Page 58 - 无损检测2024年第六期

缺陷的智能识别与分类专题
缺陷的智能识别与分类专题

DOI：10.11973/wsjc202406005

基于 1D-CNN-SVM 的钢丝绳损伤识别方法

任建浩 ，陈 实 ，薛家杰 ，吴 非 ，孙燕华 1
2
1
1
1
[1. 华中科技大学 机械科学与工程学院，武汉 430074；2. 中海石油环保服务（天津）有限公司，天津 300450]
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。
关键词：一维卷积神经网络；支持向量机；漏磁检测；损伤识别

中图分类号：TG115.28 文献标志码：A 文章编号：1000-6656(2024)06-0024-06

Wire rope damage identification method based on 1D-CNN-SVM

REN Jianhao , CHEN Shi , XUE Jiajie , WU Fei , SUN Yanhua 1
2
1
1
1
[1. School of Mechanical Science and Engineering, Huazhong University of Science and Technology, Wuhan 430074, China;
2. CNOOC Environmental Protection Services (Tianjin) Co., Ltd., Tianjin 300450, China]
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.
Key words: one-dimensional convolutional neural network; support vector machine; magnetic leakage detection;
damage identification

钢丝绳作为一种重要的工程材料，广泛应用于 近年来，机器学习和深度学习的快速发展为钢
[2]
起重、运输和建筑等领域。然而，由于长期在恶劣环 丝绳缺陷的识别提供了全新的解决思路 。战卫侠 [3]
境中服役，钢丝绳往往会受到各种损伤和缺陷的影 对钢丝绳数字信号峰峰值、波宽等特征值进行提取，
响，这不仅会降低其工作性能，还可能导致安全事故 并将其输入到BP神经网络等机器学习模型中进行
[4]
的发生。因此，对钢丝绳缺陷进行及时、准确地识别 损伤分类。王浩宇 将预处理后的钢丝绳一维数字
变得至关重要 。 信号转换成图像进行迁移学习，借助大模型的泛化
[1]
能力对损伤进行识别。朱海平 使用深度学习中的
[5]
目标检测算法，将钢丝绳损伤图像输入到视觉检测
收稿日期：2023-12-21
基金项目：国家自然科学基金(52275532);交通运输部纵向项目 模型中实现损伤识别。
(SXHXGZ-2021-2);国家重点研发纵向项目(2021YFF0501000) 与轴承、齿轮相比，钢丝绳损伤信号呈非周
作者简介：任建浩(1999—)，男，硕士研究生，主要研究方向为钢
期性特征，往往包含损伤信号、绳股信号、抖动信
丝绳漏磁无损检测仪器
号等多种信号来源，较为复杂。1D卷积神经网络
通信作者：孙燕华(1979—)，男，教授，博士生导师，主要从事电
磁无损检测技术及仪器方面的研究工作，yhsun@hust.edu.cn （1D-CNN）在非周期时序数据处理方面表现卓越，
24
2024 年 第 46 卷 第 6 期
无损检测