基于敲击声波与MiniRocket的钢管混凝土异型脱空识别方法

steel tubular(cfst)structure using percussion and decision tree,measurement 163(2020))的平均识别精度分别只有94.17％和90.23％，需要指出的是以上都是在没有其他环境噪音干扰的室内开展的测试，在实际检测环境中，这些方法的预测精度将受到大大影响，因此基于该技术要进一步提高预测精度都是很困难的。
4.目前，已经开发了几种用于识别cfst结构内部缺陷的无损检测方法，包括红外热成像、x射线、超声波、冲击回波法。这些方法为工程师们了解结构内部损伤状况提供了多种途径，但它们也有各自的不足之处。例如红外热成像法容易受到外界温度的影响而导致精度下降。x射线不能用于原位空洞检测且会危害人体健康。超声波法难以识别缺陷类型且信号收集过程会受到噪音影响。冲击回波法检测圆形截面构件时，容易被非直径方向反射回来的应力波干扰而产生偏差。此外，以上检测方法都不可避免地需要在结构表面安装多个传感器才能实施测试，不仅提高了成本还降低了检测效率。因此，开发一种准确快速的测试替代方法是十分必要的，这可以弥补上述方法的缺陷，并提高cfst构件脱空的检测效率、精度及实用性。


技术实现要素：

5.针对上述现有技术存在的缺陷，本发明提供了一种能提高cfst构件脱空的检测效率和预测精度的基于敲击声波与minirocket的钢管混凝土异型脱空识别方法，具体方案如下：
6.基于敲击声波与minirocket的钢管混凝土异型脱空识别方法，包括如下步骤：
7.s1，通过敲击获取钢管混凝土构件的声波时域信号；
8.s2，将步骤s1的声波时域信号转化为频域信号，并提取钢管混凝土构件的脱空数据建立特征集；
9.s3，将步骤s2建立的特征集输入minirocket模型进行训练，以预测钢管混凝土构件的脱空深度。
10.步骤2中所述钢管混凝土构件的脱空数据采用互信息指标提取，互信息指标的计算方法包括如下步骤：
11.假设随机变量a的概率为p(a)，a＝1,2
…
na，则输出类中的初始不确定性h(a)，如式(1)所示：
[0012][0013]
式中，h(a)表示输出类中的初始不确定性h(a)；na表示输出类的个数；
[0014]
已知特征向量f后的平均不确定度为条件熵h(a/f)，如式(2)所示：
[0015][0016]
式中，p(a∣f)为f的a类的条件概率；nf表示输入向量的个数；h(a/f)表示条件熵。
[0017]
当特征与输出类之间的联合密度函数(p(a；f))为个体密度(p(a)和p(f))的乘积：p(a；f)＝p(a)p(f)时，条件熵和初始熵相等；因此，变量a与f之间的互信息mi(a；f)为减少不确定性的量，如式(3)：
[0018]
mi(a；f)＝h(a)-h(a|f)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0019]
式中，mi表示互信息；p(a；f)表示征与输出类之间的联合密度函数；p(a)表示变量a的概率；p(f)表示变量f的概率；
[0020]
对于具有连续分量的特征向量，得到两个随机变量的互信息为式(4)：
[0021][0022]
当变量a与f完全无关或者相互独立时，mi(a；f)为0，表明两者之间不存在相互的信息；反之，当两个变量之间相互依赖程度越高时，mi(a；f)越大，所包含的相同信息越多。
[0023]
所述minirocket模型的计算方法包括如下步骤：
[0024]
第一步，输入信号x与内核w
k,d
的扩张卷积，如式(5)所示：
[0025]ck,d
＝x*w
k,d
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0026]
式中，d表示膨胀参数，k表示84个预定义的核wk，minirocket核的长度为9，权重限制为两个数(α＝-1和β＝2)，而卷积核表示为α和β的组合，如式(6)所示：
[0027][0028]
第二步，每个扩张卷积结果c
k,d
与一个或多个偏置值b相比是元素级的，如式(7)：
[0029]ck,d,b
＝c
k,d
＞b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0030]
式中，b表示偏置值；
[0031]
第三步，计算输出描述符y
ppv
的9996个维度中的每个维度作为均值，如式(8)：
