CN118152988A - 一种外墙保温板粘结效果检测方法、介质和系统 - Google Patents
一种外墙保温板粘结效果检测方法、介质和系统 Download PDFInfo
- Publication number
- CN118152988A CN118152988A CN202410578325.1A CN202410578325A CN118152988A CN 118152988 A CN118152988 A CN 118152988A CN 202410578325 A CN202410578325 A CN 202410578325A CN 118152988 A CN118152988 A CN 118152988A
- Authority
- CN
- China
- Prior art keywords
- insulation board
- wall insulation
- grid
- external wall
- temperature change
- 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.)
- Granted
Links
- 238000009413 insulation Methods 0.000 title claims abstract description 142
- 230000000694 effects Effects 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000008859 change Effects 0.000 claims abstract description 93
- 230000005236 sound signal Effects 0.000 claims abstract description 19
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 238000010009 beating Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 37
- 238000001514 detection method Methods 0.000 claims description 35
- 230000004927 fusion Effects 0.000 claims description 29
- 238000005457 optimization Methods 0.000 claims description 26
- 238000007664 blowing Methods 0.000 claims description 14
- 230000002068 genetic effect Effects 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 claims description 12
- 238000011084 recovery Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000000630 rising effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000001070 adhesive effect Effects 0.000 abstract description 10
- 238000010438 heat treatment Methods 0.000 description 38
- 238000001816 cooling Methods 0.000 description 26
- 238000004321 preservation Methods 0.000 description 22
- 239000013598 vector Substances 0.000 description 19
- 230000004044 response Effects 0.000 description 14
- 238000011156 evaluation Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 238000001931 thermography Methods 0.000 description 6
- 230000000638 stimulation Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000001066 destructive effect Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 229920006327 polystyrene foam Polymers 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000012774 insulation material Substances 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 239000011664 nicotinic acid Substances 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000010079 rubber tapping Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011491 glass wool Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011490 mineral