Page 51 - 无损检测2022年第八期

吴 东,等:
基于自适应移位平均降噪与 BP 神经网络的钢丝绳损伤识别

的结果如图3 ( a ) 所示, 基于s y m2 、 db4 、 db8 小波变换 为说明文章所提方法在信号降噪处理方面的优势,

的损伤信号处理结果分别如图 3 ( b ), 3 ( c ), 3 ( d ) 将所提出的自适应移位平均法与传统的小波降噪
所示。基于不同方法的磨损损 伤 信 号 处 理 结 果 如 法 [ 10-11 ] 进行了对比。在断丝信号和磨损信号 的 处
图4所示。 理结果中, 为了增加可比性, 将降噪后信号归一化,
可以看出, 采用自适应移位平均法对强噪声背 取其信噪比进行对比, 其对比结果如表 1 所示。由
景下的钢丝绳损伤信号进行处理, 可有效去除原始 表 1 可见, 相较于小波变换, 自适应移位平均法的信
漏磁信号的噪声成分并保留损伤位置的波形特征。 噪比更高, 降噪效果好, 信号波形更平滑。

图 4 基于不同方法的磨损损伤信号处理结果
表 1 不同处理方法得到的钢丝绳损伤信号信噪比 说明在强噪声背景下基于 APSO 的自适应移位平
处理方法 断丝信号 / dB 磨损信号 / dB 均法可对漏磁信号进行有效降噪。

自适应移位平均法 14.4042 14.3961
3 钢丝绳漏磁信号特征提取

基于 s y m2 的小波变换 14.3981 14.3949

基于 db4 的小波变换 14.3981 14.3957 钢丝绳漏磁信号中含有众多特征量, 可以描述

基于 db8 的小波变换 14.3981 14.3952 钢丝绳的损伤情况, 故提取出损伤信号的特征量是
为了不失一般性, 分别给断丝损伤信号与磨损 开展损伤检测的关键。即, 所提取的特征量, 需能清
损伤信号加入更强的噪声, 其信噪比如 表 2 所示。 晰区分不同损伤特征。
可以看到在加入更强噪声的情况下, 损伤信号的信 以钢丝绳断丝损伤为例, 钢丝绳在没有损伤的
噪比稳定, 其降噪后的漏磁信号仍能保留损伤特征。 情况下, 漏磁信号波形会在一个很小的区间内平稳
表 2 不同噪声强度下钢丝绳损伤信号的信噪比 波动。截取一段平稳信号, 对其求均值作为信号基
准线。而当钢丝绳出现断丝时, 信号会突然离开基
噪声强度 D 断丝信号 / dB 磨损信号 / dB
准线, 出现突变。
4 14.3985 14.3957
针对钢丝绳断丝损伤, 选择波形峰峰值、 波形宽

5 14.3982 14.3955

6 14.3985 14.3952 度和波形下面积为研究对象, 以这三个指标作为特

7 14.3984 14.3949 征值构造钢丝绳损伤检测的数据集。断丝信号特征

8 14.3996 14.3979 定义示意如图 5 所示, 特征值具体定义如下。

9 14.3976 14.3974 ( 1 )峰峰值。钢丝绳断丝损伤信号的峰峰值是

10 14.3978 14.3970
信号最高点到信号最低点的差值。钢丝绳断丝数量
7
1
2022 年 第 44 卷 第 8 期
无损检测