CN111964618B - 一种混凝土泵送管道壁厚检测设备及方法 - Google Patents

Abstract

本发明公开了一种混凝土泵送管道壁厚检测设备及方法，该检测设备包括壳体、电磁铁支座、设置于壳体内的击打锤和固定件、设置于壳体内的步进电机和渐变拨片，以及声音采集分析装置。其中，击打锤包括连接在一起的锤体和锤柄，所述锤柄通过销轴与固定件铰接，锤体下方的壳体上设置有开孔；所述渐变拨片上设置有转轴，所述转轴与步进电机连接，所述渐变拨片能够围绕转轴转动；所述锤柄搁置于所述渐变拨片上，且击打锤所在平面垂直于所述渐变拨片转动平面。所述检测设备可以使敲击泵管时锤体行程、敲击频率及对泵管的作用力相同，从而降低装置采样数据的误差，提高神经网络模型参数准确性及混凝土泵送管道壁厚检测结果的准确性。

Description

一种混凝土泵送管道壁厚检测设备及方法

技术领域

本发明涉及一种混凝土泵送管道壁厚检测设备及方法，属于建筑施工技术领域。

背景技术

建筑施工中往往涉及对混凝土进行泵送，将混凝土通过金属管道输送至需要的地方进行后续的浇注。由于混凝土中存在的骨料对泵管具有摩擦作用，泵管的壁厚随着使用时间的增加而逐渐变薄。过于薄弱的泵管壁，在混凝土泵送过程中容易爆裂。因此，工程中需要对混凝土泵管的壁厚进行检测。

目前检测混凝土的技术主要有：

（1）采用超声波激励的方法，直接作用于泵管外表面，利用反射的声音信号，进行适当的信号处理，得到壁管的厚度信息。这种方法属于无损检测方法，但是成本高昂。

（2）利用激光直线传播的特性，在管道内部布置沿着管道内壁旋转的激光探头。根据管道外接收到的光线轨迹，判断管道内径沿周长的分布。这种方法需要在管道内安装装置，不便于现场实际应用。

（3）利用电磁超声技术检测管道壁厚。这种技术采用脉冲电流在试件表面形成的涡流与脉冲磁场，在外加磁场的作用下产生洛仑磁力和磁致伸缩效应，从而形成多种波形的电磁超声，而这两种效应呈现可逆性，即试件底部返回的声压引起质点振动，在磁场作用下引起线圈电压的变化，从而实现试件壁厚的检测。

（4）利用X射线探头在管道内壁做圆周运动，扫描管道壁，采集信号，配合相应的信号处理技术，检测壁厚。这种方法需要在管道内进行操作，不便于现场实际应用。

由此可见，现有的对混凝土泵管壁厚检测的方法，或是需要费用高昂的设备或是不便于操作，因此，亟待研发一种检测简单、成本低的检测设备及方法。

发明内容

针对现有技术中对混凝土泵管壁厚检测的方法，或是需要费用高昂的设备或是不便于操作，本发明提供了一种混凝土泵送管道壁厚检测设备及方法。

为解决以上技术问题，本发明包括如下技术方案：

一种混凝土泵送管道壁厚检测设备，包括：

壳体；

电磁铁支座，设置于壳体的底部；

设置于壳体内的击打锤和固定件，固定件固定于壳体内；所述击打锤包括连接在一起的锤体和锤柄，所述锤柄通过销轴与固定件铰接，锤体下方的壳体上设置有开孔；

设置于壳体内的步进电机和渐变拨片，所述渐变拨片上设置有转轴，所述转轴与步进电机连接，所述渐变拨片能够围绕转轴转动；所述锤柄搁置于所述渐变拨片上，且击打锤所在平面垂直于所述渐变拨片转动平面；所述渐变拨片用以在步进电机的带动下，使锤柄逐渐抬升并垂直降落；

