吳 東，張寶金，隋顯俊，劉偉新，黃升平，楊建華

(1. 鞍鋼集團(tuán)礦業(yè)有限公司眼前山分公司，鞍山 114044；2.中國(guó)礦業(yè)大學(xué) 機(jī)電工程學(xué)院 江蘇省礦山機(jī)電裝備重點(diǎn)實(shí)驗(yàn)室，徐州 221116)

由于工作環(huán)境復(fù)雜惡劣，鋼絲繩在使用過(guò)程中容易出現(xiàn)斷絲、磨損等損傷[1]。鋼絲繩損傷造成的停工會(huì)帶來(lái)巨大的經(jīng)濟(jì)損失，甚至可能威脅到人員生命安全，因此有必要對(duì)鋼絲繩進(jìn)行損傷檢測(cè)。

漏磁檢測(cè)是鋼絲繩無(wú)損檢測(cè)的一種常用方法[2]。其檢測(cè)原理是：利用鋼絲繩具有高磁導(dǎo)率的性質(zhì)，使用永磁鐵對(duì)鋼絲繩進(jìn)行磁化；當(dāng)鋼絲繩出現(xiàn)斷絲、磨損等損傷時(shí)，損傷處磁阻增大，磁通減小，會(huì)出現(xiàn)漏磁現(xiàn)象[3]；通過(guò)檢測(cè)漏磁信號(hào)即可判斷損傷位置與損傷類(lèi)型。

惡劣環(huán)境下鋼絲繩在工作中的振動(dòng)常會(huì)導(dǎo)致漏磁信號(hào)特征信息被強(qiáng)噪聲淹沒(méi)。移位平均法是一種應(yīng)用廣泛、抗干擾能力強(qiáng)的信號(hào)處理算法。奚彩萍等[4]利用多重分形降趨移動(dòng)平均法處理典型多重分形信號(hào)，并分析了算法的優(yōu)劣性。王龍等[5]利用移動(dòng)平均法結(jié)合小波閾值分析，實(shí)現(xiàn)了含噪的鋼絲繩信號(hào)自適應(yīng)提取。

不少學(xué)者將鋼絲繩損傷分析與深度學(xué)習(xí)網(wǎng)絡(luò)緊密結(jié)合起來(lái)，利用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)損傷分類(lèi)與識(shí)別。竇連城等[6]采用雙樹(shù)復(fù)小波對(duì)鋼絲繩漏磁信號(hào)進(jìn)行降噪，通過(guò)設(shè)置自適應(yīng)閾值提取降噪信號(hào)的時(shí)頻域特征，并提取出最優(yōu)特征子集輸入BP神經(jīng)網(wǎng)絡(luò)中，準(zhǔn)確識(shí)別出鋼絲繩內(nèi)外部斷絲。李丹丹[7]結(jié)合軟閾值處理方案對(duì)鋼絲繩漏磁信號(hào)進(jìn)行降噪，然后進(jìn)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(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)識(shí)別。鐘小勇等[8]采用改進(jìn)粒子群優(yōu)化算法，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，并對(duì)漏磁信號(hào)進(jìn)行分類(lèi)識(shí)別，實(shí)現(xiàn)了外部的斷絲損傷檢測(cè)。

針對(duì)鋼絲繩在強(qiáng)噪聲背景下難以進(jìn)行損傷識(shí)別的問(wèn)題，提出了一種基于自適應(yīng)移位平均降噪與BP神經(jīng)網(wǎng)絡(luò)的礦用鋼絲繩損傷識(shí)別方法。以礦井鋼絲繩為例，采用自適應(yīng)移位平均法對(duì)強(qiáng)噪聲背景下的斷絲信號(hào)和磨損信號(hào)進(jìn)行降噪處理，通過(guò)APSO(自適應(yīng)粒子群優(yōu)化)算法找到移位平均算法的最優(yōu)窗寬，對(duì)漏磁信號(hào)進(jìn)行降噪；然后以鋼絲繩斷絲損傷為例，對(duì)處理后的信號(hào)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(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)識(shí)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(tài)分布，且功率譜密度為常數(shù)，滿足以下統(tǒng)計(jì)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(qiáng)度；δ(t)為狄拉克函數(shù)；t為時(shí)間。

