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

1.本发明属于自动检测技术领域，具体涉及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。


背景技术：

2.随着我国沿海经济的迅速发展和海洋资源开发力度的加大，沿海码头、平台、桥梁、隧道等基础建设日益增多，然而在海底隧道、跨海大桥等所处的严酷的腐蚀环境下如何保证钢筋混凝土结构耐久性(使用寿命)是当前亟需解决的重大问题[1]。首先，海水中含有的大量氯离子是导致混凝土中钢筋锈蚀的主要原因。其次，海洋波浪、潮起潮落不仅会对构筑物造成冲击载荷，而且干湿交替作用会加速钢筋锈蚀。第三，海雾湿度较大且携带大量氯离子，其加速了氯离子向混凝土的侵蚀过程，造成混凝土的进一步碳化。
[0003]
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。
[0004]
为了保证海洋工程长寿命服役，各国科学家从海洋环境下钢筋混凝土结构劣化机理与耐久性设计、高耐久混凝土、耐久性监测与评估、防护和修复等方面开展工作，其中，海洋环境下混凝土结构耐久性监测是动态评估工程项目服役寿命最直接、最有效的方法，并为后期防护与修复提供有效的性能参数。
[0005]
本发明中采用宏电池传感器与霍尔元件监测系统采集腐蚀特征数据，宏电池传感器监测系统通过测量阳极钢筋腐蚀后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数模，进一步确定钢筋的锈蚀程度；内置的温度传感器，可感知测量混凝土内部环境温度，而霍尔元件则采集锈蚀产物对永磁体所产生的磁场进行影响后的磁感应强度。
[0006]
现阶段存在的问题是钢筋混凝土结构内部环境为参数对宏电池测得的电化学参数会产生一定影响，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。
[0007]
因此，利用已获得分类样本的数据，使用改进后的量子粒子群-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自动识别算法来解决上述问题。


技术实现要素：

[0008]
针对现有技术中存在的上述技术问题，本发明提出了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，设计合理，克服了现有技术的不足，具有良好的效果。
[0009]
为了实现上述目的，本发明采用如下技术方案：
[0010]
一种用于评估钢筋混凝土受损程度的智能监测系统，包括宏电池传感器信号采集
模块、霍尔电压信号采集模块、控制电路模块、gprs无线数据通信模块、上位机软件系统模块以及量子粒子群-神经网络算法模型模块；
[0011]
宏电池传感器信号采集模块，被配置为用于采集包括钢筋混凝土结构发生腐蚀现象时的电压、电流、数模在内的腐蚀特征数据；
[0012]
霍尔电压信号采集模块，被配置为采集磁感应强度腐蚀特征数据；
[0013]
控制电路模块，被配置为用于对宏电池传感器信号采集模块与霍尔元件信号采集模块采集腐蚀特征数据进行处理；
[0014]
gprs无线数据通信模块，被配置为用于将腐蚀特征数据打包发送至物联网平台；
[0015]
上位机软件系统模块，被配置为用于读取物联网平台接收到的腐蚀特征数据；
[0016]
量子粒子群-神经网络算法模型模块，被配置为用于对接收到的腐蚀特征数据进行自动分类；
[0017]
宏电池传感器信号采集模块与霍尔元件信号采集模块采集腐蚀特征数据，送到控制电路模块进行处理，然后通过gprs无线数据通信模块将数据打包发送至物联网平台，上位机软件系统模块通过mqtt协议读取物联网平台接收到的腐蚀特征数据，通过量子粒子群-神经网络算法模型模块，对收集到的数据根据以往破损实验进行人工标定腐蚀程度，建立包含为钢筋未腐蚀、轻度腐蚀及重度腐蚀三种状态的数据集；利用开发的量子粒子群-神经网络模型对数据集进行训练，将训练好的模型嵌入上位机软件系统模块，实现对钢筋腐蚀状态的实时监测。
