一种沥青运料过程温度监测方法及系统
本发明涉及道路施工技术领域，具体是一种沥青运料过程温度监测方法及系统。
背景技术：
由于沥青是一种粘弹性材料，沥青的各种参数和性能受温度影响的程度较大，特别是沥青混合料用于摊铺碾压成型时的温度会直接影响到沥青路面的摊铺和压实质量。温度较高时可以用较少的碾压次数得到较高的密实度和较好的压实效果，但碾压温度过高会产生横向裂纹或路面推移凹凸不平，在使用过程中，易因车辆行驶形成坑槽；而碾压温度过低，沥青混合料的流动性太差，路面难以压实，容易形成较大空隙导致水分渗入，降低粘结力使沥青从表面剥落，使沥青易与大气接触，加速老化，影响路面使用寿命。
目前路面摊铺施工中，控制沥青用料温度的方法是，在拌合站进行拌合时，使出料时的沥青温度比实际使用温度高出20℃左右，以克服在运料途中的热量损失。但是现有的沥青运输过程中，并没有任何手段监测沥青温度，会出现沥青摊铺和初步碾压时的温度并没有达到使用要求的情况。
传统测量沥青温度的方法一种是使用探针等接触式传感器直接手动测量，这种测量方式通常是随机选取一些点，进行抽查，只能得到某点处的温度，既不能测得较深处的沥青温度，也无法得到沥青温度的衰减情况，所能反映的沥青温度分布信息有限。另一种是将接触式传感器安装在车斗内固定位置，接触式传感器实时测量温度数据，但实际上运料车装卸沥青混合料的受力可达到三吨，接触式传感器无法承受此力，极易损坏接触式传感器或出现位置偏移，导致测量不准。
综上所述，本发明提出的沥青运料过程温度监测方法能够实现沥青混合料的无接触式实时监测。
技术实现要素：
针对现有技术的不足，本发明拟解决的技术问题是，提供一种沥青运料过程温度监测方法及系统。
本发明解决所述技术问题的技术方案是：
一种沥青运料过程温度监测方法，其特征在于，该方法包括以下步骤：
步骤一、采集多组数据，每组数据包括风速、气温、沥青混合料向外辐射温度和各个测温点处的沥青混合料实际温度这四种参数；
步骤二、构建温度监测模型；
(1)数据标准化处理：将步骤一采集的数据进行标准化处理，将标准化后的数据以组为单位划分训练集和测试集；
(2)设计bp神经网络模型：bp神经网络输入层节点数为四个，分别为沥青混合料向外辐射温度、气温、风速以及有无保温材料；bp神经网络的输出层节点数为一个，即沥青混合料实际温度；bp神经网络包含一个隐含层；
(3)训练bp神经网络模型；
(4)测试bp神经网络模型；
步骤三、利用步骤二得到的温度监测模型进行沥青混合料运输过程中的温度监测。
步骤一的具体过程是：
利用非接触式红外温度探测仪采集沥青混合料向外辐射温度，风速传感器采集风速，温度计采集气温；将运料车斗划分为多个区域，每个区域至少有一个接触式温度探针采集温度；将接触式温度探针竖直插入沥青混合料的二分之一深度处，利用接触式温度探针上的多个测温点采集不同深度处的温度，即沥青混合料实际温度；数据采集仪以固定采样频率实时同步记录和保存沥青混合料向外辐射温度和沥青混合料实际温度。
每个测温点处均构建一个温度监测模型，实际应用时通过调用所有测温点处的温度监测模型，对每个测温点进行温度监测，得到整体的温度分布状况，实现车斗内沥青混合料的整体监测；或者通过调用某个区域内所有测温点处的温度监测模型，实现对这一区域的重点监测；或者通过调用某个测温点处的温度监测模型，实现对该测温点处的重点监测。
步骤二中，有无保温材料以0/1形式输入，有保温材料则输入1，无保温材料则输入0。
本发明还提供一种沥青运料过程温度监测系统，其特征在于，该系统包括智能处理设备、数据采集仪、非接触式红外温度探测仪、接触式温度探针、风速传感器和温度计；
所述数据采集仪与智能处理设备通信，非接触式红外温度探测仪和接触式温度探针均与数据采集仪连接；非接触式红外温度探测仪采集沥青混合料向外辐射温度；接触式温度探针插入沥青混合料中，用于采集沥青混合料的实际温度，数据采集仪将采集的数据传输至智能处理设备；风速传感器和温度计用于采集风速和天气气温，并将采集的数据传输至智能处理设备。
所述接触式温度探针包括不锈钢钢管和数据传输线，数据传输线内自上而下等间距布置多个数字温度传感器芯片，数据传输线和不锈钢钢管钢管之间填充有隔热材料，多个数字温度传感器芯片均置于数据传输线内部，数字温度传感器芯片用于测量沥青混合料的温度，每个数字温度传感器芯片的位置即为一个测温点，故接触式温度探针上分布有多个测温点。
