鋼絲繩內(nèi)外部斷絲損傷識(shí)別

竇連城， 戰(zhàn)衛(wèi)俠， 白曉瑞

(1.青島理工大學(xué) 機(jī)械與汽車工程學(xué)院， 山東 青島 266520；2.青島銘彧智能裝備技術(shù)研究院， 山東 青島 266000；3.海軍工程大學(xué) 兵器工程學(xué)院， 湖北 武漢 430032)

0 引言

鋼絲繩具有強(qiáng)度高、韌性好、自重輕等優(yōu)良特性，常應(yīng)用于煤炭開(kāi)采運(yùn)輸中。由于工況條件復(fù)雜，鋼絲繩在使用過(guò)程中容易出現(xiàn)各種損傷，導(dǎo)致其強(qiáng)度降低甚至斷裂，危及工作人員生命及生產(chǎn)安全，所以定期對(duì)鋼絲繩進(jìn)行損傷檢測(cè)至關(guān)重要[1-3]。鋼絲繩最常見(jiàn)的損傷形式之一是斷絲損傷，通常將一定長(zhǎng)度內(nèi)鋼絲繩的斷絲數(shù)量作為鋼絲繩報(bào)廢標(biāo)準(zhǔn)的首要指標(biāo)[4-5]。鋼絲繩斷絲損傷可分為外部斷絲與內(nèi)部斷絲。外部斷絲產(chǎn)生于鋼絲繩與其他零件之間的磨損，可用肉眼觀測(cè)，但人工檢測(cè)耗時(shí)長(zhǎng)且極易疏漏[6]。內(nèi)部斷絲是由鋼絲繩自身股間摩擦導(dǎo)致，不能被直接觀測(cè)到。

隨著機(jī)器學(xué)習(xí)理論的發(fā)展，神經(jīng)網(wǎng)絡(luò)模型逐漸被應(yīng)用于鋼絲繩斷絲損傷檢測(cè)中，通過(guò)提取漏磁信號(hào)的特征并將其輸入神經(jīng)網(wǎng)絡(luò)模型中訓(xùn)練及分類，實(shí)現(xiàn)識(shí)別損傷。J. W. Kim等[7]采用一種基于霍爾陣列的多通道漏磁傳感器采集漏磁信號(hào)，提取包絡(luò)信號(hào)的多個(gè)特征，實(shí)現(xiàn)了基于人工神經(jīng)網(wǎng)絡(luò)的多階段模式識(shí)別方法，用于檢測(cè)不同斷口長(zhǎng)度及深度的外部斷絲損傷。Zhang Juwei等[8]采用18個(gè)高精度巨磁電阻傳感器組成傳感器陣列以采集鋼絲繩表面剩磁，并提出一種基于小波分解的自適應(yīng)濾波算法，采用數(shù)字圖像處理方法提取缺陷圖像的多個(gè)特征，利用Elman神經(jīng)網(wǎng)絡(luò)對(duì)外部斷絲類型進(jìn)行定量識(shí)別。Huang Xinyuan等[9]采集鋼絲繩損傷位置的光學(xué)圖像，并采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)缺陷圖像進(jìn)行分類，實(shí)現(xiàn)了不同斷口深度的檢測(cè)識(shí)別。鐘小勇等[10]采用改進(jìn)粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對(duì)漏磁信號(hào)進(jìn)行識(shí)別，檢測(cè)外部斷絲損傷。目前對(duì)于鋼絲繩斷絲損傷檢測(cè)以外部斷絲損傷檢測(cè)為主，對(duì)內(nèi)部斷絲損傷檢測(cè)的研究較少且內(nèi)外部斷絲識(shí)別精度不高。

本文提出了一種鋼絲繩內(nèi)外部斷絲損傷識(shí)別方法。首先采用鋼絲繩損傷徑向漏磁檢測(cè)器采集漏磁信號(hào)，然后利用雙密度雙樹(shù)復(fù)小波變換對(duì)漏磁信號(hào)進(jìn)行降噪處理，之后提取信號(hào)的時(shí)頻域特征，并通過(guò)基于類間距離和互信息的特征選擇方法獲得最優(yōu)特征子集，最后將最優(yōu)特征子集輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行定量識(shí)別。

