一種用于檢測礦用錨桿施工質量和工作狀態的檢測方法技術

本發明專利技術涉及一種用于檢測礦用錨桿施工質量和工作狀態的檢測方法，其包括以下步驟：a、測量頻率響應函數矩陣的主成分分析；b、基于改進概率神經網絡的錨桿錨固質量缺陷識別算法；c、基于粒子群算法對概率神經網絡參數進行優化。本發明專利技術可實現實時檢測巷道錨桿支護的質量和工作狀態，確保錨桿支護工程質量的可靠性與煤礦生產安全。

Detection method for detecting construction quality and working state of mine anchor bolt

The invention relates to a detection method used for bolt construction quality and working condition, which comprises the following steps: principal component analysis function matrix A, the measurement of frequency response; B, defect recognition of anchorage quality improved algorithm based on probabilistic neural network; C, particle swarm algorithm based on probabilistic neural network parameter optimization. The invention can realize the quality and the working state of the bolt support in real-time and ensure the reliability of the quality of the bolt support project and the safety of the coal mine production.

【技術實現步驟摘要】
一種用于檢測礦用錨桿施工質量和工作狀態的檢測方法
本專利技術屬于無損檢測
，具體涉及一種用于檢測礦用錨桿施工質量和工作狀態的方法。
技術介紹
我國煤礦主要為井工開采，由于地質條件多變，煤礦的安全事故一直制約著煤礦的高效生產。每年因支護結構失效而發生的巷道頂板跨落事故的頻率和數量位居首位。導致巷道頂板跨落事故的原因之一就是缺乏對支護結構工作狀態的檢測和監測，不能掌握事故發生之前的支護異常。目前，錨桿支護技術作為我國煤礦井下巷道支護的重要手段，我國很多礦區煤巷錨桿支護率達到60％，有些礦區超過了90％，甚至達到100％。錨桿錨固工程不僅受巖土工程條件、錨桿結構設計、錨桿與圍巖體系的相互作用、施工以及專業技術水平和經驗等關聯因素的影響，而且錨桿的施工還具有高度的隱蔽性，發現質量問題難，事故處理更難。
技術實現思路
本專利技術的目的是提供一種可實現實時檢測巷道錨桿支護的質量和工作狀態，確保錨桿支護工程質量的可靠性與煤礦生產安全的檢測礦用錨桿施工質量和工作狀態的方法。本專利技術采用如下技術方案：一種用于檢測礦用錨桿施工質量和工作狀態的檢測方法，其包括以下步驟：a、測量頻率響應函數矩陣的主成分分析；b、基于改進概率神經網絡的錨桿錨固質量缺陷識別算法；c、基于粒子群算法對概率神經網絡參數進行優化。更詳細的說，所述步驟a包括步驟如下：a-1、設測量頻率響應函數矩陣H(ω)＝[hij(ω)]m×n，其中，m為實測樣本數，n為頻率點數，i和j分別為矩陣行列的下標；a-2、根據下列的公式(1)對頻率響應函數矩陣進行標準化：公式(1)中，a-3、根據下列的公式(2)計算協方差矩陣Cn×n：公式(2)中，a-4、根據下列的公式(3)對協方差矩陣C進行特征分解：CΨi＝λiΨi(3)公式(3)中，i＝1，2，…，n；Ψi和λi為協方差矩陣的特征向量和特征值，且λ1＞λ2＞…＞λn；a-5、根據下列的公式(4)計算相對重構誤差E：E＝Je/Jv(4)公式(4)中，p＜n為主元個數。通常情況，選擇合適的主元個數p，使誤差E＜15％。更詳細的說，所述步驟b包括如下步驟：b-1、設計概率神經網絡的拓撲結構共有4層，分別為輸入層、模式層、求和層和輸出層；b-2、輸入層：輸入層負責將經過主元分析后的特征參數傳遞給模式層，輸入層神經元為xi，其中，i＝1，2，…，p；b-3、模式層：模式層神經元個數與頻率響應函數實測樣本數m相同，根據下列的公式(5)計算模式層的輸出值：公式(5)中，i＝1，2，…，m；ξ＞0為識別系數；σ為平滑因子；wiq為輸入層到模式層的權值，通常情況下，權值等于訓練樣本值；根據公式(5)可知，Pi與Φi成反比，當Φi趨于0時，Pi達到最大值ξ/2；當Φi趨于∞時，Pi＝0。