所述接触式温度探针的探头采用尖头设计，探针尾部设置有耐高温手握把手，手握把手与不锈钢钢管上端通过螺栓固定，同时进行加固处理，热熔胶密封固定。
所述智能处理设备为云端服务器或上位机，智能处理设备通过无线传输模块与数据采集仪、风速传感器、温度计通信。
风速传感器为三杯式风速传感器，温度计为电子温度计。
该系统还包括接收设备；所述接收设备为平板电脑或手机或车载终端。
与现有技术相比，本发明的有益效果在于：
1、本发明的方法通过温度监测模型建立了沥青混合料向外辐射的温度与实际温度之间的关系，实际应用时非接触式红外温度探测仪采集沥青混合料向外辐射的温度，经过温度监测模型后，得到测温点处沥青混合料的实际温度，实现运输过程中无接触式智能监测，解决了沥青混合料运料过程中温度不易测量的问题，填补沥青混合料运输过程温度监测的空白。
2、本发明在各个测温点处均构建了温度监测模型，实际应用时，可以调用所有测温点处的温度监测模型，对每个测温点进行温度监测，实现车斗内沥青混合料的整体监测，得到整体的温度分布状况；或者调用某个区域内所有测温点处的温度监测模型，实现对这一区域的重点监测；或者调用某个测温点处的温度监测模型，实现对某点处的重点监测。
3、根据本发明采集的温度参数得到沥青混合料的温度衰减情况，为运料车的调度、沥青混合料运输过程保温方案的研究、质量追溯等提供依据，节约人力物力，降低了施工成本。
4、本发明的沥青运料过程温度监测系统可以接入现有的施工管理系统，施工管理系统通常包括沥青生产质量监控模块、沥青运输监控模块、摊铺碾压智能监控模块等，即可形成生产全过程的智能施工管理系统。
5、非接触式红外温度探测仪通过强磁安装在车斗上，不需要与沥青混合料直接接触，因此可以有效降低非接触式红外温度探测仪损坏概率，延长使用寿命。
6、本发明的接触式温度探针采用不锈钢钢管构成，刚度大，不易变形，能做成大尺寸的探针，且适用于沥青混合料运输过程中使用，探针能顺利不变形的插入沥青中，同时把手的加固设计，又能使探针在运输结束时方便拔出，使用方便。每个探针中均包含高度方向上的多个测温点，能同时测量同一位置不同深度处的温度。
附图说明
图1为本发明的方法整体流程图；
图2为本发明的实施例中接触式温度探针的测量状态图；
图3为本发明的实施例中运料车车斗的区域划分示意图；
图4为本发明的系统的控制框图；
图中，1、智能处理设备；2、数据采集仪；3、非接触式红外温度探测仪；4、接触式温度探针；5、风速传感器；6、温度计；7、接收设备；8、运料车。
具体实施方式
下面给出本发明的具体实施例，具体实施例仅用于进一步详细说明本发明的技术方案，不限制本申请的保护范围。
本发明为一种沥青运料过程温度监测方法(简称方法，参见图1-3)，包括以下步骤：
步骤一、采集多组数据，每组数据包括风速、气温、沥青混合料向外辐射温度和各个测温点处的沥青混合料实际温度这四种参数；
步骤二、构建温度监测模型；
(1)数据标准化处理：将步骤一采集的数据进行标准化处理，将标准化后的数据以组为单位划分训练集和测试集；
(2)设计bp神经网络模型：bp神经网络输入层节点数为四个，分别为沥青混合料向外辐射温度、气温、风速以及有无保温材料；bp神经网络的输出层节点数为一个，即沥青混合料实际温度；bp神经网络包含一个隐含层；
(3)训练bp神经网络模型；
(4)测试bp神经网络模型；
步骤三、利用步骤二得到的温度监测模型进行沥青混合料运输过程中的温度监测。
步骤一的具体过程是：
利用非接触式红外温度探测仪采集沥青混合料向外辐射温度，风速传感器采集风速，温度计采集气温；将运料车斗划分为多个区域，每个区域至少有一个接触式温度探针采集温度；将接触式温度探针竖直插入沥青混合料的二分之一深度处，利用接触式温度探针上的多个测温点采集沥青混合料不同深度处的温度，即沥青混合料实际温度；
数据采集仪以固定采样频率实时同步记录和保存沥青混合料向外辐射温度和沥青混合料实际温度。
