Wire rope damage identification method based on 1D-CNN-SVM
-
摘要:
为实现对钢丝绳损伤的高效、精准识别,提出一种基于1D-CNN-SVM的钢丝绳损伤识别模型。使用一维卷积神经网络对损伤的漏磁检测信号进行特征提取,然后输入到支持向量机中进行缺陷分类,通过将不同工况速度下的数据集代入该模型,检验所提模型的缺陷识别能力。试验结果表明,相较于1D-CNN,1D-CNN-ELM,1D-CNN-LTSM等模型,所提模型的准确性和可靠性更高,对各类损伤的识别准确率均不小于97%,体现出较强的泛化能力。
Abstract:To achieve efficient and accurate identification of wire rope damage, a wire rope damage identification model based on 1D-CNN-SVM was proposed. A one-dimensional convolutional neural network was used to extract features from the magnetic flux leakage detection signal of damage, and then extracted features were input into a support vector machine for defect classification. By substituting datasets from different operating speeds into the model, the defect recognition ability of the proposed model was tested. The experimental results showed that compared to models such as 1D-CNN, 1D-CNN-ELM, and 1D-CNN-LTSM, the proposed model had higher accuracy and reliability, with an accuracy rate of no less than 97% for identifying various types of damage, demonstrating strong generalization ability.
-
钢丝绳作为一种重要的工程材料,广泛应用于起重、运输和建筑等领域。然而,由于长期在恶劣环境中服役,钢丝绳往往会受到各种损伤和缺陷的影响,这不仅会降低其工作性能,还可能导致安全事故的发生。因此,对钢丝绳缺陷进行及时、准确地识别变得至关重要[1]。
近年来,机器学习和深度学习的快速发展为钢丝绳缺陷的识别提供了全新的解决思路[2]。战卫侠[3]对钢丝绳数字信号峰峰值、波宽等特征值进行提取,并将其输入到BP神经网络等机器学习模型中进行损伤分类。王浩宇[4]将预处理后的钢丝绳一维数字信号转换成图像进行迁移学习,借助大模型的泛化能力对损伤进行识别。朱海平[5]使用深度学习中的目标检测算法,将钢丝绳损伤图像输入到视觉检测模型中实现损伤识别。
与轴承、齿轮相比,钢丝绳损伤信号呈非周期性特征,往往包含损伤信号、绳股信号、抖动信号等多种信号来源,较为复杂。1D卷积神经网络(1D-CNN)在非周期时序数据处理方面表现卓越,可通过深度神经网络自动学习信号中的数据特征。支持向量机(SVM)通过引入核函数,将数据映射到更高维的空间中,从而将原始空间中线性不可分的问题变得线性可分[6-7]。笔者结合二者优点,提出一种基于1D-CNN和SVM的钢丝绳缺陷识别方法,融合深度学习和经典机器学习技术,对钢丝绳进行检测并将检测结果与其他模型进行比较,以此来验证所提模型的优越性。
1. 检测原理及算法
1.1 钢丝绳漏磁检测原理
