CNN-KAN混合驱动的智能振动机械及其边缘部署型振动状态识别方法 王天龙 王新伟 胡世浩 杨世萱 蔡照辉 范布侨 向彤 穆罕默德·莫曼·沙阿扎德

《Machines》：CNN-KAN Hybrid Driven Intelligent Vibration Machinery and Vibration State Recognition Method of Edge Deployment Tianlong Wang, Xinwei Wang, Shihao Hu, Shixuan Yang, Zhaohui Cai, Buqiao Fan, Tong Xiang and Muhammad Moman Shahzad

　　**摘要**
混凝土的振动质量对结构的耐久性有着重大影响，但建筑工地目前缺乏实时监测这一参数的可靠方法。更糟糕的是，振动设备本身没有自我感知其运行状态的能力，因此故障和性能下降往往在问题出现之前难以被发现。本研究提出的系统将Raspberry Pi控制器和混合神经网络模型集成到振动设备中。该模型结合了一维卷积神经网络（CNN）与Kolmogorov–Arnold网络（KAN）。CNN承担了大部分计算工作，它系统地降低数据维度并从大量的时间序列数据中提取关键特征，从而解决了KAN在处理未经处理的高维序列时可能遇到的收敛问题。随后，基于B样条的分类模块取代了传统的全连接层。这一创新非常显著：该模块能够识别混凝土液化过程中的微小阻尼变化和频率变化，准确区分“压实充分”与“振动过度”等状态——这两种状态在动态响应上可能几乎难以区分。振动状态分类的准确率达到了97.55%，而无负载条件的识别准确率为98.17%。该系统提供了毫秒级的主动保护机制，有效减少了设备磨损。由于实施成本仅约为800人民币，并预期能提高20%的施工合规性，这项工作为确保可控的施工质量和延长设备使用寿命提供了可靠的技术支持，为建筑设备的智能化升级提供了一种有效解决方案。

**1. 引言**
在现代混凝土工程中，准确识别振动状态对于确保结构安全和耐久性至关重要，这直接决定了材料的密度和均匀性[1]。传统的施工方法主要依赖人工经验，这常常导致由于“振动不足”而产生的内部孔隙缺陷或由于“振动过度”导致的骨料离析[2]。在隧道工程中，常见的缺陷与浇筑压实度不足有关[3]。因此，已经进行了大量研究：Yang等人发现了振动加速度与孔隙度之间的线性关系[4]；Zheng等人提出了双轴振动搅拌来提高混凝土的整体质量[5]。然而，标准设备缺乏自我感知能力，这导致在不同速度下的诊断准确性大幅下降[6]。更为严重的是，恶劣的建筑环境和高速运行使得振动棒在频繁空转或与刚性模具碰撞时容易产生机械疲劳，从而导致质量失控和设备快速磨损。

机器学习与土木工程的结合将监测方式从“采样后检查”转变为“实时预警”。在损伤检测和状态评估方面，基于YOLOv7的裂纹识别[7]、精确定位算法[8]、深度学习驱动的机械损伤评估[9]以及基于遗传算法的状态预测[10]等技术展现出了巨大潜力。为了提高特征提取能力，将STFT与SVM结合使用实现了损伤检测[11]，并开发了用于复杂场景的多任务融合网络[12]。此外，实时监测与有限元建模[13,14]和非线性动力学建模[15]的结合为解决复杂系统问题奠定了基础。对于小样本场景，轻量级诊断框架显示出高精度[16,17]，而动态环境下的导航算法则为传感器运动补偿提供了见解[18]。然而，这些模型的计算强度往往使得它们无法在振动棒内的微节点上实现毫秒级的实时执行，关于设备安全主动保护机制的研究仍然非常有限。

卷积神经网络（CNN）和Kolmogorov–Arnold网络（KAN）的出现为嵌入式环境中的实时识别提供了有希望的途径。CNN以其权重共享机制在工具磨损识别[19]和电源风险评估[20]方面表现出色。为了进一步提高对内部冲击损伤[21]和混凝土振动响应参数[22]的识别精度，KAN算法利用可学习的非线性激活函数实现了更优的拟合精度。在实际工程中，这两种方法都遵循标准化的工作流程以适应施工需求[23]。CNN能够高效捕获局部特征并过滤噪声[24,25]，在复杂基准测试中的识别准确率可达到99.43%[26]。虽然堆叠技术[27]、混合预测[28]和核方法优化的分类器[29,30]进一步提升了性能，但在处理物理边界模糊的过渡状态（如“压实”与“振动过度”）时，轻量级模型仍面临挑战，尤其是在捕捉由液化引起的微妙阻尼变化方面。

总之，为了填补“实时质量监测”和“主动资产保护”方面智能设备的空白，本研究受到复杂环境鲁棒识别策略的启发[31]，开发了一种配备嵌入式边缘计算单元的集成智能振动设备。该设备通过嵌入式传感阵列和控制模块实现了“自我感知”；提出了一个CNN-KAN混合架构，以在有限的计算资源下提高非线性映射精度；并建立了毫秒级的主动保护机制。通过实时识别危险条件，系统有效降低了设备磨损并延长了设备的使用寿命，为建筑机械的智能化升级提供了坚实的技术基础。

