CN113188984B - 一种用于混凝土中钢筋腐蚀状态的智能监测系统及方法 - Google Patents
一种用于混凝土中钢筋腐蚀状态的智能监测系统及方法 Download PDFInfo
- Publication number
- CN113188984B CN113188984B CN202110473091.0A CN202110473091A CN113188984B CN 113188984 B CN113188984 B CN 113188984B CN 202110473091 A CN202110473091 A CN 202110473091A CN 113188984 B CN113188984 B CN 113188984B
- Authority
- CN
- China
- Prior art keywords
- data
- residual error
- layer
- corrosion
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
- G01N17/006—Investigating resistance of materials to the weather, to corrosion, or to light of metals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental & Geological Engineering (AREA)
- Environmental Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明提供一种用于混凝土中钢筋腐蚀状态的智能监测系统及方法,包括宏电池传感器、温度传感器、云端服务器和本地PC端软件,宏电池传感器内设置主控芯片,宏电池传感器用于信号采集的若干测量阳极和氧化钛阴极嵌入混凝土中,温度传感器的感温探头嵌入混凝土中,温度传感器串联接入主控芯片的主控电路中,宏电池传感器的信号采集模块通过GPRS无线数据通信模块连接云端服务器,云端服务器内设置存储模块和上位机自动分类判别软件,上位机自动分类判别软件具有数据库和深度残差神经网络算法模块,云端服务器和本地PC端软件通过网络形成数据传输联接。本发明利用深度残差神经网络算法,建立自动辨别钢筋混凝土腐蚀程度的智能系统。
Description
技术领域
本发明属于建筑结构监测技术领域,特别是一种用于混凝土中钢筋腐蚀状态的智能监测系统及方法。
背景技术
海水是一种含有侵蚀性盐类的强电解质溶液,架驻在海洋环境中的钢筋混凝土建筑工程在漫长服役期里容易遭受破坏,海水中氯离子等微元素的侵入导致混凝土的碳化及内部钢筋的腐蚀,腐蚀后的钢筋体积不断膨胀,产生的扩张应力导致碳化的混凝土产生裂缝,进一步加剧海水中侵蚀离子的渗透,加速对海洋环境下建筑物的破坏,其中,混凝土内部钢筋的腐蚀是造成建筑物耐久性失效的主要因素,因此建立一套能实时监测混凝土中钢筋腐蚀特征数据,并根据腐蚀特征数据自动辨别混凝土结构服役状态的系统极为重要,能够辅助参考制定耐久性防护预案来确保海洋工程安全运营。
国内外钢筋混凝土建筑均面临耐久性失效问题,近年来随着中国海洋强国战略的提出,沿海地区钢筋混凝土海洋工程正蓬勃兴起,但诸多海洋工程处于裸露未经保护的状态,如跨海大桥,海底隧道,港口码头等建筑直接曝露在严酷的海洋腐蚀环境下,混凝土结构建筑物腐蚀损伤不仅使之安全堪忧,修补维护产生的腐蚀损伤成本亦高昂。
目前,对混凝土中钢筋腐蚀监测方式众多,基于宏电池原理开发的宏电池传感器,由于其既能承受严酷海洋环境负荷,又能较为准确地反应钢筋的服役状态,因此在实际工程中应用最为广泛。
宏电池传感器监测系统通过测量阳极和氧化钛阴极之间的腐蚀电位和腐蚀电流,可检测单个钢质阳极的锈蚀情况;通过周期性测量相邻阳极之间的电解质阻抗,可以确定混凝土内部湿度的分布;内置的温度传感器,可感知测量混凝土内部环境温度。
现阶段存在的问题是温湿度宏电池测得的电化学参数产生一定影响,各腐蚀特征之间存在相互耦合关联,每次测量结果需要依赖专家经验来判定腐蚀程度,难以部署在常规终端设备上。