[0032][0033]
式中，x表示时间序列；，w表示内核；,n表示时间序列中的数据总数。
[0034]
步骤s1中所述的钢管混凝土构件的制备方法，包括如下步骤：首先在钢管两端分别安装钢板，其中一块钢板中间设置有空洞；其次将两钢管分别垂直固定，使有空洞的钢板一端为向上状态；然后从上往下浇筑混凝土；最后，采用钢板将钢管开口端封口后，制成钢管混凝土构件，将制备好的钢管混凝土构件倾斜放置，并在室外定期浇水养护。
[0035]
步骤s1中所述敲击钢管混凝土构件的方法为：对钢管混凝土构件划分为7个敲击点，其中6个为脱空点，1个为密实点，分别对每个不同脱空深度的敲击点分别重复敲击100次。
[0036]
本发明的优点
[0037]
(1)本发明的基于敲击声波与minirocket的钢管混凝土异型脱空识别方法，创新性提出了一种新型的特征选取方法，该方法仅需通过快速傅里叶变换(fft)将敲击声波时域数据简单转换为频域数据后，再利用互信息指标(mi)选择声压数据建立特征集，有效避免了功率谱密度、梅尔倒谱系数、多尺度样品熵和多重分形分析等现有特征选择方法存在的传统检测法效率低、数学运算繁琐等问题。
[0038]
(2)相比于现有方法，功率谱密度分别与支持向量机(svm)算法和决策树(dt)算法结合(分别记为psd-svm和psd-dt)，它们预测的钢管混凝土构件脱空深度的精度分别为
94.17％和90.23％，而本发明结合fft、mi和minirocket的方法使钢管混凝土构件脱空深度的整体预测精度达到99.89％，明显均高于psd-svm模型和psd-dt模型，具有更高的预测可靠性。
[0039]
(3)利用本发明提出的新型的特征选取方法建立的特征集，分别与支持向量机(svm)算法和决策树(dt)算法结合(分别记为fft-mi-svm和fft-mi-dt)后，预测的钢管混凝土构件脱空深度的精度分别达到99.78％和98.85％，均高于基于功率谱密度(psd)作为特征集的方法(psd-svm，精度94.17％；psd-dt，精度90.23％)，这表明本发明提出的新型特征选取方法还有助于提升其他预测算法的精度4％～8％，具有很强的通用性。
[0040]
(4)本发明提出的结合fft、mi和minirocket预测钢管混凝土构件脱空深度的方法，在特征选择方法建立和智能算法应用方面均有创新性，具有预测精度高、成本低、检测效率高、无损检测等优势，同时在高信噪比的环境下也表现出更好的抗噪性能，因此，在未来实际工程的智能检测中具有很高应用潜力，为脱空钢管混凝土检测的研究及应用提供了新的方向。
附图说明
[0041]
图1为本发明基于敲击声波与minirocket的钢管混凝土异型脱空识别方法的流程图。
[0042]
图2为图1中minirocket模型的计算方法的流程图。
[0043]
图3为图1中变深度脱空cfst构件的制备过程。
[0044]
图4为图1中变深度脱空cfst构件的敲击点分布图。
[0045]
图5为图4的不同敲击点在第51次敲击时的声波时域信号：(a)a点；(b)b点；(c)c点；(d)d点；(e)e点；(f)f点；(g)g点。
[0046]
图6为图4的不同敲击点在第51次敲击时的频域声音信号(仅显示0～10khz)。
[0047]
图7为图1的声压幅值与脱空深度的互信息。
[0048]
图8为表1中第3、第13和第24个特征的3维散点图。
[0049]
图9为图1中minirocket模型对应的混淆矩阵。
[0050]
图10为决策树模型示例。
[0051]
图11为不同预测模型的预测结果。
[0052]
图12为不同方法在噪音下的分类精度结果：(a)recall；(b)precision；(c)accuracy。
具体实施方式
[0053]
下面结合附图和具体实施方式对本发明作进一步地解释和说明，需要注意的是，本具体实施例不用于限定本发明的权利范围。
[0054]
如图1所示，本实施例的基于敲击声波与minirocket的钢管混凝土异型脱空识别方法，包括如下步骤：
[0055]
s1，通过敲击获取变深度脱空钢管混凝土构件(简称变深度脱空cfst构件)的声波时域信号；
[0056]
首先制备变深度脱空cfst构件，变深度脱空cfst构件由核心混凝土和钢管组成。