wool Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000009864 tensile test Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明提供了一种外墙保温板粘结效果检测方法、介质和系统，属于外墙保温板技术领域，包括：将外墙保温板划分为多个网格；获取温变红外录像以及温恢红外录像；提取特征得到温变特征和温恢特征；在预先训练好的外墙保温板保温效果判定模型中，输送每个网格的温变特征和温恢特征，得到每个网格的保温效果判定结果，以判定结果为不合格的网格记为不佳网格；获取对每个不佳网格使用固定力度和频率对保温板进行敲打产生的声音信号；对所述声音信号提取特征得到音频特征，并将所述音频特征与所述温变特征和温恢特征进行注意力机制的融合，得到融合特征；输入到预先训练好的外墙保温板粘结效果判定模型，得到每个不佳网格的粘结效果判定结果。
Description
技术领域
本发明属于外墙保温板技术领域，具体而言，涉及一种外墙保温板粘结效果检测方法、介质和系统。
背景技术
外墙保温是现代建筑节能中的一个重要组成部分，通过在外墙表面附加保温材料，可以有效减少建筑物的热量损失，提高室内温度的稳定性，从而降低供暖和制冷能耗。常见的外墙保温材料包括聚苯乙烯泡沫板、岩棉板、玻璃棉板等，其中聚苯乙烯泡沫板由于重量轻、保温性能好、施工简便等优点而广泛应用于各类建筑的外墙保温。
然而，外墙保温系统的长期使用性能直接取决于保温材料与基层墙体之间的粘结质量。如果粘结效果不佳，极易出现保温板脱落、开裂、渗漏等问题，不仅影响建筑物的外观，更会造成热量大量逸散，降低建筑物的节能性能。因此，准确评估外墙保温板的粘结效果对确保保温系统的长期稳定性至关重要。
目前，常见的外墙保温板粘结效果检测方法主要有以下几种:
1. 人工敲击法:利用人工轻敲保温板表面，通过听声辨识的方式判断保温板与基层之间的粘结质量。这种方法简单直观，但评判结果易受检测人员主观因素影响，精度较低。
2. 拉拔试验法:在保温板表面粘贴专用拉拔头，通过拉力试验机测量保温板与基层之间的剥离强度。该方法能够客观地反映粘结强度，但需要破坏性取样，且试验过程较为复杂。
3. 红外热成像法:利用红外热成像仪拍摄保温板表面的温度分布，通过温度异常区域的检测来判断保温板局部脱落或空鼓情况。这种方法无需破坏性取样，但受环境温度变化、保温材料热性能等因素影响，检测精度有待进一步提高。
上述方法各有优缺点，无法全面、准确地评估外墙保温系统的整体粘结状态。一方面，人工经验判断法和局部破坏性试验无法充分反映保温板在整体上的粘结质量;另一方面，非破坏性的红外热成像法受环境干扰较大，无法精确定位出现问题的具体部位。因此，亟需开发一种能够快速、全面、无损检测外墙保温系统整体粘结状态的新型方法，为后续的维修保养提供可靠依据。
发明内容
有鉴于此，本发明提供一种外墙保温板粘结效果检测方法、介质和系统，能够解决当前缺乏一种能够快速、全面、无损检测外墙保温系统整体粘结状态的方法。
本发明是这样实现的：
本发明的第一方面提供一种外墙保温板粘结效果检测方法，其中，包括以下步骤：
S10、将外墙保温板划分为多个网格；
S20、获取所述冷热风装置对外墙保温板的每个网格吹风过程中的每个网格的红外录像以及吹风后温度恢复过程的红外录像，分别记为温变红外录像以及温恢红外录像；
S30、提取所述温变红外录像以及温恢红外录像的特征，分别记为温变特征和温恢特征；
S40、在预先训练好的外墙保温板保温效果判定模型中，输送每个网格的温变特征和温恢特征，得到每个网格的保温效果判定结果，以判定结果为不合格的网格记为不佳网格；
S50、获取对每个不佳网格使用固定力度和频率对保温板进行敲打产生的声音信号；
S60、对所述声音信号提取特征得到音频特征，并将所述音频特征与所述温变特征和温恢特征进行注意力机制的融合，得到融合特征；
S70、将所述融合特征输入到预先训练好的外墙保温板粘结效果判定模型，得到每个不佳网格的粘结效果判定结果，并将判定结果为粘结效果不合格的网格输出给运维人员。
在上述技术方案的基础上，本发明的一种外墙保温板粘结效果检测方法还可以做如下改进:
其中，还包括在所述冷热风装置对保温板吹风过程中，实时获取冷热风装置的控制参数，包括温度和吹风时长；并采用遗传算法，根据每个网格的温变特征和温恢特征对冷热风装置的控制参数进行优化的步骤。
其中，还包括根据所述音频特征、温变特征和温恢特征，并采用贝叶斯优化算法，对每个不佳网格的敲打力度和频率参数进行优化的步骤。
进一步的，所述冷热风装置为空调或冷风热风一体化装置，所述冷热风装置支持调节温度和风力、吹风时长的操作。
其中，所述温变特征和温恢特征均为温度变化方面的特征，至少包括温度变化曲线的上升速率、下降速率、最高温度、温度恢复时间。
其中，所述外墙保温板保温效果判定模型采用深度神经网络进行训练，根据大量的人工标注数据学习到将温变特征和温恢特征映射到保温效果评判结果的规律，即训练数据集为根据步骤S10-S30获得的多组外墙保温板的温变特征和温恢特征，及每一组外墙保温板对应的实验检测得到的保温效果数据，其中训练输入为温变特征和温恢特征，训练输出为对应的保温效果数据。
其中，所述S60的具体步骤包括：
首先，对步骤S50获取的声音信号进行特征提取，得到描述声音特征的参数作为音频特征；
然后，将所述音频特征与步骤S30提取的温变特征和温恢特征进行注意力机制融合，生成用于后续粘结效果判定的融合特征。
其中，所述外墙保温板粘结效果判定模型采用深度学习算法进行训练，利用大量的人工标注数据学习将融合特征映射到粘结效果评判的规律，即训练数据集为根据步骤S10-S60获得的多组外墙保温板的融合特征，及每一组外墙保温板对应的实验检测得到的粘结效果数据，其中训练的输入为融合特征，训练是输出为粘结效果数据。
本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行上述的一种外墙保温板粘结效果检测方法。