发明内容
本发明的目的是针对现有的技术存在上述问题,提出了一种能够根据宏电池嵌入式检测设备实时上传入云端数据库的腐蚀特征数据,利用嵌入上位机程序的残差神经网络算法自动对混凝土中钢筋的腐蚀状态进行辨别分类的用于混凝土中钢筋腐蚀状态的智能监测系统及方法。
本发明的目的可通过下列技术方案来实现:一种用于混凝土中钢筋腐蚀状态的智能监测系统,包括宏电池传感器、温度传感器、云端服务器和本地PC端软件,所述宏电池传感器内设置主控芯片,所述宏电池传感器用于信号采集的若干测量阳极和氧化钛阴极嵌入混凝土中,所述温度传感器的感温探头嵌入混凝土中,所述温度传感器串联接入所述主控芯片的主控电路中,所述宏电池传感器的信号采集模块通过GPRS无线数据通信模块连接所述云端服务器,所述云端服务器内设置存储模块和上位机自动分类判别软件,所述上位机自动分类判别软件具有数据库和深度残差神经网络算法模块,所述云端服务器和所述本地PC端软件通过网络形成数据传输联接。
在上述的用于混凝土中钢筋腐蚀状态的智能监测系统中,所述宏电池传感器的信号采集模块采用STM32F103单片机作为主控芯片,所述STM32F103单片机具有用于数据转换的ADC,采用阻抗转换芯片AD5933对阻抗进行采集;所述GPRS无线数据通信模块采用M26通信模块与控制模块通过RS485通讯协议进行数据的传输接收;所述上位机自动分类判别软件包括数据记录模块,系统评估模块,并采用ACCESS2010数据库开发软件对上传入所述云端服务器的特征数据进行存储管理;所述深度残差神经网络算法模块输入为21个数据的特征向量,每个残差块由三个同维度网络层连接而成,在每个残差模块的一、二网络层和一、三网络层间引入双跳跃连接。
在上述的用于混凝土中钢筋腐蚀状态的智能监测系统中,所述上位机自动分类判别软件的执行程序采用C#语言编写。
在上述的用于混凝土中钢筋腐蚀状态的智能监测系统中,所述温度传感器使用PT1000热电阻进行采集。
一种用于混凝土中钢筋腐蚀状态的智能监测方法,包括以下步骤:
1)、通过STM32F103单片机主控外围电路,在低功耗模式下周期性采集宏电池传感器数据和其他数字芯片的控制,具体使用高精度阻抗转换芯片AD5933对阻抗进行采集,STM32F103单片机发射信号来激励外部复阻抗,外部阻抗的响应信号由STM32F103片上ADC进行采样;宏电池传感器监测出阳极相对氧化钛阴极的7路电压值,7路电流值,各个阳极间6路交流阻抗信号,1路温度信号,共21个特征数据,实现数据采集模块化,将所采集宏电池传感器的电压、电流和阻抗信号转换成数字量,每次的数据采集进行5次采集结果的均值滤波,采集完成后通过RS485总线将数据汇总到STM32F103单片机内部flash存储单元;温度传感器的电阻值随温度变化而发生变化,通过ADC转换得到的电压值,计算得到温度传感器当前的电阻值,查表得到当前的温度值,此温度值由主控芯片直接采集获取;
2)、主控芯片将全部信号采集数据结果汇总,而后将汇总数据打包传输给GPRS无线数据通信模块,经过GPRS无线数据通信模块将采集到的全部特征数据远程发送至云端服务器;
3)、云端服务器接收到特征数据之后进行数据协议解析和输出处理,然后存储到数据库中;本地PC端软件通过网络将特征数据从云端服务器中获取到之后,按照试验得到的数据转换关系,将得到的原始数据转换成实际的物理信号量,并对上传入云端服务器的特征数据进行存储管理。
在上述的用于混凝土中钢筋腐蚀状态的智能监测方法中,在步骤1)中,STM32F103单片机通过ADG708多路开关来分时实现对宏电池传感器的7路开路电压、7路短路电流进行采集。
在上述的用于混凝土中钢筋腐蚀状态的智能监测方法中,在步骤3)中,云端服务器采用深度残差神经网络算法对特征数据进行数据协议解析,所述深度残差神经网络算法对特征数据进行腐蚀分类步骤如下:
(1)读入数据集,数据集由1500组钢筋未腐蚀阶段数据,1500组钢筋轻度腐蚀阶段数据,1500组钢筋重度腐蚀阶段数据组成,每组数据包括7路电压值,7路电流值,6路阻抗值,1路温度值共21个数据的特征向量;