因此，可以選擇ξ＞＞1，使得Pi輸出范圍增大。b-4、求和層：求和層神經元個數r，其值等于類別個數；根據下列的公式(6)計算求和層的輸出值：公式(6)中，j＝1，2，…，r；wji為模式層到求和層的權值；b-5、輸出層：輸出層神經元個數與求和層神經元個數r相同；根據下列的公式(7)計算輸出層的輸出：一般情況，0≤Oj≤1，Oj的最大值所對應的類別即為錨桿錨固質量缺陷的類別。4、根據權利要求1所述的檢測方法，其特征在于，所述步驟c包括如下步驟：c-1、優化目標函數采用如下列公式(8)表示的均方誤差函數(MSEF)：公式(8)中，Tj(i)為概率神經網絡的期望輸出；通過尋找最優的平滑因子σ，使公式(8)的值最小；c-2、將平滑因子σ作為粒子群優化算法中的位置，根據下列的公式(9)和公式(10)更新粒子的速度和位置；公式(9)中，i為粒子種群數；w為慣性權重，是保持當前速度的系數；c1、c2分別為粒子向自己和全局最優粒子的學習的能力，通常為正數；rand1和rand2分別為[0，1]之間的隨機數；為i個粒子在第k次迭代時的值；pi為第i個粒子個體最優值；pg為全局最優值；公式(10)中，β為約束因子；c-3、為了保證粒子群優化算法快速收斂到最優值，公式(9)中的c1、c2可分別根據下列的公式(11)和公式(12)計算：公式(11)和公式(12)中，a1，a2，b1和b2分別為常數，kmax為最大迭代步數，k為當前迭代步數。根據粒子群優化算法基本原理可知，公式(9)中等號右邊第2項代表“認知”部分，第3項代表“社會”部分，在算法迭代初期，“認知”部分占主導作用，隨著迭代次數的增加，“認知”部分的作用逐漸降低，而“社會”部分的功能越來越大。所以，可選擇合適的a1，a2，b1和b2，使得c1從2.5遞減至0.5，而c2則從0.5遞增至2.5；c-4、粒子群優化算法迭代終止條件有2個：(A)目標函數的值，即公式(8)，小于期望值；(B)迭代步數達到最大值，即k＝kmax；此時，平滑因子σ達到最優值。公式(5)中的平滑因子表示訓練樣本各維度的標準差，平滑因子的取值對概率神經網絡的輸出影響較大，因此，通過對平滑因子優化可以極大地提高錨桿錨固缺陷識別的準確率。本專利技術的有益效果在于：本專利技術基于錨桿錨固系統測量頻率響應函數，利用主元分析和粒子群優化的概率神經網絡對礦用錨桿錨固質量進行評價，進一步對缺陷類型及程度進行分類識別。附圖說明圖1本專利技術中用于檢測錨桿錨固質量的結構流程示意圖。圖2本專利技術實施例中用于表示不同迭代次數對應的全局最優值。圖3本專利技術實施例中用于表示不同迭代次數對應的均方差。具體實施方式下面將結合附圖和實施例對本專利技術作進一步的詳細說明。錨桿的施工質量直接決定了錨桿支護的安全性。實際工程中，錨桿的實際錨固長度與理論錨固長度會有差別。常見的缺陷類型有以下3種：(1)現場打鉆孔時無法精確控制其深度，當鉆孔深度比設計值大時，樹脂錨固劑攪拌后回堆積于鉆孔底部，起不到固定錨桿的作用，此時的錨固長度會偏短；(2)鉆孔的直徑也受圍巖狀態的影響，在松散或地應力較大的圍體中鉆孔時，會出現孔壁坍塌而造成鉆孔直徑大于設計值，也會引起錨固長度偏短；(3)攪拌錨固劑時操作過快或過慢都可能引起錨固劑分布不均勻，造成錨固段的錨固劑密度降低，此種情況下雖然錨桿的錨固長度大于設計值，但是錨固段的強度和剛度都會下降，影響錨桿的承載力。因此，在本實施例中，采用的樣本類型均屬于上述3種類型。為了評價錨桿的錨固狀態，可以根據下列公式(13)所示的密實度進行分類。其中，d為錨固密實度；la為理論錨固長度；ld為實際錨固長度。如果d＜0，則取d＝0。根據公式(13)可知，錨固密實度d的取值范圍為[0,1]。該參數定量的反映了錨桿的施工質量。根據在不同礦區巷道錨桿的檢測結果，一般可以認為當d≥0.8時，錨桿的施工質量是合格的；反之，當d＜0.8時，表明錨桿的錨固長度過短或錨固劑過于分散，施工質量不合格。利用ANSYS軟件，創建60個錨桿錨固系統有限元模型，其中45個合格樣本，15個不合格樣本。本專利技術提出一種用于檢測礦用錨桿施工質量和工作狀態的檢測方法，具體包括以下幾個步驟：一、測量頻率響應函數矩陣的主成分分析，包括：對每個錨桿錨固系統的有限元模型，施加一個脈沖激勵，同時測量其加速度響應。根據力和加速度信號求出每一個錨桿的頻率響應函數。構建測量頻率響應函數矩陣H(ω)＝[hij(ω)]m×n，其中，m為實測樣本本文檔來自技高網...