本发明的第三方面提供一种外墙保温板粘结效果检测系统，其中，包含上述的计算机可读存储介质。
与现有技术相比较，本发明提供的一种外墙保温板粘结效果检测方法、介质和系统的有益效果是：本发明通过将保温板划分为多个网格区域，采集每个网格在加热和降温过程中的温度变化特征以及在人工敲击下产生的声音特征，并结合机器学习模型对这些特征进行全面分析，实现了对保温系统整体粘结状态的准确评估。与现有技术相比，该方法具有以下显著优点:
1. 全面性:传统人工经验判断和局部拉拔试验无法充分反映保温板整体粘结状态，而本发明通过将保温板划分为多个网格区域，采集每个网格的温度和声音特征，能够从整体上评估保温系统的粘结质量，识别出局部存在问题的区域，为后续维修提供全面依据。
2. 精准性:相比红外热成像法对环境温度等因素更敏感，本方案采集的温度变化和声音特征能够更准确地反映保温板与基层之间的粘结状态。通过将温度特征和声音特征进行融合分析，能够更好地区分出粘结不良的具体位置，检测精度更高。
3. 无损性:本方案无需对保温板进行破坏性取样，通过冷热风装置加热降温和人工敲击的方式获取特征数据，避免了拉拔试验中产生的局部损坏，保证了建筑物外观和使用性能的完整性。
4. 智能化:本发明利用机器学习模型对温度和声音特征进行分析，能够自动完成保温效果和粘结质量的评判，减轻了人工判断的主观性和经验依赖性，提高了检测过程的智能化水平。
5. 优化性:本方案在检测过程中实时采集加热/降温参数，并通过遗传算法对这些参数进行优化，确保获取到的温度变化特征更加准确反映保温板的实际状态。同时，还采用贝叶斯优化算法寻找最佳的敲击刺激参数，为后续的粘结效果评判提供更有价值的输入数据。
综上所述，本发明提出的外墙保温板粘结效果检测方法，通过全面、精准、无损的特征采集和智能化的分析评判，能够更好地把握保温系统的整体粘结质量，为建筑物节能性能的维护提供可靠依据。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的方法的流程图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述。
如图1所示，是本发明提供的一种外墙保温板粘结效果检测方法流程图，本方法包括以下步骤：
S10、将外墙保温板划分为多个网格；
S20、获取冷热风装置对外墙保温板的每个网格吹风过程中的每个网格的红外录像以及吹风后温度恢复过程的红外录像，分别记为温变红外录像以及温恢红外录像；
S30、提取温变红外录像以及温恢红外录像的特征，分别记为温变特征和温恢特征；
S40、在预先训练好的外墙保温板保温效果判定模型中，输送每个网格的温变特征和温恢特征，得到每个网格的保温效果判定结果，以判定结果为不合格的网格记为不佳网格；
S50、获取对每个不佳网格使用固定力度和频率对保温板进行敲打产生的声音信号；
S60、对声音信号提取特征得到音频特征，并将音频特征与温变特征和温恢特征进行注意力机制的融合，得到融合特征；
S70、将融合特征输入到预先训练好的外墙保温板粘结效果判定模型，得到每个不佳网格的粘结效果判定结果，并将判定结果为粘结效果不合格的网格输出给运维人员。
S80、还包括在所述冷热风装置对保温板吹风过程中，实时获取冷热风装置的控制参数，包括温度和吹风时长；并采用遗传算法，根据每个网格的温变特征和温恢特征对冷热风装置的控制参数进行优化的步骤；
S90、还包括根据所述音频特征、温变特征和温恢特征，并采用贝叶斯优化算法，对每个不佳网格的敲打力度和频率参数进行优化的步骤。
下面对上述步骤的具体实施方式进行详细描述：
步骤S10的具体实施方式是：将待检测的外墙保温板划分为多个相互独立的矩形网格区域。网格的尺寸大小可根据保温板的实际尺寸和检测的需要而定，例如可以将一块1米×1.5米的保温板划分为15个20厘米×30厘米的小网格。这一步的目的是为了后续的检测和分析提供更细化的数据采集单元。
步骤S20的具体实施方式是：使用冷热风装置对每个网格区域进行加热和降温处理，同时采集红外热成像设备获取的温度变化过程的视频录像数据。具体地，先对保温板进行加热处理，在加热过程中获取温度上升过程的红外视频(即温变红外录像)；然后关闭加热装置，记录温度下降恢复过程的红外视频(即温恢红外录像)。这一步的目的是获取每个网格区域在加热和降温过程中的温度变化特征。
步骤S30的具体实施方式是：对步骤S20获取的温变红外录像和温恢红外录像进行信号处理和特征提取，得到描述温度变化特征的参数。例如，可以提取温度变化曲线的上升速率、下降速率、最高温度、温度恢复时间等作为温变特征和温恢特征。这一步的目的是将原始的红外视频信号转换为可以输入模型进行分析的特征向量。
步骤S40的具体实施方式是：将步骤S30提取的温变特征和温恢特征作为输入，输送到预先训练好的外墙保温板保温效果判定模型中进行推理，得到每个网格区域的保温效果评判结果。该模型可以采用深度神经网络等机器学习算法进行训练，根据大量的标注数据学习到将温变特征和温恢特征映射到保温效果评判结果的规律。如果某个网格区域被判定为保温效果不合格，则将其记录为"不佳网格"。这一步的目的是筛选出需要进一步检测的网格区域。
步骤S50的具体实施方式是：对步骤S40中确定的"不佳网格"进行人工敲击处理，采集由此产生的声音信号。敲击时施加的力度和频率可以事先确定，例如每个网格区域施加3次固定力度(比如5N)和固定频率(比如2Hz)的敲击。这一步的目的是获取每个"不佳网格"在受到外力作用时产生的声音特征。
步骤S60的具体实施方式是：对步骤S50获取的声音信号进行特征提取，得到描述声音特征的参数，如频谱、振幅包络等。然后将这些音频特征与步骤S30提取的温变特征和温恢特征进行注意力机制融合，生成用于后续粘结效果判定的融合特征向量。注意力机制可以自适应地学习不同特征之间的关联性，从而提高特征融合的有效性。这一步的目的是结合温度和声音两方面的特征，更全面地描述每个"不佳网格"的物理状态。
