鋼絲繩芯輸送帶缺陷智能識別方法及系統的製作方法
2023-06-15 13:09:11 2
專利名稱：鋼絲繩芯輸送帶缺陷智能識別方法及系統的製作方法
技術領域：
本發明屬於鋼絲繩芯輸送帶缺陷智能識別技術領域，尤其是涉及一種鋼絲繩芯輸送帶缺陷智能識別方法及系統。
背景技術：
鋼絲繩芯帶式輸送機是目前大多數煤礦的主運輸設備，通常情況下要承擔65%以上煤量的運輸，在現代化煤礦生產中發揮著極其重要的作用。由於輸送帶的長期、高負荷運轉和一些意外因素，如從其他煤炭輸送系統轉載的矸石、煤塊和其他堅硬物體的衝擊或卡阻，會造成輸送帶受損，受損後造成內部產生鋼絲繩斷繩、斷絲、疲勞和接頭位移等缺陷，大大降低輸送帶的抗拉強度。經分析，煤礦鋼絲繩芯輸送帶橫向斷帶的主要原因是輸送帶接 頭損傷和輸送帶受損後造成內部鋼絲繩斷絲、斷繩和疲勞等造成輸送帶強度降低，進而造成橫向斷帶。長期以來，煤礦鋼絲繩芯輸送帶運行過程缺乏有效檢測設備和方法，輸送帶經常發生損傷、斷裂等事故，輕則造成輸送帶倒滑，煤炭堵塞巷道，輸送帶大架受損，重則造成斷帶，系統損毀和人員傷亡，給國家財產和人民生命造成巨大損失。鋼絲繩芯輸送帶是以鋼絲繩為骨架經硫化等工藝生產的一種高強力輸送帶。目前國內主要用ST系列鋼絲繩芯輸送帶，使用過程中鋼絲繩會出現斷繩、斷絲、疲勞等缺陷，同時輸送帶現場硫化工藝和水平不足也會引起硫化接頭隱患，若遇起停、塊煤等衝擊載荷，將直接引發輸送帶斷裂。分析煤礦鋼絲繩芯輸送帶斷帶事故的根本原因，就是缺乏有效、可靠的鋼絲繩芯輸送帶缺陷檢測手段和評價標準。現如今，大多數煤礦的鋼絲繩芯輸送帶仍採用人工目測和定期更換管理的方法，存在安全隱患和嚴重的浪費現象。並且實際應用過程中，由於鋼絲繩芯輸送帶缺陷種類較多，信號特徵比較複雜，鋼絲繩芯輸送帶的缺陷信號模式識別屬於多分類識別。現有檢測系統在缺陷信號模式識別方面的研究嚴重不足，並且存在實時性差和可靠性低等問題。隨著對輸送帶輸送系統安全可靠性關注度的不斷提升，煤礦鋼絲繩芯輸送帶斷帶檢測技術的研究也不斷深入，在線檢測系統將逐漸替代人工檢查，檢測儀器的數位化、智能化將成為發展趨勢，缺陷的智能識別將取代人的經驗，並逐漸完善基於知識的檢測和評價算法，檢測的可靠性、準確性將不斷提高，從而全面提高煤礦鋼絲繩芯輸送帶運行的安全性和經濟性。
發明內容
本發明所要解決的技術問題在於針對上述現有技術中的不足，提供一種識別方法步驟簡單、實現方便且識別速度快、識別精度高的鋼絲繩芯輸送帶缺陷智能識別方法。為解決上述技術問題，本發明採用的技術方案是一種鋼絲繩芯輸送帶缺陷智能識別方法，其特徵在於該方法包括以下步驟步驟一、電磁加載採用電磁加載裝置對被檢測鋼絲繩芯輸送帶進行電磁加載；步驟二、缺陷信號採集採用電磁檢測單元對多種不同缺陷狀態時被檢測鋼絲繩芯輸送帶內的剩磁分別進行檢測，並將所檢測信號同步傳送至數據處理器，相應獲得與N種不同缺陷狀態相對應的N組缺陷狀態檢測信息，N組所述缺陷狀態檢測信息中均包括電磁檢測單元在不同採樣時段檢測到的多個檢測信號，其中N為正整數且N > 3 ；多個所述檢測信號均為所述電磁檢測單元在一個採樣時段內所檢測到的一個採樣序列，且該採樣序列中包括電磁檢測單元在多個採樣時刻所檢測的多個採樣值；步驟三、特徵提取待數據處理器接收到電磁檢測單元所傳送的檢測信號時，自各檢測信號中分別提取出能代表並區別該檢測信號的一組特徵參數，且該組特徵參數包括M個特徵量，並對M個所述特徵量進行編號，M個所述特徵量組成一個特徵向量，其中MS 2 ；步驟四、訓練樣本獲取分別在經特徵提取後的N組所述缺陷狀態檢測信息中，隨 