本發(fā)明涉及錨固系統(tǒng)技術(shù)領(lǐng)域，尤其涉及一種錨固系統(tǒng)內(nèi)部缺陷分布的多尺度熵表征方法。

背景技術(shù)：

已有的研究表明：錨桿沿著桿長方向的應(yīng)力分布是不均勻的。而錨固缺陷分布位置的不同會導(dǎo)致錨桿的受力狀態(tài)存在差異。在煤礦井下的實際檢測中，即使通過拉拔測試確認(rèn)了抗拔力符合要求，也會出現(xiàn)因砂漿灌注不飽滿而發(fā)生坍塌事故的情況，從而影響到煤礦的安全生產(chǎn)?，F(xiàn)有的技術(shù)對錨固缺陷位置的有效識別能力差，不能準(zhǔn)確定位錨固缺陷的位置，進而對錨桿錨固質(zhì)量的評價造成不良影響，導(dǎo)致安全事故的發(fā)生。

信號的復(fù)雜性主要是基于多尺度熵(multiscale entropy，簡稱MSE)方法來度量。該方法由Costa等人首次提出，最初主要用來衡量生物信號的復(fù)雜性，近年來，在交通流復(fù)雜性分析，金屬互連電遷移噪聲信號的復(fù)雜性分析、兩相流流型辨識以及電子器件噪聲分析等方面也得到了有效的應(yīng)用。由于MSE方法具有計算所需數(shù)據(jù)量小，抗干擾和抗噪能力強等優(yōu)點，人們開始將其應(yīng)用到無損檢測信號分析領(lǐng)域。鄭近德等將MSE應(yīng)用于轉(zhuǎn)子系統(tǒng)信號故障特征的提取,可以對故障的類型進行判斷。張龍等以MSE作為特征向量輸入到模糊神經(jīng)網(wǎng)絡(luò)進行軸承故障類型定性識別，取得了較好的識別效果。解曉琴通過對鋼管無損檢測信號的多尺度熵值曲線的分析，得到了鋼管內(nèi)部損傷情況與無損檢測波形之間的對應(yīng)關(guān)系，進而對鋼管中是否存在缺陷進行判斷。

多尺度熵主要是通過描述時間序列在多個時間尺度上所表現(xiàn)出來的無規(guī)則程度來表征該時間序列的復(fù)雜性的。它不僅能夠比較不同時間序列的復(fù)雜性，而且可以區(qū)分由不同機制產(chǎn)生的時間序列或者是同一機制在不同條件下產(chǎn)生的時間序列。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是為了解決現(xiàn)有技術(shù)中存在的缺點，而提出的一種錨固系統(tǒng)內(nèi)部缺陷分布的多尺度熵表征方法。

一種錨固系統(tǒng)內(nèi)部缺陷分布的多尺度熵表征方法，包括以下步驟：

S1：利用基于應(yīng)力波法的錨桿錨固質(zhì)量無損檢測儀器對工作現(xiàn)場需要檢測的錨桿進行檢測，識別出錨桿錨固長度，對該無損檢測信號進行經(jīng)驗?zāi)B(tài)分解，分解成一系列的按照信號頻率高低排列的本征模態(tài)函數(shù)，利用傅立葉變換計算各層本征模態(tài)函數(shù)的頻率，將頻率大于1kHz的本征模態(tài)函數(shù)和最后一層本征模態(tài)函數(shù)舍棄，將頻率小于1kHz的各層本征模態(tài)函數(shù)疊加在一起，重構(gòu)出新的信號用于多尺度熵分析；

S2：從預(yù)先通過實驗室試驗建立的不同錨桿直徑和錨固長度的無缺陷錨桿錨固系統(tǒng)無損檢測信號的數(shù)據(jù)庫中，選取和現(xiàn)場檢測的錨桿直徑和錨固長度一致的無缺陷錨桿錨固系統(tǒng)無損檢測信號，并利用和S1中相同的信號處理方法重構(gòu)出新的信號用于多尺度熵分析；