[0018]
优选地，控制电路模块包括ad5933数模转换芯片，通过数模转换芯片对钢筋混凝土结构进行扫频，控制电路模块对扫频后的输出信号进行离散傅里叶变换，计算其实部和虚部。
[0019]
优选地，该智能监测系统还包括8通道adg708多路开关；控制电路模块通过控制8通道adg708多路开关的通道切换，来分时实现对宏电池传感器信号采集模块的7路开路电压、7路短路电流、各阳极间6路交流数模信号以及1路温度信号，共22个特征数据的采集。
[0020]
优选地，控制电路模块包括温度传感器，温度传感器使用pt1000热电阻，其采用三线制接法消除引线线路电阻带来的测量误差，提高测量精度。
[0021]
优选地，利用永磁体、硅钢片、钢筋形成闭合的稳定磁场，钢筋锈蚀后其锈蚀产物会对该磁场的磁感应强度的时空分布产生影响，霍尔电压信号采集模块则检测该闭合磁场在钢筋腐蚀过程中磁感应强度的变化，并将采集的霍尔电压信号腐蚀特征数据送到控制电路模块进行数模转换。
[0022]
优选地，控制电路模块将采集到的模拟量腐蚀特征数据通过数模转换芯片转化为数字信号，每次数据采集在相同时间间隔下采集10次，去掉极值后进行均值滤波后转为rs485信号，将数据汇总到控制电路模块内部的flash存储单元，并通过rs485通讯协议传输给gprs无线数据通信模块，gprs无线数据通信模块通过mqtt协议向物联网平台发送处理好的腐蚀数据；随后进入低功耗模式下等待下一次采集。
[0023]
优选地，gprs无线数据通信模块，包括m26通信模块；其通过rs485通讯协议进行数据的接收，后通过mqtt协议将数据发送至物联网平台。
[0024]
优选地，上位机软件系统模块，包括物联网链接模块、串口通信模块、数据保存与显示模块、绘图模块以及腐蚀评估模块；上位机软件系统模块通过串口通信模块与gprs无
线数据通信模块进行通信，并基于mqtt协议，通过物联网链接模块链接到物联网平台，接收现场发送的腐蚀特征数据通过数据保存与显示模块保存到本地存储中，之后更新显示的腐蚀数据并通过绘图模块对历史数据进行会绘图，最后根据嵌入的腐蚀评估模块预测钢筋混凝土结构损伤程度。
[0025]
优选地，量子粒子群-神经网络算法模型模块，根据腐蚀特征数据进行智能分类步骤如下：
[0026]
步骤s1：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和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路数模值、1路温度值和1路霍尔电压值共22个数据的特征向量；
[0027]
步骤s2：数据预处理，因测得的腐蚀电压、电流、数模、温度、霍尔电压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，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”；
[0028]
步骤s3：搭建神经网络模型结构，输入层为22维度的腐蚀特征向量，通过多层隐藏层的特征提取后，在输出层输出对腐蚀状态的评估；在神经网络正式开始反向传播训练前，通过量子粒子群在解空间中以量子的方式对网络框架的初始权值及阈值进行搜寻；以网络各层的权值及阈值作为粒子的位置信息，以蒙特卡洛法模拟粒子概率出现在某位置的迭代方式；在种群全局平均最优位置的指引下，各粒子结合自身状态进行位置更新，在有限的迭代次数里，种群粒子对整个解空间进行快速的全局搜索，确定最优的神经网络初始权值及阈值；
[0029]
步骤s4：神经网络采用反向梯度传播的方式对数据集进行训练，输入层与隐藏层的激活函数采用relu函数，输出层的激活函数采用softmax激活函数，迭代器使用adam迭代，损失函数使用交叉熵损失函数；