機抽取m個檢測信號組成訓練樣本集；所述訓練樣本集中相應包括I個訓練樣本,其中m > 2, l=mXN ;I個所述訓練樣本分屬於N個樣本類，每一個樣本類中均包括被檢測鋼絲繩芯輸送帶工作於同一個缺陷狀態時的m個訓練樣本，N個樣本類分別為與被檢測鋼絲繩芯輸送帶的N種不同缺陷狀態相對應的樣本類I、樣本類2…樣本類N #個樣本類中的每一個訓練樣本均記作Xqs，其中Q為樣本類的類別標號且Q=l、2…N，s為各樣本類中所包括m個訓練樣本的樣本序號且s=l、2···m ；XQs為樣本類k中第s個訓練樣本的特徵向量，Xqs e Rd，其中d為Xqs的向量維數且d=M ；步驟五、分類優先級別確定，其確定過程如下步驟501、樣本類的類中心計算採用數據處理器對N個所述樣本類中任一個樣本類q的類中心進行計算；且對樣本類q的類中心進行計算時,根據公式& (/,) = Χ，計算得出樣本
S:i
類q中所有訓練樣本的各特徵量均值；式中為樣本類q中第s個訓練樣本的第P個特徵量，If 為樣本類q中所有訓練樣本的第P個特徵量均值；步驟502、類間距離計算採用數據處理器且根據公式,
V P I
對步驟501中所述任一個樣本類q與N個所述樣本類中任一個樣本類h之間的間距分別進行計算，其中(/0為樣本類q中所有訓練樣本的第P個特徵量均值，Xh 為樣本類h中所有訓練樣本的第P個特徵量均值，且h=l、2-N ;步驟503、類間距之和計算採用數據處理器且根據公式臓/W = >對步驟
H I
501中所述任一個樣本類k的類間距之和；步驟504、多次重複步驟501至步驟503，直至計算得出N個所述樣本類中所有樣本類的類間距之和；步驟505、按照步驟504中計算得出的所有樣本類的類間距之和由大到小的順序，採用數據處理器確定出N個所述樣本類的分類優先級別Y，其中Y=l、2…N ;其中，類間距之和最大的樣本類的分類優先級別最高且其分類級別為1，類間距之和最大的樣本類的分類優先級別最低且其分類級別為N ；步驟六、多分類模型建立所建立的多分類模型包括N-I個二分類模型，且N-I個所述二分類模型均為支持向量機模型；N-1個所述二分類模型按照步驟405中所確定的分類優先級別，將N個所述樣本類自所述訓練樣本集中由先至後逐類分出來,N-I個所述二分類模型的建立方法均相同且均採用數據處理器進行建立；對於N-I個所述二分類模型中的任一個二分類模型z來說，其建立過程如下步驟601、核函數選取選用徑向基函數作為二分類模型z的核函數；步驟602、分類函數確定待懲罰參數C與步驟601中所選用徑向基函數的核參數Y確定後，獲得二分類模型z的分類函數，完成二分類模型z的建立過程；其中，O
<C 彡 1000,0 < y ^ 1000 ；所建立的二分類模型z為待分類優先級別高於z的所有樣本類自所述訓練樣本集中分出來後，將分類優先級別為z的樣本類自所述訓練樣本集中剩餘的N-z+1個樣本類中 分出來的二分類模型，其中z=l、2…N-I ；步驟603、二分類模型分類優先級別設定根據步驟602中所述二分類模型z自所述訓練樣本集中剩餘的N-z+1個樣本類中分出來的樣本類的分類優先級別z，對二分類模型z的分類優先級別R進行設定，且R=Z ；步驟604、多次重複步驟601至步驟603，直至獲得N_1個所述二分類模型的分類函數，便完成N-I個所述二分類模型的建立過程，獲得建立完成的多分類模型。