基于接触原理的涂层深孔磨损建模:该深孔通过电化学膛线加工制造 作者:Veselina Krasimirova Dimitrova、Ventsislav Panev Dimitrov 和 Galya Stoyanova Zdravcheva

《Machines》:Contact-Based Wear Modeling of Coated Deep Bores Manufactured by Electrochemical Rifling Veselina Krasimirova Dimitrova, Ventsislav Panev Dimitrov and Galya Stoyanova Zdravcheva

【字体: 大 中 小 】 时间:2026年05月09日 来源:Machines 2.5

编辑推荐:

  摘要 混凝土振动质量对结构耐久性有着重大影响,但施工现场目前没有可靠的方法可以实时监测这一过程。更复杂的是,振动设备本身也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出现问题时才被发现。本文提出的系统将树莓派控制器和混合神经网络模型集成到了振动设备

  摘要 混凝土振动质量对结构耐久性有着重大影响,但施工现场目前没有可靠的方法可以实时监测这一过程。更复杂的是,振动设备本身也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出现问题时才被发现。本文提出的系统将树莓派控制器和混合神经网络模型集成到了振动设备中。该模型将一维卷积神经网络(CNN)与Kolmogorov–Arnold网络(KAN)相结合。CNN负责大部分计算工作:它系统地降低数据维度并从大量时间序列数据中提取关键特征,从而避免了KAN在独立处理高维数据时可能遇到的收敛性问题。随后,基于B样条的分类模块取代了传统的全连接层。这一创新点在于,该模块能够识别混凝土 liquefaction 过程中的微小阻尼变化和频率改变,准确区分“压实充分”和“过度振动”等状态,这些状态在动态响应上可能几乎无法区分。振动状态分类的准确率达到了97.55%,而空载条件的识别准确率为98.17%。该系统提供了毫秒级主动保护机制,有效减少了设备磨损。由于实施成本仅约800元人民币,并预计能提高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,为建筑设备的智能升级提供了有效的解决方案。

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于人工经验,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”导致的骨料分离[2]。在隧道工程中,拱顶空洞是常见的缺陷,这与浇筑压实度不足密切相关[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率之间的线性关系[4];Zheng等人提出了采用双轴振动搅拌来提高混凝土整体质量[5]。然而,标准设备缺乏自我感知能力,这往往导致在速度变化时诊断准确性大幅下降[6]。更严重的是,恶劣的施工环境和高速运行使得振动杆在频繁空转或与刚性模板碰撞时容易发生机械疲劳,从而导致质量失控和设备折旧加剧。

机器学习与土木工程的结合将监测方式从“事后检测”转变为“实时预警”。在损伤检测和状态评估方面,基于YOLOv7的裂缝识别[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]等技术显示出了巨大潜力。为了提高特征提取效果,将STFT与SVM结合使用实现了损伤检测[11],并且为复杂场景开发了多任务融合网络[12]。此外,实时监测结合有限元建模[13,14]和非线性动态建模[15]为处理复杂系统奠定了基础。对于小样本情况,轻量级诊断框架表现出高精确度[16,17],而适用于动态环境的导航算法则提供了关于传感器运动补偿的见解[18]。然而,这些模型的计算强度往往使其无法在嵌入式振动杆上的微节点上实现毫秒级执行,而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通过权重共享机制,在工具磨损识别[19]和电源风险评估[20]方面表现出色。为了进一步提高对混凝土内部冲击损伤[21]和振动响应参数[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。在实际工程应用中,这两种技术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],在复杂基准测试下的识别准确率可达到99.43%[26]。虽然堆叠技术[27]、混合预测[28]和基于核方法的优化分类器[29,30]进一步增强了性能,但对于那些物理边界模糊的过渡状态(如“压实充分”与“过度振动”)的识别仍然是一个挑战,尤其是对于那些试图捕捉由液化引起的微妙阻尼变化的轻量级模型而言。

总之,为了填补“实时质量监测”和“主动资产保护”智能设备之间的差距,本研究借鉴了适用于复杂环境的强大识别策略[31],开发了一种带有嵌入式边缘计算单元的集成智能振动设备。该工作通过嵌入式传感阵列和控制模块实现了设备的“自我感知”;提出了一种CNN-KAN混合架构,旨在在计算资源受限的情况下提高非线性映射精度;并建立了毫秒级主动保护机制。通过实时识别危险条件,该系统有效减少了设备磨损并延长了设备使用寿命,为建筑机械的智能升级提供了坚实的基础。

