《Sensors》：Enhancement of Signal-to-Noise Ratio of Void Detection Signals in Concrete-Filled Steel Tubular Structures Using the Good Point Set and Vibrational Snow Ablation Optimizer
编辑推荐：
基于深度学习（DL）的钢管混凝土（CFST）空鼓敲击检测方法已受到广泛关注。然而，检测信号中含有大量噪声，影响后续检测结果的定性与定量分析精度。为提高敲击检测过程中的信噪比（SNR），本研究提出了一种基于好点集与振动消融优化器（GVSAO）算法及双通道并行卷积
基于深度学习（DL）的钢管混凝土（CFST）空鼓敲击检测方法已受到广泛关注。然而，检测信号中含有大量噪声，影响后续检测结果的定性与定量分析精度。为提高敲击检测过程中的信噪比（SNR），本研究提出了一种基于好点集与振动消融优化器（GVSAO）算法及双通道并行卷积神经网络（CNN）的CFST空鼓检测方法。该方法采用格拉姆角场（GAF）将敲击声信号转化为图像，构建双通道并行CNN结构，将GAF分解为格拉姆角和场（GASF）与格拉姆角差场（GADF）两种图谱，同时输入CNN进行训练，将两通道输出拼接融合。最后，利用GVSAO算法进行模型优化，以提高收敛速度和识别精度。该方法充分保留了敲击声信号的时域与空域特征，同时有效规避了不同施工噪声的干扰。在不同空鼓高度（0、50、100和150 mm）及不同压力荷载下的CFST试件上开展验证实验，通过添加不同信噪比的背景噪声获得原始样本数据集与信号增强数据集。测试结果表明，原始信号数据集的预测准确率均高于98.74%，其中在0吨和50吨压力荷载下准确率达到100%；信号增强数据集的预测准确率均高于97.2%，表明模型保持了高水平的分类性能，能够有效抑制噪声并表现出优异的鲁棒性。
**研究背景与问题提出**
钢管混凝土（CFST）拱桥通过将钢材与混凝土两种材料组合于同一截面，充分发挥各自材料优势，全球已建成约500座此类桥梁。然而，由于钢–混凝土界面仅依赖钢管与混凝土之间的粘结力，缺乏机械咬合或其他形式的直接连接，工程界对脱粘与空鼓等问题存在担忧，这些问题可能损害结构的整体性与功能。因此，开发有效的空鼓检测方法对保障CFST结构的安全完整性至关重要。
现有空鼓检测方法分为破坏性检测（DT）与非破坏性检测（NDT）。破坏性检测需钻芯取样，会对结构造成损伤；非破坏性检测包括敲击检测、超声检测、扫描技术检测、X射线检测、弹性波检测、红外热成像检测及雷达检测等。其中，敲击检测方法最为便捷、快速且易于实施，但该方法高度依赖操作者经验，结果带有一定主观性，易产生误判与漏判，严重制约了其应用发展。近年来，敲击锤、传感器、麦克风及采集器等设备的引入提升了检测精度，将敲击产生的声信号转换为电信号进行分析。Cawley和Adams提出了局部敲击检测现代理论，通过时域与频域分析应力信号，发现缺陷尺寸增大时，冲击持续时间延长、频率降低、应力幅值增大。随后，WichiTech、Rolls-Royce Mateval及三井等公司开发了RD3、啄木鸟、Tapometer等复合材料缺陷检测产品。P. K. Raju提出了AIT方法并将声发射探头应用于敲击装置。Wu等曾对敲击过程中产生的加速度、声学和压力信号进行计算分析与处理。