礦井鋼絲繩工作環(huán)境惡劣，且鋼絲繩的振動(dòng)毫無(wú)規(guī)律，近似為隨機(jī)噪聲。隨機(jī)噪聲會(huì)干擾原始信號(hào)，影響鋼絲繩損傷特征提取精度。

1.2 基于APSO的自適應(yīng)移位平均算法

含噪信號(hào)可以看作是原始信號(hào)與噪聲信號(hào)的疊加。移位平均法利用了高斯白噪聲均值為0的特點(diǎn)。其原理是每次采樣的采樣點(diǎn)均是點(diǎn)數(shù)為N的序列，去掉第一項(xiàng)后，將后面的N-1項(xiàng)往前移，再將新的采樣數(shù)據(jù)作為最后一項(xiàng)，然后對(duì)N個(gè)采樣數(shù)據(jù)進(jìn)行算術(shù)平均，即

(2)

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

對(duì)于移位平均法，窗寬N的選取會(huì)對(duì)信號(hào)降噪效果產(chǎn)生影響。N過(guò)大會(huì)導(dǎo)致截止頻率過(guò)低，細(xì)節(jié)部分被忽略，N過(guò)小會(huì)導(dǎo)致截止頻率過(guò)高，降噪效果差。因此，選擇最優(yōu)的窗寬N可以實(shí)現(xiàn)最有效的降噪效果。文章引入APSO算法[9]對(duì)窗寬進(jìn)行優(yōu)化，選擇信號(hào)的信噪比作為適應(yīng)度函數(shù)，信噪比Sn定義為

(3)

式中：x(i)為處理后的信號(hào)時(shí)域圖中第i個(gè)點(diǎn)的幅值；i1為損傷信號(hào)起始點(diǎn)；i2為損傷信號(hào)的終止點(diǎn)；A為損傷信號(hào)兩側(cè)的第A個(gè)點(diǎn)。

APSO算法的流程如下。

(1) 初始化種群中各粒子的步長(zhǎng)和位置。群體個(gè)體數(shù)目H為10，步長(zhǎng)更新范圍R為0.01。所需優(yōu)化的參數(shù)窗寬為N，同時(shí)設(shè)置參數(shù)窗寬的搜索范圍N∈[0,500]。

(2) 通過(guò)式(3)計(jì)算各個(gè)粒子的適應(yīng)度值，存儲(chǔ)每個(gè)粒子的最好位置和適應(yīng)度，并從種群中選擇適應(yīng)度最好的粒子位置作為當(dāng)前粒子群全局最優(yōu)位置，記作gbest。

(3) 每經(jīng)過(guò)一次迭代，需要對(duì)每個(gè)粒子位置進(jìn)行更新。因而第i個(gè)粒子更新的S維(變量?jī)H有N，故S=1)的位移為vmax為最大更新步長(zhǎng)；piS為第i個(gè)粒子迄今為止搜索到的最優(yōu)位置；pgS為整個(gè)粒子群搜索到的最優(yōu)位置；xiS為粒子位置；k為迭代次數(shù)，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(xué)習(xí)因子c1=c2=2；r1和r2為相互獨(dú)立的偽隨機(jī)數(shù)，服從[0,1]均勻分布；viS∈[-vmax,vmax]，

可根據(jù)式(4)，(5)來(lái)調(diào)整粒子的步長(zhǎng)和位置。

(4) 計(jì)算位置更新后的每個(gè)粒子的適應(yīng)度，將每個(gè)粒子的適應(yīng)度與其以前經(jīng)歷過(guò)的最好位置Pbest所對(duì)應(yīng)的適應(yīng)度對(duì)比，如果較好，則將其當(dāng)前位置作為該粒子的Pbest；

(5) 將每一個(gè)粒子的適應(yīng)度與全體粒子所經(jīng)歷過(guò)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(dá)到最大迭代次數(shù)或達(dá)到了足夠好的適應(yīng)值或者迭代輸出的最優(yōu)解相同)，如果沒(méi)有達(dá)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(yōu)解。