核心混凝土选用c40商品混凝土，强度43mpa。钢管为q235钢材，其外径、高度和厚度分别为200mm、1200mm和3mm。对单个区域内同等变深度脱空cfst构件进行了声学测试，但在实际变深度脱空cfst构件中，在同区域的脱空深度通常不是相等的，而是在重力作用下呈现线性变化趋势。因此，本实施例主要研究cfst构件变深度脱空的声学特征。具体地，如图3所示，变深度脱空cfst构件制备方法包括如下步骤：首先在钢管两端分别焊接一块边长为300mm厚度2mm的钢板，其中一块钢板中间钻出直径为150mm的空洞，另一块钢板不做处理；其次将钢管垂直固定，使有空洞的一端为向上状态；然后从上往下浇筑混凝土，混凝土不要灌满钢管，使钢管顶部预留空间；最后，再使用钢板通过螺栓将钢管开口端封口后，将制备好的cfst构件呈45
°
倾斜放置，并在室外定期浇水养护28天。
[0057]
所述敲击变深度脱空cfst构件的方法为：对变深度脱空cfst构件划分为7个敲击点，其中6个为脱空点，1个为密实点，分别对每个不同脱空深度的敲击点分别重复敲击100次。具体地，本实施例采用的试验设备由配备的商用信号采集和分析软件(dasp-v11；东方所)，电脑，信号采集仪(型号inv3062v；东方所)，声压传感器(型号inv9206；东方所)和冲击力锤(型号iepe；东方所)组成。以制备好的变深度脱空cfst构件的脱空区域的中线为纵向基线，脱空侧的钢管截面为横向基线，在横向分别绘制了10条间距为50mm的直线，使纵向基线与横向直线具有10个交点。如图4所示，将变深度脱空cfst构件划分为7个点，从脱空端开始，取前6个交点作为敲击点，分别命名为a、b、c、d、e、f，经过初步判定，这6个敲击点均为脱空点，且脱空深度不一。同时为了对比，沿着纵向基线，在钢管中点处再选取一个点(命名为g点)，该点属于密实点，对变深度脱空cfst构件划分的7个点分别进行敲击，经过后期对钢管切割后，测量得到a、b、c、d、e和f点对应的脱空深度分别为75mm、62.5mm、50mm、37.5mm、25mm和12.5mm，而g点脱空深度记为0mm。考虑到敲击过程持续时间较短，为了获取更为密集的数据，本实施例将采样频率设置为51.0khz，对于每个敲击点，分别记录了100次敲击数据，每次采集时间长度为0.02s，从而获得了总共700个数据集。同时，为了较少气流的影响，将声压传感器与敲击点的距离控制在0.5m以内。
[0058]
s2，通过快速傅里叶变换(简称fft)将步骤s1的声波时域信号转化为频域信号，并利用互信息指标(简称mi指标)挖掘钢管混凝土构件的脱空数据建立特征集；
[0059]
所述mi指标的计算方法包括如下步骤：
[0060]
假设随机变量a的概率为p(a)，a＝1,2
…
na，则输出类中的初始不确定性h(a)，如式(1)所示：
[0061][0062]
式中，h(a)表示输出类中的初始不确定性；na表示输出类的个数；
[0063]
已知特征向量f后的平均不确定度为条件熵h(a/f)，如式(2)所示：
[0064][0065]
式中，p(a∣f)为f的a类的条件概率；nf表示输入向量的个数；h(a/f)表示条件熵。
[0066]
当特征与输出类之间的联合密度函数(p(a；f))为个体密度(p(a)和p(f))的乘积：p(a；f)＝p(a)p(f)时，条件熵和初始熵相等；因此，变量a与f之间的互信息mi(a；f)为减少
不确定性的量，如式(3)：
[0067]
mi(a；f)＝h(a)-h(a|f)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0068]
式中，mi表示互信息；p(a；f)表示特征与输出类之间的联合密度函数；p(a)表示变量a的概率；p(f)表示变量f的概率；
[0069]
对于具有连续分量的特征向量，得到两个随机变量的互信息为式(4)：
[0070][0071]
当变量a与f完全无关或者相互独立时，mi(a；f)为0，表明两者之间不存在相互的信息；反之，当两个变量之间相互依赖程度越高时，mi(a；f)越大，所包含的相同信息越多。
[0072]
图5显示了7个不同敲击点在第51次敲击时的时域声音信号。需要注意的是，由于手动敲击无法实现统一敲击力度的效果，每次敲击时，时域信号的幅值都是不同的。不同脱空深度下，敲击声音的时域信号波形有一定的差异，但并不明显，因此通过从时域信号中提取简单的特征集，通常很难实现良好的识别效果。
[0073]