[0030]
步骤s5：对量子粒子群模块-神经网络模型进行训练仿真。
[0031]
此外，本发明还提到一种用于评估钢筋混凝土受损程度的智能监测方法，该方法采用如权利要求1所述的用于评估钢筋混凝土受损程度的智能监测系统，具体包括如下步骤：
[0032]
步骤1：通过宏电池传感器信号采集模块与霍尔元件信号采集模块采集腐蚀特征数据，送至控制电路模块进行处理；
[0033]
步骤2：控制电路模块将采集到的模拟量腐蚀特征数据通过数模转换芯片转化为数字信号，每次数据采集在相同时间间隔下采集10次，去掉极值后进行均值滤波后转为rs485信号，将数据汇总到控制电路模块内部的flash存储单元，并通过rs485通讯协议传输给gprs无线数据通信模块；
[0034]
步骤3：gprs无线数据通信模块通过rs485通讯协议进行数据的接收，通过mqtt协议向物联网平台发送处理好的腐蚀数据；
[0035]
步骤4：上位机软件系统模块通过mqtt协议读取物联网平台接收到的腐蚀特征数据；
[0036]
步骤5：通过量子粒子群-神经网络算法模型模块，对收集到的数据根据以往破损实验进行人工标定腐蚀程度，建立包含为钢筋未腐蚀、轻度腐蚀及重度腐蚀三种状态的数
据集；利用开发的量子粒子群-神经网络模型对数据集进行训练，将训练好的模型嵌入上位机软件系统模块，实现对钢筋腐蚀状态的实时监测。
[0037]
本发明所带来的有益技术效果：
[0038]
本发明通过上述方法实现了对钢筋腐蚀状态的智能评估，避免了主观判断对腐蚀预测的影响，并较传统神经网络分类算法有效提高了分类准确率。
附图说明
[0039]
图1为本发明所提供的钢筋腐蚀状态智能监测方案整体系统构造框图。
[0040]
图2为本发明所提供的神经网络框架图。
[0041]
图3为本发明实施例算法准确率仿真图。
具体实施方式
[0042]
下面结合附图以及具体实施方式对本发明作进一步详细说明：
[0043]
实施例1
[0044]
如图1所示，一种用于评估钢筋混凝土受损程度的智能监测系统，包括宏电池传感器信号采集模块、霍尔电压信号采集模块、控制电路模块、gprs无线数据通信模块、上位机软件系统模块以及量子粒子群-神经网络算法模型模块；
[0045]
宏电池传感器信号采集模块，被配置为用于采集包括钢筋混凝土结构发生腐蚀现象时的电压、电流、数模在内的腐蚀特征数据；
[0046]
霍尔电压信号采集模块，被配置为采集霍尔电压腐蚀特征数据；
[0047]
控制电路模块，被配置为用于对宏电池传感器信号采集模块与霍尔元件信号采集模块采集腐蚀特征数据进行处理；
[0048]
gprs无线数据通信模块，被配置为用于将腐蚀特征数据打包发送至物联网平台；
[0049]
上位机软件系统模块，被配置为用于读取物联网平台接收到的腐蚀特征数据；
[0050]
量子粒子群-神经网络算法模型模块，被配置为用于对接收到的腐蚀特征数据进行自动分类；
[0051]
宏电池传感器信号采集模块与霍尔元件信号采集模块采集腐蚀特征数据，送到控制电路模块进行处理，然后通过gprs无线数据通信模块将数据打包发送至物联网平台，上位机软件系统模块通过mqtt协议读取物联网平台接收到的腐蚀特征数据，通过量子粒子群-神经网络算法模型模块，对收集到的数据根据以往破损实验进行人工标定腐蚀程度，建立包含为钢筋未腐蚀、轻度腐蚀及重度腐蚀三种状态的数据集；利用开发的量子粒子群-神经网络模型对数据集进行训练，将训练好的模型嵌入上位机软件系统模块，实现对钢筋腐蚀状态的实时监测。
[0052]
控制电路模块包括ad5933数模转换芯片，通过数模转换芯片对钢筋混凝土结构进行扫频，控制电路模块对扫频后的输出信号进行离散傅里叶变换，计算其实部和虚部。
[0053]
该智能监测系统还包括8通道adg708多路开关；控制电路模块通过控制8通道adg708多路开关的通道切换，来分时实现对宏电池传感器信号采集模块的7路开路电压、7路短路电流、各阳极间6路交流数模信号以及1路温度信号，共22个特征数据的采集。
