一种钢丝绳外层损伤漏磁检测定量算法的制作方法

本发明涉及钢丝绳损伤检测方法，特别涉及一种钢丝绳外层损伤漏磁检测定量算法。

背景技术：

目前漏磁检测为钢丝绳检测常用的有效方法，一般是对钢丝绳进行强励磁至饱和，通过钢丝绳表面分布的磁传感器阵列检测钢丝绳表面的磁信号，通过磁信号的异常，即漏磁信号，结合相应的数据处理和定量方法对钢丝绳损伤进行定量分析。本发明主要是针对钢丝绳漏磁检测的数据处理和定量计算部分。

传统的对损伤的定量计算一般将定量计算问题作为分类问题，制作标准伤样本通过标准伤的磁信号特征和实际损伤尺寸结合bp神经网络训练，用于损伤的定量计算，该方法存在的问题是对于超出样本的损伤，该方法检测结果会出现较大误差，传统的方法如果应用于实际检测则需要大量的损伤样本，需要制作大量的标准伤或在大量的检测中不断的对训练的神经网络进行训练完善。同时传统的神经网络定量方法对磁化因素没有涉及，当检测探头磁化条件变化或检测钢丝绳磁化材料属性变化之后，之前训练的网络难以适用。这就造成了漏磁检测的定量困难的问题。也有一些定量方法采用有限元仿真来获取神经网络训练的样本，用于定量计算。但是有限元方法计算时需要大量的时间，同时该方法也没能解决磁化条件问题。

技术实现要素：

本发明提供一种钢丝绳外层损伤漏磁检测定量算法，旨在针对钢丝绳漏磁检测时，采用多路磁传感器获取磁信号后对于损伤难以定量的问题。特别涉及对螺旋结构钢丝绳的外层断丝精确定量计算方法。

本发明提供一种钢丝绳外层损伤漏磁检测定量算法，包括以下步骤：

s1.检测钢丝绳的条件，并根据检测出的条件建立数值计算参数；

s2.将上述数值计算参数代入磁偶极子模型函数计算漏磁场矢量理论值；

s3.通过计算的漏磁场矢量理论值计算检测方向信号的信号特征，获得波形的峰峰值vpp和峰峰宽wpp作为检测信号特征量；

s4.基于上述磁偶极子模型采用数值模拟建立一系列不同尺寸损伤和检测信号特征量的样本，训练rbf神经网络进行两者的映射；

s5.制作至少两个实际损伤样本，检测出其真实漏磁信号，计算真实信号的峰峰值和峰峰宽，记为(vppi,wppi)i＝1,2,...,n；

s6.根据实际损伤样本尺寸，采用上述理论模型计算理论漏磁信号的特征值：(vppi,wppi)i＝1,2,...,n；

s7.通过映射关系建立数值模拟计算信号特征，记为vppi、wppi和实际损伤样本信号特征vppi、wppi之间的映射关系

s8.通过s7中的映射关系将检测的实际损伤的信号特征转化为数值模拟计算的信号特征；

s9.将s8中计算的模拟信号特征代入s4中训练的定量计算神经网络，计算损伤的信息。

作为本发明的进一步改进，所述步骤s1中的钢丝绳检测条件为：钢丝绳直径dwr、外层断丝直径dw、损伤长度ld、损伤断丝根数nd、轴向采样间隔δx、一周传感器数目ns、传感器所在圆周直径ds。

作为本发明的进一步改进，所述步骤s4中，不同尺寸损伤包括损伤长度ld、损伤断丝根数nd。

作为本发明的进一步改进，所述步骤s1中建立数值模型的计算参数具体为：

根据钢丝绳直径dwr和传感器所在圆周直径ds计算提离lf和检测采样点参数坐标：提离

作为本发明的进一步改进，所述步骤s1中，若为传感器周向排布的漏磁检测系统，将周向排布的传感器检测柱面展开为平面进行处理，则柱坐标系可以等价为直角坐标系：

检测采样点在柱坐标系轴向坐标x为：xi(i＝0,1,2,...,n)，其中：其中n一般取5～10，其中柱坐标系轴向坐标x等价模型中直角坐标系x′轴坐标；

检测采样点在柱坐标系3周向坐标c为：zj(j＝0,1,2,...,m)，其中：其中柱坐标系周向坐标c等价模型中直角坐标系z′轴坐标；

检测采样点在柱坐标系径向坐标r为：yk＝lf，其中柱坐标系径向坐标r等价模型中直角坐标系的y′轴坐标；

检测采样点为一个(n+1)×(m+1)的点阵平面。

作为本发明的进一步改进，所述步骤s2中，三维磁偶极子模型方程为

式中：为漏磁场矢量；m为和磁化因素相关的比例系数；为检测传感器所在空间位置和磁荷单元位置之间的空间矢量；s为磁荷单元所在的曲面，同时也是损伤和磁化方向垂直的两个面。

作为本发明的进一步改进，设m＝1，即将上述数值计算参数带入磁偶极子模型函数计算检测点的漏磁场矢量理论值:其中：

作为本发明的进一步改进，所述步骤s3中，以阵列传感器检测轴向漏磁信号hx或径向漏磁信号hy进行周向加和式中的hij为hx或hy，获得波形的峰峰值vpp和峰峰宽wpp作为检测信号的特征量。

作为本发明的进一步改进，所述步骤s4中的rbf神经网络进行映射的关系式为所述步骤s7中的vppi、wppi和实际损伤样本信号特征vppi、wppi之间的映射关系若映射关系采用线性关系，则提取步骤s5中任意两个实际样本，根据求解若映射关系采用非线性关系，则提取步骤s5中一系列实际损伤样本训练神经网络，获得映射关系