(2)数据预处理,因测得的腐蚀电压,电流,阻抗,温度特征数值的量纲和大小各不相同,使用min-max归一化算法对上述特征数据进行处理,使之归一于0到1之间,使用独热编码技术将钢筋锈蚀标签“未腐蚀”、“轻度腐蚀”、“重度腐蚀”转换为计算机能够识别二进制代码形式:“100”、“001”、“010”;
(3)双跳跃残差神经网络模型,每个残差模块包括三个同维度网络层串联而成,每一层网络输出均使用Relu函数激活,分别在一层和二层,一层和三层激活点之前引入跳跃连接,构成双跳跃残差神经网络模型,能够有效增强特征信息向深层网络的快速传递和重复利用,从而实现更好的分类性能;
(4)深度残差神经网络模型,深度残差神经网络模型共二十层,其输入网络层具有21个神经元,中间由六个双跳跃残差模块堆叠而成,其中第一、二、三个双跳跃残差模块中每个网络层的神经元数为128个,第四、五、六个双跳跃残差模块中各网络层神经元个数为64个,对于前19层网络层,每一层网络输出均使用Relu函数激活,其输出网络层由3个神经元构成,由softmax激活函数分类输出;
(5)深度残差神经网络模型编译采用adam优化算法进行参数优化调整,损失函数采用交叉熵损失函数进行梯度更新,训练次数为300次。
在上述的用于混凝土中钢筋腐蚀状态的智能监测方法中,在步骤(4)中,搭建深度残差神经网络模型的方法如下:
1.将腐蚀特征向量x作为深度残差神经网络模型的输入,经过第一层线性加权后输出为f1(x);
f1(x)=w(1)x+b(1),w(i),b(i)分别是第i网络层的权重和偏置参数;
2.F1(x)=R(f1(x)),对f1(x)经过Relu激活后的输出F1(x),R(×)表示用Relu激活函数进行激活;
Relu激活函数表达式:Relu=max(0,x);
3.将激活后的首层网络输出F1(x)作为第二网络层的输入,经过加权偏置后输出f2(x),数学表达式为:f2(x)=w(2)F1(x)+b(2);
4.f2(x)与第一层的跳跃连接f1(x)相加,即表达式:f21(x)=f2(x)+f1(x);
f21(x)实现了浅层信息的重利用。
5.经过Relu激活后输F2(x),即表达式:F2(x)=R(f21(x));
6.将第二层的非线性输出F2(x)作为第三层网络的输入,经过加权偏置后输出f3(x),即数学表达式为:f3(x)=w(3)F2(x)+b(3);
7.H(x)=f3(x)+f1(x),将堆叠层高复杂度非线性映射转换为容易拟合的跳跃残差映射,式中H(x)表示加上跳跃信息后残差模块期望拟合的基础映射;
8.F3(x)=R(H(x)),将H(x)经过Relu函数激活后输出为F3(x);
10.使用梯度下降法,对残差模块进行反向链式求导,如下式所示:
在上述的用于混凝土中钢筋腐蚀状态的智能监测方法中,深度残差神经网络模型在Windows 10系统环境下进行仿真训练,采用TensorFlow 2.2-GPU版本深度学习平台进行网络训练,深度残差神经网络模型的程序由python3.7编写完成。
与现有技术相比,本用于混凝土中钢筋腐蚀状态的智能监测系统及方法具有以下优点:
利用已获得分类样本的数据,使用改进后的深度残差神经网络算法来拟合样本与标签间的函数关系,建立了一套能自动辨别钢筋混凝土腐蚀程度且具有较高识别精度的智能系统,减省人工判断,通过自动识别算法在设备上清楚准确的显示钢筋混凝土腐蚀程度,同时在云端服务器内存储大量监测数据,以备防护监督及研究使用。
附图说明
图1为本发明实施例钢筋腐蚀状态智能监测方案整体系统构造框图。
图2为本发明实施例深度残差网络分类模型结构图。
图3为本发明实施例双跳跃残差模块原理框图。
图4为本发明实施例算法准确率仿真图。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明:
本用于混凝土中钢筋腐蚀状态的智能监测系统的整体功能框图如图1所示,包括宏电池传感器信号采集模块,GPRS无线数据通信模块,上位机自动分类判别软件,深度残差神经网络算法模型,宏电池传感器信号采集模块采集腐蚀特征数据,通过GPRS无线数据通信模块将数据打包发送至云端服务器存储,嵌入上位机自动分类判别软件的深度残差神经网络算法模型提取数据库特征数据进行自动分类判别混凝土中钢筋腐蚀状态。
