箱梁生产的喷淋养护系统及方法与流程

1.本发明涉及箱梁技术领域，具体地说，涉及一种箱梁生产的喷淋养护系统及方法。


背景技术：

2.箱梁是高架桥梁建设的一种结构形式，通常采用现浇施工的方法。现浇施工方法中，混凝土的养护有利于保证混凝土的强度和结构稳定。目前，对箱梁梁面的蓄水养护主要是通过人工注水，人工巡视，人工添加水的方法，无法做到精准的控制注水量，不能保证养护阶段各个位置的水位都达到要求。


技术实现要素：

3.为达到上述目的，本发明公开了一种箱梁生产的喷淋养护系统及方法。
4.一种箱梁生产的喷淋养护系统，包括布置于箱梁梁面上的隔水带和液位传感器，布置于箱梁生产现场的光照传感器和温度传感器和具有开关阀门的注水装置，还包括控制，以及后台管理系统；所述液位传感器用于监测水位高度，当低于设定值时，控制器控制阀门开关自动打开，到达安全水位时停止注水；所述光照传感器用于获取箱梁生产现场的光照强度，所述温度传感器用于获取箱梁生产现场的温度，后台管理系统用于根据水位的历史数据，所述光照强度的历史数据以及所述温度的历史数据，对注水量进行调整。
5.作为优选的实施方式，后台管理系统包括水位单元、预测单元和校正单元，所述水位单元用于接收存储水位的数据，并根据水位的数据计算得到注水量的实时数据；所述预测单元用于根据光照强度的历史数据、温度的历史数据和注水量的历史数据，获得注水量的预测值；校正单元，用于根据注水量的预测值和注水量的实时数据获得偏差值，并将偏差值传输给控制器，利用控制器对注水量进行调整。
6.作为优选的实施方式，所述预测单元用于根据光照强度的历史数据、温度的历史数据和注水量的历史数据，获得注水量的预测值，包括：将光照强度的历史数据、温度的历史数据和注水量的历史数据作为训练集，输入至卷积神经网络模型，训练所述卷积神经网络模型，得到训练好的卷积神经网络模型；将光照强度的实时数据、温度的实时数据和注水量的实时数据输入至训练好的卷积神经网络模型，获得注水量的预测值。
7.作为优选的实施方式，所述卷积神经网络模型的卷积层包含并行的多个卷积核，每个卷积核对应一个训练通道，每个训练通道用于预测一个特征数据；将训练集输入所述卷积神经网络模型，根据每个训练通道独立训练直至满足各自的收敛条件；通过损失函数计算卷积神经网络模型的预测结果与实际数据之间的偏差；计算关于卷积核权重的梯度并对迭代训练过程中的卷积核权重进行更新，进而迭代训练卷积神经网络模型，得到包含多个训练通道的训练好的卷积神经网络模型。
8.作为优选的实施方式，后台管理系统包括还包括查询单元，通过箱梁编号和时间范围查询箱梁历史水养数据。
9.作为优选的实施方式，还包括控制终端，所述控制终端与后台管理系统通信连接。
10.一种箱梁生产的喷淋养护方法，包括以下步骤：在箱梁梁面上布置隔水带和液位传感器，在箱梁生产现场布置光照传感器和温度传感器和具有开关阀门的注水装置；利用所述液位传感器用于监测水位高度，当低于设定值时，控制器控制阀门开关自动打开，到达安全水位时停止注水；利用所述光照传感器获取箱梁生产现场的光照强度，利用温度传感器获取箱梁生产现场的温度，利用后台管理系统根据水位的历史数据，所述光照强度的历史数据以及所述温度的历史数据，对注水量进行调整。
11.作为优选的实施方式，后台管理系统包括水位单元、预测单元和校正单元，所述水位单元用于接收存储水位的数据，并根据水位的数据计算得到注水量的实时数据；所述预测单元用于根据光照强度的历史数据、温度的历史数据和注水量的历史数据，获得注水量的预测值；校正单元，用于根据注水量的预测值和注水量的实时数据获得偏差值，并将偏差值传输给控制器，利用控制器对注水量进行调整。
12.作为优选的实施方式，所述预测单元用于根据光照强度的历史数据、温度的历史数据和注水量的历史数据，获得注水量的预测值，包括：将光照强度的历史数据、温度的历史数据和注水量的历史数据作为训练集，输入至卷积神经网络模型，训练所述卷积神经网络模型，得到训练好的卷积神经网络模型；将光照强度的实时数据、温度的实时数据和注水量的实时数据输入至训练好的卷积神经网络模型，获得注水量的预测值。