步骤S70的具体实施方式是：将步骤S60生成的融合特征输入到预先训练好的外墙保温板粘结效果判定模型中，得到每个"不佳网格"的粘结效果评判结果。该模型同样可以采用深度学习算法进行训练，利用大量的标注数据学习将融合特征映射到粘结效果评判的规律。如果某个网格被判定为粘结效果不合格，则将其输出给运维人员进行后续处理。这一步的目的是对"不佳网格"进行进一步的粘结效果检测，为后续的维修提供依据。
步骤S80的具体实施方式是：在步骤S20的加热和降温过程中，实时采集冷热风装置的控制参数，包括加热/降温的温度设定值和加热/降温的持续时长等。然后采用遗传算法对这些控制参数进行优化，目标是使每个网格区域的温变特征和温恢特征达到预期的理想值。遗传算法是一种仿生启发式优化算法，通过模拟生物进化的过程，不断迭代更新控制参数，最终找到使所有网格区域的保温效果达到最优的参数组合。这一步的目的是自动调整检测过程中的加热/降温参数，确保获取的温度变化特征更加准确反映保温板的实际状态。
步骤S90的具体实施方式是：结合步骤S50获取的音频特征、步骤S30获取的温变特征和温恢特征，采用贝叶斯优化算法对每个"不佳网格"的敲击力度和频率参数进行优化。贝叶斯优化是一种有效的全局优化算法，它能够在有限的试验次数内找到最优的参数组合。在本方案中，贝叶斯优化的目标是使每个"不佳网格"的声音特征、温变特征和温恢特征与优良网格区域的特征尽可能接近，从而确定出最佳的敲击参数。这一步的目的是寻找出能够更好地反映"不佳网格"粘结状态的敲击刺激参数，为后续的粘结效果评判提供更有价值的数据。
为了更好的理解本发明提供的方法，下面结合具体的公式，对本发明的方法的具体实施方式进行更加详细的描述：
步骤S10的具体实施方式如下：
将待检测的外墙保温板划分为个相互独立的矩形网格区域。设保温板的长度为/>，宽度为/>，则每个网格的尺寸为/>和/>。这样可以得到一个/>的网格矩阵，用于后续的数据采集和分析。
这一步的目的是为了获取更细化的温度变化和声音特征数据，为后续的保温效果和粘结效果评判提供更有价值的输入。通过将保温板划分为多个独立的网格区域，可以更准确地定位不同区域的物理状态，有利于发现局部性的问题，提高检测的灵敏度。网格的尺寸大小可根据保温板的实际尺寸和检测需求而定，通常可以将1米×1.5米的保温板划分为15个20厘米×30厘米的小网格。
步骤S20的具体实施方式如下：
使用冷热风装置对每个网格区域进行加热和降温处理，同时采集红外热成像设备获取的温度变化过程的视频录像数据。具体地，首先对保温板进行加热处理，加热过程中获取温度上升过程的红外视频(即温变红外录像)。加热过程中，可以设定保温板表面的目标温度为，加热时间为/>。加热结束后，关闭加热装置，记录温度下降恢复过程的红外视频(即温恢红外录像)，持续时间为/>。
由此可以得到每个网格区域在加热和降温过程中的温度变化序列，用表示第/>个网格在时刻/>的温度值，其中/>，/>，。
这一步的目的是获取每个网格区域在加热和降温过程中的温度变化特征，为后续的保温效果评判提供基础数据。通过采集整个过程的温度变化信息，可以更全面地描述保温板的热物理性能。
步骤S30的具体实施方式如下：
对步骤S20获取的温变红外录像和温恢红外录像进行信号处理和特征提取，得到描述温度变化特征的参数。具体地，可以提取以下特征:
温变曲线的最高温度：
温变曲线的上升速率：
温恢曲线的下降速率：
温度恢复时间：
以上4个特征构成了每个网格区域的温变特征向量，温恢特征向量；其中，温变特征向量和温恢特征向量内的元素相同，两个向量为每个网格区域的不同属性的变量，其中，温变特征向量代表每个网格区域在通过冷热风装置加热和降温过程中的温度变化，温恢特征向量代表每个网格区域在没有冷热风装置作用下温度自然恢复的变化。
这一步的目的是将原始的红外视频信号转换为可以输入模型进行分析的特征向量。通过提取温度变化曲线的关键参数，可以更好地描述每个网格区域的热物理性能，为后续的保温效果评判提供有效的输入特征。
步骤S40的具体实施方式如下：
将步骤S30提取的温变特征向量和温恢特征向量/>作为输入，输送到预先训练好的外墙保温板保温效果判定模型中进行推理，得到每个网格区域的保温效果评判结果。该模型可以采用深度神经网络等机器学习算法进行训练，根据大量的标注数据学习到将温变特征和温恢特征映射到保温效果评判结果的规律。
设保温效果评判模型为，则可以得到每个网格的保温效果评判结果。若/>，则将该网格区域记为"不佳网格"，其中/>为保温效果合格的阈值，可根据实际情况设定。
这一步的目的是筛选出需要进一步检测的网格区域。通过保温效果评判模型，可以快速判断各个网格区域的保温性能，为后续的粘结效果检测提供针对性的输入。
步骤S50的具体实施方式如下：
对步骤S40中确定的"不佳网格"进行人工敲击处理，采集由此产生的声音信号。设每个"不佳网格"进行次敲击，每次敲击施加固定的力度/>和频率/>。则可以得到第个"不佳网格"的声音信号序列/>，其中表示第/>次敲击产生的声波信号。
这一步的目的是获取每个"不佳网格"在受到外力作用时产生的声音特征，为后续的粘结效果评判提供补充信息。通过人工施加标准的敲击刺激，可以更好地激发保温板与基层之间的粘结状态，从而从声波响应中提取相关的评判特征。敲击力度和频率的选择需要通过实验确定合适的值，以达到较好的区分效果。
步骤S60的具体实施方式如下：
对步骤S50获取的声音信号进行特征提取，得到描述声音特征的参数。具体地，可以提取以下特征:
频谱特征：对进行傅里叶变换，得到频谱能量，其中/>为频谱的离散点数。
振幅包络特征：对进行 Hilbert 变换，得到瞬时振幅。
时域特征：计算的方均根值/>和峰值因子/>。
将上述声音特征与步骤S30提取的温变特征向量和温恢特征向量/>进行注意力机制融合，生成用于后续粘结效果判定的融合特征向量/>。注意力机制可以自适应地学习不同特征之间的关联性，从而提高特征融合的有效性。
设注意力机制函数为，则可以表示为:
这一步的目的是结合温度和声音两方面的特征，更全面地描述每个"不佳网格"的物理状态，为后续的粘结效果评判提供更有价值的输入。通过注意力机制，可以自适应地学习不同感知特征之间的关联，提高特征融合的有效性。