漏磁检测是钢丝绳无损检测领域应用最广泛的方法之一,其检测原理为:将钢丝绳置于开环漏磁检测仪器中,通过移动钢丝绳或者检测仪器进行扫描检测(见图1)。检测仪器中有用作磁化激励源的永磁铁和采集漏磁信号的磁敏传感器,钢丝绳有缺陷时,被激发出的磁力线或者磁回路中的磁阻会发生变化并被磁敏传感器捕捉,对采集到的数据进行模数转换和信号处理后即可实现缺陷的检测。
1.2 一维卷积神经网络(1D-CNN)
一维卷积神经网络是一种深度学习模型,专为处理一维序列数据而设计,其基本结构包括卷积层、池化层和全连接层,同时该模型通过激活函数引入非线性变换,帮助网络学习复杂的特征和模式。
卷积层通过卷积核在输入序列上滑动,学习局部特征并生成高阶显示。考虑输入序列x和卷积核w,卷积操作的数学表达式为
(1) 式中:y(t)为卷积操作的输出,在位置t处得到;K为卷积核的大小;b为偏置项;a为卷积核在滑动过程中的偏移量。
这一操作对整个序列x进行滑动,通过对每个位置进行卷积,可得到输出序列y(t)。池化层则通过对卷积输出进行降采样,可在减少参数数量的同时保留关键信息。最后,全连接层将提取的特征映射到输出空间,进行最终的分类或回归。
在该一维卷积神经网络模型中添加批量归一化层(BN层)和丢弃层(Dropout层)。BN层对神经网络的中间层输出进行标准化,有助于加速网络的训练过程。BN层通过对每个批次的数据进行归一化,使数据的均值接近0,标准差接近1,从而利于缓解梯度消失和爆炸问题,加速收敛,同时提高模型的鲁棒性。其过程可表示为
(2) 式中:BN为对输入数据进行标准化处理后的结果;μ和σ分别为输入序列的均值和标准差;ε为用于防止除数为0的微小正数;γ和β为可学习的缩放和偏置参数。
Dropout层以指定的概率随机丢弃神经元,即将其输出设为0。这意味着在每个训练步骤中,模型都在使用网络的不同子集进行训练。即,每个神经元都不能依赖于特定神经元的存在,因此网络更加健壮,能够适应不同的输入,其训练过程可表示为
(3) 式中:D(x,p)表示丢弃层对输入数据x的操作;p为模型中神经元节点丢弃的概率。
1.3 支持向量机(SVM)
支持向量机是一种强大的监督学习算法,广泛应用于分类和回归。SVM 的目标是在特征空间中找到一个最优的超平面,将不同类别的样本分隔开,同时使间隔最大化。这个超平面被选为能够最大程度地将不同类别的样本点离开的平面。SVM 的决策函数可以表示为
(4) 式中:w为超平面的法向量;z为输入样本的特征向量;θ为支持向量机超平面的截距;sign函数可用于确定样本点位于超平面的哪一侧,从而进行分类。
1 D-CNN-SVM模型
通过搭建1D-CNN-SVM模型实现对钢丝绳损伤进行分类识别,模型整体架构如图2所示。具体实施过程为:钢丝绳漏磁检测设备采集到信号后,对信号预处理并根据损伤类别构建数据集,将数据集中的样本输入到1D-CNN模型中进行信号特征提取,通过模型的批量训练得到有助于损伤分类的高级特征,然后将其进行标记一并作为SVM模型部分的输入并进行训练。最后通过独立测试集评估 1D-CNN-SVM 模型性能(包括准确率、精确度、召回率等指标),完成钢丝绳损伤分类模型的搭建。
2. 试验与结果分析
2.1 试验平台
钢丝绳漏磁检测试验台外观如图3所示。试验使用直径为28 mm的钢丝绳,将其水平悬架于试验台上并使其处于绷直状态,制定夹具用以夹持漏磁检测的探头,并将其固定在导轨及履带上并保持x轴方向的自由度,通过调整导轨x与y方向位置,使得钢丝绳与探头同轴心;在控制器中输入相应命令,使电机驱动履带沿钢丝绳轴向运动,而实现对钢丝绳的扫描,检测速度设置为0.5 m·s-1。采集到的数据通过串口协议传输到采集盒,经过采集盒中的放大电路和模数转换后通过TCP/IP协议再发送至检测软件,进而观测数字信号波形。
2.2 数据集
笔者通过制作3种不同程度的钢丝绳断丝损伤并对其进行检测,来验证所提模型的有效性。在钢丝绳的同一径向不同轴向位置分别制作0.5根,1根和2根断丝的损伤,断口宽度均为1 mm,不同程度损伤的钢丝绳外观如图4所示。
通过控制器控制检测探头对3种类型损伤及无损伤钢丝绳分别进行局部循环往复扫描采样,为了提高样本的随机性和模型的泛化能力,对扫描后得到的连续信号在有效范围内进行截取(截取任意长度为2 048的信号样本),对样本进行标准化数据预处理后得到数据集,按照8:2的比例划分训练集与测试集。3种类型损伤及无损伤钢丝绳的检测信号波形如图5所示,其样本数据如表1所示。