宏电池传感器信号采集部分包括STM32F103单片机主控外围电路,用于在低功耗模式下周期性采集宏电池传感器数据和其他数字芯片的控制。
使用高精度阻抗转换芯片AD5933对阻抗进行采集,STM32F103单片机发射信号来激励外部复阻抗,外部阻抗的响应信号由STM32F103单片机上ADC进行采样。
STM32F103单片机通过ADG708多路开关来分时实现对宏电池传感器7路开路电压,7路短路电流的采集。
使用宏电池传感器内部的PT1000热电阻进行混凝土内部温度采集。传感器的电阻值随温度变化而发生变化,将此传感器串联接入主控电路中,通过ADC转换得到的电压值,计算得到传感器当前的电阻值,查表得到当前的温度值,此温度值由主控芯片直接采集得到。
综上,宏电池传感器监测出阳极相对阴极的7路开路电压值,7路短路电流值,各阳极间6路交流阻抗信号,1路温度信号,通过STM32F103单片机实现采集,共21个特征数据。
将采集宏电池传感器上的开路电压,短路电流和复阻抗信号转换成数字量,每次的数据采集进行5次采集结果的均值滤波。
完成后通过RS485总线将数据汇总到STM32F103单片机内部flash存储单元。
GPRS无线数据通信电路通过RSRS485通讯协议,利用M26通信模块向云端服务器发送STM32F103单片机内处理好的特征数据。
上位机自动分类判别软件的程序采用C#语言编写,其包括数据记录模块,系统评估模块,采用ACCESS2010数据库开发软件对上传入云端服务器的特征数据进行存储管理。
以上操作,实现实时腐蚀特征数据从现场到云端服务器的传输采集。
图2为本发明实施例深度残差网络分类模型结构图,分别对收集不同腐蚀阶段采集到的数据进行人工标定,建立包含为钢筋未腐蚀,轻度腐蚀及重度腐蚀三种状态各1500组的数据集;
使用深度学习框架Tensorflow2.0进行深度残差神经网络算法的编写,训练与测试仿真。
读入数据集,数据集由1500组钢筋未腐蚀阶段数据,1500组钢筋轻度腐蚀阶段数据,1500组钢筋重度腐蚀阶段数据组成,共4500组数据,每组数据包括7路电压值,7路电流值,6路阻抗值,1路温度值共21个数据的特征向量。
数据预处理,因为测得的腐蚀电压,电流,阻抗,温度特征数值的量纲和大小各不相同,使用min-max归一化算法对上述特征数据进行处理,使之归一于0到1之间。
使用独热编码技术将钢筋锈蚀标签“未腐蚀”,“轻度腐蚀”,“重度腐蚀”转换为计算机能够识别二进制代码形式:“[1 0 0],[0 0 1],[0 1 0]”。
图3为本发明实施例双跳跃残差模块原理框图。搭建图1深度双跳跃残差网络模块步骤如下:
步骤1.将腐蚀特征向量x作为深度残差网络模块的输入,经过第一层线性加权后输出为f1(x)。
f1(x)=w(1)x+b(1),w(i),b(i)分别是第i网络层的权重和偏置参数。
步骤2.F1(x)=R(f1(x)),对f1(x)经过Relu激活后的输出F1(x),R(×)表示用Relu激活函数进行激活。
Relu激活函数表达式:Relu=max(0,x);
步骤3.将激活后的首层网络输出F1(x)作为第二网络层的输入,经过加权偏置后输出f2(x),数学表达式为:f2(x)=w(2)F1(x)+b(2);
步骤4.f2(x)与第一层的跳跃连接f1(x)相加,即表达式:f21(x)=f2(x)+f1(x);
f21(x)实现了浅层信息的重利用。
步骤5.经过Relu激活后输F2(x)。即表达式:F2(x)=R(f21(x))
步骤6.将第二层的非线性输出F2(x)作为第三层网络的输入,经过加权偏置后输出f3(x)。即数学表达式为:f3(x)=w(3)F2(x)+b(3)。
步骤7.H(x)=f3(x)+f1(x),将传统堆叠层高复杂度非线性映射转换为容易拟合的跳跃残差映射,式中H(x)表示加上跳跃信息后残差模块期望拟合的基础映射。
步骤8.F3(x)=R(H(x)),将H(x)经过Relu函数激活后输出为F3(x)。
