基于自適應移位平均降噪與BP神經網絡的鋼絲繩損傷識別

吳 東，張寶金，隋顯俊，劉偉新，黃升平，楊建華

(1. 鞍鋼集團礦業有限公司眼前山分公司，鞍山 114044；2.中國礦業大學 機電工程學院 江蘇省礦山機電裝備重點實驗室，徐州 221116)

由于工作環境復雜惡劣，鋼絲繩在使用過程中容易出現斷絲、磨損等損傷[1]。鋼絲繩損傷造成的停工會帶來巨大的經濟損失，甚至可能威脅到人員生命安全，因此有必要對鋼絲繩進行損傷檢測。

漏磁檢測是鋼絲繩無損檢測的一種常用方法[2]。其檢測原理是：利用鋼絲繩具有高磁導率的性質，使用永磁鐵對鋼絲繩進行磁化；當鋼絲繩出現斷絲、磨損等損傷時，損傷處磁阻增大，磁通減小，會出現漏磁現象[3]；通過檢測漏磁信號即可判斷損傷位置與損傷類型。

惡劣環境下鋼絲繩在工作中的振動常會導致漏磁信號特征信息被強噪聲淹沒。移位平均法是一種應用廣泛、抗干擾能力強的信號處理算法。奚彩萍等[4]利用多重分形降趨移動平均法處理典型多重分形信號，并分析了算法的優劣性。王龍等[5]利用移動平均法結合小波閾值分析，實現了含噪的鋼絲繩信號自適應提取。

不少學者將鋼絲繩損傷分析與深度學習網絡緊密結合起來，利用神經網絡實現損傷分類與識別。竇連城等[6]采用雙樹復小波對鋼絲繩漏磁信號進行降噪，通過設置自適應閾值提取降噪信號的時頻域特征，并提取出最優特征子集輸入BP神經網絡中，準確識別出鋼絲繩內外部斷絲。李丹丹[7]結合軟閾值處理方案對鋼絲繩漏磁信號進行降噪，然后進行峰峰值、波寬、波形下面積和小波能量特征提取，并輸入BP神經網絡進行分類識別。鐘小勇等[8]采用改進粒子群優化算法，對BP神經網絡進行優化，并對漏磁信號進行分類識別，實現了外部的斷絲損傷檢測。

針對鋼絲繩在強噪聲背景下難以進行損傷識別的問題，提出了一種基于自適應移位平均降噪與BP神經網絡的礦用鋼絲繩損傷識別方法。以礦井鋼絲繩為例，采用自適應移位平均法對強噪聲背景下的斷絲信號和磨損信號進行降噪處理，通過APSO(自適應粒子群優化)算法找到移位平均算法的最優窗寬，對漏磁信號進行降噪；然后以鋼絲繩斷絲損傷為例，對處理后的信號提取峰峰值、波寬、波形下面積三種特征值作為特征值樣本。最后歸一化后輸入BP神經網絡進行分類識別。

1 基本理論

1.1 高斯白噪聲特性

高斯白噪聲概率密度服從正態分布，且功率譜密度為常數，滿足以下統計特性

〈N(t)〉=0， 〈N(t),N(0)〉=2Dδ(t)

(1)

式中：N(t)為高斯白噪聲；D為噪聲強度；δ(t)為狄拉克函數；t為時間。

礦井鋼絲繩工作環境惡劣，且鋼絲繩的振動毫無規律，近似為隨機噪聲。隨機噪聲會干擾原始信號，影響鋼絲繩損傷特征提取精度。

1.2 基于APSO的自適應移位平均算法

含噪信號可以看作是原始信號與噪聲信號的疊加。移位平均法利用了高斯白噪聲均值為0的特點。其原理是每次采樣的采樣點均是點數為N的序列，去掉第一項后，將后面的N-1項往前移，再將新的采樣數據作為最后一項，然后對N個采樣數據進行算術平均，即

(2)

式中：b(n)為降噪后的信號；a(n)為含有高斯白噪聲的信號；N為采樣點數序列的長短，這里定義為移位平均法的窗寬。

對于移位平均法，窗寬N的選取會對信號降噪效果產生影響。N過大會導致截止頻率過低，細節部分被忽略，N過小會導致截止頻率過高，降噪效果差。因此，選擇最優的窗寬N可以實現最有效的降噪效果。文章引入APSO算法[9]對窗寬進行優化，選擇信號的信噪比作為適應度函數，信噪比Sn定義為

(3)