Table 1. 3种类型损伤及无损伤钢丝绳样本数据损伤类型 样本总量 测试集数量 标签 0.5根断丝 300 60 0 1根断丝 300 60 1 2根断丝 300 60 2 无断丝 300 60 3 2.3 试验结果分析
2.3.1 模型训练与参数
所提1D-CNN-SVM模型参数设置如表2所示。其使用3层一维卷积网络结构,第一层为16×3×1(卷积核数量×长度×深度)结构的卷积核,为了更全面深入提取到缺陷特征,使得每一层输出通道翻倍,每一层都会经过批量划归一层和激活层处理;在1D-CNN的两个全连接层中穿插一个dropout层,使模型具有更好的鲁棒性;最后将提取到的特征与对应标签输入到SVM分类器中进行缺陷识别并输出结果。模型在基于python平台的深度学习框架pytorch下运行,GPU(图形处理器)为RTX 3090,操作系统为Ubantu。模型训练的超参数中,设置训练批量为16,选择SGD作为优化器,设置学习率为0.000 5,momentum动量参数为0.9,epoch为50。
Table 2. 1D-CNN-SVM模型参数设置网络模型 网络结构 参数 激活 数目 1D-CNN Conv1 1×3,stride:1 relu 16 Pool1 1×2,stride:2 — 16 Conv2 1×3,stride:1 relu 32 Pool2 1×2,stride:2 — 32 Conv3 1×3,stride:1 relu 64 Pool3 1×2,stride:2 — 64 Fc1 16256 — — dropout P=0.5 relu — Fc2 512 — — SVM SVMClassifier kernel='rbf ' — — 2.3.2 试验结果分析
为验证所提模型的有效性,将数据集中数据输入到所提模型中的1D-CNN模型进行训练,训练过程中的训练集和测试集的损失率和准确率散点图如图6所示,可见第30次迭代后准确率稳定在98%左右,这里的准确率关系到SVM分类的准确率,准确率越高则后面输入到SVM分类器中的提取特征越准确。
为了更直观地观察模型分类效果,使用 t-分布随机近邻嵌入(t-SNE,一种用于降维和可视化高维数据的技术)进行分析,将提取的高维特征映射到二维平面,输入层的t-SNE降维可视化结果如图7所示,可见,训练前的测试集数据分布混杂,难以对不同钢丝绳损伤进行分类。
输出层的t-SNE降维可视化结果如图8所示,根据测试集数据经1D-CNN模型训练后的输出特征,可以看出不同钢丝绳损伤特征可以明显区分,并有较高的聚集性,该模型可有效可靠地对特征进行提取。
将1D-CNN模型提取到的特征输入SVM分类器模型,得到分类准确率为99.58%,混淆矩阵降维可视化结果如图9所示,可以看到4种钢丝绳中除了标签类别为1的测试集中有1.67%的数据被错误识别(识别为标签为2的损伤类型),其余识别正确率均为100%。
2.3.3 模型对比分析
为了验证所提模型的识别效果,将所提模型与主流分类模型比较,选取1D-CNN(一维卷积神经网络),1D-CNN-ELM(极限学习机),1D-CNN-RF(随机森林),1D-CNN-LSTM(长短时记忆网络)模型进行对比试验,每个模型试验10次,对性能评价指标取平均值,得到的不同模型的评价指标对比如表3所示。
Table 3. 不同模型的评价指标对比网络模型 准确率 精确率 召回率 F1 1D-CNN 95.57 82.95 82.10 81.38 1D-CNN-ELM 97.39 97.54 97.37 97.46 1D-CNN-RF 98.71 98.62 98.48 98.48 1D-CNN-LSTM 94.91 84.04 80.69 86.71 所提模型 98.75 98.79 98.75 98.75 对比不同的深度学习模型,笔者通过准确率、精确率、召回率和 F1 值综合评估其性能。可以发现,1D-CNN与1D-CNN-LSTM的准确率较高,但精确率、召回率和 F1 值相对较低,同时可能存在一些分类误差,尤其是在对缺陷的精准度上有待提高。1D-CNN-ELM和1D-CNN-RF模型表现相当稳定,准确率和精确率较高,但仍然有一些微小差异,所提模型在所有性能指标上均表现卓越,准确率、精确率、召回率和F1 值都不小于98.75%,突显了其在数字信号缺陷分类任务中的卓越性能。