步骤S70的具体实施方式如下：
将步骤S60生成的融合特征向量输入到预先训练好的外墙保温板粘结效果判定模型中，得到每个"不佳网格"的粘结效果评判结果。该模型同样可以采用深度学习算法进行训练，利用大量的标注数据学习将融合特征/>映射到粘结效果评判的规律。
设粘结效果评判模型为，则可以得到第/>个"不佳网格"的粘结效果评判结果/>。若/>，则将该网格区域的粘结效果判定为不合格，并将结果输出给运维人员进行后续处理，其中/>为粘结效果合格的阈值，可根据实际情况设定。
这一步的目的是对"不佳网格"进行进一步的粘结效果检测，为后续的维修提供依据。通过粘结效果评判模型，可以更准确地判断每个网格区域的粘结质量，为维修工作提供针对性的指导。
步骤S80的具体实施方式如下：
在步骤S20的加热和降温过程中，实时采集冷热风装置的控制参数，包括加热/降温的温度设定值、/>和加热/降温的持续时长/>、/>等。然后采用遗传算法对这些控制参数进行优化，目标是使每个网格区域的温变特征向量/>和温恢特征向量/>达到理想的目标值/>和/>。
设优化问题的目标函数为:
；
其中，，，/>，。
遗传算法是一种仿生启发式优化算法，通过模拟生物进化的过程，不断迭代更新控制参数，最终找到使所有网格区域的保温效果达到最优的参数组合。这一步的目的是自动调整检测过程中的加热/降温参数，确保获取的温度变化特征更加准确反映保温板的实际状态。
步骤S90的具体实施方式如下：
结合步骤S50获取的声音信号特征、/>、/>、/>，以及步骤S30获取的温变特征向量/>和温恢特征向量/>，采用贝叶斯优化算法对每个"不佳网格"的敲击力度/>和频率/>进行优化。
设优良网格区域的声音特征为、/>、/>、/>，优良网格区域的温变特征向量为/>，优良网格区域的温恢特征向量为/>。一般的，可以令/>，则优化问题的目标函数可以表示为：
通过贝叶斯优化算法寻找使上述目标函数最小化的敲击力度和频率/>，即可确定出能够更好地反映"不佳网格"粘结状态的敲击参数。
这一步的目的是寻找出能够更好地反映"不佳网格"粘结状态的敲击刺激参数，为后续的粘结效果评判提供更有价值的数据。通过结合声音特征、温度特征，并采用贝叶斯优化算法进行参数调整，可以确保获取的数据更加准确地描述了保温板的实际粘结状态。
本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行上述的一种外墙保温板粘结效果检测方法。
本发明的第三方面提供一种外墙保温板粘结效果检测系统，其中，包含上述的计算机可读存储介质。
具体的，本发明的原理是：通过对保温板表面温度变化特征和受外力作用下声音响应特征的联合分析，实现对保温板与基层间粘结质量的全面评估。具体原理如下:
1. 温度变化特征的采集与分析
将保温板划分为多个网格区域，利用冷热风装置对每个网格进行加热和降温处理，同时采集红外热成像设备获取的温度变化过程的视频数据。通过对温度变化视频数据进行特征提取，可以获得描述每个网格温度上升过程和降温恢复过程的关键参数，如最高温度、上升/下降速率、温度恢复时间等。这些温度变化特征能够反映保温板与基层之间的热传导性能，从而间接反映出两者之间的粘结状态。当粘结良好时，热量能够有效传递，温度变化特征将较为理想;而当局部出现脱落或空鼓时，热量传导受阻，相应网格的温度变化特征将发生异常。
2. 声音响应特征的采集与分析
针对步骤1中确定的"不佳网格"区域，采用人工敲击的方式对保温板表面施加外力，同时采集由此产生的声音信号。通过对声音信号进行频谱分析、振幅包络分析等特征提取，可以获得描述声音响应特征的参数，如频谱能量、瞬时振幅、方均根值、峰值因子等。这些声音响应特征能够反映保温板在受外力作用时的振动特性，从而揭示其与基层之间的粘结情况。当粘结良好时，保温板将表现出较强的刚性，声音响应特征较为集中;而当出现脱落或空鼓时，保温板局部会出现较强的共振，声音响应特征将发生明显变化。
3. 温度特征和声音特征的融合分析
将步骤1和步骤2中提取的温度变化特征和声音响应特征，通过注意力机制的方式进行融合，生成用于后续粘结效果判定的综合特征向量。 注意力机制能够自适应地学习不同感知特征之间的内在联系，提高特征融合的有效性，从而更好地描述保温板与基层之间的粘结状态。将融合特征输入预先训练好的粘结效果判定模型，即可得到每个网格区域的粘结质量评判结果，为后续的维修处理提供依据。
4. 检测过程的优化
在温度变化特征采集过程中，实时采集冷热风装置的控制参数，包括加热/降温温度和持续时长等。采用遗传算法对这些控制参数进行优化，使每个网格区域的温度变化特征达到理想状态，从而确保获取到的特征更加准确地反映保温板的实际状态。同时，还采用贝叶斯优化算法对人工敲击的力度和频率参数进行优化，使每个"不佳网格"的声音特征、温度特征尽可能接近于优良网格区域，为后续的粘结效果评判提供更有价值的输入数据。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。
现以某商业综合体项目的外墙保温系统为例，开展具体的检测实践，建筑外墙采用 100mm 厚聚苯乙烯泡沫保温板进行保温。根据施工图纸，保温板的尺寸为 1m×1.5m。
为全面评估该保温系统的粘结质量，将 1m×1.5m 的保温板划分为 15 个 20cm×30cm 的小网格区域，共计 225 个网格。然后采用本发明提出的检测方法，对保温板的温度变化特征和声音响应特征进行采集和分析，具体步骤如下:
步骤 1:温度变化特征采集
使用功率为 5kW 的冷热风装置，对每个网格区域进行加热和降温处理。加热过程中，保温板表面温度设定值 ，加热时长 />;降温过程中，温度设定值 />，时长 />。在此过程中，采用 FLIR A655sc 红外热成像仪记录每个网格区域的温度变化过程，获得温变红外录像和温恢红外录像。
对获取的温度变化视频数据进行分析，提取出每个网格的关键温度特征参数，具体包括:
温变曲线的最高温度