所建立的多分類模型為將所述訓練樣本集中的多個樣本類逐一分出來的多分類模型；步驟七、多分類模型訓練將步驟四中所述訓練樣本集中的I個訓練樣本輸入到步驟六中所建立的多分類模型進行訓練；步驟八、信號實時採集及同步分類採用電磁檢測單元對被檢測鋼絲繩芯輸送帶內的剩磁進行實時檢測，並將所檢測信號同步輸入至數據處理器進行特徵提取後送至步驟六中所建立的多分類模型中，便自動輸出被檢測鋼絲繩芯輸送帶的缺陷類別。上述鋼絲繩芯輸送帶缺陷智能識別方法，其特徵是步驟二中所述電磁檢測單元的數量為多個，多個所述電磁檢測單元沿被檢測鋼絲繩芯輸送帶的寬度方向進行均勻布設；且步驟三中進行特徵提取之後，所述數據處理器還需調用多傳感器數據融合處理模塊，對多個所述電磁檢測單元所檢測信號進行融合處理。上述鋼絲繩芯輸送帶缺陷智能識別方法，其特徵是步驟二中所述的電磁檢測單元包括對被檢測鋼絲繩芯輸送帶內水平方向上的剩磁進行實時檢測的水平向電磁檢測單元和/或對被檢測鋼絲繩芯輸送帶內豎直方向上的剩磁進行實時檢測的豎直向電磁檢測單元；所述水平向電磁檢測單元和豎直向電磁檢測單元均布設在被檢測鋼絲繩芯輸送帶上；當所述電磁檢測單元包括水平向電磁檢測單元和豎直向電磁檢測單元時，所述水平向電磁檢測單元和豎直向電磁檢測單元同步對被檢測鋼絲繩芯輸送帶內同一位置處的剩磁進行檢測，且所述水平向電磁檢測單元和豎直向電磁檢測單元的採樣頻率相同；步驟一中所獲得的N組所述缺陷狀態檢測信息相應為N組水平向剩磁檢測信息和/或N組豎直向剩磁檢測信息；其中，N組所述水平向剩磁檢測信息均包括所述水平向電磁檢測單元在不同採樣時段檢測到的多個檢測信號，且N組所述豎直向剩磁檢測信息均包括所述豎直向電磁檢測單元在不同採樣時段檢測到的多個檢測信號；步驟三中進行特徵提取時，對N組所述水平向剩磁檢測信息和/或N組所述豎直向剩磁檢測信息分別進行特徵提取，相應獲得經特徵提取後的N組所述水平向剩磁檢測信息和/或經特徵提取後的N組所述豎直向剩磁檢測信息；步驟四中獲取訓練樣本集時，相應獲得訓練樣本集一和/或訓練樣本集二 ；其中，所述訓練樣本集一為分別在經特徵提取後的N組所述水平向剩磁檢測信息中，隨機抽取m個檢測信號組成的一個訓練樣本集；所述訓練樣本集二為分別在經特徵提取後的N組所述豎直向剩磁檢測信息中，隨機抽取m個檢測信號組成的一個訓練樣本集；所述訓練樣本集一和所述訓練樣本集二的結構相同，二者均包括I個訓練樣本，所述訓練樣本集一和所述訓練樣本集二中的I個所述訓練樣本均分屬於N個樣本類；步驟五中進行分類優先級別確定時，按照步驟501至步驟505中所述的分類優先級別確定方法，分別對所述訓練樣本集一和/或所述訓練樣本集二中多個樣本類的分類優先級別分別進行確定；步驟六進行多分類模型建立時，相應獲得多分類模型一和/或多分類模型二 ；其中，所述多分類模型一為將所述訓練樣本集一中的多個樣本類逐一分出來的多分類模型， 所述多分類模型二為將所述訓練樣本集二中的多個樣本類逐一分出來的多分類模型；步驟七中進行多分類模型訓練時，相應對所述多分類模型一和/或多分類模型二分別進行訓練；其中，對所述多分類模型一進行訓練時，將所述訓練樣本集一中的I個訓練樣本輸入到所述多分類模型一進行訓練；對所述多分類模型二進行訓練時，將所述訓練樣本集二中的I個訓練樣本輸入到所述多分類模型二進行訓練；步驟八中進行信號實時採集及同步分類時，相應對水平向電磁檢測單元和/或豎直向電磁檢測單元實時所檢測信號，分別進行同步分類；其中，對水平向電磁檢測單元實時所檢測信號分別進行同步分類時，所述水平向電磁檢測單元對被檢測鋼絲繩芯輸送帶內水平方向上的剩磁進行實時檢測，且對所檢測信號進行特徵提取後輸入至所建立的多分類模型一中，之後自動輸出被檢測鋼絲繩芯輸送帶的缺陷類別；對豎直向電磁檢測單元實時所檢測信號分別進行同步分類時，所述豎直向電磁檢測單元對被檢測鋼絲繩芯輸送帶內豎直方向上的剩磁進行實時檢測，且對所檢測信號進行特徵提取後輸入至所建立的多分類模型二中，之後自動輸出被檢測鋼絲繩芯輸送帶的缺陷類別。