2. 智能振动杆设备和混凝土振动状态测试
2.1. 智能振动设备的系统架构
开发了一种具有嵌入式边缘智能的智能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,包括数据采集终端、主控制处理中心和多维反馈单元。为了抵御施工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)密封封装在振动器头部的专用减震室中。这确保了200赫兹原始信号通过3米长的RVVP 6×0.3国家标准屏蔽电缆无损传输到树莓派5边缘计算节点。控制中心利用这个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,从而建立了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协同性能,设计了一个全面的实验流程,具体测试阶段如图2a–f所示。该流程遵循严格的工程标准,首先进行材料准备(图2a)和标准化混合(图2b),然后进行坍落度测试(图2c)以验证混凝土的工作性能是否符合实验标准。

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数量的单变量函数的组合。其一般数学表达式为:
(1)

与传统多层感知器不同,KAN的核心创新在于将可学习的非线性激活函数放置在网络的“边缘”上,而不是“节点”上。其典型网络结构如图3所示。该网络去掉了节点处的固定激活函数,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,输入信号经过w加权后通过固定激活函数处理;而在KAN单元中,输入信号直接在边缘进行函数变换,节点仅执行简单的求和操作。这在理论上是更高效、参数更少的函数逼近方法。这种高参数效率显著减少了对大规模内存的依赖,使得KAN特别适合在资源受限的边缘计算平台(如树莓派)上部署。

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模块主要负责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进行互相关操作来捕捉信号的局部时间演化特性。对于第l层的第j个特征图,其输出的计算过程如下:
(5)

为了适应混凝土振动信号的固有非平稳特性,本文在卷积层参数上提供了针对性的改进。第一卷积层使用13个尺寸为3的卷积核,旨在首先捕获原始波形的基本形状特征;第二卷积层使用23个尺寸为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细节。为了确保模型训练的稳定性并加速收敛效率,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:
(6)

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:
(8)

经过多层卷积和池化迭代后,原始振动信号被转换为高度压缩的特征向量,最终通过全局平均池化层连接到分类模块。**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征。如果直接将所有这些波形输入模型进行处理,可能会导致较大的计算开销。为了解决这个问题,本研究采用了滑动窗口方法对原始信号进行分割。该技术使用固定长度的窗口和步长来进行分割,确保信号的物理特性连续性不受干扰,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为滑动窗口数据增强的示意图。滑动窗口增强不仅显著扩大了样本量,有效降低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偏移特性的鲁棒性,为后续深度神经网络的稳定训练奠定了数据基础。经过滑动窗口增强的信号片段成为所有后续算法的唯一数据来源。CNN-KAN和CNN直接从这些片段中提取原始的时间特征,而KAN还需要将这些片段转换为统计特征向量。

**3.3.2. 特征提取与选择策略**
为了验证不同算法架构的分类性能,本研究为纯KAN模型设计了一个专门的特征提取过程。由于原始振动信号具有高维度和强非平稳性,直接将其输入KAN模型会导致巨大的计算压力。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具有代表性的低维数值指标。本研究从时间和频率域对原始信号进行处理,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列出了时间和频率域特征的定义和公式。考虑到某些冗余或相关性较弱的指标可能会干扰KAN模型的功能逼近效果,本文设计了一种多标准评估机制来筛选特征。利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。基于综合得分和合理的阈值,最终确定了表现最好的核心特征。这种方法不仅在降低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,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,对所有输入的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 magnitude 的差异,同时完全保留了信号本身的原始分布,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**
为了架建设质量控制和设备主动保护之间的桥梁,本文提出了一个混合识别框架,该框架利用了卷积神经网络(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,KAN中的直接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前端来提炼深度特征,然后由基于KAN的分类模块进行处理,以实现毫秒级的决策。整体结构如图6所示。图6为CNN-KAN用于振动信号分类的整体架构。该模型放弃了CNN末端的传统全连接方式,而是采用基于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。为了优化多类别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。使用Adam优化器进行参数优化,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轻机械磨损,同时保持对混凝土振动状态的高精度监测。