每个测温点处均构建一个温度监测模型，实际应用时，通过调用所有测温点处的温度监测模型，对每个测温点进行温度监测，得到整体的温度分布状况，实现车斗内沥青混合料的整体监测；或者通过调用某个区域内所有测温点处的温度监测模型，实现对这一区域的重点监测；或者通过调用某个测温点处的温度监测模型，实现对该测温点处的重点监测。
步骤二中，有无保温材料以0/1形式输入，有保温材料则输入1，无保温材料则输入0。
本发明的沥青运料过程温度监测系统(简称系统，参见图4)，包括智能处理设备1、数据采集仪2、非接触式红外温度探测仪3、接触式温度探针4、风速传感器5、温度计6和接收设备7；
所述数据采集仪2放置在运料车8上，且与智能处理设备1通信，非接触式红外温度探测仪3和接触式温度探针4均与数据采集仪2连接；非接触式红外温度探测仪3通过强磁铁吸附在运料车8的车斗上，检测端位于沥青混合料温度辐射的区域内，用于采集沥青混合料向外辐射的温度；接触式温度探针4掺入沥青混合料中，用于采集沥青混合料的实际温度，数据采集仪2将采集的数据传输至智能处理设备1；
风速传感器5和温度计6均安装在沥青拌合站或施工现场，用于采集风速和天气气温，风速传感器5和温度计6的采集频率均为0.5h/次，并将测量数据实时传输给智能处理设备1。
所述智能处理设备1为云端服务器或上位机，智能处理设备通过4g传输模块与数据采集仪、风速传感器、温度计通信。
所述接触式温度探针4包括不锈钢钢管和数据传输线，数据传输线内自上而下等间距布置多个数字温度传感器芯片，数据传输线和不锈钢钢管钢管之间填充有隔热材料，多个数字温度传感器芯片均置于数据传输线内部，数字温度传感器芯片用于测量沥青混合料的温度，每个数字温度传感器芯片的位置即为一个测温点，因此接触式温度探针上分布有多个测温点。
所述接触式温度探针4的探头采用尖头设计，探针尾部设置有耐高温手握把手，手握把手与不锈钢钢管上端通过螺栓固定，同时进行加固处理，热熔胶密封固定。
由于同一时间风速和气温在同一地区内差别较小，因此将风速传感器5和温度计6安装在沥青拌合站或施工现场，用于获取实时的风速数据和气温数据。风速传感器5为三杯式风速传感器，温度计6为电子温度计。
所述接收设备7为平板电脑、手机或车载终端等电子设备，能够接收智能处理设备1传输的指令。
本发明的沥青运料过程温度监测系统的工作原理和流程是：
非接触式红外温度探测仪3、接触式温度探针4、风速传感器5、温度计6采集的数据实时传输至智能处理设备1，智能处理设备1对所有的数据进行存储并分析处理，得到沥青混合料向外辐射的温度和实际温度，并将分析结果传送至接收设备1，告知沥青混合料的温度情况，以便司机灵活安排卸料。
沥青运料过程温度监测系统也可以接入现有的施工管理系统，施工管理系统通常包括沥青生产质量监控模块、沥青运输监控模块、摊铺碾压智能监控模块等，即可形成生产全过程的智能施工管理系统。
实施例
本实施例的沥青运料过程温度监测方法，包括以下步骤：
步骤一、利用温度监测系统采集数据，包括风速、气温、沥青混合料向外辐射温度和沥青混合料实际温度；
非接触式红外温度探测仪3安装在车斗的前侧壁上，其测量端距离沥青混合料表面12cm，用于采集沥青混合料向外辐射温度；风速传感器5采集风速，温度计6采集气温；
将运料车8的车斗俯视图近似看作一个矩形，以矩形的两条中线为基准将车斗平分4个区域(从运料车斗俯视图上看)；每个区域有一个接触式温度探针4采集温度；接触式温度探针4由上至下间隔设有多个测温点，将接触式温度探针4竖直插入沥青混合料中，利用各个测温点采集沥青混合料不同深度处的温度，即沥青混合料实际温度；
由于沥青混合料越接近车斗侧壁的位置，温度降低越快，为了确保运输至施工场地的沥青混合料温度符合施工标准，接触式温度探针插入沥青混合料的位置应该靠近车斗侧壁，至少有一个接触式温度探针插入的位置与所在区域的车斗侧壁的距离为0.1倍车斗宽度；
由于越靠近沥青混合料的表面温度下降越快，但是表面的温度下降是难以避免的，此部分沥青所占比例极小，并且下降速度过快不具有代表性，因此直接测量沥青混合料的表面温度代表性不足，要对沥青混合料内部取测点来进行温度测量；沥青混合料由内部向四周呈辐射状向外散失热量，因此沥青混合料温度衰减情况近似为以沥青混合料的上、下平分面为基准对称分布，故接触式温度探针需要插入沥青混合料的二分之一深度处；本实施例的接触式温度探针上分布四个测量点，保证接触式温度探针最上部的测温点位于沥青混合料表面，接触式温度探针最下部的测温点尽量保证在沥青混合料的二分之一深度处。