[0054]
控制电路模块包括温度传感器，温度传感器使用pt1000热电阻，其采用三线制接
法消除引线线路电阻带来的测量误差，提高测量精度。
[0055]
利用永磁体、硅钢片、钢筋形成闭合的稳定磁场，钢筋锈蚀后其锈蚀产物会对该磁场的磁感应强度的时空分布产生影响，霍尔电压信号采集模块则检测该闭合磁场在钢筋腐蚀过程中磁感应强度的变化，并将采集的霍尔电压信号腐蚀特征数据送到控制电路模块进行数模转换。
[0056]
控制电路模块将采集到的模拟量腐蚀特征数据通过数模转换芯片转化为数字信号，每次数据采集在相同时间间隔下采集10次，去掉极值后进行均值滤波后转为rs485信号，将数据汇总到控制电路模块内部的flash存储单元，并通过rs485通讯协议传输给gprs无线数据通信模块，gprs无线数据通信模块通过mqtt协议向物联网平台发送处理好的腐蚀数据；随后进入低功耗模式下等待下一次采集。
[0057]
gprs无线数据通信模块，包括m26通信模块；其通过rs485通讯协议进行数据的接收，后通过mqtt协议将数据发送至物联网平台。
[0058]
上位机软件系统模块，包括物联网链接模块、串口通信模块、数据保存与显示模块、绘图模块以及腐蚀评估模块；上位机软件系统模块通过串口通信模块与gprs无线数据通信模块进行通信，并基于mqtt协议，通过物联网链接模块链接到物联网平台，接收现场发送的腐蚀特征数据通过数据保存与显示模块保存到本地存储中，之后更新显示的腐蚀数据并通过绘图模块对历史数据进行会绘图，最后根据嵌入的腐蚀评估模块预测钢筋混凝土结构损伤程度。
[0059]
量子粒子群-神经网络算法模型模块，根据腐蚀特征数据进行智能分类步骤如下：
[0060]
步骤s1：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和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路数模值、1路温度值和1路霍尔电压值共22个数据的特征向量；
[0061]
步骤s2：数据预处理，因测得的腐蚀电压、电流、数模、温度、霍尔电压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，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”；
[0062]
例如第1路电压数据，确定数据集中整个第1路电压数据的最大值与最小值，归一化公式：
[0063]
上式中，i＝1，2，
…
，22为22个特征值的序号；xi为样本数据中特征i的原始数值；为样本数据中特征i的原始数值；分别为样本数据中特征i的最小值、最大值；为进行归一化处理后的特征i的值；
[0064]
使用keras.utils.to_categorical函数将类别标签转化为独热编码，如将“未腐蚀”，“轻度腐蚀”，“重度腐蚀”标签转化为方便计算机处理的二元编码“[1 0 0]，[0 0 1],[0 1 0]”；
[0065]
步骤s3：搭建神经网络模型结构，输入层为22维度的腐蚀特征向量，通过多层隐藏层的特征提取后，在输出层输出对腐蚀状态的评估；在神经网络正式开始反向传播训练前，通过量子粒子群在解空间中以量子的方式对网络框架的初始权值及阈值进行搜寻；以网络各层的权值及阈值作为粒子的位置信息，以蒙特卡洛法模拟粒子概率出现在某位置的迭代方式；在种群全局平均最优位置的指引下，各粒子结合自身状态进行位置更新，在有限的迭
代次数里，种群粒子对整个解空间进行快速的全局搜索，确定最优的神经网络初始权值及阈值；具体为：
[0066]
(1)输入层神经元个数为腐蚀特征的维度，输出层神经元个数为预测类别个数，根据公式确定隐藏僧神经元个数。
[0067]