式中：x(i)為處理后的信號時域圖中第i個點的幅值；i1為損傷信號起始點；i2為損傷信號的終止點；A為損傷信號兩側的第A個點。

APSO算法的流程如下。

(1) 初始化種群中各粒子的步長和位置。群體個體數目H為10，步長更新范圍R為0.01。所需優化的參數窗寬為N，同時設置參數窗寬的搜索范圍N∈[0,500]。

(2) 通過式(3)計算各個粒子的適應度值，存儲每個粒子的最好位置和適應度，并從種群中選擇適應度最好的粒子位置作為當前粒子群全局最優位置，記作gbest。

(3) 每經過一次迭代，需要對每個粒子位置進行更新。因而第i個粒子更新的S維(變量僅有N，故S=1)的位移為vmax為最大更新步長；piS為第i個粒子迄今為止搜索到的最優位置；pgS為整個粒子群搜索到的最優位置；xiS為粒子位置；k為迭代次數，取100。

viS(k+1)=viS(k)+c1r1S(k)[piS(k)-

xiS(k)]+c2r2S(k)[pgS(k)-xiS(k)]

(4)

xiS(k+1)=xiS(k)+viS(k+1)

(5)

式中：學習因子c1=c2=2；r1和r2為相互獨立的偽隨機數，服從[0,1]均勻分布；viS∈[-vmax,vmax]，

可根據式(4)，(5)來調整粒子的步長和位置。

(4) 計算位置更新后的每個粒子的適應度，將每個粒子的適應度與其以前經歷過的最好位置Pbest所對應的適應度對比，如果較好，則將其當前位置作為該粒子的Pbest；

(5) 將每一個粒子的適應度與全體粒子所經歷過的最好位置gbest比較，如果較好，則更新gbest；

(6) 檢查終止條件(通常為達到最大迭代次數或達到了足夠好的適應值或者迭代輸出的最優解相同)，如果沒有達到終止條件，則返回(3)；如果滿足終止條件，則停止迭代，輸出最優解。

2 試驗分析

搭建鋼絲繩樣繩損傷檢測試驗臺，其主要由Y66型便攜式探傷儀、鋼絲繩樣繩(6×37S-FC型，即鋼絲繩有6股，每股有37根鋼絲繩，繩芯為麻芯，樣繩直徑為39 mm)、張緊機構、支撐裝置、計算機等組成，試驗現場如圖1所示。

圖1 試驗現場

采用Y66霍爾型鋼絲繩探傷儀對鋼絲繩進行無損檢測，推動探傷儀在鋼絲繩樣繩上爬行，利用探傷儀采集裝置采集信號并顯示在計算機上，數據可保存為txt文本格式，然后調用試驗數據進行分析。對實測信號加入噪聲強度D為3的高斯白噪聲來模擬外界噪聲干擾，干擾下的檢測信號如圖2所示，圖中藍色線為含噪信號，青綠色線為原始信號。

圖2 干擾下的檢測信號

為了說明該方法的優點，分別取斷絲損傷和磨損損傷，采用自適應移位平均法的斷絲損傷信號處理的結果如圖3(a)所示，基于sym2、db4、db8小波變換的損傷信號處理結果分別如圖3(b), 3(c), 3(d)所示。基于不同方法的磨損損傷信號處理結果如圖4所示。

圖3 基于不同方法的斷絲損傷信號處理結果

圖4 基于不同方法的磨損損傷信號處理結果

可以看出，采用自適應移位平均法對強噪聲背景下的鋼絲繩損傷信號進行處理，可有效去除原始漏磁信號的噪聲成分并保留損傷位置的波形特征。為說明文章所提方法在信號降噪處理方面的優勢，將所提出的自適應移位平均法與傳統的小波降噪法[10-11]進行了對比。在斷絲信號和磨損信號的處理結果中，為了增加可比性，將降噪后信號歸一化，取其信噪比進行對比，其對比結果如表1所示。由表1可見，相較于小波變換，自適應移位平均法的信噪比更高，降噪效果好，信號波形更平滑。

表1 不同處理方法得到的鋼絲繩損傷信號信噪比

為了不失一般性，分別給斷絲損傷信號與磨損損傷信號加入更強的噪聲，其信噪比如表2所示。可以看到在加入更強噪聲的情況下，損傷信號的信噪比穩定，其降噪后的漏磁信號仍能保留損傷特征。

表2 不同噪聲強度下鋼絲繩損傷信號的信噪比

說明在強噪聲背景下基于APSO的自適應移位平均法可對漏磁信號進行有效降噪。

3 鋼絲繩漏磁信號特征提取

鋼絲繩漏磁信號中含有眾多特征量,可以描述鋼絲繩的損傷情況，故提取出損傷信號的特征量是開展損傷檢測的關鍵。即，所提取的特征量，需能清晰區分不同損傷特征。

以鋼絲繩斷絲損傷為例，鋼絲繩在沒有損傷的情況下，漏磁信號波形會在一個很小的區間內平穩波動。截取一段平穩信號，對其求均值作為信號基準線。而當鋼絲繩出現斷絲時，信號會突然離開基準線，出現突變。