步骤10.使用梯度下降法,对残差模块进行反向链式求导,如下式所示
综上,双跳跃残差神经网络模型,每个残差模块包括三个同维度网络层串联而成,每一层网络输出均使用Relu函数激活,分别在一层和二层,一层和三层激活点之前引入跳跃连接,构成双跳跃残差神经网络模型,能够有效增强特征信息向深层网络的快速传递和重复利用,从而实现更好的分类性能。
深度残差神经网络模型,本深度残差神经网络模型共二十层,模型的输入网络层具有21个神经元,中间由六个双跳跃残差模块堆叠而成,其中第一,二,三个双跳跃残差模块中每个网络层的神经元数为128个,第四,五,六个双跳跃残差模块中各网络层神经元个数为64个,对于前19层网络,每一层网络输出均使用Relu函数激活,模型的输出网络层由3个神经元构成,由softmax激活函数分类输出。
深度残差神经网络模型编译采用adam优化算法进行参数优化调整,损失函数采用交叉熵损失函数进行梯度更新,训练次数为300次。
深度残差神经网络模型仿真训练,采用在Windows 10系统环境下,采用TensorFlow 2.2-GPU版本深度学习平台进行网络训练,本网络模型程序由python3.7编写完成。
图4为本发明实施例算法准确率仿真图。本发明中提出的算法较传统神经网络算法的分类准确率显著提升。
最后,将本发明中提出的深度残差神经网络嵌入上位机自动分类判别软件,本发明提出的混凝土中钢筋腐蚀状态的智能监测方法能够根据嵌入式设备采集的宏电池传感器腐蚀数据,实现自动分类辨别混凝土中钢筋的腐蚀状态。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (9)
1.一种用于混凝土中钢筋腐蚀状态的智能监测系统,其特征在于,包括宏电池传感器、温度传感器、云端服务器和本地PC端软件,所述宏电池传感器内设置主控芯片,所述宏电池传感器用于信号采集的若干测量阳极和氧化钛阴极嵌入混凝土中,所述温度传感器的感温探头嵌入混凝土中,所述温度传感器串联接入所述主控芯片的主控电路中,所述宏电池传感器的信号采集模块通过GPRS无线数据通信模块连接所述云端服务器,所述云端服务器内设置存储模块和上位机自动分类判别软件,所述上位机自动分类判别软件具有数据库和深度残差神经网络算法模块,所述云端服务器和所述本地PC端软件通过网络形成数据传输联接;
所述宏电池传感器的信号采集模块采用STM32F103单片机作为主控芯片,所述STM32F103单片机具有用于数据转换的ADC,采用阻抗转换芯片AD5933对阻抗进行采集;所述GPRS无线数据通信模块采用M26通信模块与控制模块通过RS485通讯协议进行数据的传输接收;所述上位机自动分类判别软件包括数据记录模块,系统评估模块,并采用ACCESS2010数据库开发软件对上传入所述云端服务器的特征数据进行存储管理;深度残差神经网络模型共二十层,其输入网络层具有21个神经元,中间由六个双跳跃残差模块堆叠而成,其中第一、二、三个双跳跃残差模块中每个网络层的神经元数为128个,第四、五、六个双跳跃残差模块中各网络层神经元个数为64个,对于前19层网络层,每一层网络输出均使用Relu函数激活,其输出网络层由3个神经元构成,由softmax激活函数分类输出。
2.如权利要求1所述的用于混凝土中钢筋腐蚀状态的智能监测系统,其特征在于,所述上位机自动分类判别软件的执行程序采用C#语言编写。
3.如权利要求1所述的用于混凝土中钢筋腐蚀状态的智能监测系统,其特征在于,所述温度传感器使用PT1000热电阻进行采集。
4.一种用于混凝土中钢筋腐蚀状态的智能监测方法,其特征在于,包括以下步骤:
1)、使用高精度阻抗转换芯片AD5933对阻抗进行采集,STM32F103单片机发射信号来激励外部复阻抗,外部阻抗的响应信号由STM32F103片上ADC进行采样;宏电池传感器监测出阳极相对氧化钛阴极的7路电压值,7路电流值,各个阳极间6路交流阻抗信号,1路温度信号,共21个特征数据,实现数据采集模块化,将所采集宏电池传感器的电压、电流和阻抗信号转换成数字量,每次的数据采集进行5次采集结果的均值滤波,采集完成后通过RS485总线将数据汇总到STM32F103单片机内部flash存储单元;温度传感器的电阻值随温度变化而发生变化,通过ADC转换得到的电压值,计算得到温度传感器当前的电阻值,查表得到当前的温度值,此温度值由主控芯片直接采集获取;