因此，通过fft将声波时域信号转为频域信号，如图6所示，可以看出，脱空和密实区域的声音频域都主要集中在0～5000hz范围。从图6可以发现，a点具有1个峰值点，坐标为(2475,3.199)；b点有两个峰值点，坐标分别为(1087.5,2.280)和(1762.5,3.304)；c点有两个峰值点，坐标分别为(1762.5,4.239)和(2475,3.552)；d点有两个峰值点，坐标分别为(1750,3.184)和(2462.5,2.933)；e点有两个峰值点，坐标分别为(1750,2.756)和(2462.5,3.552)；f点具有1个峰值点，坐标为(2487.5,2.311)；g点具有1个峰值点，坐标为(2475,0.505)。可以看出，不同脱空深度下，声音频域数据的峰值点数并不相同，且峰值坐标也未呈现明显规律，因此，仍然无法直接提取峰值数据作为分类模型的特征集。
[0074]
本实施例利用mi指标建立声音频域信号与变深度脱空cfst构件的脱空深度的相关性，提取部分互信息较大的数据作为特征集，避免了复杂的特征提取过程，并取得了良好的预测性能。如图7显示了不同频率下的声压幅值与脱空深度的mi值。可以看到，在0～2700hz范围内，随着频率的增大，mi呈现线性增大的趋势，从0开始一直增大到1.15左右；而在频率大于2700hz区域，mi值随着频率的变化呈现了指数下降的趋势，从1.15逐渐下降至0.1左右。总体而言，随频率的变化，mi值先增大后减小，转折点在2700hz附近。这表明声压幅值与脱空深度相关性在2700hz附近是相对较高的，因此能选择该频率附件区域的数据建立特征集。而在其他区域(尤其是初始区域和末端区域)的数据，相关性较低，存在较多冗余信息，若选择这些数据作为特征集，会降低预测准确性。同时考虑到数据过多时，计算速度会变慢，因此，本实施例选择提取mi大于1的共28个频率下声压幅值开发新的特证集(如表1所示)。
[0075]
表1提取的28个特征对应的频率
[0076][0077]
图8显示了从开发的特征集中随机选取的第3、第13和第24个特征的3维散点分布。从图8中我们可以发现，新的特征集存在明显的边界来区分7种不同情况，这种现象为识别和分类不同脱空深度提供了可能性。
[0078]
s3，将步骤s2建立的特征集输入minirocket模型进行训练，以预测钢管混凝土构件的脱空深度。
[0079]
所述minirocket模型的计算方法包括如下步骤：
[0080]
第一步，输入信号x与内核w
k,d
的扩张卷积，如式(5)所示：
[0081]ck,d
＝x*w
k,d
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0082]
式中，d表示膨胀参数，k表示84个预定义的核wk，minirocket核的长度为9，权重限制为两个数(α＝-1和β＝2)，而卷积核表示为α和β的组合，如式(6)所示：
[0083][0084]
第二步，每个扩张卷积结果c
k,d
与一个或多个偏置值b相比是元素级的，如式(7)：
[0085]ck,d,b
＝c
k,d
＞b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0086]
式中，b表示偏置值；
[0087]
第三步，计算输出描述符y
ppv
的9996个维度中的每个维度作为均值，如式(8)：
[0088][0089]
式中，x表示时间序列；，w表示内核；,n表示时间序列中的数据总数。
[0090]
对步骤s2建立的特征集输入minirocket模型进行训练和验证，具体地，特征集包
括训练数据集、验证集和预测集。本实施例采用冲击锤敲击了步骤s1的具有变深度脱空缺陷的cfst构件，对于7个不同脱空深度(75mm、62.5mm、50mm、37.5mm、25mm、12.5mm和0mm)的敲击点，分别重复记录了100个声音信号作为特征集，从100个声音信号中随机选择50个，以作为训练数据集(50
×
7＝350)，用于对minirocket模型进行训练，15个作为验证集(15
×
7＝105)，用于对训练后的模型进行验证，其余数据(35
×
7＝245)作为预测集，用于测试模型的预测性能，并将训练数据集输入到minirocket模型中。本实施例在配有amd锐龙ryzen 5 5600h(3.30ghz)处理器和16gb内存的计算机进行了训练，并采用带有fastai库、pytorch(版本1.11.0)的python(版本3.9.9)运行代码。经过反复试验，可以确定minirocket模型的参数，具体如下：batchsize为50，学习率为1e-4，迭代设置为20。
[0091]