**2. 智能振动棒设备及混凝土振动状态测试**
**2.1. 智能振动设备的系统架构**
开发了一种具备嵌入式边缘智能的混凝土振动监测系统，其功能架构如图1所示。该系统由三个核心模块协同驱动：数据采集终端、主控制处理中心和多维反馈单元。为了承受建筑环境中常见的极端机械振动和电磁干扰（EMI），硬件采用了工业级加固方案，将高精度IM600三轴加速度计（中国深圳欧华源）密封封装在振动装置的头部，通过3米长的RVVP 6 × 0.3标准屏蔽电缆将200 Hz的原始信号无损传输至Raspberry Pi 5边缘计算节点。控制中心利用这一微型节点运行内置的CNN-KAN混合算法进行即时波形解析。反馈单元通过控制总线连接到工业蜂鸣器，根据算法决策提供毫秒级的声学警报，从而实现从原始数据采集到智能响应的基于边缘的闭环控制。

**2.2. 混凝土振动性能测试和设备保护验证**
为了评估该设备在施工质量控制和主动资产保护方面的综合性能，设计了一套全面的实验流程，具体测试步骤如图2a–f所示。该流程遵循严格的工程标准，从材料准备（图2a）和标准化搅拌（图2b）开始，接着进行坍落度测试（图2c）以验证混凝土的可操作性是否符合实验标准。

**3. 混凝土振动状态识别算法**
**3.1. KAN的基本原理**
Kolmogorov–Arnold网络（KAN）是一种基于Kolmogorov–Arnold表示定理构建的神经网络模型。该定理数学上证明了任何多变量函数都可以表示为有限个单变量函数的组合。其通用数学表达式为：

与传统多层感知器不同，KAN的核心创新是将可学习的非线性激活函数放置在网络的“边缘”上。其典型的网络结构如图3所示。该网络去除了节点处固定的激活函数，允许每个边缘携带一个可学习的单变量函数（通常使用B样条曲线参数化）。在传统神经元中，输入通过w加权后通过固定激活函数进行处理；而在KAN单元中，输入信号直接在边缘进行功能转换，节点仅执行简单的求和操作。这理论上提供了一种更高效、参数更少的函数近似方法，大大减少了了对大规模内存的依赖，使KAN特别适合部署在资源有限的边缘计算平台（如Raspberry Pi）上。

**3.2. CNN的基本原理**
卷积神经网络（CNN）在处理时间相关的振动信号方面具有显著优势，这得益于其独特的局部感知和权重共享机制。本文构建的CNN模块主要用于从原始波形中提取深度特征，其网络结构如图4所示。在特征提取阶段，卷积核通过与输入信号的互相关操作捕获信号的局部时间演变特征。对于第l层的第j个特征图，其输出的计算过程如下：

为了适应混凝土振动信号本质上非平稳的特性，本文在卷积层参数方面提供了针对性的方法。第一层卷积层使用13个大小为3的卷积核，旨在首先捕捉原始波形的基本形状特征；第二层卷积层使用23个大小为2的卷积核，在更精细的感受野的帮助下提取信号中的高频波动特征。为了确保模型训练的稳定性和加速收敛效率，在卷积操作后引入了批量归一化（BN）层。通过居中和缩放每批数据，BN层的计算逻辑为：

池化层通过下采样操作减少空间维度，从而减少模型参数数量并提高其对信号变化的鲁棒性。该架构采用最大池化策略，在特定滑动窗口Ω内提取最大激活值：

**3.3. CNN的基本原理**
卷积神经网络（CNN）在处理时间相关振动信号方面具有显著优势，这得益于其独特的局部感知和权重共享机制。本文构建的CNN模块主要用于从原始波形中提取深度特征，其网络结构如图4所示。在特征提取阶段，卷积核通过与输入信号的互相关操作捕获信号的局部时间演变特征。数据预处理 3.3.1. 数据增强
在建筑工地上测量的原始振动波形通常具有长时间序列特性。如果直接将所有这些波形输入模型进行处理，可能会导致较大的开销。为了解决这个问题，本研究使用滑动窗口方法对原始信号进行分割。这种技术使用固定长度的窗口和步长来设置分割，确保信号的物理特性连续性不会被中断，从而将长时间序列转换为多个等长的短样本。具体的分割过程如图5所示。图5. 滑动窗口数据增强的示意图。滑动窗口增强不仅显著增加了样本大小，有效缓解了数据稀缺可能导致的过拟合风险，还增强了模型对信号时间移动特性的鲁棒性，为后续深度神经网络的稳定训练奠定了数据基础。
经过滑动窗口增强后的信号片段是所有后续算法的唯一数据来源。CNN-KAN和CNN直接提取片段中的原始时间特征，而KAN还需要将这些片段转换为统计特征向量。