2)、主控芯片将全部信号采集数据结果汇总,而后将汇总数据打包传输给GPRS无线数据通信模块,经过GPRS无线数据通信模块将采集到的全部特征数据远程发送至云端服务器;
3)、云端服务器接收到特征数据之后进行数据协议解析和输出处理,然后存储到数据库中;本地PC端软件通过网络将特征数据从云端服务器中获取到之后,按照试验得到的数据转换关系,将得到的原始数据转换成实际的物理信号量,并对上传入云端服务器的特征数据进行存储管理。
5.如权利要求4所述的用于混凝土中钢筋腐蚀状态的智能监测方法,其特征在于,在步骤1)中,STM32F103单片机通过ADG708多路开关来分时实现对宏电池传感器的7路开路电压、7路短路电流进行采集。
6.如权利要求4所述的用于混凝土中钢筋腐蚀状态的智能监测方法,其特征在于,在步骤3)中,云端服务器采用深度残差神经网络算法对特征数据进行数据协议解析,所述深度残差神经网络算法对特征数据进行腐蚀分类步骤如下:
(1)读入数据集,数据集由1500组钢筋未腐蚀阶段数据,1500组钢筋轻度腐蚀阶段数据,1500组钢筋重度腐蚀阶段数据组成,每组数据包括7路电压值,7路电流值,6路阻抗值,1路温度值共21个数据的特征向量;
(2)数据预处理,因测得的腐蚀电压,电流,阻抗,温度特征数值的量纲和大小各不相同,使用min-max归一化算法对上述特征数据进行处理,使之归一于0到1之间,使用独热编码技术将钢筋锈蚀标签“未腐蚀”、“轻度腐蚀”、“重度腐蚀”转换为计算机能够识别二进制代码形式:“100”、“001”、“010”;
(3)双跳跃残差神经网络模型,每个残差模块包括三个同维度网络层串联而成,每一层网络输出均使用Relu函数激活,分别在一层和二层,一层和三层激活点之前引入跳跃连接,构成双跳跃残差神经网络模型,能够有效增强特征信息向深层网络的快速传递和重复利用,从而实现更好的分类性能;
(4)深度残差神经网络模型,深度残差神经网络模型共二十层,其输入网络层具有21个神经元,中间由六个双跳跃残差模块堆叠而成,其中第一、二、三个双跳跃残差模块中每个网络层的神经元数为128个,第四、五、六个双跳跃残差模块中各网络层神经元个数为64个,对于前19层网络层,每一层网络输出均使用Relu函数激活,其输出网络层由3个神经元构成,由softmax激活函数分类输出;
(5)深度残差神经网络模型编译采用adam优化算法进行参数优化调整,损失函数采用交叉熵损失函数进行梯度更新,训练次数为300次。
8.如权利要求6所述的用于混凝土中钢筋腐蚀状态的智能监测方法,其特征在于,在步骤(4)中,搭建深度残差神经网络模型的方法如下:
4.1.将腐蚀特征向量x作为深度残差神经网络模型的输入,经过第一层线性加权后输出为f1(x);
f1(x)=w(1)x+b(1),w(i),b(i)分别是第i网络层的权重和偏置参数;
4.2.F1(x)=R(f1(x)),对f1(x)经过Relu激活后的输出F1(x),R(·)表示用Relu激活函数进行激活;
Relu激活函数表达式:Relu=max(0,x);
4.3.将激活后的首层网络输出F1(x)作为第二网络层的输入,经过加权偏置后输出f2(x),数学表达式为:f2(x)=w(2)F1(x)+b(2);
4.4.f2(x)与第一层的跳跃连接f1(x)相加,即表达式:f21(x)=f2(x)+f1(x);
4.5.经过Relu激活后输F2(x),即表达式:F2(x)=R(f21(x));
4.6.将第二层的非线性输出F2(x)作为第三层网络的输入,经过加权偏置后输出f3(x),即数学表达式为:f3(x)=w(3)F2(x)+b(3);
4.7.H(x)=f3(x)+f1(x),将堆叠层高复杂度非线性映射转换为容易拟合的跳跃残差映射,式中H(x)表示加上跳跃信息后残差模块期望拟合的基础映射;
4.8.F3(x)=R(H(x)),将H(x)经过Relu函数激活后输出为F3(x);