**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,本研究的所有数据采集都是在实际的混凝土浇筑现场进行的。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安全地固定在了振动器的末端。这种安装方法有效防止了信号在传输过程中的衰减,并确保传感器能够与振动源同步移动。图7展示了绑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。针对由高密度钢肋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。采样频率设置为200 Hz,以平衡信号保真度和计算效率,确保嵌入式树莓派单元能够获取高质量的振动数据而不引起缓冲区溢出。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)提供了可靠的本地持久化层用于实时数据存储。监控和反馈接口使用Flask和SocketIO框架构建,以确保在施工过程中实现低延迟的数据可视化和即时声学警报。

**4.2. 数据集构建 4.2.1. 状态定义与分类**
本实验的数据标注标准严格遵循混凝土振动动态的物理演变机制。为了便于后续模型输入和结果分析,实验数据被分为振动加载数据集DATASET1和无负载振动数据集DATASET2,并为每组数据提供了具体的物理状态符号定义。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。当振动器未接触混凝土时,定义为空载参考状态D1;当振动器插入混凝土但振动时间不足时,由于粗骨料之间的强烈干摩擦,信号幅度显著抑制,这种欠振动状态标记为D2。随着振动继续进行,混凝土中的气泡被排出,浆液上升到表面,这种压实程度定义为D3;如果振动时间过长,混凝土会发生分离,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征。当振动器水平放置时,由于重力(Y轴)分量造成的加速度接近零,这种水平无负载振动状态标记为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标记为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,这种地面接触和无负载振动状态标记为F3。本研究首先根据上述动态特征确定了每种状态的有效时间间隔,然后提取长度为2秒的连续稳定波形段(共800个采样点),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一个5个样本的滑动步长进行循环采样。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列出了实验数据集的类别定义和样本分布。

**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。已经建立了一个包含20个初始特征的初步特征池,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征能力并优化计算效率,使用了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,研究对每个特征在两项独立识别任务中的性能进行了定量分析。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。这些位于得分表顶部的指标成为区分物理特性特别相似的状态(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**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减少了65%,同时保留了超过95%的关键物理信息,从而构建了一个专门为KAN模型训练定制的特征数据集,如表4所示。表4. 特征数据集。

4.3 评估标准
为了定量评估CNN-KAN模型在多维度上识别混凝土振动状态的性能,本文选择了准确率、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。
准确率指标衡量模型在整个数据集中做出正确预测的比例。精确度关注于在被预测为正类的样本中真正例的比例,从而反映了模型决策的准确性。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。鉴于建筑工地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真正例率和假正例率之间的关系,以此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,可以比较不同算法架构的收敛速度、训练稳定性和潜在的过拟合风险。