1 漏磁信號(hào)采集與雙密度雙樹(shù)復(fù)小波降噪處理

基于漏磁法[11-12]設(shè)計(jì)的鋼絲繩損傷徑向漏磁檢測(cè)器由霍爾陣列、銜鐵、襯套、永磁鐵、聚磁環(huán)、導(dǎo)向輪等組成，如圖1所示?；魻栮嚵杏?2個(gè)周向排布的霍爾元件組成，在霍爾陣列上方裝有聚磁環(huán)，可減輕由于鋼絲繩振動(dòng)引起提離值變化導(dǎo)致的漏磁信號(hào)失真。

(a) 模型

選取直徑24 mm、類型為6×37+IWS的鋼絲繩，人工制作9種不同數(shù)量、類型的斷絲損傷，如圖2所示。

采用鋼絲繩損傷徑向漏磁檢測(cè)器采集鋼絲繩斷絲損傷產(chǎn)生的漏磁信號(hào)，如圖3所示(圖3(a)中3個(gè)突變波形依次為內(nèi)部1—3根斷絲損傷產(chǎn)生的漏磁信號(hào)；圖3(b)中6個(gè)突變波形依次為外部1—6根斷絲損傷產(chǎn)生的漏磁信號(hào))?？煽闯鰡胃鶖嘟z損傷產(chǎn)生的漏磁信號(hào)較微弱，容易被噪聲淹沒(méi)；多根斷絲損傷產(chǎn)生的漏磁信號(hào)較明顯，但噪聲的存在會(huì)給特征提取造成困難。

(a) 外部1根斷絲

(a) 內(nèi)部斷絲

本文采用雙密度雙樹(shù)復(fù)小波變換[13]對(duì)漏磁信號(hào)進(jìn)行降噪處理。雙密度雙樹(shù)復(fù)小波變換由2個(gè)并行工作的過(guò)采樣迭代濾波器組構(gòu)成(圖4)，每個(gè)濾波器組由3個(gè)小波濾波器(h0—h2)組成且滿足完美重構(gòu)條件，具有高度的平移不變性。

圖4 雙密度雙樹(shù)復(fù)小波變換的迭代濾波器組

對(duì)內(nèi)部1—3根斷絲損傷產(chǎn)生的漏磁信號(hào)進(jìn)行3尺度下的雙密度雙樹(shù)復(fù)小波降噪，然后采用最小二乘法消除由非漏磁信號(hào)產(chǎn)生的趨勢(shì)項(xiàng)，得到降噪信號(hào)，如圖5所示。可看出能夠有效去除原始漏磁信號(hào)的噪聲成分且保留漏磁信號(hào)的波形特征，得到的降噪信號(hào)整體平穩(wěn)，降噪效果顯著。

圖5 漏磁信號(hào)降噪結(jié)果

2 漏磁信號(hào)特征提取及選擇

2.1 特征提取

2.1.1 時(shí)域特征

漏磁信號(hào)的時(shí)域特征可反映鋼絲繩斷絲損傷的基本信息，需要設(shè)置特定閾值以達(dá)到不同損傷類型具有可區(qū)分性的目的，通常情況下閾值根據(jù)經(jīng)驗(yàn)采用固定值，但是由于信號(hào)并不一定是一次性獲取的，每次獲得的信號(hào)會(huì)存在差異，所以需要閾值具有自適應(yīng)性。根據(jù)數(shù)據(jù)的正態(tài)分布特性，選取平均值與標(biāo)準(zhǔn)差之和作為閾值，可有效排除離群值干擾。本文選取的自適應(yīng)閾值為

(1)