S3：計算S1和S2中重構(gòu)新信號的多尺度熵值，獲得兩條熵值曲線，計算這兩條熵值曲線之間的SDD值；

如果SDD值＜85％，則說明S1中檢測的錨桿錨固系統(tǒng)中沒有缺陷；

如果SDD值≥85％，則說明S1中檢測的錨桿錨固系統(tǒng)中存在缺陷；

在SDD≥85％情況下，進一步計算兩條熵值曲線之間的PRSS參量，通過預(yù)先在實驗室試驗中標(biāo)定好的，和現(xiàn)場檢測的錨桿的直徑和錨固長度相同的錨固系統(tǒng)無損檢測信號的PRSS參量與缺陷分布位置之間的對應(yīng)關(guān)系式：PRSS＝Ae^-Bx，式中，A，B為和圍巖屬性有關(guān)的常數(shù)，x為信號的缺陷起始端與錨固起始端之間的距離；求出x值得出信號的缺陷起始端與錨固起始端之間的距離，或者缺陷的分布情況。優(yōu)選的，所述信號的復(fù)雜性與缺陷位置距錨固起始端距離的關(guān)系為缺陷位置越靠近錨固起始端，相應(yīng)信號的復(fù)雜性越高，缺陷位置越靠近錨固段底端，相應(yīng)信號的復(fù)雜性越低，其產(chǎn)生原因主要是由于衰減因素和結(jié)構(gòu)因素的影響。

優(yōu)選的，所述衰減因素就是從傳播過程的能量損耗角度來看，缺陷位置越靠近錨固段底端，來自缺陷部位的反射信號在傳播過程中經(jīng)過的錨固質(zhì)量完好的部分越長，其能量損耗的就越多，信號衰減的就越厲害，或者說信號被過濾掉的成分就越多，信號的無規(guī)則性就越小，因而復(fù)雜性越低。

優(yōu)選的，所述結(jié)構(gòu)因素是由于連續(xù)的反射會導(dǎo)致信號變的越來越不規(guī)則，缺陷位置離錨固起始端越近，單位時間內(nèi)信號反射的次數(shù)越多，每一次反射，都會使信號中產(chǎn)生新的成分，從而使信號的無規(guī)則程度變大，在相同傳播時間內(nèi)，傳感器所能接收到的反射信號的無規(guī)則程度越大，因此，其多尺度熵值越大，即信號的復(fù)雜性越高，缺陷位置離錨固起始端越遠，單位時間內(nèi)信號反射的次數(shù)越少，在相同的傳播時間內(nèi)，傳感器所能接收到的反射信號的無規(guī)則程度越小，因此，其多尺度熵值越小，即信號的復(fù)雜性越低。

本發(fā)明還提出了一種錨固系統(tǒng)內(nèi)部缺陷分布的多尺度熵評價系統(tǒng)，包括讀取模塊，分解模塊，計算模塊，選擇模塊，對比模塊，判定模塊和顯示模塊；

讀取模塊，用于讀取參考信號和檢測信號；

分解模塊，用于對信號進行經(jīng)驗?zāi)B(tài)分解；

計算模塊，用于計算各層的頻率、多尺度熵、SDD和PRSS；

重構(gòu)模塊，用于選擇信號重構(gòu)層并進行信號重構(gòu)；

對比模塊，通過計算的SDD和PRSS的值判斷信號的復(fù)雜性，比較多尺度熵值曲線之間的差異；

判定模塊，用于判定錨固缺陷的位置；

顯示模塊，用于將判定結(jié)果直觀顯示在屏幕上。

本發(fā)明提出的一種錨固系統(tǒng)內(nèi)部缺陷分布的多尺度熵表征方法，通過度量反射信號的復(fù)雜性來刻畫反射信號的改變程度，進而識別出錨固缺陷的位置，該方法能夠有效判定錨固缺陷的位置，準(zhǔn)確評價錨固質(zhì)量，并且利用MATLAB GUI圖形用戶界面開發(fā)環(huán)境開發(fā)了錨桿錨固缺陷的多尺度熵評價系統(tǒng)，實現(xiàn)了信號處理過程的可視化和智能化，便于使用者操作，使得本專利所提出錨固系統(tǒng)內(nèi)部缺陷分布的多尺度熵表征方法易于在實際生產(chǎn)中推廣使用。

