一种基于深度学习的桥梁养生过程多点温湿度预测系统技术方案

本发明专利技术公开了一种基于深度学习的桥梁养生过程多点温湿度预测系统，包括多个温度传感器、多个湿度传感器、单片机、可视化显示界面和存储服务器，其特征在于，多个所述温度传感器和多个所述湿度传感器均等距安装于桥梁的空间管桁架非中心交汇加劲球管节点处，多个所述多个所述温度传感器和多个所述湿度传感器均与单片机电性连接。本发明专利技术通过温度传感器和湿度传感器对桥梁的空间管桁架非中心交汇加劲球管节点处进行温度和湿度检测，并检测的数据通过温湿度数据预测模块进行预测，并通过深度写技术对检测的温湿度数据进行模拟训练，便于对桥梁的温度和湿度进行预测，有效的提高对桥梁养护的效果，避免温度的变化，影响桥梁的质量。量。量。

【技术实现步骤摘要】
一种基于深度学习的桥梁养生过程多点温湿度预测系统


[0001]本专利技术涉及一种温湿度预测系统特别涉及一种基于深度学习的桥梁养生过程多点温湿度预测系统，属于桥梁养生


技术介绍

[0002]桥梁养护有两层含义，狭义的桥梁养护是指为确保桥梁始终处于正常工作状态，所进行的检查、检测、评估、以及维修加固工作。广义的桥梁养护还包括为保证桥梁安全运营所采取的其他间接措施，如资料档案管理、相关制度规章建设以及应急预案的建立。
[0003]目前的桥梁在进行养生时，无法对桥梁的温湿度进行预测，在进行养生时，容易造成桥梁过冷或过热，从而影响桥梁混凝土的凝结性，影响桥梁的承载力和质量。