上述鋼絲繩芯輸送帶缺陷智能識別方法，其特徵是步驟三中進行特徵提取之後，所述數據處理器還需對所述電磁檢測單元所檢測的所有檢測信號分別進行降噪處理，且電磁檢測單元所檢測的所有檢測信號的降噪處理方法均相同；對於電磁檢測單元所檢測的任一個檢測信號X(k)來說，檢測信號X(k)為一個採樣序列，其中k=l、2、3…n，n為採樣序列X(k)中的採樣點數量，該採樣序列X(k)為一維信號，且一維信號X(k)中包含η個採樣點的採樣值；對一維信號X(k)進行降噪處理時，其降噪處理過程如下步驟201、高頻信號提取採用數據處理器對當前所接收的一維信號X(k)進行小波變換並提取高頻信號，且其提取過程如下步驟2011、小波分解調用小波變換模塊，對一維信號X(k)進行小波分解，並獲得小波分解後的各層近似係數和各層細節係數；其中，所述細節係數記作dik，j=l，2··· J，且J為小波分解的層數，k=l、2、3…η且其表示一維信號X(k)中由前至後η個採樣點的序號；步驟2012、細節係數閾值處理
按照公式
權利要求
1.一種鋼絲繩芯輸送帶缺陷智能識別方法，其特徵在於該方法包括以下步驟 步驟一、電磁加載採用電磁加載裝置對被檢測鋼絲繩芯輸送帶進行電磁加載； 步驟ニ、缺陷信號採集採用電磁檢測単元對多種不同缺陷狀態時被檢測鋼絲繩芯輸送帶內的剩磁分別進行檢測，並將所檢測信號同步傳送至數據處理器(2)，相應獲得與N種不同缺陷狀態相對應的N組缺陷狀態檢測信息，N組所述缺陷狀態檢測信息中均包括電磁檢測單元在不同採樣時段檢測到的多個檢測信號，其中N為正整數且N > 3 ； 多個所述檢測信號均為所述電磁檢測單元在ー個採樣時段內所檢測到的一個採樣序列，且該採樣序列中包括電磁檢測單元在多個採樣時刻所檢測的多個採樣值； 步驟三、特徵提取待數據處理器(2)接收到電磁檢測単元所傳送的檢測信號吋，自各檢測信號中分別提取出能代表並區別該檢測信號的ー組特徵參數，且該組特徵參數包括M個特徵量，並對M個所述特徵量進行編號，M個所述特徵量組成ー個特徵向量，其中M > 2 ; 步驟四、訓練樣本獲取分別在經特徵提取後的N組所述缺陷狀態檢測信息中，隨機抽取m個檢測信號組成訓練樣本集； 所述訓練樣本集中相應包括I個訓練樣本，其中m > 2, l=mXN ;I個所述訓練樣本分屬於N個樣本類，每ー個樣本類中均包括被檢測鋼絲繩芯輸送帶工作於同一個缺陷狀態時的m個訓練樣本，N個樣本類分別為與被檢測鋼絲繩芯輸送帶的N種不同缺陷狀態相對應的樣本類I、樣本類2…樣本類Nホ個樣本類中的每ー個訓練樣本均記作Xqs，其中Q為樣本類的類別標號且Q=l、2*"N，s為各樣本類中所包括m個訓練樣本的樣本序號且s=l、2···!!! ;XQs為樣本類k中第s個訓練樣本的特徵向量，Xqs e Rd，其中d為Xqs的向量維數且d=M ； 步驟五、分類優先級別確定，其確定過程如下 步驟501、樣本類的類中心計算採用數據處理器(2)對N個所述樣本類中任一個樣本類q的類中心進行計算； _m 且對樣本類q的類中心進行計算時，根據公式O) ニ ΣΙ, " ，計算得出樣本類q中所有訓練樣本的各特徵量均值；式中Q=HHlP=HHCbXqs(P)為樣本類q中第s個訓練樣本的第P個特徵量，(P)為樣本類q中所有訓練樣本的第P個特徵量均值； 