温变曲线的上升速率
温恢曲线的下降速率
温度恢复时间
其中， 表示第 /> 行第 /> 列的网格区域。通过对比分析每个网格区域的温度变化特征，可以初步判断出保温板与基层之间的粘结质量。
步骤 2:声音响应特征采集
针对步骤 1 中判定为"不佳网格"的区域，使用手持式冲击锤对保温板表面进行敲击，每个网格区域施加 3 次 5N 力度、2Hz 频率的敲击。同时使用测振传感器记录由此产生的声音信号。
对获取的声音信号进行分析，提取出以下特征参数:
频谱能量 ， 其中 />
瞬时振幅 ， 其中 />
方均根值
峰值因子
这些声音响应特征能够反映保温板在受外力作用时的振动特性，进而揭示其与基层之间的粘结状态。
步骤 3:温度特征和声音特征的融合
将步骤 1 和步骤 2 中提取的温度变化特征向量 、/> 以及声音特征 />、、/>、/> 通过注意力机制进行融合，生成用于粘结效果判定的综合特征向量 />。
注意力机制函数 的具体形式如下:
其中， 利用多头注意力机制自适应地学习不同感知特征之间的关联性，提高特征融合的有效性。
步骤 4:粘结效果评判
将步骤 3 中得到的融合特征 输入预先训练好的粘结效果判定模型 />，得到每个网格区域的粘结质量评判结果 />。
该判定模型同样采用深度学习算法进行训练，利用大量的标注数据学习将融合特征映射到粘结效果评判的规律。根据实际经验，设定粘结效果合格的阈值 ， 低于该阈值的网格区域将被判定为粘结质量不合格。
步骤 5:检测参数优化
在温度变化特征采集过程中，实时获取冷热风装置的控制参数，包括加热温度、加热时长 />，以及降温温度 />、降温时长。
然后采用遗传算法对这些参数进行优化，目标是使每个网格区域的温变特征和温恢特征/>尽可能接近于目标值/>和/>。
遗传算法的优化过程包括:
1)初始化加热/降温参数的种群， 种群规模为 20， 个体编码为实数编码;
2)计算每个个体的适应度， 适应度函数为;
3)采用锦标赛选择的方式选择优秀个体进行交叉变异操作， 交叉概率 0.8， 变异概率 0.1;
4)迭代 50 代后输出优化结果。
通过遗传算法的优化， 最终获得的加热/降温控制参数为:， />，， />。
步骤 6:敲击参数优化
对步骤 4 中判定为粘结质量不合格的"不佳网格"区域，采用贝叶斯优化算法寻找最佳的敲击力度 和敲击频率 />， 使其声音特征和温度特征尽可能接近于优良网格区域的特征。
贝叶斯优化算法的优化目标函数为:
；
其中， ，， />， />，， /> 表示优良网格区域的特征参数。
通过贝叶斯优化的迭代， 最终获得的敲击力度和频率为 ，。
步骤 7:结果输出
经过上述 6 个步骤的检测和优化，得到了该商业综合体外墙保温系统的整体粘结质量评估结果:
1)经过保温效果判定， 有 15 个网格区域被评定为"不佳网格"。这些网格主要分布在建筑东南角和西北角的局部位置，占总网格数的 6.7%。
2)对这 15 个"不佳网格"进行声音响应检测和粘结效果评判， 有 8 个网格的粘结质量被判定为不合格， 占比达到 53.3%。这些问题区域主要集中在建筑东南角。
3)通过遗传算法优化加热/降温参数， 以及贝叶斯优化敲击刺激参数， 检测过程中获取的温度变化特征和声音响应特征能够更加准确地反映保温板的实际状态。
根据上述检测结果，向建设单位提出以下维修建议:
对东南角 8 个粘结质量不合格的网格区域， 建议进行局部保温板重粘施工， 确保该区域保温系统的长期稳定性。
对其他 7 个"不佳网格"区域，虽然综合评判结果尚在合格范围， 但仍需加强监测和定期检查，及时发现并修复潜在的问题。
优化后的加热/降温参数和敲击刺激参数，可作为后续常规检测的标准， 以确保获取到的特征数据更加准确、可靠。
经过 2 个月的维修施工， 该商业综合体东南角 8 个网格区域的保温板已全部重新粘结。于半年后对整个保温系统进行了复检，结果显示:
1)之前判定为"不佳网格"的 15 个网格区域， 温度变化特征和声音响应特征均已大幅改善。
2)经过粘结修复的 8 个网格， 其粘结质量评判结果全部合格。
3)整个保温系统的综合粘结质量达到 94.2%， 远高于初次检测时的 86.7%。
通过对比初次检测和复检的结果， 可以看出本发明提出的外墙保温板粘结效果检测方法， 能够准确定位出保温系统存在的问题区域， 为针对性的维修提供可靠依据。同时， 通过优化检测过程的参数， 也进一步提高了检测结果的准确性和可靠性。因此， 该方法具有较强的实用性， 可有效保障建筑物外墙保温系统的长期性能。
Claims (10)
1.一种外墙保温板粘结效果检测方法，其特征在于，包括以下步骤：
S10、将外墙保温板划分为多个网格；
S20、获取冷热风装置对外墙保温板的每个网格吹风过程中的每个网格的红外录像以及吹风后温度恢复过程的红外录像，分别记为温变红外录像以及温恢红外录像；
S30、提取所述温变红外录像以及温恢红外录像的特征，分别记为温变特征和温恢特征；
S40、在预先训练好的外墙保温板保温效果判定模型中，输送每个网格的温变特征和温恢特征，得到每个网格的保温效果判定结果，以判定结果为不合格的网格记为不佳网格；
S50、获取对每个不佳网格使用固定力度和频率对保温板进行敲打产生的声音信号；
S60、对所述声音信号提取特征得到音频特征，并将所述音频特征与所述温变特征和温恢特征进行注意力机制的融合，得到融合特征；
S70、将所述融合特征输入到预先训练好的外墙保温板粘结效果判定模型，得到每个不佳网格的粘结效果判定结果，并将判定结果为粘结效果不合格的网格输出给运维人员。
2.根据权利要求1所述的一种外墙保温板粘结效果检测方法，其特征在于，还包括在所述冷热风装置对保温板吹风过程中，实时获取冷热风装置的控制参数，包括温度和吹风时长；并采用遗传算法，根据每个网格的温变特征和温恢特征对冷热风装置的控制参数进行优化的步骤。
3.根据权利要求1所述的一种外墙保温板粘结效果检测方法，其特征在于，还包括根据所述音频特征、温变特征和温恢特征，并采用贝叶斯优化算法，对每个不佳网格的敲打力度和频率参数进行优化的步骤。