3.3.2. 特征提取和选择策略
为了验证不同算法架构的分类性能，本研究为纯KAN模型设计了一个专用的特征提取过程。由于原始振动信号具有高维度和强非平稳性，直接将它们输入KAN模型会造成巨大的计算压力。因此，本研究首先通过特征提取方法将复杂的波形信号转换为代表性的低维数值指标。
本研究从时间和频率域处理原始信号，最初提取了20个初始特征，包括方差、均方根值、峰值因子和特定频率带内的能量分布。具体特征名称和计算公式见表1。表1. 时间和频率域特征的定义和公式。考虑到一些冗余或相关性较低的指标可能会干扰KAN模型的功能近似效果，本文设计了一种多标准评估机制来筛选特征。使用皮尔逊相关系数来衡量每个特征与混凝土振动状态之间的关联程度，然后引入方差分析来量化每个特征在不同工作条件下的信息丰富度，从而评估其作为分类标准的有效性。基于综合评分和合理的阈值，最终确定了表现最好的核心特征。这种方法不仅在减少数据维度的同时确保模型关注关键物理特征，还提高了系统对危险操作信号（如地面冲击和高频空载）的敏感性，从而为设备的主动保护逻辑奠定了坚实的基础。

3.3.3. 数据归一化
为了防止不同物理维度带来的差异影响模型训练过程，并使损失函数更快收敛，对所有输入特征数据应用了最小-最大归一化，将其缩放到[0, 1]范围内：
归一化方法消除了幅度上的差异，同时完全保留了信号本身的原始分布，这有助于在反向传播过程中提高模型的数值稳定性。

3.4. 本文提出的混凝土振动状态识别算法
为了弥合施工质量控制和主动设备保护之间的差距，本文提出了一个混合识别框架，该框架利用了CNN的特征提取能力和Kolmogorov–Arnold网络（KAN）的精确非线性映射。考虑到传感器提供的是长期信号，直接在KAN中进行端到端学习可能会导致边缘节点的计算开销。因此，该框架使用CNN前端来细化深度特征，然后由基于KAN的分类头进行处理，以实现毫秒级的决策。整体结构如图6所示。图6. CNN-KAN用于振动信号分类的总体架构。该模型放弃了CNN末端的传统全连接方法，而是结合了基于Kolmogorov–Arnold表示定理的KAN模块作为分类核心。CNN前端通过多层1D卷积和池化操作直接从原始振动时间序列信号中提取深度特征向量。后端KAN模块利用其内部可学习的B样条基函数对CNN前端输出的深度特征进行曲线连接和映射。与传统的架构相比，CNN_KAN在“边缘”使用了可学习的激活函数，能够更详细地描述数据中的高阶非线性关系。这种级联方法显著减少了模型参数的数量，同时有效提高了模型对具有相似形态的工作条件（如“过度振荡”和“密集”状态）的分类准确性。
为了优化多类分类任务的决策准确性，该算法采用了交叉熵损失函数，其数学表达式如下：
在这里，N代表样本数量，C代表类别数量，Y是真实标签的一热编码，P代表模型预测的概率分布。为了参数优化，使用了Adam优化器以确保快速收敛。CNN-KAN模型的最终输出被集成到设备的控制逻辑中：当预测的概率表明存在危险状态（例如地面冲击或空载振动）时，系统会立即触发工业级警报模块。这种闭环设计确保设备可以自主减少机械磨损，同时保持对混凝土振动状态的高精度监控。

4. 实验结果分析
4.1. 实验设置
为了使实验数据更准确地反映复杂建筑环境中振动信号的非线性变化特性，本研究的所有数据收集均在实际的混凝土浇筑现场进行。如图7所示，在实验过程中，高精度无线三轴加速度计使用绑带牢固地固定在振动器的末端。这种安装方法有效防止了传输过程中的信号衰减，并确保传感器可以与振动源同步移动。图7. 固定在振动杆上的加速度计的特写。(a) 空气中的振动；(b) 混凝土中的振动。
考虑到建筑现场高密度钢筋网和高功率电机造成的复杂电磁环境，实验选择了具有强抗干扰能力的传感器节点。具体参数配置见表2。表2. 参数配置。采样频率设置为200 Hz，以平衡信号保真度和计算效率，确保嵌入的Raspberry Pi单元能够获取高质量的振动数据而不会导致缓冲区溢出。除了硬件配置外，智能系统的软件生态系统完全使用Python实现。模型训练和评估使用了PyTorch 2.2.2和scikit-learn库。对于硬件层面的执行，使用了lgpio和spidev库来管理传感器数据采集，而PostgreSQL（通过psycopg2）提供了强大的本地持久层用于实时数据存储。监控和反馈界面使用Flask和SocketIO框架构建，以确保施工过程中的低延迟数据可视化和即时声学警报。