13.作为优选的实施方式，后台管理系统包括还包括查询单元，通过箱梁编号和时间范围查询箱梁历史水养数据。
14.本发明的工作原理和有益效果为：利用液位传感器监测水位高度，进而控制注水量，并利用所述光照传感器获取箱梁生产现场的光照强度，利用温度传感器获取箱梁生产现场的温度，利用后台管理系统对注水量进行调整，从而使得注水量的控制更加精准，保证养护阶段各个位置的水位都达到要求，养护的更好。
附图说明
15.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
16.图1为本发明提供的箱梁生产的喷淋养护方法的流程示意图。
具体实施方式
17.下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
18.本发明实施例提供了一种箱梁生产的喷淋养护系统，包括布置于箱梁梁面上的隔水带和液位传感器，布置于箱梁生产现场的光照传感器和温度传感器和具有开关阀门的注水装置，还包括控制，以及后台管理系统；所述液位传感器用于监测水位高度，当低于设定值时，控制器控制阀门开关自动打开，到达安全水位时停止注水；所述光照传感器用于获取箱梁生产现场的光照强度，所述温度传感器用于获取箱梁生产现场的温度，后台管理系统
用于根据水位的历史数据，所述光照强度的历史数据以及所述温度的历史数据，对注水量进行调整。
19.上述实施例利用液位传感器监测水位高度，进而控制注水量，并利用所述光照传感器获取箱梁生产现场的光照强度，利用温度传感器获取箱梁生产现场的温度，利用后台管理系统对注水量进行调整，从而使得注水量的控制更加精准，保证养护阶段各个位置的水位都达到要求，养护的更好。
20.其中，隔水带采用任意隔水材料制成，可安装于箱梁梁面的四周。液位传感器可采用现有传感器，例如静压投入式液位变送器(液位计)等，可安装于箱梁梁面上。注水装置可采用现有的喷淋设备。光照传感器和温度传感器可布置于箱梁梁面的上方或四周等。
21.为了进一步对注水量进行调整，作为优选的实施方式，后台管理系统包括水位单元、预测单元和校正单元，所述水位单元用于接收存储水位的数据，并根据水位的数据计算得到注水量的实时数据；所述预测单元用于根据光照强度的历史数据、温度的历史数据和注水量的历史数据，获得注水量的预测值；校正单元，用于根据注水量的预测值和注水量的实时数据获得偏差值，并将偏差值传输给控制器，利用控制器对注水量进行调整。
22.利用预测单元，根据根据光照强度的历史数据、温度的历史数据和注水量的历史数据，可对注水量进行预测，然后对注水量进行实时的调整。预测单元可采用预测模型进行预测，或者建立关系对照表进行预测。
23.在其中一个优选实施方式中，所述预测单元用于根据光照强度的历史数据、温度的历史数据和注水量的历史数据，获得注水量的预测值，包括：将光照强度的历史数据、温度的历史数据和注水量的历史数据作为训练集，输入至卷积神经网络模型，训练所述卷积神经网络模型，得到训练好的卷积神经网络模型；将光照强度的实时数据、温度的实时数据和注水量的实时数据输入至训练好的卷积神经网络模型，获得注水量的预测值。所述卷积神经网络模型的卷积层包含并行的多个卷积核，每个卷积核对应一个训练通道，每个训练通道用于预测一个特征数据；将训练集输入所述卷积神经网络模型，根据每个训练通道独立训练直至满足各自的收敛条件；通过损失函数计算卷积神经网络模型的预测结果与实际数据之间的偏差；计算关于卷积核权重的梯度并对迭代训练过程中的卷积核权重进行更新，进而迭代训练卷积神经网络模型，得到包含多个训练通道的训练好的卷积神经网络模型。