深度学习（DL）诊断方法无需精确基线信号或精确建模，通过挖掘特定类别特征的大量数据作为故障判断依据，具有强鲁棒性与可移植性，已广泛应用于缺陷诊断领域。Jiang等开发了多敲击装置联动结构以提高检测效率，提出区域集成双谱法提取特征向量，基于密实信号与空鼓信号双谱频率分布差异进行分类，分类准确率优于传统功率谱法，但检测精度仍然偏低。Kang等利用测量面积能量（MARSE）、频域迁移谱初始段斜率、小波变换峰值幅值及其对应频率四个维度估计空鼓尺寸，但未考虑背景噪声影响。Chen等通过功率谱密度分析钢管混凝土不同尺寸空鼓声波数据，提取9个特征用于决策树（DT）和支持向量机（SVM）训练，检测准确率分别为96.33%和94.17%；后续采用类激活映射（CAM）对CFST结构空鼓敲击声信号特征进行分类，缺陷检测准确率达99.81%，但计算效率有所下降；为进一步考虑背景噪声影响，提出了基于梅尔频率倒谱系数（MFCC）算法与集成机器学习的轻量级CFST空鼓检测方法，提高了检测精度、效率及信号处理鲁棒性。
**研究开展与核心结论**
本研究提出了一种基于GVSAO算法与双通道并行CNN相结合的CFST结构空鼓检测方法。在实验室对CFST试件进行敲击，获取不同压力荷载下的空鼓声信号，信号分为"无空鼓"及三种不同高度（5 cm、10 cm、15 cm）的空鼓类型。通过向原始信号引入背景噪声生成增强数据并进行标注，将标注后的一维（1D）时域信号经GAF方法转化为GASF和GADF两种二维（2D）图像，输入两个并行CNN进行特征提取与融合，最后基于GVSAO算法进行分类优化，获得准确的空鼓诊断模型。该方法具有两个实践特性：一是确保敲击声信号时空特征的完整保留，同时有效规避不同施工噪声干扰；二是实现信号特征的可视化处理。
**关键技术方法**
研究采用的核心技术方法包括四个方面：第一，基于GAF的数据可视化，将1D声信号转换为2D图像，通过极坐标变换与内积运算生成GASF和GADF图谱，利用其惩罚项消除高斯噪声影响，实现共模与差模噪声的自动消除；第二，双通道并行CNN结构，GASF图和GADF图同时输入两个并行CNN通道，经双层卷积-池化操作后输出一维向量，拼接融合后经全连接层进入Softmax分类器；第三，GVSAO算法优化，引入好点集算法初始化随机解集以增强种群多样性，采用周期性振荡突变策略搜索最优解，通过双种群机制平衡计算精度与效率，利用度日模型反映样本数据的高度分散扩展特性；第四，多工况信号采集与增强，在0吨、20吨、50吨、100吨压力荷载下采集敲击声信号，并添加机械设备、风及焊接三种施工现场噪声构建增强数据集。
**研究结果**
**不同压力荷载下的CFST空鼓检测训练**：为表征不同压力荷载下CFST试件空鼓敲击声特征，对声音数据重新分组编号。研究表明，随荷载增加，声波主频先向高频范围移动再向低频范围移动，说明刚度增大时自然频率升高，当轴压接近临界屈曲值时，试件侧向刚度退化导致等效刚度降低，声学频率下降。GVSAO算法用于优化卷积层超参数，包括学习率、卷积核大小和神经元数量。
**预测模型的准确性与效率**：以50吨压力荷载样本数据为例展示计算准确性与效率。对于原始数据集，训练集准确率收敛至约99.89%，损失值约0.007，精确率96.30%，召回率100%，F1分数98.11%；验证集准确率收敛至约99.2%，损失值约0.04，精确率95.60%，召回率97.44%，F1分数95.25%；最终测试准确率100%。对于信号增强数据集，最终测试准确率97.2%，精确率94.51%，召回率99.36%，F1分数96.56%。
**不同算法优化训练模型的效果比较**：选取XGBoost、随机森林（RF）、LightGBM四种常用优化算法进行对比。对于音频数据，先提取MFCC特征（特征维度M=24，12维倒谱系数和12维一阶差分，帧长20 ms，帧移为帧长的一半），将二维MFCC特征通过时间维度平均化转换为一维特征向量作为输入。结果显示，研究提出的方法训练集分类准确率收敛至约97.2%，200轮迭代后损失值最小化收敛至约0.08，收敛速度和最终收敛值均优于其他方法。原始信号集测试精度为96.14%至100%；信号增强数据集测试精度为86.11%至99.78%。