步驟502、類間距離計算採用數據處理器(2)且根據公式ん,=Jp(ろφトXlJp))2 ,對步驟501中所述任ー個樣本類q與N個所述樣本類中任ー個樣本類h之間的間距分別進行計算，其中為樣本類q中所有訓練樣本的第P個特徵量均值，0>為樣本類h中所有訓練樣本的第P個特徵量均值，且h=l、2··,; 步驟503、類間距之和計算:採用數據處理器(2)且根據公式= ，對步驟 A I501中所述任ー個樣本類k的類間距之和； 步驟504、多次重複步驟501至步驟503，直至計算得出N個所述樣本類中所有樣本類的類間距之和； 步驟505、按照步驟504中計算得出的所有樣本類的類間距之和由大到小的順序，採用數據處理器(2)確定出N個所述樣本類的分類優先級別Y，其中Υ=1、2···Ν ;其中，類間距之和最大的樣本類的分類優先級別最高且其分類級別為1，類間距之和最大的樣本類的分類優先級別最低且其分類級別為N ； 步驟六、多分類模型建立所建立的多分類模型包括N-I個二分類模型，且N-I個所述二分類模型均為支持向量機模型；N-1個所述二分類模型按照步驟405中所確定的分類優先級別，將N個所述樣本類自所述訓練樣本集中由先至後逐類分出來，N-I個所述二分類模型的建立方法均相同且均採用數據處理器(2)進行建立； 對於N-I個所述二分類模型中的任ー個二分類模型z來說，其建立過程如下 步驟601、核函數選取選用徑向基函數作為二分類模型z的核函數； 步驟602、分類函數確定待懲罰參數C與步驟601中所選用徑向基函數的核參數Y確定後，獲得二分類模型z的分類函數，完成二分類模型z的建立過程；其中，O < C < 1000，O < Y ^ 1000 ； 所建立的二分類模型z為待分類優先級別高於z的所有樣本類自所述訓練樣本集中分出來後，將分類優先級別為Z的樣本類自所述訓練樣本集中剰餘的N-Z+1個樣本類中分出來的二分類模型，其中z=l、2…N-I ； 步驟603、二分類模型分類優先級別設定根據步驟602中所述二分類模型z自所述訓練樣本集中剰餘的N-z+1個樣本類中分出來的樣本類的分類優先級別z，對二分類模型z的分類優先級別R進行設定，且R=Z ; 步驟604、多次重複步驟601至步驟603，直至獲得N-I個所述二分類模型的分類函數，便完成N-I個所述二分類模型的建立過程，獲得建立完成的多分類模型；所建立的多分類模型為將所述訓練樣本集中的多個樣本類逐一分出來的多分類模型； 步驟七、多分類模型訓練將步驟四中所述訓練樣本集中的I個訓練樣本輸入到步驟六中所建立的多分類模型進行訓練； 步驟八、信號實時採集及同步分類採用電磁檢測單元對被檢測鋼絲繩芯輸送帶內的剩磁進行實時檢測，並將所檢測信號同步輸入至數據處理器(2)進行特徵提取後送至步驟六中所建立的多分類模型中，便自動輸出被檢測鋼絲繩芯輸送帶的缺陷類別。
2.按照權利要求I所述的鋼絲繩芯輸送帶缺陷智能識別方法，其特徵在於步驟ニ中所述電磁檢測單元的數量為多個，多個所述電磁檢測單元沿被檢測鋼絲繩芯輸送帶的寬度方向進行均勻布設；且步驟三中進行特徵提取之後，所述數據處理器(2)還需調用多傳感器數據融合處理模塊，對多個所述電磁檢測單元所檢測信號進行融合處理。