为了评估所提模型的泛化能力和鲁棒性,提取检测速度分别为0.2 m·s-1和0.8 m·s-1的样本数据集,分别输入到模型中进行训练测试,各进行10次取平均值后得到每类损伤识别的准确率,其结果如图10所示。
由图10可以看出,在不同速度下所提模型对不同种类缺陷识别准确率均不低于97%,在较高速度下,模型的识别能力表现得更为突出,这可能是因为较高的速度带来了较高的磁通量变化值,使采集到的数字信号的缺陷特征更为明显。
3. 结语
为了实现对钢丝绳损伤的高效、精准识别,提出一种基于1D-CNN-SVM的钢丝绳损伤识别方法,采用该模型对缺陷进行识别,并与其他已有模型的识别结果做对比,得出以下结论。
(1) 1D-CNN-SVM模型通过卷积神经网络自动提取数字信号中的缺陷特征和强大的分类器,能够有效对不同种类钢丝绳缺陷进行识别。
(2) 通过与1D-CNN,1D-CNN-ELM,1D-CNN-RF,1D-CNN-LSTM模型进行对比并计算模型评价指标,发现1D-CNN-SVM的各项数据均优于其他模型的,验证了所提模型的优越性和可靠性。
(3) 将不同工况速度下所得数据集输入模型,获得了较好的结果,充分体现了该模型的泛化能力。
-
Table 1 3种类型损伤及无损伤钢丝绳样本数据
损伤类型 样本总量 测试集数量 标签 0.5根断丝 300 60 0 1根断丝 300 60 1 2根断丝 300 60 2 无断丝 300 60 3 Table 2 1D-CNN-SVM模型参数设置
网络模型 网络结构 参数 激活 数目 1D-CNN Conv1 1×3,stride:1 relu 16 Pool1 1×2,stride:2 — 16 Conv2 1×3,stride:1 relu 32 Pool2 1×2,stride:2 — 32 Conv3 1×3,stride:1 relu 64 Pool3 1×2,stride:2 — 64 Fc1 16256 — — dropout P=0.5 relu — Fc2 512 — — SVM SVMClassifier kernel='rbf ' — — Table 3 不同模型的评价指标对比
网络模型 准确率 精确率 召回率 F1 1D-CNN 95.57 82.95 82.10 81.38 1D-CNN-ELM 97.39 97.54 97.37 97.46 1D-CNN-RF 98.71 98.62 98.48 98.48 1D-CNN-LSTM 94.91 84.04 80.69 86.71 所提模型 98.75 98.79 98.75 98.75 -
[1] 宋大雷,张东来,徐殿国,等 .钢丝绳无损检测技术的历史、现状及趋势[J].无损检测,1999,21(5):220-222,233. [2] 许钟奇,杨建华,李尚袁,等 .钢丝绳无损检测信号处理算法的进展[J].无损检测,2023,45(11):72-79. [3] 战卫侠钢丝绳断丝损伤信号处理及定量识别方法研究青岛青岛理工大学2013战卫侠 .钢丝绳断丝损伤信号处理及定量识别方法研究[D].青岛:青岛理工大学,2013. [4] 王浩宇矿用钢丝绳缺陷漏磁检测系统研究徐州中国矿业大学2023王浩宇 .矿用钢丝绳缺陷漏磁检测系统研究[D].徐州:中国矿业大学,2023. [5] 朱海平矿井提升钢丝绳表面损伤在线视觉检测系统研究徐州中国矿业大学2023朱海平 .矿井提升钢丝绳表面损伤在线视觉检测系统研究[D].徐州:中国矿业大学,2023. [6] 刘伟,单雪垠,李双喜,等 .基于并行1DCNN的滚动轴承故障诊断研究[J].机电工程,2021,38(12):1572-1578. [7] 钟建华,林云树,叶锦华 .基于1DCNN的齿轮箱小样本故障诊断[J].组合机床与自动化加工技术,2022(7):81-84,89.