具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施方式及实施方式中的特征可以相互组合。在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。

参照图1至图2，发明公开了一种套筒灌浆密实度智能检测方法，包括套筒灌浆密实度智能检测工具，所述套筒灌浆密实度智能检测工具包括钢筋套筒1，所述钢筋套筒1的两端分别嵌有钢筋2，在所述钢筋套筒的内部设有将处于所述钢筋套筒的两端的钢筋进行固定的灌浆料；所述钢筋套筒上设有出浆口11和进浆口12；

所述套筒灌浆密实度智能检测方法包括以下步骤：

S1、准备钢筋套筒，所述钢筋套筒的数量的数值设为A，且所述钢筋套筒的灌浆缺陷类型及密度已知；

S2、对所述S1中的钢筋套筒进行下述步骤操作：

s21、在所述钢筋套筒的进浆口处设置振动传感器3，所述振动传感器连接数据采集设备4，所述数据采集设备可接收振动传感器的信号并实时保存；

s22、完成步骤s21之后，启动数据采集设备，并利用激振设备6使钢筋套筒的出浆口产生激振波；通过振动传感器采集到钢筋套筒的振动响应信号；所述激振设备可控制每次输出的激振波一致；

s23、将步骤s22采集到的振动响应信号载入电脑5；

s24、根据步骤s23振动响应信号的波形，选择Sym8小波函数，所述Sym8小波函数的小波分解的层次的数值设为N；

然后对步骤s23的振动响应信号，利用选定的小波函数进行N层正交小波分解，得到第1～N层共N+1个小波分解的信号分量{cA_N，cD_N，cD_N-1......cD₄，cD₃，cD₂，cD₁}，其中，A_N为低频分量，cD_N为高频分量；

s25、分别对步骤s24得到的A_N，D_N，D_N-1......D₄，D₃，D₂，D₁进行盒维数计算，得到盒维数F_AN、F_DN、F_N-1......F₄、F₃、F₂、F₁；

s26、计算步骤s25中F_AN、F_DN、F_N-1......F₄、F₃、F₂、F₁的平均值，然后再计算用平均值分别减去F_AN、F_DN、F_N-1......F₄、F₃、F₂、F₁所得的绝对值；

s27、根据步骤s26所得的绝对值从大到小对盒维数F_AN、F_DN、F_N-1......F₄、F₃、F₂、F₁进行重新排列，组成分形特征向量F_X＝{F₁，F₂，F₃，F₄......F_N-1、F_DN、F_AN}；

S3、完成步骤S2后，得到分形特征向量F_A、F_A-1、F_A-2......F₃、F₂、F₁；将得到的分形特征向量F_A、F_A-1、F_A-2......F₃、F₂、F₁及各个分形特征向量所对应钢筋套筒的灌浆缺陷类型及密度导入MATLAB软件中的BP神经网络进行训练学习，并保存；

S4、完成步骤S3后，将需检测钢筋套筒进行步骤S2的操作，得到分形特征向量F_B；然后将分形特征向量F_B作为步骤S3中已经训练完成的BP神经网络的输入值，经BP神经网络智能分析判别后，输出钢筋套筒的灌浆缺陷类型及密度。

首先进行术语解释：

小波分析：是一种信号的时间—频率分析方法，具有多分辨率分析的特点。该方法用有限长或快速衰减的、称为母小波的振荡波形来表示信号，通过缩放母小波的宽度来获得信号的频率特征，通过平移母小波来获得信号的时间信息，从而在时频两域都具有表征信号局部特征的能力。对于瞬态冲击振动响应这类具有较宽频带的非平稳随机信号，小波分析技术可对其局部进行多分辨率、突出化分析，能够快速、准确地探测到结构振动响应中所含有的缺陷反常信号。

BP神经网络：一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。它能学习和存贮大量的输入—输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。

盒维数：假设钢筋套筒受激振动产生的振动波信号s∈F，F是n维欧式空间Rⁿ上面的封闭的集合。将Rⁿ划分成尽可能小的宽度为δ的正方形方格，如果N_δ是网格宽度为δ的离散空间上覆盖F集合最少的网格个数，那我们将振动波s的盒维数定义为：

在对钢筋套筒施工缺陷进行检测时，不同的灌浆施工缺陷对钢筋套筒内由相同激振引起的振动信号的影响是不同的，分形理论中的盒维数作为一种衡量结构振动特征的无量纲指标，已经广泛应用于机械结构、桩基础、梁、柱等实体的缺陷识别及锚杆锚固质量诊断当中，本发明中当钢筋套筒结构中出现病害及缺陷后，结构整体的振动特性将发生改变，振动响应信号复杂程度也随之变化，这一变化将以盒维数的形式表现出来。对于装配式建筑钢筋套筒来说，由于预制构件中的钢筋套筒具有结构尺寸一致、灌浆料相同、钢筋型号一致、埋设方式近似的特点，在施工质量良好的情况下，各个钢筋套筒的盒维数大小应相差不大，若其中存在有灌浆施工缺陷的钢筋套筒时，便可通过盒维数大小进行快速判别。

考虑到钢筋套筒施工缺陷与其振动响应曲线盒维数之间并非简单的线性对应关系，本发明引入了BP神经网络算法，用以建立套筒施工缺陷与盒维数之间的非线性映射关系。其具有网络结构简单，有较强的逼近、容错能力，是目前应用最多的一种神经网络。BP神经网络的学习模式为有导师学习，而装配式建筑工程中大量存在钢筋套筒结构，能够为BP神经网络的学习提供海量的训练样本，进而提高神经网络对缺陷的识别能力。

本发明通过小波分解钢筋套筒激振反馈波形，然后利用分形原理对分解后的波形进行盒维数分析，提取描述缺陷特征的分形特征向量F_B，最后将分形特征向量F_B作为BP神经网络的输入值，经BP神经网络智能分析判别后，输出钢筋套筒的灌浆缺陷类型及密度信息；通过这种智能识别方法对钢筋套筒灌浆密实度进行检测，可以大大的提高检测人员的检测效率、降低检测成本以及提高检测精度。

优选的，考虑到不同小波函数可能会对波形分解有一定的影响，根据实际情况，在步骤s24中的Sym8小波函数还可以是Haar小波函数、Daubechies小波函数或Coiflet小波函数。

优选的，在步骤S4后，设置步骤S5：利用X射线法对分形特征向量F_B所对应的钢筋套筒进行精确判断后，将分形特征向量F_B、钢筋套筒缺陷类型及密度信息导入MATLAB软件中的BP神经网络继续训练。

优选的，为了简化设备，所述激振设备为手锤。

优选的，为了振动传感器能够更加精确的反馈激振波在钢筋套筒内的传递，在所述步骤s21中，所述振动传感器与钢筋套筒的进浆口的接触面上涂抹有耦合剂。

优选的，为了降低检测成本，所述耦合剂为黄油。

优选的，在所述步骤S1中，所述A的数值大于等于100。

优选的，在所述步骤s24中，所述N的数值小于等于7。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，故凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何修改、等同变化与修饰,均仍属于本发明技术方案的范围内。