針對鋼絲繩斷絲損傷，選擇波形峰峰值、波形寬度和波形下面積為研究對象，以這三個指標作為特征值構造鋼絲繩損傷檢測的數據集。斷絲信號特征定義示意如圖5所示，特征值具體定義如下。

圖5 斷絲信號特征定義示意

(1) 峰峰值。鋼絲繩斷絲損傷信號的峰峰值是信號最高點到信號最低點的差值。鋼絲繩斷絲數量越多，峰峰值越大。

(2) 波形寬度。鋼絲繩斷絲損傷信號的波寬是指信號從發生突變到恢復平穩波動所經歷的距離。

(3) 波形下面積。鋼絲繩斷絲損傷信號的波形下面積是指信號突變時鋼絲繩信號波形和信號基準線圍成的面積。

4 基于BP神經網絡的鋼絲繩損傷定性識別方法

判斷鋼絲繩是否存在損傷，實質上是建立鋼絲繩損傷與所提取到的信號特征的映射。以鋼絲繩斷絲損傷為例，在使用探傷儀對鋼絲繩進行探傷時，由于手持探傷儀的力度、速度不同，在沒有斷絲的地方也可能會存在斷絲損傷信號，稱之為偽斷絲。而在漏磁信號中提取的峰峰值、波形寬度、波形下面積可以作為真實斷絲判斷的指標。為了實現鋼絲繩斷絲損傷的定性識別，筆者使用BP神經網絡建立斷絲與特征值之間的映射。

BP神經網絡是一種多層前饋神經網絡[12]，BP神經網絡處理過程主要分為兩個階段。第一個階段是信號的前向傳播，從輸入層到隱藏層再到輸出層。第二個階段是誤差的反向傳播，從輸出層到隱藏層再到輸入層[13]。前向傳播計算BP神經網絡的損失函數，反向傳播對BP神經網絡的層與層之間的權重和偏置進行調節，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。

在D=3的噪聲背景下，采用鋼絲繩漏磁信號中獲得的峰峰值、波寬、波形下面積等參數建立是否有斷絲的特征集，對樣本進行歸一化處理，其中20組歸一化后的真偽斷絲損傷信號特征集如表3所示，表中1表示有真斷絲，0表示有偽斷絲，表中參數為歸一化數值，無單位。

表3 真斷絲與偽斷絲損傷信號歸一化特征集

對建立的鋼絲繩斷絲和偽斷絲樣本按3：1的比例劃分訓練集和測試集，并對斷絲損傷識別網絡的參數初始化，設置隱藏層激活函數為Relu，輸出層激活函數為Sigmod。設迭代次數為500，學習率為0.1，目標為0.001，設隱含層節點數為10，BP神經網絡結構如圖6所示。

圖6 BP神經網絡結構

圖6中w表示層與層之間的連接權值，a表示各層的輸出。先用訓練集的數據訓練BP網神經網絡，當達到最大迭代次數或損失函數已達到指定閾值時訓練結束。然后將測試集數據輸入訓練好的BP神經網絡進行識別分類。

測試結果表明，BP神經網絡的識別準確率為95.71%。重復上述過程，對D=4和D=5的強噪聲條件進行自適應移位降噪與數據提取，并輸入BP神經網絡進行識別，其識別準確率分別為99.60%和99.95%，不同噪聲下斷絲損傷定性判斷結果如圖7所示。可以看出，訓練的網絡可準確分辨真斷絲和偽斷絲，且誤差很小，因此該方法可以對礦用鋼絲繩進行損傷定性識別。

圖7 不同噪聲背景下斷絲損傷定性判斷結果

5 結論

以礦井鋼絲繩為例，針對強噪聲背景下難以識別鋼絲繩損傷的問題，提出了一種基于自適應移位平均降噪與BP神經網絡的礦用鋼絲繩損傷識別方法，主要結論如下。

(1) 利用基于APSO算法的自適應移位平均算法可實現強噪聲背景下鋼絲繩漏磁信號的降噪，可以計算出最優窗寬N，可有效減少原始漏磁信號噪聲的干擾，保留完整的波形特性。

(2) 自適應平均算法相較于傳統的小波降噪法，信噪比更高，降噪效果更好，信號更平滑。該方法在更強的噪聲背景下信噪比穩定，可適用于更強噪聲背景下的降噪。

(3) 將信號特征值輸入BP神經網絡進行訓練，其識別準確度高、效果好，可定性判斷鋼絲繩損傷類型。