4.根据权利要求1或2所述的一种外墙保温板粘结效果检测方法，其特征在于，所述冷热风装置为空调或冷风热风一体化装置，所述冷热风装置支持调节温度和风力、吹风时长的操作。
5.根据权利要求1所述的一种外墙保温板粘结效果检测方法，其特征在于，所述温变特征和温恢特征均为温度变化方面的特征，至少包括温度变化曲线的上升速率、下降速率、最高温度、温度恢复时间。
6.根据权利要求1所述的一种外墙保温板粘结效果检测方法，其特征在于，所述外墙保温板保温效果判定模型采用深度神经网络进行训练，训练数据集为根据步骤S10-S30获得的多组外墙保温板的温变特征和温恢特征，及每一组外墙保温板对应的实验检测得到的保温效果数据，其中训练输入为温变特征和温恢特征，训练输出为对应的保温效果数据。
7.根据权利要求1所述的一种外墙保温板粘结效果检测方法，其特征在于，所述S60的具体步骤包括：
首先，对步骤S50获取的声音信号进行特征提取，得到描述声音特征的参数作为音频特征；
然后，将所述音频特征与步骤S30提取的温变特征和温恢特征进行注意力机制融合，生成用于后续粘结效果判定的融合特征。
8.根据权利要求1所述的一种外墙保温板粘结效果检测方法，其特征在于，所述外墙保温板粘结效果判定模型采用深度学习算法进行训练，训练数据集为根据步骤S10-S60获得的多组外墙保温板的融合特征，及每一组外墙保温板对应的实验检测得到的粘结效果数据，其中训练的输入为融合特征，训练是输出为粘结效果数据。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行权利要求1-8任一项所述的一种外墙保温板粘结效果检测方法。
10.一种外墙保温板粘结效果检测系统，其特征在于，包含权利要求9所述的计算机可读存储介质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410578325.1A CN118152988B (zh) | 2024-05-11 | 2024-05-11 | 一种外墙保温板粘结效果检测方法、介质和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410578325.1A CN118152988B (zh) | 2024-05-11 | 2024-05-11 | 一种外墙保温板粘结效果检测方法、介质和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118152988A true CN118152988A (zh) | 2024-06-07 |
| CN118152988B CN118152988B (zh) | 2024-07-12 |
Family
ID=91297131
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410578325.1A Active CN118152988B (zh) | 2024-05-11 | 2024-05-11 | 一种外墙保温板粘结效果检测方法、介质和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118152988B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110441394A (zh) * | 2019-08-08 | 2019-11-12 | 上海市建筑科学研究院 | 基于声音指标的既有外墙外保温系统检测方法 |
| CN112557511A (zh) * | 2021-02-20 | 2021-03-26 | 建研建材有限公司 | 一种建筑外墙无损检测方法、装置及系统 |
| WO2021135030A1 (zh) * | 2019-12-31 | 2021-07-08 | 杭州耳青聪科技有限公司 | 听力阈值和/或听力状态检测系统及方法 |
| WO2024006514A1 (en) * | 2022-06-30 | 2024-01-04 | Google Llc | Distance based sound separation using machine learning models |
| CN117783208A (zh) * | 2023-11-15 | 2024-03-29 | 广西永正工程质量检测有限公司 | 一种房屋建筑外墙检测方法及装置 |
| CN117809164A (zh) * | 2023-12-29 | 2024-04-02 | 国网山东省电力公司聊城供电公司 | 基于多模态融合的变电站设备故障检测方法及系统 |
-
2024
- 2024-05-11 CN CN202410578325.1A patent/CN118152988B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110441394A (zh) * | 2019-08-08 | 2019-11-12 | 上海市建筑科学研究院 | 基于声音指标的既有外墙外保温系统检测方法 |
| WO2021135030A1 (zh) * | 2019-12-31 | 2021-07-08 | 杭州耳青聪科技有限公司 | 听力阈值和/或听力状态检测系统及方法 |
| CN112557511A (zh) * | 2021-02-20 | 2021-03-26 | 建研建材有限公司 | 一种建筑外墙无损检测方法、装置及系统 |
| WO2024006514A1 (en) * | 2022-06-30 | 2024-01-04 | Google Llc | Distance based sound separation using machine learning models |
| CN117783208A (zh) * | 2023-11-15 | 2024-03-29 | 广西永正工程质量检测有限公司 | 一种房屋建筑外墙检测方法及装置 |