声音采集分析装置，固定于壳体的内部或附着在壳体上。

进一步，所述锤体底部设置有弹性垫片。

进一步，所述声音采集分析装置与壳体之间设置有减震层。

进一步，所述锤柄与壳体之间设置有弹簧，所述弹簧的一端固定在壳体上，另一端与锤柄固定连接。

进一步，所述渐变拨片的外轮廓为围绕转轴的360°螺旋线及连接螺旋线两端的直线段。

进一步，所述渐变拨片包括两个拼合的半圆板，一个半径为R ₁，一个半径为R ₂，其中R ₁≫R ₂，半圆板底端平齐，转轴位于半径为R ₂的半圆板的圆心处。

进一步，声音采集分析装置中设置有泵管声音特征回归计算公式

； θ为神经网络模型的待定参数；v为神经网络模型的输入层声音特征向量；f为壁厚；F为神经 网络模型。

相应地，本发明还提供了一种混凝土泵送管道壁厚检测方法，采用所述的混凝土 泵送管道壁厚检测设备，所述检测设备内预设泵管声音特征回归计算公式

， θ为神经网络模型的待定参数；v为神经网络模型的输入层声音特征向量；f为壁厚；F为神经 网络模型；所述检测方法包括如下步骤：

将所述检测设备放置于施工泵管处，使锤体底部正对待测点，将电磁铁支座通电，使所述检测设备吸附在施工泵管上；

启动步进电机，使锤体击打施工泵管的待测点处，利用声音采集分析装置进行声 音采集和分析，获取N维特征向量v_x，将声音特征向量v_x代入泵管声音特征回归计算公式

，得到施工泵管壁厚为

；

声音采集完成后，将电磁铁支座断电，移除所述检测设备。

进一步，泵管声音特征回归计算公式

，采用如下方法获得：

步骤一、依照施工泵管实际工作时的安装方式，将采样泵管的两端固定，采样泵管采用施工泵管标准节段；在采样泵管上选定泵管击打点，并测量采样泵管壁厚的平均值f ₁；

步骤二、在击打点处击打采样泵管，将所述的检测设备放置于采样泵管处，使锤体底部正对击打点，将电磁铁支座通电，使所述检测设备吸附在采样泵管上；启动步进电机，使锤体击打采样泵管的击打点处，利用声音采集分析装置采集泵管声音，获得N维声音特征向量并保存；将电磁铁支座断电，将所述检测设备移至下一个击打点进行声音采集和分析；依次在采样泵管上的n个击打点获取n个N维声音特征向量v _i ¹(i = 1, 2, …, n)，每一个N维声音特征向量v _i ¹ 和采样泵管壁厚平均值f ₁组成一个训练数据对；

步骤三、采用金属材料的冷加工方法，削减采样泵管平均厚度至f ₂，重复步骤二，获取n个N维声音特征向量v _i ²(i = 1, 2, …, n)，每一个N维声音特征向量v _i ² 和采样泵管壁厚平均值f ₂组成一个训练数据对；

步骤四、重复步骤三，共形成n×m组神经网络输入训练数据对：

{{v₁ ¹, f ₁}, {v₂ ¹, f ₁}, {v₃ ¹, f ₁}, …, {v _n ¹, f ₁},

{v₁ ², f ₂}, {v₂ ², f ₂}, {v₃ ², f ₂}, …, {v _n ², f ₂},

…

{v₁ ^m, f _m}, {v₂ ^m, f _m}, {v₃ ^m, f _m}, …, {v _n ^m, f _m}}；

步骤五、采用步骤四中的n×m组神经网络输入训练数据对对神经网络模型参数进 行训练；利用训练完成的神经网络模型参数，建立泵管声音特征回归计算公式

。

进一步，所述神经网络模型的激活函数为：

； 其中，H _max为泵管可能的最厚厚度，H _min为泵管可能的最薄厚度。

本发明由于采用以上技术方案，使之与现有技术相比，具有以下的优点和积极效果：

（1）本发明提供的混凝土泵送管道壁厚检测设备，通过电磁铁支座可以很方便地固定在泵管上，通过步进电机和渐变拨片可以实现击打锤逐渐抬升并迅速下降，从而击打泵管，并通过声音采集分析装置采集声音信号并分析出声音特征向量，从而为混凝土泵送管道壁厚检测采用的神经网络模型提供训练数据，也可以作为实测阶段采集施工泵管的声音特征向量。该检测设备可以使每一次敲击泵管时，锤体行程、敲击频率及对泵管的作用力相同或近似相同，从而降低装置采样数据的误差，提高神经网络模型参数准确性及混凝土泵送管道壁厚检测结果的准确性。