4.2. 数据集构建
4.2.1. 状态定义和分类
本实验的数据标注标准将严格遵循混凝土振动动态的物理演化机制。为了便于后续模型输入和结果分析，实验数据现在被分为振动加载数据集DATASET1和无载振动数据集DATASET2，并为每组数据下的特定物理状态提供了符号定义。
对于振动操作条件数据集DATASET1，区分逻辑涉及观察信号幅度的包络演变及其频率成分是否发生突然变化。定义振动器杆不接触混凝土的空载参考状态为D1。当振动器插入混凝土中，但振动时间不足时，由于粗骨料之间的强烈干摩擦，信号幅度显著减弱，这种欠振动状态标记为D2。随着振动的继续，混凝土中的气泡被排出，浆体上升到表面，此时压实程度定义为D3。如果振动时间过长，会发生混凝土分离，骨料沉降导致阻尼降低，此时波形表现出低阻尼、高幅度的“液化”振荡特性，这种过阻尼状态被分类为D4。
对于DATASET2中的空载振动条件，分类基于牛顿第二定律得出的加速度向量分布特性。当振动器水平放置时，由于重力（Y轴）的垂直分量，加速度接近于零，这种水平无载振动状态表示为F1。当振动器垂直悬挂时，信号表现出由重力主导的周期性正弦振荡，这种垂直自由振动状态表示为F2。当振动器头部间歇性地撞击地面时，瞬时的承载能力和地面的刚性碰撞导致信号包含许多不稳定的尖峰脉冲，幅度剧烈波动，这种地面接触和无载振动状态表示为F3。
本研究首先根据上述动态特性确定了每个状态的有效时间间隔。然后提取了一个长度为2秒（总共800个采样点）的连续稳定波形段，作为后续模型训练的原始物理基线。

4.2.2. 时间序列数据集的构建
为了满足CNN和CNN-KAN模型的输入要求并克服小样本过拟合的问题，实验采用了滑动窗口技术来增强基准数据。实验设置了300个样本的窗口宽度和每次循环采样的五个样本的滑动步长。这一过程构建了可直接用于深度学习模型训练的原始时间序列数据集。样本分布的详细信息见表3。表3. 实验数据集的分类定义和样本分布。

4.2.3. 特征集构建
在比较实验中，由于其网络架构，KAN模型无法直接处理原始的三轴时间序列信号。因此，本研究对通过滑动窗口采样获得的样本进行了特征转换。首先，在时间和频率域对原始信号进行了特征提取。初步建立了一个包含20个初始特征的特征池，包括方差、均方根值、峰值因子和特定频率带内的能量。这些指标的具体名称和数学定义详见表1。为了量化每个特征在不同工作条件下的表示能力并优化计算效率，使用皮尔逊相关系数和方差分析进行了双重定量评估。
在具体的筛选过程中，研究了每个特征在两个独立识别任务中的性能。以识别振动状态的任务为例，图8显示了初始特征与混凝土四种状态之间的综合相关分数排名。从数据分布图中可以看出，均方根值和偏度在表征信号能量演变和波形不对称性方面具有明显的优势。这些指标位于评分表的顶部，成为区分具有特别相似物理特性的状态（如密实压实和过度压实）的关键物理标准。

4.2.3. 特征集构建
在比较实验中，KAN模型由于其网络架构无法直接处理原始的三轴时间序列信号。因此，本研究对通过滑动窗口采样获得的样本进行了特征转换。首先，在时间和频率域对原始信号进行了特征提取。初步建立了一个包含20个初始特征的特征池，包括方差、均方根值、峰值因子和特定频率带内的能量。这些指标的具体名称和数学定义详见表1。为了量化每个特征在不同工作条件下的表示能力并优化计算效率，使用皮尔逊相关系数和方差分析进行了双重定量评估。
在具体的筛选过程中，研究了每个特征在两个独立识别任务中的性能。以识别振动状态的任务为例，图8显示了初始特征与混凝土四种状态之间的综合相关分数排名。从数据分布图中可以看出，均方根值和偏度在表征信号能量演变和波形不对称性方面具有明显优势。这些指标位于评分表的顶部，成为区分具有特别相似物理特性的状态（如密实压实和过度压实）的关键物理标准。
对于识别无载振动类型的任务，图9详细记录了特征选择的具体过程和分数的分布特性。在处理带有瞬态冲击的着陆信号时，频率域指标（如频率重心）显得极为重要，具有极高的区分权重。这表明该指标能够敏感地捕捉由随机碰撞引起的频谱波动。因此，从动态角度来看，这对详细分类复杂的无载振动状态提供了关键支持。

通过比较可以看出，尽管任务之间存在细微差异，但核心指标（如均方根值、偏度和频率重心）在两个任务类别中都表现出较高的区分权重。根据这些结果，实验最终从最初的20个指标中选择了7个最具代表性的核心特征来形成输入向量。这一操作将特征维度降低了65%，同时保留了超过95%的关键物理信息，从而构建了一个专为KAN模型训练定制的特征数据集，详见表4。