24.根据天气情况(光照强度和温度)对注水量进行预测，提高了水位调控的准确度。在对注水量进行预测时，采用的神经网络模型为事先经过大量的不同天气条件下的养护参数大数据训练收敛的。利用卷积神经网络模型进行预测，可提高预测的精准性。卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。与其它神经网络算法类似，由于使用梯度下降算法进行学习，卷积神经网络的输入特征需要进行标准化处理。具体地，在将学习数据输入卷积神经网络前，需在通道或时间/频率维对输入数据进行归一化。通过损失函数评价模型的预测值和真实值不一样的程度,且损失函数可采用现有函数，损失函数越好，通常模型的性能越好。
25.后台管理系统包括还包括查询单元，通过箱梁编号和时间范围查询箱梁历史水养数据，方便数据追溯。还包括控制终端，所述控制终端与后台管理系统通信连接。通过控制
终端可接收箱梁生产现场的喷淋养护情况，也可对喷淋养护进行远程控制。
26.如图1所示，本发明实施例还提供了一种箱梁生产的喷淋养护方法，包括以下步骤：在箱梁梁面上布置隔水带和液位传感器，在箱梁生产现场布置光照传感器和温度传感器和具有开关阀门的注水装置；利用所述液位传感器用于监测水位高度，当低于设定值时，控制器控制阀门开关自动打开，到达安全水位时停止注水；利用所述光照传感器获取箱梁生产现场的光照强度，利用温度传感器获取箱梁生产现场的温度，利用后台管理系统根据水位的历史数据，所述光照强度的历史数据以及所述温度的历史数据，对注水量进行调整。
27.上述实施例提供的喷淋养护方法，利用液位传感器监测水位高度，进而控制注水量，并利用所述光照传感器获取箱梁生产现场的光照强度，利用温度传感器获取箱梁生产现场的温度，利用后台管理系统对注水量进行调整，从而使得注水量的控制更加精准，保证养护阶段各个位置的水位都达到要求，养护的更好。
28.后台管理系统包括水位单元、预测单元和校正单元，所述水位单元用于接收存储水位的数据，并根据水位的数据计算得到注水量的实时数据；所述预测单元用于根据光照强度的历史数据、温度的历史数据和注水量的历史数据，获得注水量的预测值；校正单元，用于根据注水量的预测值和注水量的实时数据获得偏差值，并将偏差值传输给控制器，利用控制器对注水量进行调整。
29.利用预测单元，根据根据光照强度的历史数据、温度的历史数据和注水量的历史数据，可对注水量进行预测，然后对注水量进行实时的调整。预测单元可采用预测模型进行预测，或者建立关系对照表进行预测。
30.所述预测单元用于根据光照强度的历史数据、温度的历史数据和注水量的历史数据，获得注水量的预测值，包括：将光照强度的历史数据、温度的历史数据和注水量的历史数据作为训练集，输入至卷积神经网络模型，训练所述卷积神经网络模型，得到训练好的卷积神经网络模型；将光照强度的实时数据、温度的实时数据和注水量的实时数据输入至训练好的卷积神经网络模型，获得注水量的预测值。
31.根据天气情况(光照强度和温度)对注水量进行预测，提高了水位调控的准确度。在对注水量进行预测时，采用的神经网络模型为事先经过大量的不同天气条件下的养护参数大数据训练收敛的。利用卷积神经网络模型进行预测，可提高预测的精准性。卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。与其它神经网络算法类似，由于使用梯度下降算法进行学习，卷积神经网络的输入特征需要进行标准化处理。具体地，在将学习数据输入卷积神经网络前，需在通道或时间/频率维对输入数据进行归一化。通过损失函数评价模型的预测值和真实值不一样的程度,且损失函数可采用现有函数，损失函数越好，通常模型的性能越好。
32.后台管理系统包括还包括查询单元，通过箱梁编号和时间范围查询箱梁历史水养数据，方便数据追溯。还包括控制终端，所述控制终端与后台管理系统通信连接。通过控制终端可接收箱梁生产现场的喷淋养护情况，也可对喷淋养护进行远程控制。
33.显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或
变动仍处于本发明创造的保护范围之中。