鋼絲繩內外部斷絲損傷識別

竇連城， 戰衛俠， 白曉瑞

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

0 引言

鋼絲繩具有強度高、韌性好、自重輕等優良特性，常應用于煤炭開采運輸中。由于工況條件復雜，鋼絲繩在使用過程中容易出現各種損傷，導致其強度降低甚至斷裂，危及工作人員生命及生產安全，所以定期對鋼絲繩進行損傷檢測至關重要[1-3]。鋼絲繩最常見的損傷形式之一是斷絲損傷，通常將一定長度內鋼絲繩的斷絲數量作為鋼絲繩報廢標準的首要指標[4-5]。鋼絲繩斷絲損傷可分為外部斷絲與內部斷絲。外部斷絲產生于鋼絲繩與其他零件之間的磨損，可用肉眼觀測，但人工檢測耗時長且極易疏漏[6]。內部斷絲是由鋼絲繩自身股間摩擦導致，不能被直接觀測到。

隨著機器學習理論的發展，神經網絡模型逐漸被應用于鋼絲繩斷絲損傷檢測中，通過提取漏磁信號的特征并將其輸入神經網絡模型中訓練及分類，實現識別損傷。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，提取包絡信號的多個特征，實現了基于人工神經網絡的多階段模式識別方法，用于檢測不同斷口長度及深度的外部斷絲損傷。Zhang Juwei等[8]采用18個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濾波算法，采用數字圖像處理方法提取缺陷圖像的多個特征，利用Elman神經網絡對外部斷絲類型進行定量識別。Huang Xinyuan等[9]采集鋼絲繩損傷位置的光學圖像，并采用卷積神經網絡對缺陷圖像進行分類，實現了不同斷口深度的檢測識別。鐘小勇等[10]采用改進粒子群算法優化的BP神經網絡對漏磁信號進行識別，檢測外部斷絲損傷。目前對于鋼絲繩斷絲損傷檢測以外部斷絲損傷檢測為主，對內部斷絲損傷檢測的研究較少且內外部斷絲識別精度不高。

本文提出了一種鋼絲繩內外部斷絲損傷識別方法。首先采用鋼絲繩損傷徑向漏磁檢測器采集漏磁信號，然后利用雙密度雙樹復小波變換對漏磁信號進行降噪處理，之后提取信號的時頻域特征，并通過基于類間距離和互信息的特征選擇方法獲得最優特征子集，最后將最優特征子集輸入BP神經網絡進行定量識別。

1 漏磁信號采集與雙密度雙樹復小波降噪處理

基于漏磁法[11-12]設計的鋼絲繩損傷徑向漏磁檢測器由霍爾陣列、銜鐵、襯套、永磁鐵、聚磁環、導向輪等組成，如圖1所示。霍爾陣列由12個周向排布的霍爾元件組成，在霍爾陣列上方裝有聚磁環，可減輕由于鋼絲繩振動引起提離值變化導致的漏磁信號失真。

(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器采集鋼絲繩斷絲損傷產生的漏磁信號，如圖3所示(圖3(a)中3個突變波形依次為內部1—3根斷絲損傷產生的漏磁信號；圖3(b)中6個突變波形依次為外部1—6根斷絲損傷產生的漏磁信號)。可看出單根斷絲損傷產生的漏磁信號較微弱，容易被噪聲淹沒；多根斷絲損傷產生的漏磁信號較明顯，但噪聲的存在會給特征提取造成困難。

(a) 外部1根斷絲

(a) 內部斷絲

本文采用雙密度雙樹復小波變換[13]對漏磁信號進行降噪處理。雙密度雙樹復小波變換由2個并行工作的過采樣迭代濾波器組構成(圖4)，每個濾波器組由3個小波濾波器(h0—h2)組成且滿足完美重構條件，具有高度的平移不變性。

圖4 雙密度雙樹復小波變換的迭代濾波器組

對內部1—3根斷絲損傷產生的漏磁信號進行3尺度下的雙密度雙樹復小波降噪，然后采用最小二乘法消除由非漏磁信號產生的趨勢項，得到降噪信號，如圖5所示。可看出能夠有效去除原始漏磁信號的噪聲成分且保留漏磁信號的波形特征，得到的降噪信號整體平穩，降噪效果顯著。

圖5 漏磁信號降噪結果

2 漏磁信號特征提取及選擇

2.1 特征提取

2.1.1 時域特征

漏磁信號的時域特征可反映鋼絲繩斷絲損傷的基本信息，需要設置特定閾值以達到不同損傷類型具有可區分性的目的，通常情況下閾值根據經驗采用固定值，但是由于信號并不一定是一次性獲取的，每次獲得的信號會存在差異，所以需要閾值具有自適應性。根據數據的正態分布特性，選取平均值與標準差之和作為閾值，可有效排除離群值干擾。本文選取的自適應閾值為