（2）本发明提供的一种混凝土泵送管道壁厚检测方法，利用检测设备的锤体击打 施工泵管，利用声音采集分析装置进行声音采集和分析并获取N维特征向量v_x，应用泵管声 音特征回归计算公式

，直接得到施工泵管壁厚，该方法属于无损检测，对施 工泵管没有损伤，且操作方便，能够大大提高检测效率。另外，本发明还提供了泵管声音特 征回归计算公式的获得方法，通过检测设备击打采样泵管的击打点，获取n×m组神经网络 输入训练数据对，对神经网络模型参数进行训练，获得神经网络模型参数，建立泵管声音特 征回归计算公式

，模型更精准，由此计算的施工泵管的壁厚更加准确。

附图说明

图1为本发明一实施例中的在采样泵管上布设混凝土泵送管道壁厚检测设备的示意图；

图2为混凝土泵送管道壁厚检测设备的俯视图；

图3为图2中沿A-A剖视图；

图4为渐变拨片与锤柄示意图；

图5至图7分别为锤柄逐渐抬升、抬升至最高点和垂直降落的示意图；

图8为多层神经网络模型示意图；

图9为单层神经网络模型示意图。

图中标号如下：

1-采样泵管；

100-检测设备；110-壳体；120-电磁铁支座；130-击打锤；131-锤体；132-锤柄；133-弹性垫片；134-弹簧；140-固定件；150-步进电机；160-渐变拨片；161-转轴；170-声音采集分析装置；171-减震层。

具体实施方式

以下结合附图和具体实施例对本发明提供的一种混凝土泵送管道壁厚检测设备及方法作进一步详细说明。结合下面说明，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。

实施例一

如图1至图4所示，本实施例提供的一种混凝土泵送管道壁厚检测设备100，包括壳体110、电磁铁支座120、击打锤130、固定件140、步进电机150、渐变拨片160和声音采集分析装置170。

电磁铁支座120设置于壳体110的底部，结合图2和图3所示，壳体110的底部设置有四个电磁铁支座120。电磁铁支座120通电后，能够产生足够的电磁场，使检测设备100牢靠吸附在采样泵管1或施工泵管上。电磁铁支座120断电后，电磁场消失，可以将检测设备移动至其他位置。

击打锤130和固定件140设置于壳体110内，所述击打锤130包括连接在一起的锤体131和锤柄132，所述固定件140是为了固定锤柄132的端部，可以为设置在壳体110上的固定杆或固定座，使锤柄132通过销轴与固定件140铰接。锤体131下方的壳体110上设置有开孔，锤体131下落时，可以从开孔处伸出壳体110，击打在采样泵管1或施工泵管上。击打锤130敲击采样泵管或施工泵管，是为了使采样泵管或施工泵管发出声音，让声音采集分析装置录制并提取声音信号的特征向量。

步进电机150和渐变拨片160均设置于壳体110内，渐变拨片160位于锤柄132的下方，锤柄132搁置在渐变拨片160上，且击打锤130所在平面垂直于所述渐变拨片160转动平面。步进电机150为渐变拨片160的旋转提供动力。采用普通电机也可以实现渐变拨片转动的功能，采用步进电机只是为了方便控制渐变拨片转动速度和转动角度，从而方便控制锤体的击打频率，并且步进电机没有累计误差。所述渐变拨片160上设置有转轴161，所述转轴161与步进电机150连接，所述渐变拨片160用以在步进电机150的带动下，使锤柄132逐渐抬升并垂直降落。优选的实施方式为，所述渐变拨片的外轮廓为围绕转轴的360°螺旋线及连接螺旋线两端的直线段。渐变拨片的另一种结构方式为，渐变拨片包括两个拼合的半圆板，一个半径为R ₁，一个半径为R ₂，其中R ₁≫R ₂，半圆板底端平齐，转轴位于半径为R ₂的半圆板的圆心处。作为举例，R ₁≫R ₂指R ₁大于等于1.5R ₂。

