Page 63 - 无损检测2024年第六期
P. 63
任建浩，等：
基于 1D-CNN-SVM 的钢丝绳损伤识别方法
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。
参考文献：
[1] 宋大雷，张东来，徐殿国，等．钢丝绳无损检测技术
图 10 1D-CNN-SVM 模型在不同速度下的分类准确率 的历史、现状及趋势[J]．无损检测，1999，21(5)：220-
222，233．
由图10可以看出，在不同速度下所提模型对不
[2] 许钟奇，杨建华，李尚袁，等．钢丝绳无损检测信号处
同种类缺陷识别准确率均不低于97%，在较高速度
理算法的进展[J]．无损检测，2023，45(11)：72-79．
下，模型的识别能力表现得更为突出，这可能是因为
[3] 战卫侠．钢丝绳断丝损伤信号处理及定量识别方法研
较高的速度带来了较高的磁通量变化值，使采集到 究[D]．青岛：青岛理工大学，2013．
的数字信号的缺陷特征更为明显。 [4] 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．
3 结语 [5] 朱海平．矿井提升钢丝绳表面损伤在线视觉检测系统
为了实现对钢丝绳损伤的高效、精准识别，提出 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
一种基于1D-CNN-SVM的钢丝绳损伤识别方法，采
轴承故障诊断研究[J]．机电工程，2021，38(12)：1572-
用该模型对缺陷进行识别，并与其他已有模型的识
1578．
别结果做对比，得出以下结论。
[7] 钟建华，林云树，叶锦华．基于1DCNN的齿轮箱小样
（1）1D-CNN-SVM模型通过卷积神经网络自 本故障诊断[J]．组合机床与自动化加工技术，2022(7)：
动提取数字信号中的缺陷特征和强大的分类器，能 81-84，89．
29
2024 年 第 46 卷 第 6 期
无损检测