式中：zi為第i(i=1，2，…，n，n為采樣點(diǎn)數(shù))個(gè)降噪后的漏磁信號(hào)采樣值；τ為信號(hào)標(biāo)準(zhǔn)差；a為補(bǔ)償數(shù)值，由經(jīng)驗(yàn)獲得，取0.015。

漏磁信號(hào)時(shí)域特征如圖6所示。P為峰值；B為波形寬度；A為波形下面積；L為波形線長(zhǎng)；D(x0，ymax)為峰值點(diǎn)；E(x1，y1)為波寬左端點(diǎn)；F(x2，y2)為波寬右端點(diǎn)。

圖6 漏磁信號(hào)時(shí)域特征

(1) 峰值。漏磁信號(hào)的峰值為

P=max[zi]

(2)

(2) 波形下面積。漏磁信號(hào)的波形下面積是指缺陷位置的突變波形與閾值間的面積，即

(3)

(3) 波形寬度。漏磁信號(hào)的波形寬度是指缺陷位置突變波形的跨度，即

B=x2-x1

(4)

(4) 波形線長(zhǎng)。漏磁信號(hào)的波形線長(zhǎng)是指缺陷位置突變波形的長(zhǎng)度，即

(5)

式中T為采樣周期。

2.1.2 頻域特征

(1) 功率譜熵。對(duì)原始漏磁信號(hào)進(jìn)行傅里葉變換得到Cj(j=1，2，…，n/2)，則功率譜密度為

(6)

式中ω為角頻率。

將功率譜密度進(jìn)行歸一化，獲得功率譜密度的概率密度分布函數(shù)：

(7)

則功率譜熵為

(8)

(2) 包絡(luò)譜熵。先通過(guò)希爾伯特變換計(jì)算信號(hào)包絡(luò)譜，然后計(jì)算包絡(luò)譜的概率密度分布函數(shù)Ij，則包絡(luò)譜熵為

(9)

(3) 奇異值。對(duì)信號(hào)進(jìn)行10層變分模態(tài)分解，獲得多個(gè)IMF(Intrinsic Mode Function，本征模態(tài)函數(shù))分量，對(duì)IMF分量組成的矩陣進(jìn)行奇異值分解得到奇異值σ1—σ10，奇異值是矩陣固有特征，可作為信號(hào)特征。

(4) 奇異值熵。計(jì)算奇異值的概率密度分布函數(shù)Wq(q=1，2，…，10)，則奇異值熵為

(10)

(5) 小波能量。對(duì)信號(hào)進(jìn)行4層小波分解，獲得4個(gè)細(xì)節(jié)分量dci(c=1，2，…，4)及1個(gè)近似分量oi，則第c個(gè)細(xì)節(jié)分量的小波能量EDc和近似分量的小波能量EO為

(11)

(6) 小波熵。計(jì)算小波能量的概率密度分布函數(shù)Kl(l=1，2，…，5)，則小波熵為

(12)

2.2 特征選擇

時(shí)域、頻域特征包含的信息不同，不同特征對(duì)損傷的區(qū)分度也不同，因此采用基于類間距離和互信息的方法進(jìn)行特征選擇，具體步驟如下。

(1) 對(duì)特征進(jìn)行歸一化處理。

(2) 計(jì)算每種特征的標(biāo)準(zhǔn)差，以標(biāo)準(zhǔn)差衡量特征的離散程度，剔除離散程度較大的特征。

(3) 計(jì)算每種特征的類間距離(式(13))，以衡量不同損傷類型的可區(qū)分性，剔除類間距離較小的特征。

(13)

(4) 計(jì)算特征之間的互信息(式(14))，如果2種特征之間的互信息較大，說(shuō)明這2種特征包含的信息相似程度較大，剔除這2種特征中類間距離較小的特征。

(14)