图5至图6展示了渐变拨片160转动带动锤柄132逐步上升至最高点处，图6至图7展示了锤柄132由最高点快速下落的过程，较佳的实施方式为，转轴的轴心位于锤柄的正投影的边缘处，在锤柄下降过程中，渐变拨片160对锤柄不产生作用力，锤体131在自重作用下敲击泵管，可保证每一次敲击的力度均相等。如果使锤体131直接作用于泵管，可能对泵管造成伤害，优选为的实施方式为，所述锤体131底部设置有弹性垫片133，比如设置橡胶垫，起到缓冲作用。更优选的实施方式为，所述锤柄132与壳体110之间设置有弹簧134，所述弹簧134的一端固定在壳体110上，另一端与锤柄132固定连接，在渐变拨片160转动带动锤柄132逐步上升至最高点处的过程中，弹簧134为张拉力，使锤柄132始终与渐变拨片160处于接触状态，在锤柄132由最高点快速下落的过程中，弹簧134的作用力可加快锤体131下降的速度。

所述声音采集分析装置170只需要采集每一次敲击声音的前几个波峰，泵管由于敲击而产生的持续震动将会对采集结果造成干扰，优选的实施方式为，所述声音采集分析装置170与壳体110之间设置有减震层171。

优选的实施方式为，声音采集分析装置中设置有泵管声音特征回归计算公式

；θ为神经网络模型的待定参数；v为神经网络模型的输入层声音特征向量；f 为壁厚；F为神经网络模型。泵管声音特征回归计算公式

，可通过神经网络模 型进行训练得到，下文中将介绍神经网络模型参数训练的方法。泵管声音特征回归计算公 式可存储在计算机中，也可以存储在声音采集分析装置中。

本实施例提供的一种混凝土泵送管道壁厚检测设备，通过电磁铁支座可以很方便地固定在泵管上，通过步进电机和渐变拨片可以实现击打锤逐渐抬升并迅速下降，从而击打泵管，并通过声音采集分析装置采集声音信号并分析出声音特征向量，从而为混凝土泵送管道壁厚检测采用的神经网络模型提供训练数据，也可以作为实测阶段采集施工泵管的声音特征向量。该检测设备可以使每一次敲击泵管时，锤体行程、敲击频率及对泵管的作用力相同或近似相同，从而降低装置采样数据的误差，提高神经网络模型参数准确性及混凝土泵送管道壁厚检测结果的准确性。

实施例二

本实施例提供了一种混凝土泵送管道壁厚检测方法，采用实施例一中的所述的混 凝土泵送管道壁厚检测设备，所述检测设备内预设泵管声音特征回归计算公式

，θ为神经网络模型的待定参数；v为神经网络模型的输入层声音特征向量；f 为壁厚；F为神经网络模型；

所述检测方法包括如下步骤：

将所述检测设备放置于施工泵管处，使锤体底部正对待测点，将电磁铁支座通电，使所述检测设备吸附在施工泵管上；

启动步进电机，使锤体击打施工泵管的待测点处，利用声音采集分析装置进行声 音采集和分析，获取N维特征向量v_x，将声音特征向量v_x代入泵管声音特征回归计算公式

，得到施工泵管壁厚为

；

声音采集完成后，将电磁铁支座断电，移除所述检测设备。

本实施例提供的检测方法，利用实施例一中的检测设备的锤体击打施工泵管，利 用声音采集分析装置进行声音采集和分析并获取N维特征向量v_x，应用泵管声音特征回归 计算公式