在minirocket的训练和测试过程，经过15次和8次迭代后，训练损失曲线和验证损失曲线分别趋于稳定，稳定值分别在0.026和0.0037左右。随着迭代次数的增加，训练精度和验证精度都逐渐增大。验证精度在迭代3次后就可达到100％，而训练精度在迭代5次之后也稳定在100％。图9显示minirocket模型对应的混淆矩阵，可以看出，不同脱空深度标签都被进行了精准地预测。总体而言，minirocket模型的训练和测试过程没有看到过拟合的现象，训练和验证精度都满足要求。
[0092]
下面将minirocket模型预测结果进行对比，具体如下：
[0093]
为了测试minirocket模型算法的鲁棒性，进行了100次的重复测试，并采用召回率、精度和准确性来评估minirocket模型的预测性能。同时，为了进一步验证所提方法的优越性，还分别采用支持向量机和决策树与所提的特征提取方法结合(分别记为fft-mi-svm和fft-mi-dt)对测试数据进行训练和预测，本发明的方法记为fft-mi-minirocket模型，并将现有技术的psd-svm和psd-dt的数据结果加入对比行列。经过重复测试，svm模型的参数确定为：tol＝1.1，正规化参数c＝0.01。决策树的深度max_depth确定为6。
[0094]
图10为决策树模型的示例。图11显示了不同预测模型的预测结果详细信息。通过对100次重复预测数据取平均数后，将数据汇总，如表2所示。可以看出，在100次重复测试下，fft-mi-minirocket模型的平均召回率、平均精度和平均准确率均为99.89％，fft-mi-svm模型对应的数值分别为99.78％、99.80％和99.78％，fft-mi-dt模型对应的数值则分别为98.85％、98.88％和98.85％，三个评价指标的大小排序均为：fft-mi-minirocket＞fft-mi-svm＞fft-mi-dt，这表明fft-mi-minirocket具有更高的准确性，体现了所提出的方法的优越性。通过采用本实施例提出的简化特征与svm和dt结合后，两个模型的准确性均高于现有技术中提出的psd-svm(94.17％)和psd-dt(90.23％)，其中psd-svm和psd-dt的结果分别来源于文献(d.chen,v.montano,l.huo,s.fan,g.song,detection of subsurface voids in concrete-filled steel tubular(cfst)structure using percussion approach,construction and building materials 262(2020))和文献(d.chen,v.montano,l.huo,g.song,depth detection of subsurface voids in concrete-filled steel tubular(cfst)structure using percussion and decision tree,measurement 163(2020))，这表明提出的简化特征集还能改善其他模型的分类精度。
[0095]
表2minirocket算法分类评估结果
[0096][0097][0098]
下面检测minirocket模型对噪音的鲁棒性
[0099]
采用添加白高斯噪音的方法模拟噪音环境，通过式(9)对原始信号添加不同的信噪比噪音。
[0100][0101]
式中，p
signal
和a
signal
分别为原始信号的功率和幅值，p
noise
和a
noise
分别为噪音的功率和幅值。图12比较了不同方法在噪音下的分类精度结果。可以看出，当snr大于10时，三个评价指标均大90％，说明所提出的模型能准确预测脱空深度。但信噪比低于5时，脱空深度预测不够准确。这表明本实施例所提出的fft-mi-minirocket适用于高信噪比环境下的cfst脱空检测。此外，通过三个评价指标的对比，还可以看出所提的minirocket模型预测性能要优于svm和dt模型。
[0102]
本实施例在干燥的室内，对两端无约束的脱空cfst短柱进行了检测，利用所提出的方法获得了良好的预测性能。

技术特征：
