趙 文，薛 濤，凡成華，楊煜明，毛清華

1陜西能源趙石畔礦業(yè)運(yùn)營(yíng)有限責(zé)任公司 陜西榆林 719199

2西安科技大學(xué)機(jī)械工程學(xué)院 陜西西安 710054

鋼 絲繩是礦井提升機(jī)的主要組成部分，其運(yùn)行環(huán)境復(fù)雜，運(yùn)輸距離長(zhǎng)，承受彎曲與交變載荷。由于鋼絲繩使用工況惡劣，長(zhǎng)時(shí)間重載運(yùn)行、卷曲及物理碰撞，造成鋼絲疲勞斷絲、磨損等損傷[1-2]，當(dāng)斷絲、磨損增加到一定量時(shí)，容易造成整根鋼絲繩斷裂，給人們生命財(cái)產(chǎn)造成了巨大損失。因此，為了有效預(yù)防鋼絲繩斷繩事故的發(fā)生，亟需研究礦井鋼絲繩缺陷在線檢測(cè)方法。

長(zhǎng)期以來，提升鋼絲繩的巡檢工作主要依靠人工目測(cè)法。人工定時(shí)排查，可靠性差、效率低，花費(fèi)大量人力物力，無法做到高效檢測(cè)。有企業(yè)采取定時(shí)更換鋼絲繩的辦法，雖然在一定程度上避免了鋼絲繩斷裂發(fā)生的安全事故，但增加了資源的浪費(fèi)。國內(nèi)外學(xué)者探索了漏磁檢測(cè)法、聲發(fā)射法、超聲波法、光學(xué)法、X 射線法和電渦流法等，其中漏磁檢測(cè)法是目前廣泛采用的鋼絲繩損傷無損檢測(cè)手段[3]。張錦錦等人[4]提出一種過濾電磁鋼絲繩探傷儀出現(xiàn)的工頻干擾的方法。趙強(qiáng)[5]用弱磁矢量合成的數(shù)學(xué)模型實(shí)現(xiàn)了寬距條件下的鋼絲繩實(shí)時(shí)在線檢測(cè)。鐘小勇等人[6]設(shè)計(jì)了通過迭代計(jì)算濾除噪聲的漏磁法及 DSP 用來對(duì)鋼絲繩進(jìn)行在線檢測(cè)。陳厚桂等人[7]利用灰色預(yù)測(cè)理論，研究了有限缺陷集的斷絲預(yù)測(cè)方法。肖漢斌等人[8]在不同速度差、分頻率和張力下對(duì)弱磁鋼絲繩試驗(yàn)后得出了最佳的檢驗(yàn)條件。陸延紅等人[9]采用霍爾元件檢測(cè)斷絲信號(hào)，運(yùn)用最小二乘法的曲線擬合算法對(duì)信號(hào)進(jìn)行定量分析。

此外，也有研究人員在通過機(jī)器視覺對(duì)提升鋼絲繩外部損傷在線檢測(cè)方面做了一定的研究。A.Vallan等人[10]提出利用視覺對(duì)索道鋼絲繩進(jìn)行輪廓檢測(cè)的方法。E.Platzer 等人[11]通過分析多個(gè)鋼絲繩異常診斷的特征提取方法，找到了最優(yōu)的檢測(cè)特征。劉劍等人[12]在 2017 年將改進(jìn)的局部二元擬合的能量函數(shù)應(yīng)用到對(duì)鋼絲繩圖像輪廓與缺損邊緣的檢測(cè)。

綜上所述，漏磁檢測(cè)法可以實(shí)現(xiàn)鋼絲繩外部和內(nèi)部損傷識(shí)別，而機(jī)器視覺法可以對(duì)鋼絲繩外部損傷進(jìn)行識(shí)別，但是單一檢測(cè)方法存在誤檢和漏檢的問題。為了提高礦用提升鋼絲繩損傷在線檢測(cè)的準(zhǔn)確率，筆者提出一種基于漏磁檢測(cè)與機(jī)器視覺檢測(cè)融合的在線檢測(cè)方法。