，直接得到施工泵管壁厚，该方法属于无损检测，对施工泵管没有损 伤，且操作方便，能够大大提高检测效率。另外，通过混凝土泵送管道壁厚检测设备采集数 据，可以使每一次敲击泵管时，锤体行程、敲击频率及对泵管的作用力相同或近似相同，从 而降低装置采样数据的误差，提高神经网络模型参数准确性及混凝土泵送管道壁厚检测结 果的准确性。

下面介绍一下泵管声音特征回归计算公式

的获取方法，包括如下 步骤：

步骤一、依照施工泵管实际工作时的安装方式，将采样泵管的两端固定，采样泵管采用施工泵管标准节段；在采样泵管上选定泵管击打点，并测量采样泵管壁厚的平均值f ₁。

需要说明的是，将施工泵管的标准段作为采样泵管，从而使采样泵管与施工泵管材质和型号均相同、横断面外径相同。本发明基于一个前提，即同一个施工泵管标准段在不同断面处磨损基本相同，因此采样泵管的各个断面的厚度基本相同，为了准确起见，对采样泵管测定多个断面的泵管壁厚，且选取的断面均匀分布在采样泵管上，然后计算其算术平均值，作为泵管壁厚平均值。采样泵管的击打点尽可能选择靠近管道轴向中点附近，以减少两端固定约束对击打后震动效果的影响。采样泵管两端采用泵管卡箍固定于地面或固定台座，可以参照施工泵管的固定方式，以减少误差。

步骤二、在击打点处击打采样泵管，将实施例一中的检测设备放置于采样泵管处，使锤体底部正对击打点，将电磁铁支座通电，使所述检测设备吸附在采样泵管上；启动步进电机，使锤体击打采样泵管的击打点处，利用声音采集分析装置采集泵管声音，获得N维声音特征向量并保存；将电磁铁支座断电，将所述检测设备移至下一个击打点进行声音采集和分析；依次在采样泵管上的n个击打点获取n个N维声音特征向量v _i ¹(i = 1, 2, …, n)，每一个N维声音特征向量v _i ¹ 和采样泵管壁厚平均值f ₁组成一个训练数据对。

需要说明的是，声音特征向量v可以采用声音信号功率谱的前N个峰值对应的频率构成的向量，还可以采用声音信号的梅尔频率倒谱系数向量的前N维（N一般取值4~10）。由于声音信号可能存在外界干扰，因此，对一段声音信号可以采用长度为30~50毫秒的汉明窗截取n个（n一般取值10~20）短时声音信号，相邻汉明窗口之间存在25%左右窗口长度的重叠，并对这n段短时声音信号独立计算其特征向量。下文中会对神经网络做进一步介绍。

步骤三、采用金属材料的冷加工方法，削减采样泵管平均厚度至f ₂，重复步骤二，获取n个N维声音特征向量v _i ²(i = 1, 2, …, n)，每一个N维声音特征向量v _i ² 和采样泵管壁厚平均值f ₂组成一个训练数据对。

需要说明的是，由于泵管在使用过程中的磨损一般是近似同步磨损的，即同一个标准节的不同内壁部位的磨损程度是彼此接近的。因此，在冷加工的时候需要考虑近似均匀地铣加工。作为举例，对于已知的某款未经使用的泵管，壁厚为10.0 mm，则每次壁厚冷加工磨损0.5 mm左右，经过一次冷加工后的泵管壁厚平均值f ₂值为9.5 mm左右。