| CN117809164A (zh) * | 2023-12-29 | 2024-04-02 | 国网山东省电力公司聊城供电公司 | 基于多模态融合的变电站设备故障检测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 王俊伟;陈洋;赵鸿;周云;金桂华;: "建筑外墙敲击声音振动特征分析", 住宅科技, no. 01, 31 January 2013 (2013-01-31) * |
| 王卓琳;张东波;蒋利学;陈溪;李勇生;张永群;: "基于声学信号的无机保温砂浆外墙外保温系统缺陷检测试验研究", 施工技术, no. 09, 15 May 2020 (2020-05-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118152988B (zh) | 2024-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ciulla et al. | Building energy performance forecasting: A multiple linear regression approach | |
| Yang et al. | A novel model-based fault detection method for temperature sensor using fractal correlation dimension | |
| Yu et al. | A decision tree method for building energy demand modeling | |
| Duan et al. | Automatic model calibration: A new way to improve numerical weather forecasting | |
| CN1106543C (zh) | 监控室外热交换器盘管的系统 | |
| Afroz et al. | Prediction of indoor temperature in an institutional building | |
| CN112182720B (zh) | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 | |
| CN109738512A (zh) | 基于多物理场融合的无损检测系统及方法 | |
| Barnston et al. | Evaluation of IRI’s seasonal climate forecasts for the extreme 15% tails | |
| CN110245443A (zh) | 一种基于映射函数的多类型输出仿真模型可信度综合评估方法 | |
| Buratti et al. | Thermal comfort evaluation within non-residential environments: Development of Artificial Neural Network by using the adaptive approach data | |
| CN109635382A (zh) | 基于改进支持向量机钢筋混凝土简支梁火灾损伤识别方法 | |
| CN114200839B (zh) | 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 | |
| CN114676822A (zh) | 一种基于深度学习的多属性融合空气质量预报方法 | |
| CN116308958A (zh) | 基于移动终端的碳排放在线检测预警系统及方法 | |
| CN110555235A (zh) | 基于向量自回归模型的结构局部缺陷检测方法 | |
| Singaravel et al. | Component-based machine learning modelling approach for design stage building energy prediction: weather conditions and size | |
| CN117553404A (zh) | 一种提高大型水冷中央空调系统能效的方法及系统 | |
| CN109494716A (zh) | 基于Bootstrap的风电输出功率置信区间预测方法 | |
| Yi et al. | Integrating neural network models with computational fluid dynamics (CFD) for site-specific wind condition | |
| CN118152988B (zh) | 一种外墙保温板粘结效果检测方法、介质和系统 | |
| Yan et al. | Forecasting building energy demand under uncertainty using gaussian process regression: Feature selection, baseline prediction, parametric analysis and a web-based tool | |
| KR20220146158A (ko) | 일사량 예측 장치 및 그 방법 | |
| JP4434905B2 (ja) | プロセス管理装置 | |
| CN114022724A (zh) | 基于风格迁移的生成对抗网络的管道病害图像数据增强方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 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 |