(2)确定神经网络框架后，对量子粒子群的种群进行初始化。设置种群粒子数量；将输入层与隐藏层的初始权重矩阵、阈值和隐藏层与输出层的初始权重矩阵、阈值全部转为一维向量并按照顺序拼接成一条一维数据，将其作为种群中一个粒子的初始位置信息，其余粒子按照相同维度进行基于高斯分布的随机初始化；初始化粒子历史左右位置与适应度及种群最优位置与适应度。
[0068]
(3)单个粒子将其位置信息解析为各层权值及阈值，通过神经网络框架对数据集进行预测，记录各粒子预测误差作为粒子当前位置对应的适应度。
[0069]
(4)单个粒子根据收敛因子、种群最优位置、粒子历史最优位置确定该粒子当前的吸引点，种群中每个粒子都进行各自吸引点的计算；
[0070]
(5)利用改进的量子粒子群平均最优位置计算公式计算整个种群的最优吸引点，利用量子粒子的更新迭代公式计算每个粒子下一次出现的位置，既下一次的权重与阈值解，重复(4)、(5)，直至达到设定的迭代次数或者达到设定的适应度，退出迭代，确定神经网路各层初始权重和阈值；
[0071]
(6)将确定的初始权重和阈值输入到神经网络框架中，将腐蚀特征向量x作为量子粒子群-神经网络模块的输入，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；
[0072]
(7)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；
[0073]
(8)relu激活函数表达式：relu＝max(0,x)；
[0074]
(9)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)
[0075]
(10)经过relu激活后输出f2(x)，即表达式：f2(x)＝r(f
21
(x))；
[0076]
(11)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)
；
[0077]
(12)f3(x)＝s(h(x))，将h(x)经过softmax函数激活后输出为f3(x)；
[0078]
(13)softmax激活函数表达式：
[0079]
(14)用l表示损失函数，
[0080]
步骤s4：神经网络采用反向梯度传播的方式对数据集进行训练，输入层与隐藏层的激活函数采用relu函数，输出层的激活函数采用softmax激活函数，迭代器使用adam迭代，损失函数使用交叉熵损失函数进行梯度更新，训练次数为500次。
[0081]
步骤s5：对量子粒子群模块-神经网络模型进行训练仿真。
[0082]
实施例2：
[0083]
本发明还提到一种用于评估钢筋混凝土受损程度的智能监测方法，具体包括如下步骤：
[0084]
步骤1：通过宏电池传感器信号采集模块与霍尔元件信号采集模块采集腐蚀特征数据，送至控制电路模块进行处理；
[0085]
步骤2：控制电路模块将采集到的模拟量腐蚀特征数据通过数模转换芯片转化为数字信号，每次数据采集在相同时间间隔下采集10次，去掉极值后进行均值滤波后转为rs485信号，将数据汇总到控制电路模块内部的flash存储单元，并通过rs485通讯协议传输给gprs无线数据通信模块；
[0086]
步骤3：gprs无线数据通信模块通过rs485通讯协议进行数据的接收，通过mqtt协议向物联网平台发送处理好的腐蚀数据；
[0087]
步骤4：上位机软件系统模块通过mqtt协议读取物联网平台接收到的腐蚀特征数据；
[0088]
步骤5：通过量子粒子群-神经网络算法模型模块，对收集到的数据根据以往破损实验进行人工标定腐蚀程度，建立包含为钢筋未腐蚀、轻度腐蚀及重度腐蚀三种状态的数据集；利用开发的量子粒子群-神经网络模型对数据集进行训练，将训练好的模型嵌入上位机软件系统模块，实现对钢筋腐蚀状态的实时监测。
[0089]
图2为本发明所提供的神经网络框架图。
[0090]
图3为本发明实施例算法准确率仿真图。
[0091]
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。