3.按照權利要求I或2所述的鋼絲繩芯輸送帶缺陷智能識別方法，其特徵在於步驟ニ中所述的電磁檢測単元包括對被檢測鋼絲繩芯輸送帶內水平方向上的剩磁進行實時檢測的水平向電磁檢測單元(1-1)和/或對被檢測鋼絲繩芯輸送帶內豎直方向上的剩磁進行實時檢測的豎直向電磁檢測單元(1-2);所述水平向電磁檢測單元(1-1)和豎直向電磁檢測単元(1-2)均布設在被檢測鋼絲繩芯輸送帶上；當所述電磁檢測單元包括水平向電磁檢測単元(1-1)和豎直向電磁檢測單元(1-2 )時，所述水平向電磁檢測單元(1-1)和豎直向電磁檢測單元(1-2)同步對被檢測鋼絲繩芯輸送帶內同一位置處的剩磁進行檢測，且所述水平向電磁檢測單元(1-1)和豎直向電磁檢測單元(1-2)的採樣頻率相同； 步驟一中所獲得的N組所述缺陷狀態檢測信息相應為N組水平向剩磁檢測信息和/或N組豎直向剩磁檢測信息；其中，N組所述水平向剩磁檢測信息均包括所述水平向電磁檢測単元(1-1)在不同採樣時段檢測到的多個檢測信號，且N組所述豎直向剩磁檢測信息均包括所述豎直向電磁檢測單元(1-2)在不同採樣時段檢測到的多個檢測信號； 步驟三中進行特徵提取時，對N組所述水平向剩磁檢測信息和/或N組所述豎直向剩磁檢測信息分別進行特徵提取，相應獲得經特徵提取後的N組所述水平向剩磁檢測信息和/或經特徵提取後的N組所述豎直向剩磁檢測信息； 步驟四中獲取訓練樣本集時，相應獲得訓練樣本集一和/或訓練樣本集ニ ；其中，所述訓練樣本集一為分別在經特徵提取後的N組所述水平向剩磁檢測信息中，隨機抽取m個檢測信號組成的一個訓練樣本集；所述訓練樣本集ニ為分別在經特徵提取後的N組所述豎直向剩磁檢測信息中，隨機抽取m個檢測信號組成的一個訓練樣本集；所述訓練樣本集一和所述訓練樣本集ニ的結構相同，二者均包括I個訓練樣本，所述訓練樣本集一和所述訓練樣本集ニ中的I個所述訓練樣本均分屬於N個樣本類； 步驟五中進行分類優先級別確定時，按照步驟501至步驟505中所述的分類優先級別確定方法，分別對所述訓練樣本集一和/或所述訓練樣本集ニ中多個樣本類的分類優先級別分別進行確定； 步驟六進行多分類模型建立時，相應獲得多分類模型一和/或多分類模型ニ ；其中，所述多分類模型一為將所述訓練樣本集一中的多個樣本類逐一分出來的多分類模型，所述多分類模型ニ為將所述訓練樣本集ニ中的多個樣本類逐一分出來的多分類模型； 步驟七中進行多分類模型訓練時，相應對所述多分類模型一和/或多分類模型二分別進行訓練；其中，對所述多分類模型ー進行訓練時，將所述訓練樣本集一中的I個訓練樣本輸入到所述多分類模型ー進行訓練；對所述多分類模型ニ進行訓練時，將所述訓練樣本集ニ中的I個訓練樣本輸入到所述多分類模型ニ進行訓練； 步驟八中進行信號實時採集及同步分類時，相應對水平向電磁檢測單元(1-1)和/或豎直向電磁檢測單元(1-2)實時所檢測信號，分別進行同步分類；其中，對水平向電磁檢測単元(1-1)實時所檢測信號分別進行同步分類時，所述水平向電磁檢測單元(1-1)對被檢測鋼絲繩芯輸送帶內水平方向上的剩磁進行實時檢測，且對所檢測信號進行特徵提取後輸入至所建立的多分類模型一中，之後自動輸出被檢測鋼絲繩芯輸送帶的缺陷類別；對豎直向電磁檢測單元(1-2)實時所檢測信號分別進行同步分類時，所述豎直向電磁檢測單元(1-2)對被檢測鋼絲繩芯輸送帶內豎直方向上的剩磁進行實時檢測，且對所檢測信號進行特徵提取後輸入至所建立的多分類模型ニ中，之後自動輸出被檢測鋼絲繩芯輸送帶的缺陷類別。
