的非线性分析方法。通过对正常与空鼓马赛克饰面砖的振动信号分析可得出，当墙面空鼓时，样本熵的值会有所改变，并且小于正常时的值。

（2）EEMD是自适应的，能对时间序列进行多尺度分解，有效弥补样本熵单一尺度上分析的缺陷。因此，二者的结合能有效识别损伤。

（3）对马赛克饰面砖振动信号进行EEMD分解后，再进行样本熵特征提取，具有相当高的识别率，并且可就具体每一层的IMF向量进行分析，从而可以发现更深层次的信息，得到更好的诊断效果，该方法具有广阔的发展前景。

表2 基于样本熵的识别结果

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

[2]王玉静,康守强,张云,等.基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法[J].电子与信息学报,2014,36(3):595-600.

[3]胡爱军,马万里,唐贵基. 基于集成经验模态分解和峭度准则的滚动轴承故障特征提取方法[J].中国电机工程学报,2012,32(11):106-111+153.

[4]王小玲,陈进,从飞云.基于时频的频带熵方法在滚动轴承故障识别中的应用[J].振动与冲击,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.电机振动信号特征提取新方法的研究[A].自动化与仪器仪表,2014(12).

[8]王书涛,李亮,张淑清,等.基于EEMD样本熵和GK模糊聚类的机械故障识别[J].中国机械工程, 2013,24(022):3036-3040.

[9]向丹,葛爽.一种基于小波包样本熵和流行学习的故障特征提取模型[J].振动与冲击,2014,33(11):1-5.

[10]邹庆龙,陈桂娟,邢俊杰,等.基于LMD样本熵与SVM的往复压缩机故障诊断方法[J].噪声与振动控制,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）