在评估过程中,所有实验训练数据按照既定标准被划分为训练集和测试集,以确保在相同基准下的实验结果的客观性和可比性。

4.4 对比实验
为了系统地验证CNN-KAN模型的性能,对两个独立的数据集进行了对比实验:一个振动测试数据集和一个无负载振动测试数据集。实验对提出的CNN-KAN模型与CNN模型和KAN模型进行了对比评估。以下部分将详细说明模型配置、数据特征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。表5. 振动类型数据集的模型结构和超参数配置。根据配置方案,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,并捕捉局部特征。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的演变:从空状态的规则振荡D1,到欠振动状态的低幅度抑制D2,再到压实状态的能量增强D3,最后是过振动状态的高频振荡D4。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,就像孪生子一样,使得传统的简单分类方法容易将它们混淆。所提出的CNN-KAN架构利用前端的卷积层提取局部特征,并结合后端KAN的B样条拟合能力,有效捕获微小的阻尼和频率变化。这一优势在模型的收敛过程中尤为明显。如图11所示的训练和测试损失曲线所示,CNN-KAN模型在前10个周期内损失值显著下降,并迅速稳定在较低水平。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. 不同模型在振动类型数据集上的收敛曲线。图12进一步支持了上述结论,测试集准确率随迭代次数的趋势表明,尽管基线CNN的准确率很高,但其曲线在0-50个周期范围内呈现出阶梯式上升并伴有持续波动,其相应的损失曲线下降速度明显慢于CNN-KAN。这种不稳定性表明传统CNN对参数设置非常敏感,主要是由于其全连接层中参数密度高,这使得处理非平稳振动信号时梯度收敛变得复杂。然而,KAN模型的学习速率则滞后。相比之下,CNN-KAN模型从训练开始就表现出更优的学习效率,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。这种“快速收敛、高保留率”的特性意味着在实际工程应用中,该模型可以显著降低训练时间成本,并对数据扰动具有更强的鲁棒性。图12. 不同模型在振动类型数据集上的准确率比较。
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率分布。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,呈现出一个尖锐的峰值形态和显著压缩的标准差。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建筑信号处理中的高可重复性。图13. 十次重复实验中振动类型数据集的准确率直方图。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。图14. KAN-CNN模型在振动类型数据集上的混淆矩阵。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模型在分类标签3的样本时有特定的结构错误,将17%的样本错误地归类为标签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,像孪生子一样,这使得传统的简单分类方法容易混淆它们。所提出的CNN-KAN架构利用前端的卷积层提取局部特征,并结合后端KAN的B样条拟合能力,有效捕获了微小的阻尼和频率变化。这一设计优势在模型的收敛过程中尤为明显。图11中的训练和测试损失曲线显示,CNN-KAN模型在前10个周期内损失值显著下降,并迅速稳定在低水平。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. 不同模型在振动类型数据集上的收敛曲线。
图14还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。图14. KAN-CNN模型在振动类型数据集上的混淆矩阵。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模型在分类标签3的样本时有特定的结构错误,错误地将17%的样本归类为标签1。这实际上是由于过振动(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,像孪生子一样,使得传统的简单分类方法难以区分它们。右侧的KAN模型表现出完全不同的错误模式,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,但在中间类别上显示出显著的分类歧义。CNN-KAN模型在区分“压实”(标签2)和“过振动”(标签3)状态时表现出更强的判别能力。通过利用KAN模块中的可学习B样条基函数来准确分离高阶非线性特征,混合架构有效地解决了传统网络忽略的重叠特征边界问题。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建筑工程质量控制所需的微妙阻尼变化。
图15中的ROC曲线展示了分类性能。CNN-KAN模型的曲线在每个类别中迅速接近理想的拐点,其值无限接近于一。这种近乎完美的数据不仅展示了模型在特征空间中的高判别能力,还表明其能够适应建筑环境中发现的多样化和复杂条件。与具有更多共同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。图15. 使用KAN-CNN模型在振动类型数据集上对每个类别的ROC曲线。

