[发明专利]基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法

说明书

本发明涉及一种基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法，属于隧道风机检测领域，包括以下步骤：S1：利用隧道射流风机基础健康检测系统进行振动试验，采集隧道射流风机的激励与响应振动信号；S2：将一维振动时域信号进行傅氏变换得到频域信号，进而得到传递函数并将其划分为训练集和测试集；S3：基于MIA‑CNN网络搭建隧道射流风机预埋基础损伤识别模型，使用训练集对所述网络进行训练，不断调整参数，进行模型优化；S4：使用测试集进行隧道射流风机预埋基础损伤识别，验证隧道射流风机预埋基础损伤识别模型的性能；S5：使用通过验证的隧道射流风机预埋基础损伤识别模型进行隧道射流风机预埋基础损伤识别。

技术领域

本发明属于隧道风机检测技术领域，涉及一种基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法。

背景技术

随着公路交通的迅速发展，公路隧道大量修建，公路隧道普遍设置有机械通风装置，而其中95％以上采用了悬挂式射流通风，所以悬挂的射流风机预埋基础的稳定性得到了人们的高度重视。

如图1所示，公路隧道射流风机的预埋件包括设置在混凝土结构中的预埋钢筋A0，焊接在预埋钢筋A0上的预埋钢板A1，以及焊接在预埋钢板A1的安装支架A2，在所述安装支架A2上用螺栓固定射流风机A3。由于风机较重，且在运行中会产生一定的震动，对基础稳定性难免产生不良影响，所以有必要定期对预埋件基础的稳定性进行检测。

现有的风机预埋基础健康性检测方法，一般有以下2种方法：(1)作抗拉拔试验；(2)采用无损探伤(超声波或磁粉探伤)；(3)振动测试方法。

而现有的检测方法均存在缺陷：(1)作抗拉拔试验，由于风机体型较大，一般直径均在一米多，在风机已安装的条件下抗拔试验操作非常困难，且观测也非常困难。如果将风机卸下再作抗拔试验，工作量较大，试验周期也过长。(2)采用无损探伤，主要检测预埋钢板与安装支架之间连接的可靠性，实际上对预埋钢板与预埋钢筋之间连接的可靠性检测较为困难，且不能检测预埋钢筋和混凝土之间结合的松动情况。(3)中国专利CN106596025A提出了一种基于冲激响应的公路隧道悬挂风机基础健康性检测方法，将预埋基础稳定性分为一级、二级和三级，并给出各级状态下的预埋基础养护措施。该方法能解决由于风机自重、偏心、工况等差异导致的模型普适性的问题，可靠检测预埋件基础健康状况，但该方法在获得冲击响应信号后，还需要人工提取特征后进行模式识别或人为判断风机基础稳定性状态，判断结果依赖于工程师积累的经验，主观性较强，极易造成结果误判。故该技术推广应用难度大、不能普适于公路隧道悬挂风机基础稳定性检测的应用，其检测效率与智能化程度也较低。

发明内容

有鉴于此，本发明的目的在于提供一种基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法，既能实现悬挂风机基础稳定性快速、检测，又不依赖于人的经验，实现风机基础稳定性智能化识别，还具有较好的普适性。

为达到上述目的，本发明提供如下技术方案：

一种基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法，包括以下步骤：

S1：利用隧道射流风机基础健康检测系统进行振动试验，采集隧道射流风机的激励与响应振动信号；

S2：将一维振动时域信号进行傅里叶变换得到频域信号，进而得到传递函数值并将其划分为训练集和测试集：

上式中，H(w)为传递函数，X(w)为激励x(t)的傅里叶变换，Y(w)为响应y(t)的傅里叶变换；

S3：基于MIA-CNN网络搭建隧道射流风机预埋基础损伤识别模型，使用训练集对所述网络进行训练，不断调整参数，进行模型优化；

S4：使用测试集进行隧道射流风机预埋基础损伤识别，验证隧道射流风机预埋基础损伤识别模型的性能；