2 試驗(yàn)分析

搭建鋼絲繩樣繩損傷檢測(cè)試驗(yàn)臺(tái)，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(jī)構(gòu)、支撐裝置、計(jì)算機(jī)等組成，試驗(yàn)現(xiàn)場(chǎng)如圖1所示。

圖1 試驗(yàn)現(xiàn)場(chǎng)

采用Y66霍爾型鋼絲繩探傷儀對(duì)鋼絲繩進(jìn)行無(wú)損檢測(cè)，推動(dòng)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(hào)并顯示在計(jì)算機(jī)上，數(shù)據(jù)可保存為txt文本格式，然后調(diào)用試驗(yàn)數(shù)據(jù)進(jìn)行分析。對(duì)實(shí)測(cè)信號(hào)加入噪聲強(qiáng)度D為3的高斯白噪聲來(lái)模擬外界噪聲干擾，干擾下的檢測(cè)信號(hào)如圖2所示，圖中藍(lán)色線為含噪信號(hào)，青綠色線為原始信號(hào)。

圖2 干擾下的檢測(cè)信號(hào)

為了說(shuō)明該方法的優(yōu)點(diǎn)，分別取斷絲損傷和磨損損傷，采用自適應(yīng)移位平均法的斷絲損傷信號(hào)處理的結(jié)果如圖3(a)所示，基于sym2、db4、db8小波變換的損傷信號(hào)處理結(jié)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(hào)處理結(jié)果如圖4所示。

圖3 基于不同方法的斷絲損傷信號(hào)處理結(jié)果

圖4 基于不同方法的磨損損傷信號(hào)處理結(jié)果

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

表1 不同處理方法得到的鋼絲繩損傷信號(hào)信噪比

為了不失一般性，分別給斷絲損傷信號(hào)與磨損損傷信號(hào)加入更強(qiáng)的噪聲，其信噪比如表2所示?？梢钥吹皆诩尤敫鼜?qiáng)噪聲的情況下，損傷信號(hào)的信噪比穩(wěn)定，其降噪后的漏磁信號(hào)仍能保留損傷特征。

表2 不同噪聲強(qiáng)度下鋼絲繩損傷信號(hào)的信噪比

說(shuō)明在強(qiáng)噪聲背景下基于APSO的自適應(yīng)移位平均法可對(duì)漏磁信號(hào)進(jìn)行有效降噪。

3 鋼絲繩漏磁信號(hào)特征提取

鋼絲繩漏磁信號(hào)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(hào)的特征量是開(kāi)展損傷檢測(cè)的關(guān)鍵。即，所提取的特征量，需能清晰區(qū)分不同損傷特征。

以鋼絲繩斷絲損傷為例，鋼絲繩在沒(méi)有損傷的情況下，漏磁信號(hào)波形會(huì)在一個(gè)很小的區(qū)間內(nèi)平穩(wěn)波動(dòng)。截取一段平穩(wěn)信號(hào)，對(duì)其求均值作為信號(hào)基準(zhǔn)線。而當(dāng)鋼絲繩出現(xiàn)斷絲時(shí)，信號(hào)會(huì)突然離開(kāi)基準(zhǔn)線，出現(xiàn)突變。

針對(duì)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(duì)象，以這三個(gè)指標(biāo)作為特征值構(gòu)造鋼絲繩損傷檢測(cè)的數(shù)據(jù)集。斷絲信號(hào)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(hào)特征定義示意

(1) 峰峰值。鋼絲繩斷絲損傷信號(hào)的峰峰值是信號(hào)最高點(diǎn)到信號(hào)最低點(diǎn)的差值。鋼絲繩斷絲數(shù)量越多，峰峰值越大。

(2) 波形寬度。鋼絲繩斷絲損傷信號(hào)的波寬是指信號(hào)從發(fā)生突變到恢復(fù)平穩(wěn)波動(dòng)所經(jīng)歷的距離。

(3) 波形下面積。鋼絲繩斷絲損傷信號(hào)的波形下面積是指信號(hào)突變時(shí)鋼絲繩信號(hào)波形和信號(hào)基準(zhǔn)線圍成的面積。