附圖說明

圖1為本發(fā)明提出的一種錨固系統(tǒng)內(nèi)部缺陷分布的多尺度熵評價系統(tǒng)的框圖；

圖2為本發(fā)明提出的一種錨固系統(tǒng)內(nèi)部缺陷分布的多尺度熵評價系統(tǒng)的信號分析流程圖。

具體實施方式

下面結(jié)合具體實施例對本發(fā)明作進一步解說。

參照圖2，本發(fā)明提出的一種錨固系統(tǒng)內(nèi)部缺陷分布的多尺度熵表征方法，包括以下步驟：

S1：利用基于應(yīng)力波法的錨桿錨固質(zhì)量無損檢測儀器對工作現(xiàn)場需要檢測的錨桿進行檢測，識別出錨桿錨固長度，對該無損檢測信號進行經(jīng)驗?zāi)B(tài)分解，分解成一系列的按照信號頻率高低排列的本征模態(tài)函數(shù)，利用傅立葉變換計算各層本征模態(tài)函數(shù)的頻率，將頻率大于1kHz的本征模態(tài)函數(shù)和最后一層本征模態(tài)函數(shù)舍棄，將頻率小于1kHz的各層本征模態(tài)函數(shù)疊加在一起，重構(gòu)出新的信號用于多尺度熵分析；

S2：從預(yù)先通過實驗室試驗建立的不同錨桿直徑和錨固長度的無缺陷錨桿錨固系統(tǒng)無損檢測信號的數(shù)據(jù)庫中，選取和現(xiàn)場檢測的錨桿直徑和錨固長度一致的無缺陷錨桿錨固系統(tǒng)無損檢測信號，并利用和S1中相同的信號處理方法重構(gòu)出新的信號用于多尺度熵分析；

S3：計算S1和S2中重構(gòu)新信號的多尺度熵值，獲得兩條熵值曲線，計算這兩條熵值曲線之間的SDD值；

如果SDD值＜85％，則說明S1中檢測的錨桿錨固系統(tǒng)中沒有缺陷；

如果SDD值≥85％，則說明S1中檢測的錨桿錨固系統(tǒng)中存在缺陷；

在SDD≥85％情況下，進一步計算兩條熵值曲線之間的PRSS參量，通過預(yù)先在實驗室試驗中標(biāo)定好的，和現(xiàn)場檢測的錨桿的直徑和錨固長度相同的錨固系統(tǒng)無損檢測信號的PRSS參量與缺陷分布位置之間的對應(yīng)關(guān)系式：PRSS＝Ae^-Bx，式中，A，B為和圍巖屬性有關(guān)的常數(shù)，x為信號的缺陷起始端與錨固起始端之間的距離；求出x值得出信號的缺陷起始端與錨固起始端之間的距離，或者缺陷的分布情況。

本發(fā)明中，所述多尺度熵包含三個參數(shù)τ，m和r，其中τ是尺度因子，m是序列的窗口長度即嵌入維數(shù)，r是閾值，也稱為相似系數(shù)，其計算方法如下：

(1)將L個點的一維離散時間序列{x₁,…,x_i,…,x_L}粗?；瑯?gòu)造不同時間尺度上的時間序列{y^(τ)}，定義為：

$y_j^{\left(\mathrm{\τ}\right)}=\frac{1}{\mathrm{\τ}}\underset{i=(j-1)\mathrm{\τ}+1}{\overset{j\mathrm{\τ}}{\mathrm{\Σ}}}{x}_i,1\≤j\≤\frac{L}{\mathrm{\τ}}$

其中，每一個粗粒化時間序列的長度為N＝L/τ，當(dāng)τ＝1時，粗?；臅r間序列就是原始時間序列，根據(jù)上式給出了尺度因子取2和3時的粗?；瘯r間序列的獲取方法如下：