数据采集仪2以10s/次的采样频率实时同步记录和保存非接触式红外温度探测仪3采集的温度以及所有接触式温度探针4采集温度；风速传感器5和温度计6的采集频率为0.5h/次；一共采集2400组数据，每组数据均包含气温、风速、沥青混合料向外辐射温度和其中任意一个测温点a处的沥青混合料实际温度这四种参数，将所有采集的数据传输至上位机。
步骤二、构建温度监测模型；
(1)数据标准化处理：将步骤一采集的数据进行标准化处理，将所有数据标准化处理至0～1之间；将标准化后的数据以组为单位，按照4：1的比例划分训练集和测试集；
(2)设计bp神经网络模型：利用bp神经网络构建本发明的温度监测模型，本发明中bp神经网络输入层节点数为四个，分别为沥青混合料向外辐射温度、气温、风速以及有无保温材料，即bp神经网络的特征值；保温材料为覆盖在车斗侧壁上的隔热膜，有无保温材料以0/1形式输入，有保温材料则输入1，无保温材料则输入0；bp神经网络的输出层节点数为一个，即沥青混合料实际温度；
由于本发明中bp神经网络结构简单，因此只设置一个隐含层，根据式(1)的经验公式确定隐含层节点数；
式(1)中，m为隐含层节点数，n为输入层节点数，l为输出层节点数，α为1～10之间的常数；
根据式(1)计算得到隐含层节点数为3～12，本实施例初步选定为10，得到bp神经网络模型；
(3)训练bp神经网络模型；
1)初始参数设置：对权值矩阵w、v赋随机数，将样本模式计数器p和训练次数计数器q置为1，误差e置为0，学习率η设为0～1之间的随机数；
2)将训练集输入到步骤(2)得到的bp神经网络模型中进行训练，得到温度预测值；利用式(2)计算误差e；
式(2)中，
设置误差限值emin1，当e＜emin1时停止训练，则表明模型训练误差达到要求，训练效果较好；若e≥emin1，则继续训练，直到e＜emin1。
(4)测试bp神经网络模型；
将测试集输入到步骤(2)训练后的bp神经网络模型中进行测试，设置误差限值emin2，且emin1≤emin2≤1.1emin1；利用公式(2)计算误差e，若e＜emin2，则表明步骤(2)得到bp神经网络模型的学习效果较好，步骤2)得到的训练后的bp神经网络模型即为温度监测模型；若e≥emin2，则表明模型过拟合，则手动调节步骤(2)中的隐含层节点数等超参数，并重复步骤(2)重新训练网络模型，直到e＜emin2则模型训练终止，得到温度监测模型。
增加隐含层数量和隐含层节点数会使模型的准确率提高，但是隐含层数量过多会容易导致过拟合(在训练集中学习到了过多特征)，即模型在训练集的表现良好，测试集表现不佳，因此为了防止过拟合在隐含层数量较少的情况下适当增加隐含层节点数会获得效果较好的模型。
上述得到的温度监测模型是测温点a处的温度监测模型，将步骤一中2400组数据中的沥青混合料实际温度换作任意测温点处采集的沥青混合料实际温度，并重复步骤二即可构建每个测温点处的温度监测模型；
应用温度监测模型建立，非接触式红外温度探测仪采集的温度与接触式温度探针采集的温度之间的关系，即建立了沥青混合料向外辐射温度与实际温度之间的关系。
步骤三、将步骤二得到的温度监测模型存储在智能处理设备中，用于监测沥青混合料运输过程中的温度；在沥青混合料运输过程中，非接触式红外温度探测仪采集沥青混合料向外辐射温度，并作为温度监测模型的输入，温度监测模型输出测温点处的沥青混合料实际温度，实现运输过程中的实时监测。
本实施例一共建立了16个温度监测模型，每个区域建立了沿沥青混合料深度方向的四个温度监测模型。实际应用时，可以调用16个测温点处的温度监测模型，对每个测温点进行温度监测，得到16个测温点处的温度分布状况，实现车斗内沥青混合料的整体监测；或者调用某个区域内所有测温点处的温度监测模型，实现对这一区域的重点监测；或者调用某个测温点处的温度监测模型，实现对该测温点处的重点监测。
本发明未述及之处适用于现有技术。
- 还没有人留言评论。精彩留言会获得点赞！