一种施工现场室外管道保温效果监测系统的制作方法

本发明属于施工现场室外管道保温，具体而言，涉及一种施工现场室外管道保温效果监测系统。

背景技术：

1、施工现场管道保温效果的监测是确保工程质量和安全运行的关键环节。在城市供热、石油化工、发电厂等众多领域，都需要大量管道用于输送热流体或低温介质。由于温差较大，管道外壁极易结露、结冰，进而影响保温层性能，导致能量损失和安全隐患。因此，对管道的保温效果进行实时监测至关重要。

2、目前，施工现场对管道保温效果的监测主要采用以下几种技术手段：

3、1.红外热像仪测温

4、该方法通过探测管道外壁热辐射，推算出内部温度分布。由于外壁温度受环境温度、辐射率等多种因素影响，使用该方法往往存在较大误差，只能对温差较大的管道进行粗略判断。另一方面，红外热像仪设备价格昂贵，现场操作也较为复杂。

5、2.局部测温

6、该方法在管道上开设若干小孔，采用温度传感器从内部对管道温度进行采样，再通过内插算法估算整个管道温度场。然而，开孔易损坏管道本身，且测量点较少，内插精度有限。同时，该方法无法探测到管壁内部结露及结冰情况。

7、3.室内模拟测试

8、该方法在实验室条件下，针对特定管道结构和工况，构建理论模型或数值模拟模型，预测该类管道在现场使用时的保温性能。但由于实际工况极其复杂，很难通过简单的模型准确反映实际情况，结果与现场情况差距较大。

9、上述几个现有技术由都难以在不破坏室外管道条件下对管道内部的微结冰现象进行监测，难以实现对于管道保温效果的监测。

技术实现思路

1、有鉴于此，本发明提供一种施工现场室外管道保温效果监测系统，能够解决现有技术由存在难以在不破坏室外管道条件下对管道内部的微结冰现象进行监测，难以实现对于管道保温效果的监测的技术问题。

2、本发明是这样实现的：

3、本发明的第一方面提供一种施工现场室外管道保温效果监测系统，其中，包括超声波发生器、超声波传感器、振动发生器、振动传感器以及监控摄像头和上位机，所述超声波发生器用于设置在管道一端的内部，所述超声波传感器设置在管道另一端的内部，所述超声波发生器的输出端以及所述超声波接收器的采集端均与所述管道内壁抵接，所述监控摄像头用于拍摄所述管道的外壁图像；所述上位机与所述超声波发生器、超声波传感器、振动发生器、振动传感器以及监控摄像头电连接，用于设置所述超声波发生器、振动发生器的生成的信号参数以及载波信号，以及用于获取所述超声波传感器采集的接收超声信号、振动传感器采集的接收振动信号以及监控摄像头用于拍摄所述管道的外壁图像；所述上位机内设置有管道保温效果监测模块以及管道内微结冰监测模块。

4、在上述技术方案的基础上，本发明的一种施工现场室外管道保温效果监测系统还可以做如下改进:

5、其中，所述管道保温效果监测模块用于根据所述外壁图像计算保温效果指数，具体执行以下步骤：

6、s11、获取多组管道的施工参数，获取管道的结构、尺寸、材料，作为参数特征；

7、s12、获取多组管道内不同温度下对应的管道外壁历史图像，提取不同温度下的管道外壁纹理特征、亮度特征、颜色特征以及光线反射特征；

8、s13、对所述参数特征、纹理特征、亮度特征、颜色特征以及光线反射特征进行融合，得到第一融合特征；

9、s14、采用多组管道内不同温度下对应的第一融合特征作为训练数据，训练一个神经网络模型，得到保温效果评估模型，其中，训练的输入为所述第一融合特征，训练的输出为管道内温度；

10、s15、获取待测管道的参数特征及管道外壁的当前图像，进行特征融合，得到第一待测融合特征；

11、s16、利用所述保温效果评估模型，输入所述第一待测融合特征得到一个量化管道内壁温度范围并输出给运维人员。

12、其中，所述s11的具体步骤包括：获取多组已建设的管道样本，对每组管道样本的结构参数、尺寸参数和材料参数进行测量和记录，例如管道的长度、外径、壁厚、管段数量、材质成分等，将这些参数作为该组管道样本的参数特征向量；在获取足够多的管道样本及其对应的参数特征向量后，用于后续的特征融合和模型训练；该步骤旨在收集管道本身的先验参数信息，为后续估计保温效果提供基础数据支持。

