Page 58 - 无损检测2023年第二期
P. 58
黄姗姗, 等:
基于经验模态分解的钢丝绳缺陷漏磁检测
不仅会造成巨大的经济财产损失 [ 2 ] , 还会影响到人 的局部特性进行分解的, 因此其基函数是由数据本
身安全。因此, 对矿井提升机中钢丝绳的安全要求 身分解得到的, 具有自适应性。
越来越高, 对钢丝绳的无损检测亦至关重要。 EMD 的基本实现过程如下。
在钢丝绳无损检测领域, 按照不同的检测原理 第一步: 确定原始信号 x ( t ) 的所有局部极值
主要有超声波检测 [ 3 ] 、 光学检测 [ 4 ] 、 声发射检测 [ 5-6 ] 、 点, 然后将所有的极大值点和所有极小值点分别用
射线检测 [ 7 ] 、 电涡流检测 [ 8 ] 、 磁致伸缩检测 [ 9 ] 以及电 一条曲线连接起来, 得到上、 下包络线, 记上、 下包络
磁检测 [ 10-13 ] 等方法。其中电磁检测技术是目前国 线的均值线为 m ( t )。
()
()
内外公认的最成熟可靠的钢丝绳无损检测方法。 第二步: 令h 1t = x ( t ) -m ( t ), 检测h 1t 是
由于钢丝绳无损检测漏磁信号是含有多处尖峰 否满足IMF , 如果不满足, 将其作为待处理数据, 重
或突变的非平稳信号, 传统的降噪方法不能有效地 复第一步, 直至其为一个基本模式分量, 记 f 1t =
()
将具有较高频率的尖峰或突变信号和由噪声引起的 h 1t
()。
高频干扰信号区分开, 也就是说, 在消除噪声的同 第三步: 令x 1t = x ( t ) - f 1t 把x 1 t 当作
(),
()
()
时, 也会削弱钢丝绳断丝损伤信号中的部分突变信 一个新的“ 原始序列”, 重复上述步骤, 依次提取出n
息, 从而对钢丝绳的损伤识别造成影响。经验模态 个基本模式分量, 最后剩下原始信号的余项 r n t
()。
分解( EMD ) 与传统时频分析技术相比, 无需选择基 由此, 原始信号可以写为
函数, 是基于信号本身极值点的分布进行分解的, 具 n
x ( t ) = ∑ f it + r n t ( 1 )
()
()
有自适应性, 在非线性非平稳信号分析中具有显著 i = 1
优势。此外, EMD 方法将信号分解成有限个本征模 2 信号采集与损伤判别依据
函数( IMF ) 的单分量信号, 并对信号不同频率成分
分量的瞬时频率进行精确地描述和表达, 这与传统 2.1 钢丝绳无损检测仪
时频分析方法的频率定义方式完全不同, 因此其具 采用俄罗斯IntronPlus公司生产的INTROS型
有有效的局瞬特性表征能力 [ 14 ] 。 磁性钢索测试仪进行钢丝绳的无损检测, 该仪器采用
文章首先使用小波和自适应调整阈值的软阈值 的磁化方式是强磁磁化( 磁化强度大于1.4T ), 相比
方法去除漏磁信号的噪声, 之后对其进行经验模态 弱磁磁化, 其优点是重复性好, 参考价值高。测量
分解。然后, 利用皮尔逊相关系数计算本征模态函 时, 在周向布置多个霍尔传感器来采集收集到的漏
数与原始信号的近似程度, 将其中极弱相关和不相 磁信号, 以确保不会遗漏漏磁信号。 INTROS型无
关的分量认定为噪声分量并舍弃; 将弱相关的分量 损检测仪外观及系统组成如图1 , 2所示。
使用小波进一步降噪, 提取其中微弱的有用信息。
最后, 结合中等相关及以上的分量, 一起对信号进行
重构, 得到特征更加明显的损伤信号, 实现损伤类型
的判别和定位。
1 经验模态分解
EMD 是 N.E.Huan g 等人在美国国家宇航局
于1998年提出的一种新型自适应信号时频处理方
法 [ 15 ] 。该方法依据数据自身的时间尺度特征来进行 图1 INTROS型无损检测仪外观
信号分解, 无须预先设定任何基函数 [ 16 ] , 这一点与傅里 2.2 常见损伤类型
根据钢丝绳损伤的性质及程度, 通常将漏磁检测
叶分解与小波分解方法具有本质性差别。因此, EMD
方法在理论上可以应用于任何类型信号的分解, 尤其 领域的钢丝绳损伤分为两大类 [ 18 ] : 局部损伤( LF ) 和
在处理非平稳及非线性数据上具有明显优势。 横截面积损失( LMA )。外部断丝、 内部断丝以及较
EMD 方法将复杂信号分解为有限个IMF , 原 深处的磨损都是体现在 LF型损伤上, 主要表现形式
信号的不同时间尺度的局部特征信号就包含在分解 为钢丝绳的金属横截面积急速减小。 LMA 型损伤主
出来的各IMF 分量中 [ 17 ] 。与短时傅里叶变换、 小 要是指在较长的轴向距离内, 钢丝绳金属横截面积较
波分解等方法相比, EMD 是基于信号序列时间尺度 缓慢地减小, 表现形式为磨损、 锈蚀等。
2
4
2023年 第45卷 第2期
无损检测