【技術保護點】
一種用于檢測礦用錨桿施工質量和工作狀態的檢測方法，其特征在于其包括以下步驟：a、測量頻率響應函數矩陣的主成分分析；b、基于改進概率神經網絡的錨桿錨固質量缺陷識別算法；c、基于粒子群算法對概率神經網絡參數進行優化。

【技術特征摘要】
1.一種用于檢測礦用錨桿施工質量和工作狀態的檢測方法，其特征在于其包括以下步驟：a、測量頻率響應函數矩陣的主成分分析；b、基于改進概率神經網絡的錨桿錨固質量缺陷識別算法；c、基于粒子群算法對概率神經網絡參數進行優化。2.根據權利要求1所述的檢測方法，其特征在于，所述步驟a包括步驟如下：a-1、設測量頻率響應函數矩陣H(ω)＝[hij(ω)]m×n，其中，m為實測樣本數，n為頻率點數，i和j分別為矩陣行列的下標；a-2、根據下列的公式(1)對頻率響應函數矩陣進行標準化：公式(1)中，a-3、根據下列的公式(2)計算協方差矩陣Cn×n：公式(2)中，a-4、根據下列的公式(3)對協方差矩陣C進行特征分解：CΨi＝λiΨi(3)公式(3)中，i＝1，2，…，n；Ψi和λi為協方差矩陣的特征向量和特征值，且λ1＞λ2＞…＞λn；a-5、根據下列的公式(4)計算相對重構誤差E：E＝Je/Jv(4)公式(4)中，p＜n為主元個數。3.根據權利要求1所述的檢測方法，其特征在于，所述步驟b包括如下步驟：b-1、設計概率神經網絡的拓撲結構共有4層，分別為輸入層、模式層、求和層和輸出層；b-2、輸入層：輸入層負責將經過主元分析后的特征參數傳遞給模式層，輸入層神經元為xi，其中，i＝1，2，…，p；b-3、模式層：模式層神經元個數與頻率響應函數實測樣本數m相同，根據下列的公式(5)計算模式層的輸出值：公式(5)中，i＝1，2，…，m；ξ＞0為識別系數；σ為平滑因子；wiq為輸入層到模式層的權值，通常情況下，權值等于訓練樣本值；b-4、求和層：求和層神經元個數r，其值等于類別個數；根據下列的公式(6)計算求和層的輸出值：公式(6)中，j＝1，2，…，r；wji為模式層到求和層的權值；b-5、輸出層：輸出層神經元個數與求和層神經元個數r相同；根據下列的公式(7)計算輸出層的輸出：

【專利技術屬性】
技術研發人員：王明明，孫曉云，邢卉，
申請(專利權)人：石家莊鐵道大學，
類型：發明
國別省市：河北,13