技术实现思路

[0004]本专利技术的目的在于提供一种基于深度学习的桥梁养生过程多点温湿度预测系统，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：包括多个温度传感器、多个湿度传感器、单片机、可视化显示界面和存储服务器，其特征在于，多个所述温度传感器和多个所述湿度传感器均等距安装于桥梁的空间管桁架非中心交汇加劲球管节点处，多个所述多个所述温度传感器和多个所述湿度传感器均与单片机电性连接，所述单片机分别与可视化显示界面和存储服务器电性连接；
[0006]所述单片机的内部嵌入式开发有多点温湿度预测系统，多点温湿度预测系统包括由温湿度智能采集模块、温湿度数据处理模块、温湿度数据分析模块、温湿度数据显示模块、温湿度数据存储模块、温湿度数据预测模块、温湿度数据反馈模块组成；<br/>[0007]温湿度智能采集模块：用于采集多个温度传感器和多个湿度传感器的监测数据；
[0008]温湿度数据处理模块：对一段时间段采集的温度数据和湿度数据进行数据转换和处理；
[0009]温湿度数据分析模块：对处理后的温湿度数据进行分析汇总处理；
[0010]温湿度数据显示模块：对处理后的温湿度数据发送至可视化显示界面进行显示；
[0011]温湿度数据存储模块：对处理后的数据进行存储；
[0012]温湿度数据反馈模块：将处理后的数据进行反馈。
[0013]作为本专利技术的一种优选技术方案，多个所述温度传感器为AD590，多个所述湿度传感器为SHT11，所述单片机型号为：STC89C51。
[0014]作为本专利技术的一种优选技术方案，所述温湿度智能采集模块：把AD590 采集的信号转化成适合ADC0809的电压信号，调节电位器使输出电压为 273.2mV通过一个跟随器输入到差动放大器的负端，AD590的正端通过一个眼随器进入差动放大器的正端进行转换，温度采集计算公式为：调电位器W使 U2＝273.2mV，Rf＝50k，R2＝1k
[0015]U1＝li*R2＝(T+273.2)*1K＝(T+273.2)mV
[0016]UO＝Rf/R2*(U1
‑
U2)＝(Rf/R2*T)mV。
[0017]作为本专利技术的一种优选技术方案，所述温湿度数据处理模块包括A/D转换器，所述A/D转换器可对8路0
‑
5V的输入模拟电压信号分时进行转换，输出具有TTL,电平三态锁存缓冲器，可直接连到单片机的数据总线上。
[0018]作为本专利技术的一种优选技术方案，所述温湿度数据分析模块具体为：基于深度学习训练分析，具体步骤如下：
[0019]第一步：选定训练集，为一段时间内采集的温度数据和湿度数据，从样本集中随机地寻求N个样本作为训练样本；
[0020]第二步：对各权值、阈值、精度控制参数和学习率进行初始化；
[0021]第三步：从训练样本集中取一个样本的输入值到网络，计算网络各层输出结果向量；
[0022]第四步：将网络的计算输出与样本的实际输出相比较，计算误差.利用误差修正连接的权值；
[0023]第五步：对于中间卷积层的误差，是由上层的误差反向传播过来，再用此层误差来修正卷积核的值，即按反向权值的修正公式进行修改；
[0024]第六步：依次反向修正各层网络权值和偏置；
[0025]第七步：对所有样本都训练一遍；
[0026]第八步：经历大量的迭代后，判断计算输出与样本输出的差是否满足精度要求，如果不满足，则返回第三步，继续迭代，如果满足就进入下一步；
[0027]第九步：训练结束，保存网络的权值和偏置，这时可以认为各个权值已经达到稳定，网络训练已经完成。
[0028]作为本专利技术的一种优选技术方案，所述桥梁的空间管桁架非中心交汇加劲球管节点具体为：包括加劲焊接球管外壁壳、内隔板加劲支撑组合体、主管相贯连接接头、多杆件支管相贯连接接头；
[0029]所述加劲焊接球管外壁壳为中心支撑构架，所述内隔板加劲支撑组合体位于加劲球管外壁壳的内部，作为其局部侧向支撑；所述主管相贯连接接头包括两根主管接头，两根主管接头分别与加劲焊接球管外壁壳两端对接焊接；所述多杆件支管相贯连接接头包括多根正交支管接头、斜交支管接头，正交支管接头包括环向支弦管、竖向支腹管，与加劲焊接球管外壁壳中心交汇相贯焊接；所述斜交支管接头位于加劲焊接球管外壁壳的外部空间各方位，并与其非中心交汇相贯焊接；所述主管接头直径大于支管接头，支管接头数量大于等于10；所述内隔板加劲支撑组合体为内隔管
‑
环板支撑组合体，内隔管
ꢀ‑
环板支撑组合体由内隔圆管、内隔矩板、内隔环板组成；内隔圆管的直径与主管接头相同；内隔矩板位于内隔圆管内部，两端呈圆弧状，与半球盖焊接连接，中心开设圆孔，内隔环板方向垂直于内隔圆管，将内隔圆管隔成两段并与内隔圆管和内隔矩板焊接；所述内隔环板中心开设圆孔；内隔矩板、内隔圆管、内隔环板的壁厚分别为主管接头的1.0倍、1.5倍、1.0倍，圆孔直径200mm
‑
300mm，内隔环板外环还开设有透气孔。
[0030]与现有技术相比，本专利技术的有益效果是：
[0031]本专利技术一种基于深度学习的桥梁养生过程多点温湿度预测系统，通过温度传感器和湿度传感器对桥梁的空间管桁架非中心交汇加劲球管节点处进行温度和湿度检测，并检
测的数据通过温湿度数据预测模块进行预测，并通过深度写技术对检测的温湿度数据进行模拟训练，便于对桥梁的温度和湿度进行预测，有效的提高对桥梁养护的效果，避免温度的变化，影响桥梁的质量。
附图说明
[0032]图1为本专利技术的系统框图。
具体实施方式
[0033]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0034]请参阅图1，本专利技术提供了一种基于深度学习的桥梁养生过程多点温湿度预测系统的技术方案：包括多个温度传感器、多个湿度传感器、单片机、可视化显示界面和存储服务器，其特征在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的桥梁养生过程多点温湿度预测系统，包括多个温度传感器、多个湿度传感器、单片机、可视化显示界面和存储服务器，其特征在于，多个所述温度传感器和多个所述湿度传感器均等距安装于桥梁的空间管桁架非中心交汇加劲球管节点处，多个所述多个所述温度传感器和多个所述湿度传感器均与单片机电性连接，所述单片机分别与可视化显示界面和存储服务器电性连接；所述单片机的内部嵌入式开发有多点温湿度预测系统，多点温湿度预测系统包括由温湿度智能采集模块、温湿度数据处理模块、温湿度数据分析模块、温湿度数据显示模块、温湿度数据存储模块、温湿度数据预测模块、温湿度数据反馈模块组成；温湿度智能采集模块：用于采集多个温度传感器和多个湿度传感器的监测数据；温湿度数据处理模块：对一段时间段采集的温度数据和湿度数据进行数据转换和处理；温湿度数据分析模块：对处理后的温湿度数据进行分析汇总处理；温湿度数据显示模块：对处理后的温湿度数据发送至可视化显示界面进行显示；温湿度数据存储模块：对处理后的数据进行存储；温湿度数据反馈模块：将处理后的数据进行反馈。2.根据权利要求1所述的一种基于深度学习的桥梁养生过程多点温湿度预测系统，其特征在于：多个所述温度传感器为AD590，多个所述湿度传感器为SHT11，所述单片机型号为：STC89C51。3.根据权利要求1所述的一种基于深度学习的桥梁养生过程多点温湿度预测系统，其特征在于：所述温湿度智能采集模块：把AD590采集的信号转化成适合ADC0809的电压信号，调节电位器使输出电压为273.2mV通过一个跟随器输入到差动放大器的负端，AD590的正端通过一个眼随器进入差动放大器的正端进行转换，温度采集计算公式为：调电位器W使U2＝273.2mV，Rf＝50k，R2＝1kU1＝li*R2＝(T+273.2)*1K＝(T+273.2)mVUO＝Rf/R2*(U1
‑
U2)＝(Rf/R2*T)mV。4.根据权利要求1所述的一种基于深度学习的桥梁养生过程多点温湿度预测系统，其特征在于：所述温湿度数据处理模块包括A/D转换器，所述A/D转换器可对8路0
‑
5V的输入模拟电压信号分时进行转换，输出具有TTL,电平三态锁存缓冲器，可直接连到单片机的数据总线上。5.根据权利要求1所述的一种基于深度学习的桥梁养生过程多点温湿度预测系统，其特征在于：所述温湿度数据分...

【专利技术属性】
技术研发人员：郝向炜，汤纯祥，王琦，刘清文，孙向英，赵卫国，张瑞乐，张键军，邢键，贾杰，崔双龙，杨建喜，张修钢，陈辉，邵兴伟，高江龙，
申请(专利权)人：中铁二十一局集团国际工程有限公司中铁建宁夏高速公路有限公司，
类型：发明
国别省市：