4.3 评估标准
为了定量评估CNN-KAN模型在多维度混凝土振动状态识别中的性能，本文选择了准确性、精确度、召回率和F1分数作为核心评估指标。这些指标共同构成了一个全面的评估框架，用于评估模型的整体性能、预测准确性、分类完整性以及在类别不平衡情况下的鲁棒性。相关的性能评估指标及其数学表达式如下：
（11）
（12）
（13）
（14）
其中TP、TN、FP和FN分别表示真正例、真负例、假正例和假负例的数量。
准确性指标衡量了模型在整个数据集中的正确预测比例。精确度侧重于量化被预测为正类的样本中真正例的比例，从而反映模型的决策准确性。召回率关注于正确检索到的真正例的比例，作为系统识别覆盖能力的衡量标准。考虑到施工现场的数据可能表现出类别分布不均匀的特点，本文引入了F1分数作为精确度和召回率的调和平均值，以全面评估模型在复杂操作条件下的分类鲁棒性。
除了上述定量指标外，该实验还结合了多种可视化方法进行深入分析。实验使用ROC曲线来描绘不同阈值下的真正例率和假正例率之间的关系，从而评估模型的整体分类性能。混淆矩阵直观地展示了不同类别之间的误分类模式。此外，通过检查损失函数和准确率的变化，实验还可以比较不同算法架构的收敛速度、训练稳定性和潜在过拟合风险。

在评估过程中，所有实验训练数据根据既定标准被划分为训练集和测试集，以确保实验结果在相同基准条件下的客观性和可比性。

4.4 对比实验
为了系统地验证CNN-KAN模型的性能，分别在两个独立的数据集上进行了对比实验：一个振动测试数据集和一个无负载振动测试数据集。实验将提出的CNN-KAN模型与CNN和KAN模型进行了对比评估。以下部分将详细介绍模型配置、数据特性以及不同实验场景下的具体识别结果。

4.4.1 混凝土振动状态测试
该实验的核心目标是验证所提出的模型是否能够准确识别混凝土振动压实的四种关键状态：空振动、欠振动、振动压实和过振动。为此，本文构建了相应的对比序列。每个模型的具体参数配置和超参数设置如表5所示。基于配置方案，这三个模型在处理振动信号时表现出不同的映射逻辑。CNN模块使用卷积运算符在原始序列中实现层次化的维度降维并捕获局部特征。KAN模块利用B样条函数的逼近优势来解耦特征空间内的复杂高阶非线性关系。鉴于这种情况，CNN-KAN采用串联耦合方法构建了一个分类系统，从自动特征细化逐步过渡到非线性判别。
每种振动状态的原始振动波形如图10所示。可以清楚地观察到四种状态下的原始振动波形演变：从空状态D1的规律振荡，到欠振动状态D2的低幅度抑制，再到压实状态D3的增强能量，最后是过振动状态D4的高频振荡。核心挑战在于，在后期阶段，密集的D3和过振动的D4的波形非常相似，就像孪生的一样，这使得传统的简单分类方法容易将它们误识别。所提出的CNN-KAN架构利用前端卷积层提取局部特征，并结合后端KAN的B样条拟合能力，有效捕捉微小的阻尼和频率变化。这一优势在模型的收敛性上尤为明显。如图11所示的训练和测试损失曲线所示，CNN-KAN模型在前10个周期内显著降低了损失值，并迅速稳定在一个较低水平。其收敛轨迹明显优于传统CNN的下降路径和KAN的缓慢收敛。图11显示了不同模型在振动类型数据集上的收敛曲线。测试集准确率的迭代趋势进一步支持了上述结论，如图12所示。尽管基础CNN获得了高准确性，但其曲线在0-50个周期范围内呈现阶梯式上升，并伴有持续的波动，相应的损失下降速度明显慢于CNN-KAN。这种不稳定性表明，传统CNN对参数设置非常敏感，主要是因为其全连接层中的参数密度高，这在处理非平稳振动信号时使得梯度收敛变得复杂。然而，KAN模型的学习率较慢。相比之下，CNN-KAN模型从训练开始就展示了优越的学习效率，迅速超过了90%的准确率阈值，并保持了稳定的性能，因为KAN模块边缘的可学习B样条函数实现了更平滑的局部拟合和更快的优化。图12显示了不同模型在振动类型数据集上的准确性比较。为了验证模型在随机条件下的可靠性，图13展示了十次独立重复实验的准确性分布。与CNN和KAN模型相对分散的分布特性不同，CNN-KAN模型的实验结果表现出高度集中，呈现出尖锐的峰值形态，标准差显著压缩。这种极低的结果分散度表明，混合架构通过互补优势有效抵消了随机初始化引入的不确定性，确保了算法在非平稳施工信号处理中的高可重复性。图13显示了振动类型数据集十次重复实验的准确性直方图。图14详细展示了三种模型在测试集上的分类性能。比较不同类别的预测概率分布，揭示了不同架构在处理难以分类样本时的决策差异。图14显示了KAN-CNN模型在振动类型数据集上的混淆矩阵。左边的CNN模型对标签0和2实现了完美分类，但在识别标签3时遇到了显著瓶颈，预测准确率仅为81%。值得注意的是，CNN模型存在特定的结构误分类，将17%的标签3样本错误地分类为标签1。从物理上讲，这是因为过振动（标签3）和压实（标签2）状态在液化后期阶段的振动波形极其相似，就像是“孪生信号”。这种跨类别误分类突出了传统卷积网络在捕获这些微妙阻尼偏移和频率漂移时的问题，使得精确区分非相邻运行条件变得困难。右边的KAN模型则表现出完全不同的误分类模式，其主要错误集中在相邻类别之间。尽管该模型在标签0上的表现相对稳定，但在中间类别上的分类存在显著模糊。CNN-KAN模型在区分“压实”（标签2）和“过振动”（标签3）状态时展示了卓越的判别能力。通过利用KAN模块内的可学习B样条基函数，混合架构有效地解决了传统网络难以区分的微妙差异。图14显示了三种模型在测试集上的详细分类性能。为了验证模型在随机条件下的可靠性，图13展示了十次独立重复实验的准确性分布。与CNN和KAN模型相对分散的分布特性不同，CNN-KAN模型的实验结果表现出高集中度，呈现出尖锐的峰值形态，标准差显著压缩。这种极低的结果分散度表明，混合架构通过互补优势有效抵消了随机初始化引入的不确定性，确保了算法在非平稳施工信号处理中的高可复现性。图13显示了振动类型数据集十次重复实验的准确性直方图。