4.10.使用梯度下降法,对残差模块进行反向链式求导,如下式所示:
9.如权利要求6所述的用于混凝土中钢筋腐蚀状态的智能监测方法,其特征在于,深度残差神经网络模型在Windows 10系统环境下进行仿真训练,采用TensorFlow 2.2-GPU版本深度学习平台进行网络训练,深度残差神经网络模型的程序由python3.7编写完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110473091.0A CN113188984B (zh) | 2021-04-29 | 2021-04-29 | 一种用于混凝土中钢筋腐蚀状态的智能监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110473091.0A CN113188984B (zh) | 2021-04-29 | 2021-04-29 | 一种用于混凝土中钢筋腐蚀状态的智能监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113188984A CN113188984A (zh) | 2021-07-30 |
CN113188984B true CN113188984B (zh) | 2022-06-24 |
Family
ID=76980427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110473091.0A Active CN113188984B (zh) | 2021-04-29 | 2021-04-29 | 一种用于混凝土中钢筋腐蚀状态的智能监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113188984B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114295685A (zh) * | 2021-12-29 | 2022-04-08 | 广东洪实建设技术开发工程有限公司 | 基于物联网的建筑碳化监测采集系统及其检测方法 |
CN115656027B (zh) * | 2022-11-01 | 2023-06-13 | 哈尔滨工业大学 | 一种钢混结构腐蚀电化学监测用多功能无线节点 |
CN115719017B (zh) * | 2022-11-21 | 2023-07-18 | 深圳大学 | 海水海砂混凝土多物理场耦合分析及施工质量控制方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100437085C (zh) * | 2006-07-23 | 2008-11-26 | 中国船舶重工集团公司第七二五研究所 | 混凝土中钢筋腐蚀监测装置 |
CN201159716Y (zh) * | 2008-02-19 | 2008-12-03 | 清华大学 | 一种快速评定钢筋混凝土抗腐蚀性能的装置 |
CN103234897B (zh) * | 2013-05-03 | 2015-11-25 | 浙江大学 | 一种用于监测混凝土中腐蚀介质侵蚀进程的装置 |
CN104075756B (zh) * | 2014-07-21 | 2016-09-07 | 青岛理工大学 | 混凝土结构耐久性多元复合无线监测系统 |
CN104729985A (zh) * | 2015-03-25 | 2015-06-24 | 淮阴师范学院 | 一种基于wsn混凝土钢筋腐蚀度的远程无线监测系统 |
CN107870147B (zh) * | 2017-12-15 | 2020-07-03 | 北京科技大学 | 一种混凝土内钢筋初始锈蚀时间预测方法 |
CN109271856B (zh) * | 2018-08-03 | 2021-09-03 | 西安电子科技大学 | 基于扩张残差卷积的光学遥感图像目标检测方法 |