13、所述s12的具体步骤包括：首先对上述获取的管道样本进行控温实验，即在不同的管道内温度下，使用监控摄像头对管道外壁拍摄多张图像；然后对这些外壁图像进行图像预处理，包括去噪、增强对比度等，以提高图像质量；接下来，提取每组图像中管道外壁的纹理特征、亮度特征、颜色特征和光线反射特征；该步骤旨在从管道外壁图像中提取与保温效果相关的视觉特征，为后续模型训练提供数据支持。

14、所述s13的具体步骤包括：将步骤s11中获取的参数特征向量和步骤s12中获取的多组融合特征向量进行特征级融合；具体来说，先对参数特征向量和融合特征向量分别进行标准化处理，然后将它们进行拼接，得到最终的第一融合特征向量；该步骤旨在将管道参数信息和视觉信息进行有效融合，为模型训练提供高质量的输入特征。

15、所述s14的具体步骤包括：将上一步得到的第一融合特征向量作为输入特征，管道内温度作为输出标签，构建神经网络模型进行监督学习；神经网络模型采用前馈网络、卷积网络或其他深度学习结构，在训练过程中，采用随机梯度下降等优化算法，以最小化网络输出与真实温度标签之间的损失函数，不断调整网络参数；训练过程设置早停策略，防止模型过拟合，并对模型进行交叉验证；该步骤旨在基于第一融合特征向量，学习出一个能够精准评估管道保温效果的神经网络模型。

16、所述s15的具体步骤包括：获取待测管道的参数特征向量，采集该管道当前的外壁图像，并提取相应的视觉特征向量，然后将参数特征向量和视觉特征向量按步骤s13的方式进行特征级融合，得到第一待测融合特征向量；该步骤旨在对待测管道进行特征提取和融合，为后续模型预测做好准备。

17、所述s16的具体步骤包括：将步骤s15中得到的第一待测融合特征向量输入到步骤s14中训练好的保温效果评估模型，即神经网络模型；该神经网络模型输出一个温度值或温度区间，作为对该管道保温效果的量化评估结果；若该温度值或温度区间与实际管道内壁温度的差值超过预设阈值，则判定该管道的保温效果较差；该步骤旨在利用训练好的神经网络模型，对待测管道的保温效果进行智能评估，为运维人员提供重要决策依据。

18、其中，所述管道内微结监测模块用于根据所述外壁图像、所述接收超声信号、所述接收振动信号计算管道内微结冰的位置和冰块尺寸，具体执行以下步骤：

19、s21、建设管道有限元模型，计算所述超声信号和所述振动信号不同频率和振幅下的传播衰减，并得到传播衰减最小的超声波信号参数和振动信号参数；

20、s22、利用得到的传播衰减最小的超声波信号参数和振动信号参数设置所述超声波发生器和所述振动发生器，并获取待测管道的参数特征及管道外壁的当前图像，以及所述接收信号和所述接收振动信号；

21、s23、对所述接收超声信号进行预处理，得到目标超声信号；对所述振动信号进行预处理后，删除由于管道内流体流动造成的振动，仅保留由所述直接由所述振动发生器发出的振动信号的接收到的部分，得到目标振动信号；

22、s24、提取所述目标超声信号和所述目标振动信号的时频特征，并融合为第二待测融合特征；

23、s25、将所述第一待测融合特征和所述待测第二融合特征进行参数约束的融合，得到待测特征；

24、s26、利用预先训练好的微结冰检测模型，输入所述待测特征，得到表示管道内微结冰位置和尺寸的特征向量，并输出给运维人员。

25、其中，所述s21的具体步骤包括：首先建立管道的精细有限元模型，该模型能够准确描述管道的几何结构、材料属性等参数；然后，基于该有限元模型，通过数值模拟的方法，计算超声波信号和振动信号在不同频率和振幅下在管道内的传播特性，通过对比不同参数组合下的模拟结果，找到使得传播衰减最小的最优超声波和振动信号参数组合；该步骤旨在确定能够获得最佳传播特性的超声波和振动信号参数，为后续信号检测提供理论指导。

26、所述s22的具体步骤包括：利用步骤s21中得到的最优超声波和振动信号参数，对实际的超声波发生器和振动发生器进行参数设置；同时获取待测管道的结构参数、尺寸参数和材料参数，作为特征向量输入；另一方面，通过监控摄像头采集当前该管道的外壁图像；然后，从超声波传感器和振动传感器接收端分别获取经过管道传播后的接收超声信号和接收振动信号；该步骤旨在按照理论最优参数对实际系统进行设置，并获取现场的图像数据和传感器信号数据，为后续处理做好准备工作。