图14展示了三种模型在测试集上的详细分类性能。比较不同类别的预测概率分布，揭示了不同架构在处理难以分类样本时的决策差异。左侧的CNN模型对标签0和2实现了完美分类，但在识别标签3时遇到了显著瓶颈，预测准确率仅为81%。值得注意的是，CNN模型存在特定的结构误分类，将17%的标签3样本错误地分类为标签1。从物理上讲，这是因为过振动（标签3）和压实（标签2）状态在液化后期阶段的振动波形极其相似，像“孪生信号”一样。这种跨类别误分类突出了传统卷积网络在捕获这些微妙阻尼偏移和频率漂移时的问题，使得难以精确区分非相邻的运行条件。右侧的KAN模型表现出完全不同的误分类模式，其主要错误集中在相邻类别之间。尽管该模型在标签0上的表现相对稳定，但在中间类别上的分类存在显著模糊。CNN-KAN模型在区分“压实”（标签2）和“过振动”（标签3）状态时展示了卓越的判别能力。通过利用KAN模块内的可学习B样条基函数，混合架构有效地解决了传统网络忽略的高阶非线性特征的重叠问题。与基线模型相比，误分类的显著减少证实了混合架构能够有效捕捉自主施工质量控制所需的细微阻尼变化。

图15中的ROC曲线展示了分类性能。CNN-KAN模型的曲线迅速接近每个类别的理想拐点，数值无限接近1。这种近乎完美的数据不仅证明了模型在特征空间中的高判别能力，还表明了其适应建筑环境中多样且复杂条件的能力。与具有更常见特征重叠区域的模型相比，它在工程应用中展现出更大的潜力。