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操作条件: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的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短暂脉冲,实验在模型结构中实施了有针对性的措施。具体参数配置如表6所示。表6. 无负载振动类型数据集的模型结构和超参数配置。基线CNN模型保留了标准的两层小核卷积架构(核大小为三,步长为一),更侧重于保留原始信号的时间信息。相比之下,所提出的CNN-KAN架构采用步长为二的降采样卷积策略,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降维效果,分离高频触地碰撞信号和冗余信息。然后将这些信号输入到4000维的输入KAN中进行端到端的非线性判别,从而增强系统识别触地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时域波形上的显著差异。在水平自由振动状态下,由于力的平衡,沿Y轴仅观察到小幅度稳定的背景噪声。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,波形包含众多不稳定的尖峰脉冲和突然的能量波动。当面对具有短暂冲击的复杂信号时,CNN-KAN架构展示了出色的适应性。其前端的降采样卷积层有效捕获了碰撞产生的短暂高频特征,而后端的KAN利用非线性映射分析波形中的动态突变模式。图16. 无负载振动类型数据集的代表性时域信号片段。图17记录了不同模型在损失函数上的下降轨迹。实验观察到,在处理包含短暂冲击的原始信号时,KAN模型在其损失曲线中由于缺乏对高频特征的预处理能力而表现出持续的数值波动。此外,其收敛速度显著受限。相比之下,CNN-KAN的损失曲线表现出出色的整体平滑性,没有振荡的迹象。这种收敛优势表明混合架构中的前端CNN模块有效起到了过滤器的作用,消除了由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,确保了稳定的梯度下降过程。图17. 不同模型在无负载振动类型数据集上的收敛曲线。图18展示了训练迭代次数中测试准确率的变化曲线。CNN-KAN模型表现出快速的学习能力,其性能曲线在短时间内迅速上升并稳定在平台期。整体轨迹紧凑且稳定。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”的学习特性充分证明了混合架构在特征提取效率方面确实具有优势。它能够快速识别非平稳信号中的关键因素,显著减少达到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扰动下的泛化稳定性,图19显示了十个独立复制实验的准确性分布。CNN和KAN模型相对较宽的分布范围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出最窄和最集中的分布。这种极低的方差特性有效地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,模型也能一致地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在十个重复实验中的准确性直方图。图20揭示了模型在识别“地面冲击”(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,这种能力使智能系统能够即时检测到高能量碰撞脉冲。与基线CNN和KAN模型不同,后者在瞬态冲击下的决策边界比较模糊,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触发报警机制。这种对冲击信号的高敏感性对于延长 vibrating rod 在复杂施工现场的使用寿命至关重要。图20显示了无负载振动类型数据集上的混淆矩阵。图21使用ROC曲线进一步量化了每个模型在不同阈值下的分类性能。通过观察曲线形状,CNN-KAN模型在所有类别上显示出陡峭的、近乎垂直的上升趋势,迅速收敛到左上角的理想分类点。这表明该模型可以在保持极高真阳性率的同时,将假阳性率抑制到接近零。相比之下,CNN和KAN模型的曲线在拐点处显得略微平坦,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在所有类别上的AUC值接近于一。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,还构建了一个在整个范围内具有强区分能力的决策空间。这确保了在复杂和动态的施工现场环境中,可以准确识别和区分常规周期性振动和随机冲击信号。图21显示了使用KAN-CNN模型在无负载振动类型数据集上的每个类别的ROC曲线。实验结果验证了CNN-KAN在特征细化和高效映射之间达到了协同平衡,在识别物理边界模糊的过渡状态方面表现出优越的性能。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限制下也能保持高识别精度。因此,该框架特别适合于需要毫秒级响应和高保真监控的施工机械的智能升级。其对数据扰动的鲁棒性和快速收敛特性为复杂现场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优于单一模型。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,表现出卓越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模型的测试准确率为97.55%,比纯CNN模型提高了3.35个百分点。其核心优势在于结构设计有效地结合了CNN的层次化特征提取能力和KAN的精确非线性映射能力。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样条函数来更精确地捕捉由不同程度的混凝土液化引起的阻尼变化,使其在容易混淆的情况下表现出更强的区分能力。在识别无负载条件方面,该模型的最佳准确率为98.17%。多次实验的标准差仅为±0.53%,表明模型具有高一致性和可靠性。从实验分析来看,KAN模型在处理小规模高维特征时表现出优越的逼近能力。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在特征细化和高效映射之间达到了协同平衡。这种串联架构使设备能够在可变负载下保持高精度监控,并对突发脉冲(如地面撞击)作出一致可靠的响应(标准差为±0.53%)。总体而言,这项研究为新一代具有“施工状态感知”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,以实现高性能执行。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接口提供了丰富的硬件扩展性。未来的开发将侧重于将该系统与变频驱动器(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,从而从纯诊断工具转变为自主过程调节器。5. 结论本研究开发了一个基于边缘计算架构的智能振动系统,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,同时解决了两个实际挑战:评估施工活动中的混凝土压实质量以及促进设备自主识别异常操作状态的能力。主要发现如下:(1) CNN-KAN模型在振动状态分类中的测试准确率为97.55%。在数据输入KAN模块之前,使用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在处理大量时间序列数据时通常遇到的收敛问题。研究结果证实,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为98.17%,十次独立运行的标准差仅为±0.53%。模型正确区分了常规周期性信号(例如垂直无负载响应)和具有随机脉冲内容的信号(例如地面接触振动)。运行中的最小方差反映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控领域的一项探索性应用,CNN-KAN框架在保持紧凑架构的同时提供了更高的分类准确性,并实现了快速收敛。这种平衡使其特别适用于计算能力有限的嵌入式系统,在这些系统中,精度和效率对于实时自动化监控至关重要。(4) 未来的工作将重点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进行研究。这将为建立振动能量和结构性能之间的关系提供定量基准。此外,还将研究将提出的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。这些进展旨在缩小理论算法设计与大规模工业应用之间的差距。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号