1 鋼絲繩損傷在線檢測(cè)系統(tǒng)方案

基于漏磁檢測(cè)與機(jī)器視覺檢測(cè)融合的礦井提升機(jī)鋼絲繩損傷在線檢測(cè)系統(tǒng)方案如圖 1 所示。鋼絲繩經(jīng)磁化后，通過漏磁檢測(cè)法對(duì)鋼絲繩的繩股錯(cuò)位、銹蝕、磨損、疲勞裂紋、跳絲變形等外部和內(nèi)部損傷進(jìn)行檢測(cè)與識(shí)別，利用機(jī)器視覺檢測(cè)法對(duì)鋼絲繩外部損傷進(jìn)行識(shí)別，將二者融合得出最終識(shí)別結(jié)果，并傳輸?shù)浇K端系統(tǒng)，實(shí)時(shí)顯示在終端大屏上，并且對(duì)相應(yīng)的損傷做出預(yù)警。

圖1 鋼絲繩損傷在線檢測(cè)系統(tǒng)方案Fig. 1 Scheme of online detection system for damage of wire rope

漏磁檢測(cè)與機(jī)器視覺檢測(cè)融合原理如下：采用漏磁檢測(cè)與機(jī)器視覺檢測(cè)兩種方法分別對(duì)鋼絲繩損傷進(jìn)行在線識(shí)別，如果二者均識(shí)別為損傷，那么判定為損傷；如果一種識(shí)別為損傷，判定為可疑損傷，需要人工進(jìn)行復(fù)核；如果二者都識(shí)別為正常，判定結(jié)果為正常。通過二者同時(shí)識(shí)別鋼絲繩損傷，可以克服單一檢測(cè)方法誤檢或漏檢問題，從而提高鋼絲繩損傷識(shí)別的準(zhǔn)確率。

2 鋼絲繩損傷漏磁檢測(cè)研究

2.1 鋼絲繩損傷漏磁檢測(cè)方案

對(duì)于漏磁檢測(cè)法，鋼絲繩首先被外部加載的磁場(chǎng)磁化，當(dāng)鋼絲繩置于磁場(chǎng)環(huán)境時(shí)，磁感線會(huì)沿著鋼絲繩通過，不同的磁場(chǎng)下，經(jīng)過鋼絲繩的磁感線會(huì)有所變化。由于空氣磁導(dǎo)率遠(yuǎn)小于鋼絲繩，當(dāng)鋼絲繩完整時(shí)，鋼絲繩表面不會(huì)出現(xiàn)磁感線；當(dāng)鋼絲繩損傷時(shí)，附近磁場(chǎng)強(qiáng)度高于非損傷區(qū)域，磁感線流出。通過磁敏元件檢測(cè)鋼絲繩周圍出現(xiàn)的磁場(chǎng)，不同的漏磁場(chǎng)強(qiáng)度反映不同的損傷程度，鋼絲繩損傷漏磁檢測(cè)方案如圖 2 所示。

圖2 鋼絲繩損傷漏磁檢測(cè)方案Fig. 2 Magnetic flux leakage detection scheme for damage of wire rope

2.2 鋼絲繩勵(lì)磁仿真分析

采用無間隙軸向永磁環(huán)組合的勵(lì)磁結(jié)構(gòu)模型對(duì)鋼絲繩磁化效果進(jìn)行分析。仿真試驗(yàn)中，一段鋼絲繩的參數(shù)為：7 股，長(zhǎng)度為 160 mm，半徑為 27 mm。軸向永磁環(huán)組合勵(lì)磁結(jié)構(gòu)模型如圖 3 所示，磁化結(jié)果如圖 4 所示。由圖 4 可以得出，無間隙軸向永磁環(huán)組合能對(duì)鋼絲繩均勻磁化，磁化的均勻長(zhǎng)度較長(zhǎng)。

圖3 永磁環(huán)勵(lì)磁結(jié)構(gòu)模型Fig. 3 Model of permanent magnetic loop excitation structure

圖4 磁化結(jié)果Fig. 4 Magnetization results

2.3 鋼絲繩損傷漏磁信號(hào)采集

鋼絲繩軸向勵(lì)磁磁化與高精度漏磁檢測(cè)信號(hào)采集系統(tǒng)如圖 5 所示。該系統(tǒng)采用 CH3600 漏磁檢測(cè)儀采集鋼絲繩損傷漏磁信號(hào)，漏磁傳感器檢測(cè)靈敏度為0.000 1 mT，檢測(cè)精度和穩(wěn)定性較高。