4.4.2 无负载条件下内部振动器的实验研究
该实验主要关注三种常见的异常运行状态：水平无负载振动、垂直无负载振动和地面接触无负载振动。其目的是验证模型在面对不稳定冲击信号时是否能够做出准确判断。考虑到无负载振动信号可能包含瞬态脉冲，实验在模型结构中实施了针对性措施。具体参数配置如表6所示。表6显示了无负载振动类型数据集的模型结构和超参数配置。基础CNN模型保留了标准的两层小核卷积架构（核大小为3，步长为1），更注重保留原始信号的时间信息。相比之下，提出的CNN-KAN架构采用了步长为2的下采样卷积策略，并结合最大池化层来实现更大的特征压缩。该设计旨在利用卷积层在时间维度上的维度降维效应，将高频着陆碰撞信号与冗余信息分离。这些信号随后被输入到4000维的输入KAN中进行端到端的非线性判别，从而增强了系统识别着陆信号中高频突然变化的能力。
图16清楚地显示了三种无负载振动状态在其时域波形上的明显差异。在水平自由振动状态下，由于力的平衡，沿Y轴只观察到小幅度的稳态背景噪声。垂直无负载振动主要受重力影响，波形呈现规则的正弦振荡。地面接触振动则更为复杂。由于杆端与地面之间的高频随机碰撞，波形包含许多不稳定的尖峰脉冲和突然的能量波动。面对具有瞬态冲击的复杂信号时，CNN-KAN架构表现出出色的适应性。其前端下采样卷积层有效地捕捉了碰撞产生的瞬态高频特征，而后端KAN利用非线性映射分析波形中嵌入的动态突然变化模式。图16显示了无负载振动类型数据集的代表性时域信号段。在训练动态方面，图17记录了不同模型在损失函数上的下降轨迹。实验观察表明，在处理包含瞬态冲击的原始信号时，KAN模型在下降过程中由于其缺乏处理高频特征的预处理能力，其损失曲线表现出持续的数值波动。此外，其收敛速度明显受限。相比之下，CNN-KAN的损失曲线表现出出色的整体平滑性，没有振荡迹象。这种收敛优势表明，混合架构中的前端CNN模块有效地起到了滤波器的作用，消除了地面接触碰撞产生的冗余噪声。这为后端KAN组件提供了具有高信噪比和强判别能力的特征输入，确保了稳定高效的梯度下降过程。图17显示了不同模型在无负载振动类型数据集上的收敛曲线。图18显示了训练迭代过程中测试准确率的变化。CNN-KAN模型表现出快速的学习能力，在短时间内就大致稳定在一个较低水平。总体轨迹紧凑而稳定。相比之下，其他对比模型的上升轨迹相对缓慢，即使在稳定阶段，它们也不可避免地经历不同程度的波动。这种“快速且稳定”的学习特性恰恰证明了混合架构在特征提取效率方面的优势。它能够快速识别非平稳信号中的关键因素，显著减少获得最佳模型性能所需的训练周期。图18展示了不同模型在无负载振动类型数据集上的准确性比较。为了进一步量化模型在随机干扰下的泛化稳定性，图19显示了十个独立重复实验中的准确性分布。CNN和KAN模型的分布范围相对较广，表明它们的性能受到参数初始化的显著影响。相比之下，CNN-KAN的准确性分布直方图显示了最窄且最集中的分布，这种极低的方差特性有效证明了混合架构的鲁棒性。即使面对具有随机特性的脉冲信号，该模型也能始终提供高度一致的分类结果，显示出强大的工程可重复性。图19显示了无负载振动类型数据集十个重复实验的准确性直方图。图20展示了该模型在识别“地面撞击”（标签2）方面的卓越性能，几乎达到了完美的准确性。从设备保护的角度来看，这一能力使得智能系统能够即时检测到高能量的碰撞脉冲。与基线CNN和KAN模型不同，后者的决策边界在瞬态冲击时变得模糊，而CNN-KAN能够有效过滤掉冗余噪声，确保只有在真正危险的情况下才会触发报警机制。这种对冲击信号的高敏感性对于延长振动杆在复杂建筑工地中的使用寿命至关重要。图20展示了无负载振动类型数据集的混淆矩阵。图21通过ROC曲线进一步量化了每个模型在不同阈值下的分类性能。观察曲线形状可以发现，CNN-KAN模型在所有类别中都展现出陡峭的近乎垂直的上升趋势，迅速收敛到左上角的理想分类点。这表明该模型能够在保持极高的真正例率的同时，将假正例率抑制到接近零的水平。相比之下，CNN和KAN模型的曲线在拐点处略显平缓，表明对于置信度较低的样本仍存在一定的不确定性。数值分析表明，CNN-KAN在所有类别中都实现了接近1的AUC值。这一近乎完美的结果再次证实了该模型在特征提取和非线性映射方面的优势。该模型不仅解决了单一模型在特定类别中的不足，还在整个范围内构建了具有强大区分能力的决策空间。这确保了在复杂动态的建筑工地环境中，无论是常规周期性振动还是随机冲击信号都能被准确识别和分离。图21展示了使用KAN-CNN模型在无负载振动类型数据集上的各个类别的ROC曲线。实验结果验证了CNN-KAN在特征精炼和高效映射之间实现了协同平衡，展现出在物理边界模糊的过渡状态下出色的识别性能。这种混合架构的主要优势在于其高参数效率和高阶非线性拟合能力，使得模型即使在低功耗边缘节点的严格计算约束下也能保持较高的识别精度。因此，该框架特别适合于需要毫秒级响应和高保真监控的建筑机械的智能化升级。其对数据扰动的鲁棒性和快速收敛特性为复杂工地环境中的实时自动化施工质量控制提供了可靠的技术路径。4.5. 讨论结合两个数据集的实验结果，CNN-KAN在所有性能指标上都超越了单一模型。如表7所示，该模型在识别准确性、精确度、召回率和F1分数方面均优于单一模型，展示了出色的鲁棒性和分类稳定性。表7展示了不同模型之间的性能指标比较。