堆疊自編碼器在錨桿錨固缺陷類型識別中的應用

王明明，王 莎，邢 卉，孫曉云，路 霖

(石家莊鐵道大學電氣與電子工程學院，河北 石家莊 050043)

錨桿錨固質量檢測一直是錨桿支護施工環節的重要組成部分。錨桿錨固質量無損檢測技術克服了傳統檢測方法耗時多且具有破壞性的不足，可以實現快速大批次的質量檢測，受到學者們的廣泛關注[1-3],從20世紀80年代的超聲波無損檢測技術發展到了現在的基于電磁超聲和人工智能等技術的新型無損檢測技術[4-7]。

在基于人工智能等算法的無損檢測中，錨桿錨固缺陷的識別率易受提取特征的影響。目前，常用的特征提取方法包括EMD、小波分解、能量特征和時頻域特征等。這些特征提取方法往往依賴于人工經驗，制約了識別率的提高。2006年，Hintion利用貪心算法對自編碼器網絡(auto-encoder，AE)的隱含層進行優化，提出了堆疊自編碼器網絡(stacking auto-encoder，SAE)[8]。近年來，SAE網絡在高維數據特征提取及分類識別中取得了較多成果[9-11]。本文利用SAE網絡對錨桿錨固系統的缺陷特征進行提取，采用自適應時刻估計方法(Adam優化算法)對重構誤差進行優化，提出一種自動確定SAE網絡深度和參數的自動選層堆疊自編碼器特征提取算法。通過數值模擬和物理模擬兩種方法對錨桿錨固缺陷特征進行提取，并使用Softmax多分類器對錨固缺陷進行識別。本文所提算法能有效降低人工選取參數對缺陷識別精度的影響，提高了Softmax多分類器的缺陷識別率。

1 基于自動選層SAE的錨桿錨固缺陷識別算法

圖1 AE網絡模型Fig.1 AE network model

圖1中的w1、b1為編碼器參數，w1為n×m矩陣，b1為1×m矩陣，n為輸入數據維度，m為輸出特征維度;w2、b2為解碼器參數，w2為m×n矩陣，b2為1×n矩陣。激活函數f、g為sigmoid函數。該網絡的重構誤差見式(1)。

(1)

基于自動選層SAE的錨桿錨固缺陷識別算法步驟如下所述。

1) 輸入數據處理：將錨桿自由端的激勵響應進行歸一化，作為自動選層SAE網絡的輸入。

2) AE參數初始化：SAE網絡的訓練過程是一個迭代過程，權值和閾值的初始化對最終絡結果前很大影響，過大或過小的參數初始值對網絡都有不好的收斂結果;所以AE網絡的權值通常先隨機給一個很小的值，一段取均值為0，方差為1的隨機正太分布，閾值的初始值為0。

3) 參數優化：訓練AE網絡，使式(1)最小化，進而使AE的網絡參數達到最優。

4) 自動選層網絡：在滿足分類準確率的前提下設定重構誤差目標值，判斷AE最優參數下的重構誤差是否小于設定目標值；若不小于，則保存訓練好的網絡參數，繼續增加一層AE網絡，返回步驟2，直到達到誤差目標設定值，跳出自動選層網絡以確定SAE網絡深度及參數。

5) 網絡級聯及分類：將訓練好的AE編碼器部分級聯形成SAE網絡，并將每層AE訓練好的編碼器參數作為SAE神經網絡初值進行對輸入數據的特征提取;利用Softmax多分類器對訓練好的SAE網絡輸出特征進行分類訓練，并對SAE網絡參數進行有監督的微調，以實現錨桿錨固系統缺陷的識別。

2 基于數值模擬的錨桿錨固缺陷識別

2.1 數值模型

利用ANSYS有限元仿真軟件建立了3種不同錨桿錨固缺陷的數值模型，模型結構如圖2所示。

圖2 ANSYS錨桿錨固系統模型Fig.2 ANSYS anchor system model

3種模型錨桿錨固模型結構為錨固前端缺陷、錨固中端缺陷以及錨固后端缺陷。通過改變每類錨桿錨固模型的結構得到90組不同錨固缺陷模型，錨桿錨固模型的幾何參數見表1。鋼筋、灌漿、圍巖等三種材料的力學參數見表2。

2.2 數值模擬缺陷識別結果分析

在錨桿頂端截面施加5周期正弦調制波，施加力的頻率為f=20～30 kHz，△f=1 kHz，采集900組每組120個樣本點作為網絡輸入。

AE隱含層節點個數是輸入節點個數的一半(向上取整)，重構誤差的設定值為0.001(保證缺陷識別率在95%以上)。重構誤差輸出如圖3所示。

表1 3種錨桿錨固的幾何參數Table 1 Three types of anchoring geometric parameters

注：La為自由端錨桿長度(錨桿前端面到錨固前端面)；Lb為錨固部分的長度；Lc為錨固前端面到缺陷前端面的長度；Ld為缺陷的長度；h為錨固厚度

表2 三種材料的力學參數Table 2 Mechanical parameters of three materials

圖3 仿真數據重構誤差Fig.3 Simulation data reconstruction error

由圖3可以看出，第一層AE和第二層AE的輸出重構誤差都呈下降趨勢并達到收斂，第一層AE的重構誤差收斂在0.004附近，未達到設定值的要求;第二層AE的重構誤差達到設定值跳出自動選層網絡，最后將訓練好的兩個AE的編碼部分級聯形成SAE網絡，并將當前參數作為SAE每層初始參數。3種模型即錨固前端缺陷、錨固中端缺陷、錨固后端缺陷分別編碼為001、010、100。歸一化后數據經過SAE網絡提取特征后，每類隨機抽取60組共180組作為測試集，將剩下的720組作為訓練集訓練Softmax網絡。最終缺陷識別結果如圖4所示。