27、所述s23的具体步骤包括：对步骤s22中获取的接收超声信号进行预处理，以提取出纯净的目标超声信号；预处理可包括去噪、滤波、背景信号去除等环节；同样地，对接收振动信号也进行预处理，去除由于管道内流体流动等因素引起的噪声振动，仅保留由振动发生器发出的目标振动信号；该步骤旨在从原始接收信号中提取出真实反映管道内部状态的有效信号成分，为后续特征提取和模式识别奠定基础。

28、所述s24的具体步骤包括：对步骤s23中得到的目标超声信号和目标振动信号分别进行时频特征提取；对于超声波信号，采用短时傅里叶变换、小波变换等时频分析方法，提取出信号的时间-频率能量分布图，作为时频特征向量；对于振动信号，采用类似的时频分析方法，得到相应的时频特征向量；此外，还提取一些统计特征；将超声波和振动信号的多个时频特征向量进行融合，即可得到融合的第二待测融合特征向量；该步骤旨在将接收到的超声波和振动信号转化为易于模型识别的特征向量形式，为后续模型预测做好准备。

29、所述s25的具体步骤包括：将步骤s15中得到的第一待测融合特征向量和步骤s24中得到的第二待测融合特征向量进行参数约束融合；具体来说，利用步骤s11中获取的管道参数特征向量，根据管道材料的声学和热学特性，设计一个基于物理模型的特征融合函数，将该函数对第一待测融合特征向量和第二待测融合特征向量进行非线性变换，得到最终的待测特征向量；该步骤旨在将管道结构参数及其物理属性与图像和信号特征进行有效融合，提高后续模型预测的准确性。

30、其中，所述微结冰检测模型训练的具体步骤包括：在实验室条件下构建模拟环境，制造出不同形状、尺寸的管道结冰现象，并利用专业检测设备对结冰位置和尺寸进行精确测量，作为标注数据；按照发明的方法，在这些管段上采集相应的图像数据和传感器信号数据，与结冰标注数据关联后，构建出初始训练数据集；对训练数据进行预处理，提取输入特征向量和输出标签；设计深度神经网络模型，采用编码器-解码器框架，通过大量训练样本的迭代学习，该模型能够自动从输入特征中学习微结冰的关键模式，并映射到合理的输出预测上；训练得到的模型可实现对管道内微结冰状况的精准检测。

31、与现有技术相比较，本发明提供的一种施工现场室外管道保温效果监测系统的有益效果是：本发明的技术方案通过融合管道结构参数、图像视觉信息和超声波/振动信号等多源异构数据，构建了神经网络模型，实现了对管道保温层绝热效果和管道内部微结冰情况的同步检测与评估。该方法利用视觉传感器(监控摄像头)从管道外观捕获保温层的图像纹理、颜色等视觉特征；利用声学传感器(超声波发射接收装置、振动发生器和振动传感器)获取信号在管道内的传播衰减特征，间接反映了保温材料的性能；同时利用管道的结构参数、材质等先验信息，多源数据融合后输入到神经网络模型中。通过大量标注数据训练，该模型能够自动挖掘多模态数据之间的内在映射关系，智能评估管道保温效果，并检测出管道内是否存在微小的结冰区域。，具有以下特点：

32、1.检测手段多元化、数据融合

33、本发明方法采用视觉传感器、声学传感器等多种检测手段，获取外观图像、超声波/振动传感信号等多源异构数据，通过有效融合，能够全面反映管道内外的各种状况，更加准确评估保温效果。视觉数据能直接反映外壁的纹理、颜色等视觉特征，而声学数据则能够间接探测到信号在管道内的传播衰减情况。两种数据相互补充，共同揭示保温层的绝热性能。同时通过引入管道本身的先验结构参数，使融合数据更加丰富，适用范围更加广泛。综合利用多源异构数据，避免了单一数据源带来的局限性，显著提升了检测的全面性和准确性。

34、2.检测分辨率高、智能化水平高

35、该方法利用深度学习技术训练神经网络模型，能够自动从多源数据中学习到复杂的内在特征映射关系，从而对保温效果进行精细化评估，同时实现了微观尺度上对管道内微结冰区域的智能检测。神经网络具备强大的特征表示与模式识别能力，可充分挖掘融合数据的内涵，大幅提升了检测的分辨率和智能化水平。目前基于经验或人工规则进行检测和判断的传统方式，往往面临特征工程复杂、泛化性差的困境，而本方案完全可以避免这些问题。

36、综上所述，本发明解决现有技术由存在难以在不破坏室外管道条件下对管道内部的微结冰现象进行监测，难以实现对于管道保温效果的监测的技术问题。