4.按照權利要求I或2所述的鋼絲繩芯輸送帶缺陷智能識別方法，其特徵在於步驟三中進行特徵提取之後，所述數據處理器(2)還需對所述電磁檢測單元所檢測的所有檢測信號分別進行降噪處理，且電磁檢測単元所檢測的所有檢測信號的降噪處理方法均相同；對於電磁檢測単元所檢測的任一個檢測信號X(k)來說，檢測信號X(k)為ー個採樣序列，其中k=l、2、3…n，n為採樣序列X(k)中的採樣點數量，該採樣序列X(k)為ー維信號，且ー維信號X(k)中包含η個採樣點的採樣值；對ー維信號X(k)進行降噪處理時，其降噪處理過程如下 步驟201、高頻信號提取採用數據處理器(2)對當前所接收的ー維信號X(k)進行小波變換並提取高頻信號，且其提取過程如下步驟2011、小波分解調用小波變換模塊，對ー維信號X(k)進行小波分解，並獲得小波分解後的各層近似係數和各層細節係數；其中，所述細節係數記作もk，j=l，2…J，且J為小波分解的層數，k=l、2、3…η且其表示ー維信號X(k)中由前至後η個採樣點的序號； 步驟2012、細節係數閾值處理按照公式
5.按照權利要求I或2所述的鋼絲繩芯輸送帶缺陷智能識別方法，其特徵在於步驟三中進行特徵提取吋，所提出的特徵參數包括檢測信號的12個時域特徵，即Μ=12，且12個時域特徵分別是峰峰值、均方根值、平均幅值、方差、方根幅值、峭度、波寬、波形指標、峰值指標、脈衝指標、裕度指標和峭度指標；步驟三中進行特徵提取後，還需採用數據處理器(2)對所提取出的特徵參數進行特徵約筒。
6.按照權利要求I或2所述的鋼絲繩芯輸送帶缺陷智能識別方法，其特徵在於步驟.502中計算得出樣本類q與N個所述樣本類中任ー個樣本類h之間的間距Clqh後，獲得樣本類q的類間距離數據；步驟504中多次重複步驟501至步驟503後，獲得N個所述樣本類的類間距離數據和類間距之和；隨後，所述數據處理器(2)將N個所述樣本類的類間距離數據組成一個類間距離對稱矩陣Dnxn,且每ー個所述樣本類的類間距離數據位於類間距離對稱矩陣Dnxn同一行上的同行數據；N個所述樣本類的類間距之和分別為類間距離對稱矩陣Dnxn中的各行數據之和，且類間距離對稱矩陣Dnxn中的各行數據之和組成ー個數組(Sumd(I)，Sumd (2)... Sumd (N))。相應地，步驟505中對N個所述樣本類的分類優先級別Y進行確定時，其確定過程如下 步驟5051、初始參數設定對分類優先級別Y和樣本總數n'的初始值分別進行設定，其中分類優先級別Y=O，樣本總數]^ =N ； 步驟5052、比較數組(Sumd(l), Sumd(2) ··· Sumd(N))中當前所有數據的大小，從中選出最大值Sumd(L)，其中L=l、2…N，並將樣本類L的分類優先級別為Y+1，且此時Y=Y+1，n』 =N-I ;同吋，將類間距離對稱矩陣Dnxn中的第L行數據全部置0，將數組(Sumd(l)，Sumd (2)... Sumd (N))中的 Sumd (L)置 O ; 步驟5053、多次重複步驟5052，直至n』 =0為止。
7.按照權利要求I或2所述的鋼絲繩芯輸送帶缺陷智能識別方法，其特徵在於步驟 六中N-I個所述二分類模型均為模糊支持向量機模型，且步驟四中進行訓練樣本獲取吋，N個樣本類中的每ー個訓練樣本中均包括模糊隸屬度yQs，其中μ Qs為Xqs對其所屬樣本類Q的模糊隸屬度。
8.按照權利要求I或2所述的鋼絲繩芯輸送帶缺陷智能識別方法，其特徵在於步驟602中對懲罰參數C與核參數Y進行確定時，通過數據處理器(2)且採用改進的遺傳算法對所選取的懲罰參數C與核參數Y進行優化，其優化過程如下 步驟6021、種群初始化將懲罰參數C的一個取值與核參數Y的ー個取值作為ー個個體，並將多個個體集合為ー個種群，同時所述種群中的所有個體均進行ニ進位編碼後形成初始化種群；其中，懲罰參數C的一個取值和核參數Y的ー個取值均為自區間(0，1000]中隨機抽取的一個數值； 