XGBoost因未能考虑不同时间点数据间的时序特征，测试精度最低约86.1%；RF仅能捕获局部时序特征依赖，无法实现全局时序特征共享，长序列中可能出现梯度消失，测试精度降至92.7%；LightGBM虽在一定程度上解决RF梯度消失问题并能全局处理时序特征，但计算复杂度高、速度慢、硬件要求高，长序列难以达到最优效果，测试精度降至92.2%。研究使用批量大小64，在配备双NVIDIA Tesla V100 GPU（各16 GB HBM2内存）、14代Intel Core i5-14600 KF CPU（2.5 GHz，14核20线程）、128 GB DDR4内存及1 TB NVMe SSD的计算节点上完成200轮完整训练。
**鲁棒性分析**：以50吨压力荷载为例进行鲁棒性分析，将高斯白噪声（SNR为?10 dB、?5 dB、0 dB、5 dB、10 dB）作为测试集输入最优模型。研究显示，研究提出的方法在?10 dB和?5 dB高斯白噪声条件下测试准确率分别下降2.15%和3.22%。XGBoost和RF方法测试准确率显著下降，LightGBM方法降幅相对较小，但整体性能仍落后于本文方法，表明优化算法在面临不同程度施工现场噪声干扰时仍保持高水平诊断分类精度，具有强噪声抑制能力和鲁棒诊断性能。
**讨论与结论部分总结**
讨论部分指出，研究提出的GVSAO算法与双通道并行CNN结合的CFST空鼓检测方法，在声学信号特征处理方面，同步优化网络超参数（学习率和正则化系数）与特征提取参数（GAF窗口大小和采样频率），有效避免了传统方法易陷入局部最优的问题，显著提高了参数组合全局优化效率。通过引入非线性衰减因子和适应度反馈机制，解决了粒子群优化（PSO）在迭代后期易陷入局部最优的问题。实验方面，从CFST拱桥应力分布角度出发，在不同轴向压力下进行空鼓检测，为实际工程中CFST结构内部缺陷无损检测提供更可靠的技术支持。但研究也存在局限：使用有机玻璃板贴合钢内壁模拟空鼓仍无法准确复现声波反射实况；数据集为小规模实验室数据集，样本量有限，数据分布可能与实际复杂工程环境存在差异，限制了结果的泛化性和外推潜力；人工创建的空鼓在实际工程环境中与自然产生缺陷在形态特征、分布规律及与周围介质相互作用方面差异显著，人工空鼓通常具有规则形状和明确边界，而实际缺陷可能更为复杂和不规则，可能导致模型在实际应用中性能下降。
研究结论翻译如下：为提升不同SNR下CFST拱桥空鼓敲击检测精度，本研究提出了融合GVSAO与并行CNN的CFST空鼓诊断方法，成功开发了准确的空鼓诊断模型。主要发现如下：第一，利用GAF对敲击声信号进行成像，构建双通道并行CNN结构，将GAF分解为GASF图和GADF图同时输入CNN训练，两通道输出拼接融合后利用GVSAO算法进行分类，该方法确保敲击声信号时空特征充分保留，同时有效规避不同施工噪声干扰。第二，为增强诊断模型对外部扰动的鲁棒性，记录并整合机械设备噪声、风噪声和焊接噪声三种现场施工噪声，重构为信号增强数据集；鉴于CFST拱桥处于全截面长期受压状态，记录0吨、20吨、50吨、100吨压力荷载下的敲击声样本，经标注后组成不同压力荷载下空鼓敲击信号的原始数据集和信号增强数据集。第三，采用GVSAO算法与双通道并行CNN预测模型，原始信号数据集测试准确率超过98.74%，0吨和50吨压力荷载下准确率达到100%；信号增强数据集测试准确率超过97.2%，表明模型仍保持高水平分类能力，能够显著抑制噪声并具有优异鲁棒性。第四，GVSAO算法与并行CNN融合模型经迭代训练参数优化后，相比XGBoost、RF和LightGBM等传统机器学习和深度学习算法具有更高预测精度，在诊断鲁棒性方面表现更优；在噪声干扰下，模型诊断准确率保持在96%以上，验证了其有效性和强抗干扰能力。