在振动类型识别任务中，CNN-KAN模型的测试准确率达到97.55%，比纯CNN模型提高了3.35个百分点。其核心亮点在于将CNN的层次化特征提取能力与KAN的精确非线性映射能力有效结合的结构设计。在实际工作条件下，混凝土中的“过度振动”和“振动压实”的波形非常相似，传统模型往往难以捕捉它们之间的细微非线性差异。CNN-KAN利用可以从相邻数据点学习的B样条函数，更精确地捕捉由混凝土不同程度的液化引起的阻尼变化，从而在容易混淆的条件下表现出更强的区分能力。在识别无负载状态方面，该模型的最佳准确率达到98.17%，多次实验的标准偏差仅为±0.53%，显示了模型的高一致性和可靠性。从实验分析来看，KAN模型在小尺度高维特征方面表现出优异的逼近能力。然而，当面对未经深度CNN层处理的原始特征时，其噪声鲁棒性略逊于混合架构。实验结果验证了CNN-KAN在特征精炼和高效映射之间实现了协同平衡。这种串联架构使得设备在可变负载下保持高精度监测的同时，能够以一致的可靠性（标准偏差±0.53%）响应突发脉冲（如地面撞击）。总体而言，这项研究为新一代具有“施工状态意识”和“自我保护能力”的智能施工工具提供了可行的技术路径，这些工具针对低功耗嵌入式设备进行了优化。从工业可行性的角度来看，这种智能集成模块的估计硬件成本约为800元人民币，便于在标准振动机械上进行大规模部署。现场评估表明，通过减少人为判断错误，这种实时监控和预警系统的实施可以显著提高实验室环境中的施工过程接受率（压实合格率）。此外，Raspberry Pi 5平台通过其GPIO和RS485接口提供了出色的硬件扩展性。未来的发展将侧重于将系统与变频驱动器（VFD）集成，以建立完整的主动振动控制模式。在这种闭环控制配置下，设备将能够根据识别的液化阶段自主调整电机的振动频率，从而从纯粹的诊断工具转变为自主的过程调节器。5. 结论本研究基于边缘计算架构开发了一个智能振动系统，并提出了一个用于识别振动状态的CNN-KAN融合框架。该模型经过精心设计，旨在同时解决两个实际挑战：在施工活动中评估混凝土压实质量，以及促进设备自主识别异常运行状态的能力。主要发现如下：(1) CNN-KAN模型在振动状态分类上的测试准确率达到97.55%。在数据输入KAN模块之前，通过卷积神经网络进行降维和特征提取，显著减轻了计算负担，并避免了KAN在处理大规模时间序列数据时通常遇到的收敛问题。研究结果表明，深度特征提取与基于KAN的非线性分类的结合非常适合区分复杂的物理信号。(2) 在包含瞬态冲击成分的无负载振动数据集上，该模型的识别准确率达到98.17%，十次独立运行的标准偏差仅为±0.53%，表明了模型的高度一致性和可靠性。从实验分析来看，KAN模型在小尺度高维特征方面表现出优异的逼近能力。然而，当面对未经深度CNN层处理的原始特征时，其噪声鲁棒性略低于混合架构。实验结果验证了CNN-KAN在特征精炼和高效映射之间的协同平衡。这种串联架构使设备能够在可变负载下保持高精度监测，同时对突发脉冲（如地面撞击）做出一致可靠的响应（标准偏差±0.53%）。总体而言，这项研究为新一代具有“施工状态意识”和“自我保护能力”的智能施工工具提供了可行的技术路径，这些工具针对低功耗嵌入式设备进行了优化。从工业可行性的角度来看，该智能集成模块的预估硬件成本约为800元人民币，便于在标准振动机械上进行大规模部署。现场评估表明，通过减少人为判断错误，这种实时监控和预警系统的实施可以显著提高实验室环境中的施工过程接受率（压实合格率）。此外，Raspberry Pi 5平台通过其GPIO和RS485接口提供了大量的硬件扩展性。未来的发展将集中在将系统与变频驱动器（VFD）集成，以建立完整的主动振动控制模式。在这种闭环控制配置中，设备将能够根据识别的液化阶段自主调整电机的振动频率，从而从纯粹的诊断工具转变为自主的过程调节器。5. 结论本研究基于边缘计算架构开发了一个智能振动系统，并提出了一个用于识别振动状态的CNN-KAN融合框架。该模型精心设计，旨在同时应对两个实际挑战：在施工活动中评估混凝土压实质量，以及促进设备自主识别异常运行状态的能力。主要发现如下：(1) CNN-KAN模型在振动状态分类上的测试准确率达到97.55%。在数据输入KAN模块之前，通过卷积神经网络进行降维和特征提取，显著减轻了计算负担，并避免了KAN在处理大规模时间序列数据时通常遇到的收敛问题。研究发现证实，深度特征提取与基于KAN的非线性分类的结合对于区分复杂的物理信号非常有效。(2) 在包含瞬态冲击成分的无负载振动数据集上，该模型的识别准确率达到98.17%，十次独立运行的标准偏差仅为±0.53%，表明了模型的一致性和稳定性，表明其对初始条件不敏感。(3) 作为混凝土振动质量监测领域的探索性应用，CNN-KAN框架在保持紧凑架构的同时提供了较高的分类准确性，并实现了快速收敛。这种平衡使其特别适合在计算能力有限的嵌入式系统上实现，因为在建筑环境中，精度和效率对于实时自动化监控至关重要。(4) 未来的工作将优先研究实时振动状态与混凝土试件28天抗压强度之间的相关性，通过一系列破坏性测试来建立两者之间的关系。这将为建立振动能量与结构性能之间的关系提供定量基准。此外，还将研究将所提出的CNN-KAN框架移植到超低功耗微控制器（如ESP32）上，以进一步降低系统成本并提高特定工业场景下的能源效率。这些进展旨在弥合理论算法设计与大规模工业应用之间的差距，推动智能施工工具链的发展。