由圖4可以看出，Softmax網絡的分類結果有兩個樣本識別錯誤，識別的準確率為0.988。為了便于分析和比較，增加網絡深度至5，并計算該網絡深度下的重構誤差、分類準確率見表3。

圖4 仿真數據分類結果Fig.4 Simulation data classification results

表3 基于仿真數據下的不同深度的SAE網絡訓練數據Table 3 SAE network training data of different depths based on simulation data

由表3可以看出，網絡的重構誤差隨網絡深度的增加而下降，但分類的準確率卻沒有隨網絡深度的增加而提高，網絡深度為2時準確率最高為98.8%，網絡深度為5時降低至93.3%，這可能是由于網絡層數的增加會使Softmax反向微調誤差累加過大進而導致分類準確率的下降。為進一步驗證本文算法在錨固缺陷識別方面的有效性，將本文算法與小波分解結合隨機森林(RF)、主成分分析(PCA)結合SVM分別進行缺陷識別，進行10次對比的結果如圖5所示。

圖5 不同算法準確率Fig.5 Accuracy of different algorithms

由圖5可以看出，本文算法的最低識別精度96.1%，最高識別精度98.8%，平均識別精度為97.7%。PCA結合SVM網絡的最低識別精度97.2%，最高識別精度95%，平均識別精度為95.6%。小波分解結合RF網絡的最低識別精度92.2%，最高識別精度95.5%，平均識別精度為93.8%。從分類結果可知，本文提出的算法識別率高于另外兩種算法。

3 基于物理模擬的錨桿錨固缺陷識別

為驗證算法實際應用價值，進行了物理模擬試驗，如圖6所示。試驗錨桿樣本總長度為2 m，錨固部分長度為1.5 m。其中由砂、42.5C復合硅酸鹽水泥、水按比例4∶2∶1混合而成形成灌漿材料；砂、50C合硅酸鹽水泥、石子(大)、石子(小)、水按比例4.2∶3.3∶3.8∶2.5∶1混合而成形成圍巖材料， 缺陷為泡沫缺陷。 錨固的外殼是由直徑0.3 m的PVC管包裹，錨桿錨固實物模型如7所示。螺紋鋼直徑為0.02 m，灌漿直徑0.05 m，圍巖層直徑為0.3 m。

利用東華測振公司的DHDAS動態信號測試分析系統作為激勵和響應信號的采集裝置。采樣頻率為10 kHz，每個物理模型采集80組數據，每組數據包括120個樣本點。

3.1 物理模型參數

試驗部分使用了7類物理模型包括錨固完整、前端缺陷、中端缺陷、后端缺陷、前中缺陷、中后缺陷、前后缺陷，結構見表4。

圖6 物理模擬試驗Fig.6 Physical simulation test

表4 錨桿錨固模型結構Table 4 Anchor anchor model structure

3.2 物理模擬缺陷識別結果分析

表4中的7類錨桿錨固系統模型網絡輸出依次編碼為1000000、0100000、0010000、0001000、0000100、0000010、0000001。AE隱含層節點個數是輸入節點個數的一半(向上取整)，重構誤差的設定值為0.002(保證缺陷識別率在95%以上)。經訓練，自動選層SAE網絡的重構誤差在第三層AE堆疊之后達到重構誤差的目標設定值，從而跳出自動選層，確定了SAE網絡深度。輸入數據經過SAE網絡進行特征提取后后，將每類錨桿的特征數據進行隨機排序，每類抽取10組共70組作為測試集，將剩下的490組作為訓練集。進入Softmax多分類網絡中進行不同缺陷類型的錨桿錨固系統識別，錨桿錨固缺陷識別效果如圖7所示。

圖7 自動選層SAE結合Softmax分類效果Fig.7 Automatic layer selection SAE combined with softmax classification effect

從圖7中能夠看出，本文方法只有1組樣本識別錯誤，識別精度為0.985。同樣對不同網絡深度下的重構誤差、分類準確率進行比較，見表5。

從表5可以得出，隨著網絡深度的增加，在重構誤差方面與數值模擬結論一致，在識別準確率方面呈現先升高后下降的趨勢，其中深度為3時網絡的識別準確率達到最高，而自動選層網絡也是選擇的3層AE堆疊，說明通過自動選層網絡能夠得到最適宜錨桿錨固缺陷識別的網絡深度。將本文算法與小波分解結合RF、PCA結合SVM分別進行10次測試的錨桿錨固質量分類，10次測試平均準確率見表6。由表6可以看出，針對實驗采集的數據的分類結果，本文算法的10次平均測試準確率仍然高于后兩種算法的平均準確率，也說明了該算法在在錨桿錨固缺陷識別的適用性。

表5 基于試驗數據下的不同深度的SAE網絡訓練數據Table 5 SAE network training data of different depths based on test data

表6 三種算法10次測試的平均準確率Table 6 Average accuracy of 10 tests for three algorithms

4 結 論

1) 利用重構誤差實現對SAE網絡的自動選層，能夠使網絡在保證缺陷識別準確率的前提下，自組織的訓練網絡選擇深度，解決了SAE網絡在分類識別中深度選擇的問題。

2) 通過數值模擬模型與物理模擬模型作為網絡驗證的數據來源，通過與小波分解結合RF、PCA結合SVM分別進行缺陷識別對比，驗證了自動選層SAE及Softmax的錨桿錨固質量分類識別算法在錨桿錨固缺陷識別方面具有很好的性能。