步骤四、重复步骤三，共形成n×m组神经网络输入训练数据对：

{{v₁ ¹, f ₁}, {v₂ ¹, f ₁}, {v₃ ¹, f ₁}, …, {v _n ¹, f ₁},

{v₁ ², f ₂}, {v₂ ², f ₂}, {v₃ ², f ₂}, …, {v _n ², f ₂},

…

{v₁ ^m, f _m}, {v₂ ^m, f _m}, {v₃ ^m, f _m}, …, {v _n ^m, f _m}}。

步骤五、采用步骤四中的n×m组神经网络输入训练数据对对神经网络模型参数进 行训练；利用训练完成的神经网络模型参数，建立泵管声音特征回归计算公式

；其中，θ为神经网络模型的待定参数；v为神经网络模型的输入层声音特征 向量；f为壁厚；F为神经网络模型。

需要说明的是，神经网络模型

的输出层神经元个数为1，其中参数θ 由神经网络的层数和每一层的神经元个数所决定。例如，对于神经网络模型具有1个输入 层，2个隐藏层和1个输出层，且输入层和隐藏层的神经元个数均为4，那么参数θ由45个未知 数组成。模型参数的训练指的是利用训练数据对参数θ进行求解的过程，常用的训练方法有 反向传播算法等，实际操作过程中可直接调用成熟的深度学习算法框架，如Tensorflow、 Pytorch、ScikitLearn等。

下面结合图8和图9对神经网络模型做进一步说明。

图8中，神经网络包括1个输入层、1个输出层和2个隐藏层。方块为输入层，对应本发明中输入的声音特征向量，图8中示意了4维声音特征向量，可以采用声音信号功率谱的前4个峰值对应的频率构成的向量或4维梅尔频率倒谱系数向量。图8中输出层展示了3个输出值，对应于本发明，可采用一个输出值，即壁厚f。

图9展示了两层神经网络示意图，仅以

的计算进行说明，

、

的计算 可类推得到。

。

、

是从第1层

到第2层

的传递系数，即模型参数的组成部分之 一，是待训练的未知数；

为输入层声音特征向量的第i个成分，是已知数；

为第2 层声音特征向量的第j个成分；

表示从第1层到第2层传递过程中，第1层神经网络的第i个神经元作用于第2层神经网络中的第j个神经元的传递系数，属于模型参数的组成部分 之一；

表示从第1层到第2层传递过程中第2层的第i个神经元接收的偏置，属于模型参 数的组成部分之一。

为激活函数，其中，

，H _max为 泵管可能的最厚厚度，H _min为泵管可能的最薄厚度。作为举例，H _max取为采样泵管初始壁厚， 即无磨损状态下的壁厚，H _min取H _max/10。

对于本发明，输出向量（本发明中输出向量的维数为1，即退化成了标量）为混凝土 泵送管道的平均壁厚。神经网络模型的模型参数训练过程，需调用大量的声音特征向量与 采样泵管壁厚之间的输入输出对，即训练数据，对公式

关于θ进行拟合，求解 出使

等号左边与右边尽可能接近成立的参数θ，这个过程一般需要采用各种 迭代算法，具体的迭代算法本发明不做展开，通过现有算法可以实现。因为计算量较大，这 个训练过程可以在PC机中完成，不需要用检测设备自己来完成，仅将训练完成的模型参数 和模型公式写成函数的形式存储到声音采集分析装置主板存储卡中。声音采集分析装置中 具备声音信号的特征向量提取功能和把该向量数值代入到神经网络模型公式中得到壁厚 数值，并通过显示屏显示数值。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种混凝土泵送管道壁厚检测方法，其特征在于，

采用混凝土泵送管道壁厚检测设备，所述检测设备内预设泵管声音特征回归计算公式

，θ为神经网络模型的待定参数；v为神经网络模型的输入层声音特征向量；f 为壁厚；F为神经网络模型；所述检测设备包括壳体、电磁铁支座、击打锤、固定件、步进电 机、渐变拨片和声音采集分析装置；电磁铁支座设置于壳体的底部；击打锤和固定件设置于 壳体内，所述击打锤包括连接在一起的锤体和锤柄，所述锤柄通过销轴与固定件铰接，锤体 下方的壳体上设置有开孔；步进电机和渐变拨片设置于壳体内，所述渐变拨片上设置有转 轴，所述转轴与步进电机连接，所述渐变拨片能够围绕转轴转动；所述锤柄搁置于所述渐变 拨片上，且击打锤所在平面垂直于所述渐变拨片转动平面；所述渐变拨片用以在步进电机 的带动下，使锤柄逐渐抬升并垂直降落；声音采集分析装置，固定于壳体的内部或附着在壳 体上；