圖5 鋼絲繩磁化與漏磁信號(hào)采集系統(tǒng)Fig. 5 Magnetization of wire rope and magnetic flux leakage signal acquisition system

2.4 鋼絲繩損傷漏磁信號(hào)降噪

礦用鋼絲繩漏磁檢測(cè)信號(hào)容易受礦井復(fù)雜環(huán)境下的噪聲干擾，并且由于鋼絲繩本身的結(jié)構(gòu)特點(diǎn)容易產(chǎn)生股波噪聲。因此，需要濾除損傷漏磁信號(hào)中的干擾噪聲信號(hào)，采集有效損傷信號(hào)，并為后續(xù)損傷的定量識(shí)別做好準(zhǔn)備。對(duì)鋼絲繩損傷漏磁信號(hào)進(jìn)行小波降噪時(shí)，通過小波參數(shù)對(duì)比分析，最終采用小波基為6 dB，選用軟閾值方法和 4 層小波分解進(jìn)行降噪。原始含噪聲信號(hào)的信噪比為 -6.378 9 dB，均方根誤差為0.956 8；降噪后信號(hào)的信噪比為 8.728 2 dB，均方根誤差為 0.168 9。降噪后的信號(hào)和原始含噪信號(hào)對(duì)比如圖 6 所示。相比于含噪聲的鋼絲繩斷絲漏磁信號(hào)，降噪后大部分噪聲已去除，信噪比提高較大。

圖6 信號(hào)降噪前后的對(duì)比Fig. 6 Contrast before and after denoising

2.5 損傷漏磁信號(hào)特征提取與定量識(shí)別

提取鋼絲繩不同斷絲數(shù)量的信號(hào)峰值、峰峰值和波形面積特征，采用 BP 神經(jīng)網(wǎng)絡(luò)方法與遺傳算法優(yōu)化后的 GA-BP 神經(jīng)網(wǎng)絡(luò)對(duì)斷絲損傷情況進(jìn)行定量分析。兩類方法識(shí)別后的結(jié)果分別如圖 7、8 所示。

圖7 BP 和 GA-BP 神經(jīng)網(wǎng)絡(luò)斷絲識(shí)別結(jié)果的對(duì)比Fig. 7 Contrast of broken wire identification results with BP and GA-BP neural network

圖8 BP 和 GA-BP 神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果相對(duì)誤差的對(duì)比Fig. 8 Contrast of relative error of identification results with BP and GA-BP neural network

BP 神經(jīng)網(wǎng)絡(luò)優(yōu)化前，識(shí)別結(jié)果有較大的相對(duì)誤差，且穩(wěn)定性較差，其最大的相對(duì)誤差為 19%；遺傳算法優(yōu)化后 BP 神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值，對(duì)提升鋼絲繩斷絲識(shí)別結(jié)果的相對(duì)誤差有較大改善，其最大相對(duì)誤差為 5.23%，最小為 2.46%，提高了對(duì)斷絲識(shí)別的準(zhǔn)確性。

3 機(jī)器視覺檢測(cè)法

3.1 鋼絲繩外部損傷檢測(cè)流程

使用工業(yè)相機(jī)對(duì)鋼絲繩進(jìn)行圖像采集，將圖像灰度化并進(jìn)行濾波降噪，提高圖像的清晰度和鋼絲繩特征；將預(yù)處理后的圖像進(jìn)行閾值分割，簡(jiǎn)化圖像分析過程，方便獲取損傷缺陷的區(qū)域，從而對(duì)損傷的面積及位置做出定量識(shí)別。鋼絲繩損傷圖像識(shí)別流程如圖9 所示。

圖9 鋼絲繩損傷圖像識(shí)別流程Fig. 9 Process flow of image identification of damaged wire rope

3.2 鋼絲繩損傷圖像預(yù)處理

使用 CCD 工業(yè)相機(jī)采集損傷處的鋼絲繩圖像。在拍攝過程中，受周圍環(huán)境、鋼絲繩自身特征及圖像傳遞過程中信息缺失等因素的影響，成像效果差。因此，在進(jìn)行識(shí)別前要進(jìn)行預(yù)處理，消除干擾和增強(qiáng)有用信息的可檢測(cè)性。采用中值濾波處理后的圖像如圖10 所示。