1.基于敲击声波与minirocket的钢管混凝土异型脱空识别方法，其特征在于，包括如下步骤：s1，通过敲击获取钢管混凝土构件的声波时域信号；s2，将步骤s1的声波时域信号转化为频域信号，并提取钢管混凝土构件的脱空数据建立特征集；s3，将步骤s2的特征集输入minirocket模型进行训练，以预测钢管混凝土构件的脱空深度。2.根据权利要求1所述的基于敲击声波与minirocket的钢管混凝土异型脱空识别方法，其特征在于，步骤2中所述钢管混凝土构件的脱空数据采用互信息指标提取，互信息指标的计算方法包括如下步骤：假设随机变量a的概率为p(a)，a＝1,2
…
n
a
，则输出类中的初始不确定性h(a)，如式(1)所示：式中，h(a)表示输出类中的初始不确定性；n
a
表示输出类的个数；已知特征向量f后的平均不确定度为条件熵h(a/f)，如式(2)所示：式中，p(a∣f)为f的a类的条件概率；n
f
表示输入向量的个数；h(a/f)表示条件熵；当特征与输出类之间的联合密度函数(p(a；f))为个体概率密度(p(a)和p(f))的乘积：p(a；f)＝p(a)p(f)时，条件熵和初始熵相等；因此，变量a与f之间的互信息mi(a；f)为减少不确定性的量，如式(3)：mi(a；f)＝h(a)-h(a|f)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式中，mi表示互信息；p(a；f)表示特征与输出类之间的联合密度函数；p(a)表示变量a的概率；p(f)表示变量f的概率；对于具有连续分量的特征向量，得到两个随机变量的互信息为式(4)：当变量a与f完全无关或者相互独立时，mi(a；f)为0，表明两者之间不存在相互的信息；反之，当两个变量之间相互依赖程度越高时，mi(a；f)越大，所包含的相同信息越多。3.根据权利要求1所述的基于敲击声波与minirocket的钢管混凝土异型脱空识别方法，其特征在于，所述minirocket模型的计算方法包括如下步骤：第一步，输入信号x与内核w
k,d
的扩张卷积，如式(5)所示：c
k,d
＝x*w
k,d
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)式中，d表示膨胀参数，k表示84个预定义的核w
k
，minirocket核的长度为9，权重限制为两个数(α＝-1和β＝2)，而卷积核表示为α和β的组合，如式(6)所示：
第二步，每个扩张卷积结果c
k,d
与一个或多个偏置值b相比是元素级的，如式(7)：c
k,d,b
＝c
k,d
＞b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)式中，b表示偏置值；第三步，计算输出描述符y
ppv
的9996个维度中的每个维度作为均值，如式(8)：式中，x表示时间序列；，w表示内核；n表示时间序列中的数据总数。4.根据权利要求1所述的基于敲击声波与minirocket的钢管混凝土异型脱空识别方法，其特征在于，步骤s1中所述的钢管混凝土构件的制备方法，步骤如下：首先在钢管两端分别安装钢板，其中一块钢板中间设置有空洞；其次将两钢管分别垂直固定，使有空洞的钢板一端为向上状态；然后从上往下浇筑混凝土；最后，再使用钢板将钢管开口端封口后，制成钢管混凝土构件，将制备好的钢管混凝土构件倾斜放置，并在室外定期浇水养护。5.根据权利要求1所述的基于敲击声波与minirocket的钢管混凝土异型脱空识别方法，其特征在于，步骤s1中所述敲击钢管混凝土构件的方法为：对钢管混凝土构件划分为7个敲击点，其中6个为脱空点，1个为密实点，分别对每个不同脱空深度的敲击点分别重复敲击100次。

技术总结
基于敲击声波与MiniRocket的钢管混凝土异型脱空识别方法，步骤为S1，通过敲击获取钢管混凝土构件的声波时域信号；S2，将声波时域信号转化为频域信号，并提取钢管混凝土构件的脱空数据建立特征集；S3，将建立的特征集输入MiniRocket模型进行训练，以预测钢管混凝土构件的脱空深度。本发明提出了利用快速傅里叶变换(FFT)后的数据进行互信息(MI)计算的简化特征提取方法，并结合MiniRocket深度学习网络对钢管混凝土构件脱空缺陷进行训练和预测，简化的特征提取方法有效避免了繁琐的数学运算并提高SVM和DT模型的分类准确性，所提出的FFT-MI-MiniRocket预测方法整体精度达到99.89％，并具有良好的抗噪性能。本发明检测成本低、不损害结构、效率高和精度高，有望在工程项目中实现快速智能原位检测。实现快速智能原位检测。实现快速智能原位检测。


技术研发人员：覃悦 谢开仲 郭晓 彭佳旺 王秋阳 王红伟
受保护的技术使用者：广西大学
技术研发日：2022.12.05
技术公布日：2023/7/11