所述检测方法包括如下步骤：

将所述检测设备放置于施工泵管处，使锤体底部正对待测点，将电磁铁支座通电，使所述检测设备吸附在施工泵管上；

启动步进电机，使锤体击打施工泵管的待测点处，利用声音采集分析装置进行声音采 集和分析，获取N维特征向量v_x，将声音特征向量v_x代入泵管声音特征回归计算公式

，得到施工泵管壁厚为

；

声音采集完成后，将电磁铁支座断电，移除所述检测设备；

其中，泵管声音特征回归计算公式

，采用如下方法获得：

步骤一、依照施工泵管实际工作时的安装方式，将采样泵管的两端固定，采样泵管采用施工泵管标准节段；在采样泵管上选定泵管击打点，并测量采样泵管壁厚的平均值f ₁；

步骤二、在击打点处击打采样泵管，将所述的检测设备放置于采样泵管处，使锤体底部正对击打点，将电磁铁支座通电，使所述检测设备吸附在采样泵管上；启动步进电机，使锤体击打采样泵管的击打点处，利用声音采集分析装置采集泵管声音，获得N维声音特征向量并保存；将电磁铁支座断电，将所述检测设备移至下一个击打点进行声音采集和分析；依次在采样泵管上的n个击打点获取n个N维声音特征向量v _i ¹(i = 1, 2, …, n)，每一个N维声音特征向量v _i ¹ 和采样泵管壁厚平均值f ₁组成一个训练数据对；

步骤三、采用金属材料的冷加工方法，削减采样泵管平均厚度至f ₂，重复步骤二，获取n个N维声音特征向量v _i ²(i = 1, 2, …, n)，每一个N维声音特征向量v _i ² 和采样泵管壁厚平均值f ₂组成一个训练数据对；

步骤四、重复步骤三，共形成n×m组神经网络输入训练数据对：

{{v₁ ¹, f ₁}, {v₂ ¹, f ₁}, {v₃ ¹, f ₁}, …, {v _n ¹, f ₁},

{v₁ ², f ₂}, {v₂ ², f ₂}, {v₃ ², f ₂}, …, {v _n ², f ₂},

…

{v₁ ^m, f _m}, {v₂ ^m, f _m}, {v₃ ^m, f _m}, …, {v _n ^m, f _m}}；

步骤五、采用步骤四中的n×m组神经网络输入训练数据对对神经网络模型参数进行训 练；利用训练完成的神经网络模型参数，建立泵管声音特征回归计算公式

。

2.如权利要求1所述的混凝土泵送管道壁厚检测方法，其特征在于，所述神经网络模型 的激活函数为：

；其中，H _max为泵管可能的最厚厚度，H _min 为泵管可能的最薄厚度。

3.如权利要求1所述的混凝土泵送管道壁厚检测方法，其特征在于，所述锤体底部设置有弹性垫片。

4.如权利要求1所述的混凝土泵送管道壁厚检测方法，其特征在于，所述声音采集分析装置与壳体之间设置有减震层。

5.如权利要求1所述的混凝土泵送管道壁厚检测方法，其特征在于，所述锤柄与壳体之间设置有弹簧，所述弹簧的一端固定在壳体上，另一端与锤柄固定连接。

6.如权利要求1所述的混凝土泵送管道壁厚检测方法，其特征在于，所述渐变拨片的外轮廓为围绕转轴的360°螺旋线及连接螺旋线两端的直线段。

7.如权利要求1所述的混凝土泵送管道壁厚检测方法，其特征在于，所述渐变拨片包括两个拼合的半圆板，一个半径为R ₁，一个半径为R ₂，其中R ₁≫R ₂，半圆板底端平齐，转轴位于半径为R ₂的半圆板的圆心处。

Images