作为本发明的进一步改进，所述步骤s5中，若螺旋结构钢丝绳需要对实际检测信号滤波，先滤除股波信号。

本发明的有益效果是：本发明采用神经网络逼近特征量和损伤尺寸的关系，对于不在训练样本之内的损伤也有很好的定量计算能力；不需要大量的实际损伤作为样本训练神经网络，经济省时；采用数值模型而非有限元模型建立样本，建立训练样本时计算时间短。

附图说明

图1是本发明中周向排布的传感器检测柱面展开为平面的示意图；

图2是本发明一种钢丝绳外层损伤漏磁检测定量算法的流程图；

图3是本发明中建立数值模拟信号和实际损伤样本信号之间线性映射的流程图；

图4是本发明中建立数值模拟信号和实际损伤样本信号之间非线性映射的流程图；

图5是本发明为hx周向和信号的vpp和wpp的关系图；

图6是本发明为hy周向和信号的vpp和wpp的关系图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。

本发明主要是对于钢丝绳漏磁检测的信号处理和定量计算过程。本方法基于三维磁偶极子模型，采用文献中的模型方程：

式中：为漏磁场矢量；m为和磁化因素相关的比例系数；为检测传感器所在空间位置和磁荷单元位置之间的空间矢量；s为磁荷单元所在的曲面，同时也是损伤和磁化方向垂直的两个面。

另外本发明基于径向基神经网络，由moody和darken于1988年提出了一种神经网络结构，即径向基神经网络，属于前向神经网络类型，它能够以任意精度逼近任意连续函数。基于径向基神经网络可以进行函数逼近、曲面拟合等。

本发明的数据处理过程如下：

step1：根据检测的条件：钢丝绳直径dwr、外层断丝直径dw、损伤长度ld、损伤断丝根数nd、轴向采样间隔δx、一周传感器数目ns、传感器所在圆周直径ds等，建立数值模型的计算参数：

根据钢丝绳直径dwr和传感器所在圆周直径ds计算提离lf和检测采样点(传感器采样空间点)参数坐标：

提离

如图1，对于传感器周向排布的漏磁检测系统，可将周向排布的传感器检测柱面1展开为平面2进行处理，则图中所示柱坐标系3可以等价为直角坐标系4：

检测采样点在柱坐标系3轴向坐标x(等价模型中直角坐标系x′轴坐标)为：xi(i＝0,1,2,...,n)，其中：其中n一般取5～10。

检测采样点在柱坐标系3周向坐标c(等价模型中直角坐标系z′轴坐标)为：zj(j＝0,1,2,...,m)，其中：

检测采样点在柱坐标系3径向坐标r(等价模型中直角坐标系的y′轴坐标)为：yk＝lf。

检测点根据实际检测情况确定为一个(n+1)×(m+1)的点阵平面。

step2：设将上述数值计算参数带入磁偶极子模型函数计算检测点的漏磁场矢量理论值:其中：

计算得到hx,hy,hz均为(n+1)×(m+1)的矩阵。

step3：通过计算的漏磁场矢量理论值计算检测方向的信号某些信号特征，本发明一般以阵列传感器检测轴向漏磁信号hx或径向漏磁信号hy进行周向加和(式中的hij为hx或hy)，获得波形的峰峰值和峰峰宽(vpp,wpp)作为检测信号的特征量，如图2。

step:4：基于上述磁偶极子模型采用数值模拟建立一系列不同尺寸损伤(长度和根数)和检测信号特征量(信号波形峰峰值和峰峰宽，记为vpp,wpp)的样本，训练rbf神经网络实现两者的映射如图3和图4中对vpp和wpp的定义。

step5：制作至少两个实际损伤样本，检测出其真实漏磁信号，计算真实信号的峰峰值和峰峰宽，记为(vppi,wppi)i＝1,2,...,n。对于螺旋结构钢丝绳需要对实际检测信号滤波，滤除股波信号。

step6.根据实际损伤样本尺寸，采用上述理论模型计算理论漏磁信号的特征值：(vppi,wppi)i＝1,2,...,n；

step7.通过线性映射关系(线性或非线性)建立数值模拟计算信号特征，记为vppi、wppi和实际损伤样本信号特征vppi、wppi之间的映射关系其中采用线性映射关系只需要两个实际样本，根据求解而采用非线性映射关系，需要一系列样本训练神经网络，获得映射关系其中非线性映射关系最终结果更为精确；

step8：通过step7中的映射关系将检测的实际损伤的信号特征(vpp，wpp)转化为数值模拟计算的信号特征(vpp,wpp)。

step9：将step8中计算的模拟信号特征代入step4中训练的定量计算神经网络，计算损伤的实际尺寸。

本发明的有益效果：

1)采用神经网络逼近特征量和损伤尺寸的关系，不是采用分类问题的神经网络，对于不在训练样本之内的损伤也有很好的定量计算能力；

2)本方法不需要大量的实际损伤作为样本训练神经网络，经济省时；

3)采用数值模型而非有限元模型建立样本，建立训练样本时计算时间短；

4)根据磁偶极子数值模拟计算建立定量计算网络时，没有磁化因素参数，在step5时才将实际磁化因素和数值模拟关系建立起来，所以训练网络不含磁化因素。在磁化条件改变时，只需要制作两个标准损伤样本，网络可继续使用。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。