(a)尺度因子為2時的時間序列的粗?；椒ㄈ缦拢?/p>

(b)尺度因子為3時的時間序列的粗?；椒ㄈ缦拢?/p>

(2)將上面得到的時間序列按連續(xù)序號組成一組m維矢量：從Y^(τ)(1)到Y(jié)^(τ)(N-m+1)，其中Y^(τ)(i)＝[y^(τ)(i),y^(τ)(i+1),…,y^(τ)(i+m-1)]，1≤i≤N-m+1，其中矢量為從第i個點開始的連續(xù)的m個y值；

(3)定義d[Y^(τ)(i),Y^(τ)(j)]為尺度τ上矢量Y^(τ)(i)和Y^(τ)(j)對應(yīng)元素相減并取絕對值時最大的那個值，即：

$d\[Y^{\left(\mathrm{\τ}\right)}\left(i\right),Y^{\left(\mathrm{\τ}\right)}\left(j\right)\]=\underset{k=0\→m-1}{max}|y^{\left(\mathrm{\τ}\right)}(i+k)-y^{\left(\mathrm{\τ}\right)}(j+k)|,1\≤i,j\≤N-m+1,i\≠j$

并對每一個i值計算Y^(τ)(i)與其余矢量Y^(τ)(j)間的距離d[Y^(τ)(i),Y^(τ)(j)]；

(4)給定閾值r，對于每個i值，統(tǒng)計d[Y^(τ)(i),Y^(τ)(j)]小于r的數(shù)目再計算其與距離總數(shù)N-m的比值，即表示在時間尺度τ，以Y(i)為中心，在嵌入維數(shù)為m，閾值為r情形下，其余矢量Y^(τ)(j)與Y^(τ)(i)的距離d[Y^(τ)(i),Y^(τ)(j)]小于r的概率，表示所有Y^(τ)(j)(i≠j)與Y^(τ)(i)的關(guān)聯(lián)程度，也就是表示矢量序列{Y^(τ)(j)}的規(guī)律性程度；

(5)對所有的點求平均值，得：其中，C^τ,m(r)表示矢量{Y^(τ)(j)}在尺度τ下的平均自相關(guān)程度；

(6)增加維數(shù)到m+1，重復(fù)步驟(2)-(5)，從而得到尺度τ，m+1維數(shù)下的取其平均值，得到C^τ,m+1(r)，從而得到τ尺度下的樣本熵為：

$SampEn(\mathrm{\τ},m,r)=\underset{N\→\mathrm{\∞}}{\lim }\{-ln\frac{C^{\mathrm{\τ},m+1}\left(r\right)}{C^{\mathrm{\τ},m}\left(r\right)}\}$

當(dāng)N為有限值時，按上述步驟得到的是序列長度為N，尺度為τ時樣本熵的估計值，可表示為：

$SampEn(\mathrm{\τ},m,r,N)=-ln\frac{C^{\mathrm{\τ},m+1}\left(r\right)}{C^{\mathrm{\τ},m}\left(r\right)}$

多尺度熵定義為時間序列在多個尺度下的樣本熵值的集合,通過改變τ值重復(fù)上述各步驟，得多尺度熵值為：

$MSE=\left\{\mathrm{\τ}\right|SampEn(\mathrm{\τ},m,r,N)=-ln\frac{C^{\mathrm{\τ},m+1}\left(r\right)}{C^{\mathrm{\τ},m}\left(r\right)}\}.$

本發(fā)明中，所述信號的復(fù)雜性判斷方法采取尺度偏離度參量法和偽殘差平方和參量法兩種，具體的判斷方法如下：

(1)尺度偏離度法：尺度偏離度參量，即SDD參量，它定義為一個時間序列的熵值在所有尺度上比另外一個時間序列的熵值大的數(shù)目與總的尺度因子數(shù)之間的比值，結(jié)果以百分比的形式表示，算法如下：

$SDD=\frac{\underset{i=1}{\overset{\mathrm{\τ}}{num}}\[(S_{di}-S_{oi})\>0\]}{\mathrm{\τ}}\×100\%$