(1)

式中：zi為第i(i=1，2，…，n，n為采樣點數)個降噪后的漏磁信號采樣值；τ為信號標準差；a為補償數值，由經驗獲得，取0.015。

漏磁信號時域特征如圖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；D(x0，ymax)為峰值點；E(x1，y1)為波寬左端點；F(x2，y2)為波寬右端點。

圖6 漏磁信號時域特征

(1) 峰值。漏磁信號的峰值為

P=max[zi]

(2)

(2) 波形下面積。漏磁信號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。漏磁信號的波形線長是指缺陷位置突變波形的長度，即

(5)

式中T為采樣周期。

2.1.2 頻域特征

(1) 功率譜熵。對原始漏磁信號進行傅里葉變換得到Cj(j=1，2，…，n/2)，則功率譜密度為

(6)

式中ω為角頻率。

將功率譜密度進行歸一化，獲得功率譜密度的概率密度分布函數：

(7)

則功率譜熵為

(8)

(2) 包絡譜熵。先通過希爾伯特變換計算信號包絡譜，然后計算包絡譜的概率密度分布函數Ij，則包絡譜熵為

(9)

(3) 奇異值。對信號進行10層變分模態分解，獲得多個IMF(Intrinsic Mode Function，本征模態函數)分量，對IMF分量組成的矩陣進行奇異值分解得到奇異值σ1—σ10，奇異值是矩陣固有特征，可作為信號特征。

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

(10)

(5) 小波能量。對信號進行4層小波分解，獲得4個細節分量dci(c=1，2，…，4)及1個近似分量oi，則第c個細節分量的小波能量EDc和近似分量的小波能量EO為

(11)

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

(12)

2.2 特征選擇

時域、頻域特征包含的信息不同，不同特征對損傷的區分度也不同，因此采用基于類間距離和互信息的方法進行特征選擇，具體步驟如下。

(1) 對特征進行歸一化處理。

(2) 計算每種特征的標準差，以標準差衡量特征的離散程度，剔除離散程度較大的特征。

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

(13)

(4) 計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的聯合分布；p(u)，p(v)分別為U，V的邊緣分布。

(5) 根據類間距離判斷區分度最差的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種損傷類型的可區分度。

經特征選擇后，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特征子集并按損傷類型繪制散點圖，如圖7所示(內1—內3代表內部1—3根斷絲損傷；外1—外6代表外部1—6根斷絲損傷)。可看出峰值P、波形下面積A、奇異值σ1和奇異值熵SW特征可分離性較好，但對于內外部1—3根斷絲損傷的區分不夠明顯；奇異值σ5特征可分離性較差，但能較好地區分內部與外部斷絲損傷。

圖7 最優特征子集散點圖

3 基于BP神經網絡的鋼絲繩斷絲損傷識別

對鋼絲繩斷絲損傷的識別過程實質上是建立不同損傷類型與信號特征的空間映射分類準則。BP神經網絡是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡[14]，具有任意復雜的模式分類能力和優良的多維函數映射能力。BP神經網絡結構包括輸入層、隱藏層和輸出層，其訓練過程由信號的前向傳播與誤差的反向傳播2個過程組成[15]。前向傳播計算BP神經網絡的損失函數，反向傳播對BP神經網絡的權重矩陣和偏置進行調整，多次訓練后，使BP神經網絡的期望輸出與實際輸出逐漸吻合。

將從鋼絲繩斷絲損傷漏磁信號中獲得的最優特征子集按4∶1的比例劃分為訓練集和測試集。設置BP神經網絡的隱藏層節點數量為13，隱藏層和輸出層的激活函數分別為tansig和purelin，設迭代次數為300，學習率為0.1，目標為0.001。用訓練集中的數據訓練BP神經網絡，當達到最大迭代次數或損失函數已達指定閾值時，BP神經網絡訓練結束。將測試集數據輸入訓練好的BP神經網絡進行識別分類。

經過測試，BP神經網絡的分類準確率為97.8%，測試集預測結果的混淆矩陣如圖8所示。可看出僅在內部3根與外部3根斷絲損傷類型中分別出現1次分類錯誤，對于其他損傷類型均分類正確。

圖8 預測結果的混淆矩陣

4 結語

為更加精確地識別鋼絲繩斷絲損傷的數量及位置，提出了一種鋼絲繩內外部斷絲損傷識別方法。首先對鋼絲繩損傷徑向漏磁檢測器采集的漏磁信號進行基于雙密度雙樹復小波變換的降噪處理；然后提取信號的時頻域特征，并采用基于類間距離和互信息的方法進行特征選擇，得到最優特征子集；最后將最優特征子集輸入BP神經網絡訓練進行鋼絲繩斷絲損傷分類識別。該方法能識別鋼絲繩內外部斷絲損傷且識別準確率達97.8%。