步驟6022、初始化種群中各個體適應度值計算初始化種群中所有個體的適應度值計算方法均相同；初始化種群中多個所述個體，分別對應多個不同的分類模型z ; 對於所述初始化種群中的任ー個個體來說，採用步驟五中所述訓練樣本集中剰餘的N-Z+1個樣本類，對與該個體對應的分類模型z進行訓練，且以該分類模型z的分類準確率作為該個體的適應度值； 待所述初始化種群中所有個體的適應度值均計算出來後，再相應計算出所述初始化種群的種群平均適應度值； 步驟6023、選擇操作根據步驟6022中計算得出的所述初始化種群中所有個體的適應度值，選出所述初始化種群中適應度值高的多個個體作為子代群體； 步驟6024、交叉操作與變異操作對選取的子代群體進行交叉操作與變異操作，獲得新一代的子代群體； 步驟6025、子代群體中各個體適應度值計算子代群體中所有個體的適應度值計算方法均相同；子代群體中多個所述個體，分別對應多個不同的分類模型z ； 對於所述子代群體中的任ー個個體來說，採用步驟五中所述訓練樣本集中剰餘的N-Z+1個樣本類，對與該個體對應的分類模型z進行訓練，且以該分類模型z的分類準確率作為該個體的適應度值； 待所述子代群體中所有個體的適應度值均計算出來後，再相應計算出所述子代群體的種群平均適應度值； 步驟6026、選擇操作根據步驟6025中計算得出的所述子代群體中所有個體的適應度值，選出所述子代群體中適應度值高的多個個體作為子代群體； 步驟6027、判斷是否滿足終止條件當進化代數超過預先設定的最大進化代數itmax或者子代群體中個體的最大適應度值大於或等於預先設定的適應度設定值時，遺傳算法終止並輸出當前所獲得所述子代群體中適應度值最高的個體；否則，返回步驟6024。
9.按照權利要求8所述的鋼絲繩芯輸送帶缺陷智能識別方法，其特徵在於步驟6024中進行交叉操作與變異操作吋，按照交叉概率P。進行交叉操作，且按照變異概率Pm進行變異操作；其中，
10.一種實現如權利要求I所述智能識別方法的智能識別系統，其特徵在於包括對被檢測進行電磁加載的電磁加載裝置、電磁加載後對被檢測鋼絲繩芯輸送帶內的剩磁進行實時檢測的多個電磁檢測單元、對多個所述電磁檢測單元所檢測信號進行分析處理並自動輸出被檢測鋼絲繩芯輸送帶缺陷類別的數據處理器(2)和與數據處理器(2)進行雙向通信的上位機(7)，多個所述電磁檢測單元均與信號調理電路(5)相接，所述信號調理電路(5)與Α/D轉換電路(6)相接，所述Α/D轉換電路(6)與數據處理器(2)相接。
全文摘要
本發明公開了一種鋼絲繩芯輸送帶缺陷智能識別方法及系統，其識別方法包括步驟一、電磁加載；二、缺陷信號採集；三、特徵提取；四、訓練樣本獲取；五、分類優先級別確定；六、多分類模型建立；七、多分類模型訓練；八、信號實時採集及同步分類採用電磁檢測單元實時檢測，並將所檢測信號同步輸入至數據處理器進行特徵提取後送至所建立的多分類模型中，便自動輸出被檢測輸送帶的缺陷類別；其識別系統包括電磁加載裝置、多個電磁檢測單元、自動輸出被檢測輸送帶缺陷類別的數據處理器和與數據處理器雙向通信的上位機。本發明設計合理、操作簡便、實現方便且使用效果好、實用價值高，提高了輸送帶缺陷檢測的可靠性和缺陷識別效率。
文檔編號G01N27/82GK102841131SQ201210352699
公開日2012年12月26日 申請日期2012年9月20日 優先權日2012年9月20日
發明者馬宏偉, 張旭輝, 毛清華, 陳海瑜, 曹現剛, 張大偉, 姜俊英 申請人:西安科技大學