4 基于BP神經(jīng)網(wǎng)絡(luò)的鋼絲繩損傷定性識(shí)別方法

判斷鋼絲繩是否存在損傷，實(shí)質(zhì)上是建立鋼絲繩損傷與所提取到的信號(hào)特征的映射。以鋼絲繩斷絲損傷為例，在使用探傷儀對(duì)鋼絲繩進(jìn)行探傷時(shí)，由于手持探傷儀的力度、速度不同，在沒(méi)有斷絲的地方也可能會(huì)存在斷絲損傷信號(hào)，稱之為偽斷絲。而在漏磁信號(hào)中提取的峰峰值、波形寬度、波形下面積可以作為真實(shí)斷絲判斷的指標(biāo)。為了實(shí)現(xiàn)鋼絲繩斷絲損傷的定性識(shí)別，筆者使用BP神經(jīng)網(wǎng)絡(luò)建立斷絲與特征值之間的映射。

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)[12]，BP神經(jīng)網(wǎng)絡(luò)處理過(guò)程主要分為兩個(gè)階段。第一個(gè)階段是信號(hào)的前向傳播，從輸入層到隱藏層再到輸出層。第二個(gè)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(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)的層與層之間的權(quán)重和偏置進(jìn)行調(diào)節(jié)，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。

在D=3的噪聲背景下，采用鋼絲繩漏磁信號(hào)中獲得的峰峰值、波寬、波形下面積等參數(shù)建立是否有斷絲的特征集，對(duì)樣本進(jìn)行歸一化處理，其中20組歸一化后的真?zhèn)螖嘟z損傷信號(hào)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(shù)為歸一化數(shù)值，無(wú)單位。

表3 真斷絲與偽斷絲損傷信號(hào)歸一化特征集

對(duì)建立的鋼絲繩斷絲和偽斷絲樣本按3：1的比例劃分訓(xùn)練集和測(cè)試集，并對(duì)斷絲損傷識(shí)別網(wǎng)絡(luò)的參數(shù)初始化，設(shè)置隱藏層激活函數(shù)為Relu，輸出層激活函數(shù)為Sigmod。設(shè)迭代次數(shù)為500，學(xué)習(xí)率為0.1，目標(biāo)為0.001，設(shè)隱含層節(jié)點(diǎn)數(shù)為10，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

圖6 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖6中w表示層與層之間的連接權(quán)值，a表示各層的輸出。先用訓(xùn)練集的數(shù)據(jù)訓(xùn)練BP網(wǎng)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)到指定閾值時(shí)訓(xùn)練結(jié)束。然后將測(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(lèi)。

測(cè)試結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率為95.71%。重復(fù)上述過(guò)程，對(duì)D=4和D=5的強(qiáng)噪聲條件進(jìn)行自適應(yīng)移位降噪與數(shù)據(jù)提取，并輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別，其識(shí)別準(zhǔn)確率分別為99.60%和99.95%，不同噪聲下斷絲損傷定性判斷結(jié)果如圖7所示?？梢钥闯觯?xùn)練的網(wǎng)絡(luò)可準(zhǔn)確分辨真斷絲和偽斷絲，且誤差很小，因此該方法可以對(duì)礦用鋼絲繩進(jìn)行損傷定性識(shí)別。

圖7 不同噪聲背景下斷絲損傷定性判斷結(jié)果

5 結(jié)論

以礦井鋼絲繩為例，針對(duì)強(qiáng)噪聲背景下難以識(shí)別鋼絲繩損傷的問(wèn)題，提出了一種基于自適應(yīng)移位平均降噪與BP神經(jīng)網(wǎng)絡(luò)的礦用鋼絲繩損傷識(shí)別方法，主要結(jié)論如下。

(1) 利用基于APSO算法的自適應(yīng)移位平均算法可實(shí)現(xiàn)強(qiáng)噪聲背景下鋼絲繩漏磁信號(hào)的降噪，可以計(jì)算出最優(yōu)窗寬N，可有效減少原始漏磁信號(hào)噪聲的干擾，保留完整的波形特性。

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

(3) 將信號(hào)特征值輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其識(shí)別準(zhǔn)確度高、效果好，可定性判斷鋼絲繩損傷類(lèi)型。