CN110006811A (zh) * | 2019-05-29 | 2019-07-12 | 青岛理工大学 | 一种混凝土抗氯离子渗透性测量装置 |
CN112085220A (zh) * | 2019-06-13 | 2020-12-15 | 江西秀川科技有限公司 | 一种公路桥梁技术状况检测智能系统 |
CN110236483B (zh) * | 2019-06-17 | 2021-09-28 | 杭州电子科技大学 | 一种基于深度残差网络的糖尿病性视网膜病变检测的方法 |
CN110567513B (zh) * | 2019-08-22 | 2020-06-26 | 青岛理工大学 | 一种混凝土结构全寿命性能智慧感知与劣化预警系统及方法 |
CN111006995A (zh) * | 2019-11-30 | 2020-04-14 | 中国科学院金属研究所 | 一种环境锈蚀状态早期预警系统 |
-
2021
- 2021-04-29 CN CN202110473091.0A patent/CN113188984B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113188984A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113188984B (zh) | 一种用于混凝土中钢筋腐蚀状态的智能监测系统及方法 | |
CN109034191B (zh) | 基于elm的单维遥测数据异常判读方法 | |
CN108111125B (zh) | 一种光伏阵列的iv特性曲线扫描与参数辨识系统及方法 | |
CN109324241B (zh) | 一种变电站接地网腐蚀诊断预警方法及系统 | |
CN101576593B (zh) | 阵列式劣质绝缘子局域电场检测装置及逆向诊断方法 | |
CN111628570B (zh) | 水电站安全监测故障诊断方法及系统 | |
CN201255729Y (zh) | 基于多传感器数据融合的木材含水率智能检测装置 | |
CN109099975A (zh) | 一种建筑结构健康监测系统 | |
CN112883634B (zh) | 基于多维度分析的直流测量系统状态预测方法及系统 | |
CN114035086A (zh) | 基于信号处理的电池组多故障诊断方法 | |
CN114290503A (zh) | T梁蒸汽养生发生器功率控制方法及其装置 | |
CN112906288A (zh) | 基于正常样本数据的开关柜状态评估方法 | |
CN108093210A (zh) | 一种变压器油位告警系统及其告警方法 | |
CN117056865B (zh) | 一种基于特征融合的机泵设备运行故障诊断方法及装置 | |
CN114528753A (zh) | 一种用于评估钢筋混凝土受损程度的智能监测装置及方法 | |
CN117235617A (zh) | 沙尘天气下基于ml-rfknn的光伏阵列故障诊断方法 | |
CN117310538A (zh) | 一种电量剩余转化效率自检测的储能电池电量监控系统 | |
CN116973703A (zh) | 干式空心电抗器放电故障与异常运行状态的声学诊断方法 | |
CN116822352A (zh) | 基于grnn神经网络的井下防水密闭墙工况预测方法及系统 | |
CN111208464A (zh) | 一种配电一二次成套设备测量精度在线评估系统和方法 | |
CN112231982B (zh) | 一种基于分布式软测量模型的光伏电板故障检测方法 | |
CN114545113A (zh) | 基于存内计算架构的绝缘子健康状况诊断方法 | |
CN108761258A (zh) | 基于人工智能和大数据技术的变压器短期过载能力评估系统 | |
CN106990769A (zh) | 一种温室环境综测仪及方法 | |
CN113654974A (zh) | 一种海上风电单桩基础腐蚀状态的评估方法及监测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |