华晋伟,王 兵,邵 帅,林 森
(1.辽河油田公司资产装备部,辽宁盘锦 124010;2.辽宁省产品质量监督检验院,辽宁沈阳 110032;3.沈阳工业大学信息中心,辽宁沈阳 110870)
钢丝绳作为提升、运输和承受设备的重量的关键部件,被广泛应用于多种技术领域。针对牵引和起重行业经常使用钢丝绳无损检测技术进行研究,设计开发了一种断丝检测装置。研究了利用电磁激励在线监测钢丝绳实时运行状态和缺陷信号的特性,通过实验室的钢缆疲劳实验平台,对论文的结果进行了验证,对钢缆的断丝检测系统进行了反复的校正,调试和实验。
文中根据foster模型分析了基于漏磁通量的钢缆断丝检测系统,利用定向霍尔传感器测量了钢缆表面的磁场。采用小波分析理论研究了断丝信号的预处理方法,详细的分析了断丝处的信号特性,推导了断丝处信号特性的算法。根据BP神经网络,提出了断丝处信号的图像识别方法。通过这个方法,可以先利用神经网络形成良好的网络结构,然后利用网络来进行钢缆检测,并测量,识别,自动诊断钢缆的缺陷,达到智能化的要求。
1.1foster模型
foster 模型如图1所示,是漏磁检测的理论模型,气隙中的磁场强度Hg均匀分布如图1所示,磁场强度与到气隙的距离成反比。气隙中的漏磁通可以表示为:
图1 Foster 简化原理图
(1)
(2)
式中:Hg为气隙中的磁场强度;Lg为气隙的宽度。
如果x=0,漏磁通的值为:
(3)
由式(3)可知,漏磁通的值与y成反比,与Hg和Lg的乘积成正比。因此,如果保持Hg恒定,漏磁通的值会随着气隙的增大而增大。
由式(3)可知,以下的等式可表示为:
(4)
在这种情况下,漏磁通传感器的灵敏度与y2成反比。
1.2磁检测原理
磁检测的原理是基于铁磁物质的磁导率是空气的100倍以上。用永磁体来磁化钢缆时,由于钢缆缺陷处的磁阻会增大,所以一部分磁通会从缺陷处漏出。漏磁通会被霍尔传感器检测到,如图2所示,其中S代表传感器,Φ表示漏磁通。
如果磁力线遇到外部或者内部的缺陷,磁力线就会扭曲。因此,漏磁通就会很容易被霍尔传感器检测到。外部和内部的缺陷信号波形如图3所示,其中左边的曲线是外部缺陷的,右边的是内部缺陷的。
图2 磁力探伤的基本原理
图3 外部与内部的缺陷信号波形
近年来,小波分析作为一种信号处理方法,它关注各种信号的细节,被视为数学显微镜,是在时域和频域内,分析畸变信号的理论基础。
2.1小波函数和小波变换
如果Ψ∈L2(R)(L2(R)是平方可积函数),Ψ(x)的傅立叶变换为:
(5)
Ψ(x)是小波函数。作为一个平方可积函数的正交基,小波函数f(x)可表示为:
(6)
小波分析也满足Parselval方程:
(7)
式中:<*,*>表示数积。
根据式(7),小波变换可表示为:
(8)
2.2信号重建
一个信号的离散样本系列为:f(n),n=1,2,…,N,如果c0(n)=f(n),二进制的小波变换为:
(9)
如果Hn,k=hk-2n且Gn,k=gk-2n,矩阵H和G满足关系式H=(Hn,k)和G=(Gn,k),式(10)表示为:
(10)
可得以下结论:
cj(k)=H*cj+1+G*dj+1
(11)
式中:H*和G*分别是H和G的关联矩阵;式(11)的算法称为小波重建;H和G称为小波滤波。
2.3断丝信号分析
图4 断丝的理想漏磁信号波形
图5 信号的小波分析与重构波形
目前,大部分的神经网络都以BP神经网络为模型,图6示。BP网络可以将网络输出与实际输出比较,然后判断两者之间是否有偏差。如果存在一个误差,这个误差将通过网络反向传输。同时,模型将调整所有图层的权重,直到误差消失。
BP网络的传递函数为:
f(x)=1/(1+e-βx)
(12)
式中β为斜坡系数。
误差表达式为:
图6 BP神经网络模型
(13)
式中tj和Qj分别为预期输出和实际输出。
权重的修改为:
ΔW(t)ji=-η∂E/∂Wji
(14)
式中η为学习速度率。
由式(14),权重增加表示为:
(15)
这个实验是基于疲劳试验装置。实验中的钢缆有效长度为650 mm.BP网络由输入层、隐藏层和输出层组成。隐藏层由4个神经细胞组成。最初的权重值为一个-1到1的随机数字。学习速度系数为0.05,预期的误差是10-6。符号*表示断丝的实际数量是1,因为信号过弱,不能被霍尔传感器检测。实验数据由表1中给出。显然从表1可知,对断丝的位置和数量判断的准确性是非常高的。从这个实验可以知道,神经网络可以自动识别断丝的位置和数量。它还可以消除人为因素对试验的影响。
表1 试验数据
论文阐述了定量检测钢缆断丝的原理,系统的分析了断丝信号的特性,给出了提取断丝信号特征量的算法,研究了信号处理,小波变换,神经网络图像识别等方法。在此基础上,用实验验证了研究的可行性。