式中：Q(U；V)為互信息，U，V為2種不同的特征；p(u，v)為U，V的聯(lián)合分布；p(u)，p(v)分別為U，V的邊緣分布。

(5) 根據(jù)類間距離判斷區(qū)分度最差的2種損傷類型，從剔除的特征中收回這2種損傷類型類間距離最大的特征，以增加這2種損傷類型的可區(qū)分度。

經(jīng)特征選擇后，保留的特征為峰值P、波形下面積A、奇異值σ1和σ5、奇異值熵SW。將保留的特征融合作為最優(yōu)特征子集并按損傷類型繪制散點(diǎn)圖，如圖7所示(內(nèi)1—內(nèi)3代表內(nèi)部1—3根斷絲損傷；外1—外6代表外部1—6根斷絲損傷)?？煽闯龇逯礟、波形下面積A、奇異值σ1和奇異值熵SW特征可分離性較好，但對(duì)于內(nèi)外部1—3根斷絲損傷的區(qū)分不夠明顯；奇異值σ5特征可分離性較差，但能較好地區(qū)分內(nèi)部與外部斷絲損傷。

圖7 最優(yōu)特征子集散點(diǎn)圖

3 基于BP神經(jīng)網(wǎng)絡(luò)的鋼絲繩斷絲損傷識(shí)別

對(duì)鋼絲繩斷絲損傷的識(shí)別過(guò)程實(shí)質(zhì)上是建立不同損傷類型與信號(hào)特征的空間映射分類準(zhǔn)則。BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)[14]，具有任意復(fù)雜的模式分類能力和優(yōu)良的多維函數(shù)映射能力。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱藏層和輸出層，其訓(xùn)練過(guò)程由信號(hào)的前向傳播與誤差的反向傳播2個(gè)過(guò)程組成[15]。前向傳播計(jì)算BP神經(jīng)網(wǎng)絡(luò)的損失函數(shù)，反向傳播對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)重矩陣和偏置進(jìn)行調(diào)整，多次訓(xùn)練后，使BP神經(jīng)網(wǎng)絡(luò)的期望輸出與實(shí)際輸出逐漸吻合。

將從鋼絲繩斷絲損傷漏磁信號(hào)中獲得的最優(yōu)特征子集按4∶1的比例劃分為訓(xùn)練集和測(cè)試集。設(shè)置BP神經(jīng)網(wǎng)絡(luò)的隱藏層節(jié)點(diǎn)數(shù)量為13，隱藏層和輸出層的激活函數(shù)分別為tansig和purelin，設(shè)迭代次數(shù)為300，學(xué)習(xí)率為0.1，目標(biāo)為0.001。用訓(xùn)練集中的數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，當(dāng)達(dá)到最大迭代次數(shù)或損失函數(shù)已達(dá)指定閾值時(shí)，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)束。將測(cè)試集數(shù)據(jù)輸入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別分類。

經(jīng)過(guò)測(cè)試，BP神經(jīng)網(wǎng)絡(luò)的分類準(zhǔn)確率為97.8%，測(cè)試集預(yù)測(cè)結(jié)果的混淆矩陣如圖8所示?？煽闯鰞H在內(nèi)部3根與外部3根斷絲損傷類型中分別出現(xiàn)1次分類錯(cuò)誤，對(duì)于其他損傷類型均分類正確。

圖8 預(yù)測(cè)結(jié)果的混淆矩陣

4 結(jié)語(yǔ)

為更加精確地識(shí)別鋼絲繩斷絲損傷的數(shù)量及位置，提出了一種鋼絲繩內(nèi)外部斷絲損傷識(shí)別方法。首先對(duì)鋼絲繩損傷徑向漏磁檢測(cè)器采集的漏磁信號(hào)進(jìn)行基于雙密度雙樹(shù)復(fù)小波變換的降噪處理；然后提取信號(hào)的時(shí)頻域特征，并采用基于類間距離和互信息的方法進(jìn)行特征選擇，得到最優(yōu)特征子集；最后將最優(yōu)特征子集輸入BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練進(jìn)行鋼絲繩斷絲損傷分類識(shí)別。該方法能識(shí)別鋼絲繩內(nèi)外部斷絲損傷且識(shí)別準(zhǔn)確率達(dá)97.8%。