圖10 中值濾波后的圖像Fig. 10 Image after median filtering

3.3 鋼絲繩損傷圖像分割

圖像灰度化及濾波預(yù)處理后的結(jié)果對(duì)于計(jì)算機(jī)后續(xù)算法處理仍然有很多不便，圖像閾值分割可以進(jìn)一步簡(jiǎn)化圖像分析過程。圖像閾值分割后，極大壓縮了數(shù)據(jù)量，在后續(xù)損傷特征輪廓提取及形態(tài)學(xué)算法處理上更為簡(jiǎn)化。采用聚類法對(duì)圖像進(jìn)行分割，結(jié)果如圖11 所示。

圖11 聚類算法閾值分割后的圖像Fig. 11 Image divided by threshold of clustering algorithm

3.4 鋼絲繩損傷圖像邊緣提取與定量識(shí)別

鋼絲繩損傷圖像邊緣提取是定量識(shí)別的基礎(chǔ)，采用形態(tài)學(xué)方法對(duì)鋼絲繩損傷圖像進(jìn)行邊緣提取，提取結(jié)果如圖 12 所示。根據(jù)形態(tài)學(xué)腐蝕膨脹處理的原理將缺陷分離，結(jié)果如圖 13 所示。

圖12 邊緣輪廓提取后的圖像Fig. 12 Image after extraction of edge profile

圖13 缺陷分離后的圖像Fig. 13 Images after separation of defects

根據(jù)輪廓提取之后的缺口分離結(jié)果對(duì)損傷區(qū)域進(jìn)行標(biāo)記以及計(jì)算損傷區(qū)域面積，結(jié)果如圖 14 所示。

圖14 鋼絲繩損傷面積識(shí)別結(jié)果Fig. 14 Identification results of damaged area of wire rope

通過多組試驗(yàn)對(duì)比，對(duì)識(shí)別的鋼絲繩損傷面積誤差進(jìn)行分析，結(jié)果如表 1 所列。

由表 1 可知，機(jī)器視覺法實(shí)現(xiàn)了鋼絲繩損傷面積較準(zhǔn)確的識(shí)別，當(dāng)損傷缺口面積較小時(shí)，計(jì)算誤差稍大，這主要是由拍攝時(shí)鋼絲繩運(yùn)行抖動(dòng)、圖像處理算法誤差和圖像像素誤差等原因造成的。

表1 鋼絲繩損傷面積識(shí)別誤差Tab.1 Identification error of damaged area of wire rope

4 結(jié)論

提出一種基于漏磁檢測(cè)與機(jī)器視覺檢測(cè)融合的在線檢測(cè)方法，解決礦井提升鋼絲繩損傷在線檢測(cè)的精度問題，通過理論、仿真和試驗(yàn)驗(yàn)證得到以下結(jié)論。

(1) 該在線檢測(cè)方案通過漏磁檢測(cè)與機(jī)器視覺檢測(cè)融合的方法，實(shí)現(xiàn)對(duì)鋼絲繩的繩股錯(cuò)位、銹蝕、磨損、疲勞裂紋、跳絲變形、表面缺口等損傷進(jìn)行全面的檢測(cè)與識(shí)別，并且提高了損傷識(shí)別的準(zhǔn)確率。

(2) 提取了不同斷絲數(shù)量下提升鋼絲繩斷絲信號(hào)的特征，并且用 GA-BP 對(duì)斷絲進(jìn)行定量分析。結(jié)果表明，優(yōu)化后，斷絲識(shí)別結(jié)果的相對(duì)誤差有較大的減小，最大相對(duì)誤差為 5.23%。

(3) 采用圖像灰度化和中值濾波對(duì)鋼絲繩外部損傷圖像進(jìn)行預(yù)處理，并運(yùn)用聚類法和形態(tài)學(xué)操作對(duì)鋼絲繩外部損傷缺陷區(qū)域進(jìn)行分離和提取。結(jié)果表明：機(jī)器視覺法可以實(shí)現(xiàn)鋼絲繩外部損傷面積準(zhǔn)確識(shí)別。