其中，S_di為有缺陷錨固系統(tǒng)的無損檢測信號在第i尺度上的樣本熵值；

S_oi為無缺陷錨固系統(tǒng)的無損檢測信號在第i尺度上的樣本熵值；

為一個時間序列的熵值在所有尺度上比另外一個時間序列的熵值大的總個數(shù)；

如果SDD≥85％，則可以認(rèn)為該時間序列的熵值在絕大多數(shù)尺度上比另一個高；

(2)偽殘差平方和參量，即PRSS參量，定義為有缺陷和無缺陷錨固系統(tǒng)的無損檢測信號在每一個尺度下的樣本熵值的差的平方和，具體表達式為：

$PRSS=\underset{i=1}{\overset{\mathrm{\τ}}{\mathrm{\Σ}}}{(S_{di}-S_{oi})}^2$

其中，S_di為有缺陷錨固系統(tǒng)的無損檢測信號在第i尺度上的樣本熵值；

S_oi為無缺陷錨固系統(tǒng)的無損檢測信號在第i尺度上的樣本熵值；

PRSS越小，說明兩條熵值曲線的偏離程度越小，即兩者的復(fù)雜性差異越小，PRSS越大，說明兩條熵值曲線的偏離程度越大，即兩者的復(fù)雜性差異越大。

本發(fā)明中，所述信號的復(fù)雜性與缺陷位置距錨固起始端距離的關(guān)系為缺陷位置越靠近錨固起始端，相應(yīng)信號的復(fù)雜性越高，缺陷位置越靠近錨固段底端，相應(yīng)信號的復(fù)雜性越低，其產(chǎn)生原因主要是由于衰減因素和結(jié)構(gòu)因素的影響。

本發(fā)明中，所述衰減因素就是從傳播過程的能量損耗角度來看，缺陷位置越靠近錨固段底端，來自缺陷部位的反射信號在傳播過程中經(jīng)過的錨固質(zhì)量完好的部分越長，其能量損耗的就越多，信號衰減的就越厲害，或者說信號被過濾掉的成分就越多，信號的無規(guī)則性就越小，因而復(fù)雜性越低。

本發(fā)明中，所述結(jié)構(gòu)因素是由于連續(xù)的反射會導(dǎo)致信號變的越來越不規(guī)則，缺陷位置離錨固起始端越近，單位時間內(nèi)信號反射的次數(shù)越多，每一次反射，都會使信號中產(chǎn)生新的成分，從而使信號的無規(guī)則程度變大，在相同傳播時間內(nèi)，傳感器所能接收到的反射信號的無規(guī)則程度越大，因此，其多尺度熵值越大，即信號的復(fù)雜性越高，缺陷位置離錨固起始端越遠，單位時間內(nèi)信號反射的次數(shù)越少，在相同的傳播時間內(nèi)，傳感器所能接收到的反射信號的無規(guī)則程度越小，因此，其多尺度熵值越小，即信號的復(fù)雜性越低。

參照圖1，本發(fā)明提出了一種錨固系統(tǒng)內(nèi)部缺陷分布的多尺度熵評價系統(tǒng)，包括讀取模塊，分解模塊，計算模塊，選擇模塊，對比模塊，判定模塊和顯示模塊；

讀取模塊，用于讀取參考信號和檢測信號；

分解模塊，用于對信號進行經(jīng)驗?zāi)B(tài)分解；

計算模塊，用于計算各層的頻率、多尺度熵、SDD和PRSS；

重構(gòu)模塊，用于選擇信號重構(gòu)層并進行信號重構(gòu)；

對比模塊，通過計算的SDD和PRSS的值判斷信號的復(fù)雜性，比較多尺度熵值曲線之間的差異；

判定模塊，用于判定錨固缺陷的位置；

顯示模塊，用于將判定結(jié)果直觀顯示在屏幕上。

以上所述，僅為本發(fā)明較佳的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，根據(jù)本發(fā)明的技術(shù)方案及其發(fā)明構(gòu)思加以等同替換或改變，都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。