一种钢丝绳无损检测缺陷定位识别方法

技术领域

本发明属于无损检测领域，具体涉及一种钢丝绳无损检测缺陷定位识别方法。

背景技术

钢丝绳广泛应用于矿山、起重、电梯、桥梁、索道、港口、海洋等行业。其安全性直接关系到人员、设备、提升物的安全。长期以来，由于钢丝绳的复杂结构、恶劣的使用环境、工作过程中复杂的应力变化，使得其经常会发生疲劳、锈蚀、磨损、断丝甚至断裂等现象，致使其经常未能达到预期寿命被更换而增加使用成本。我国一般采用人工目检和定期强制更换钢丝绳的办法来保证安全生产。这种方法不仅报废了仍有使用价值的钢丝绳，造成巨大浪费，而且不能及时更换由于各种偶然因素导致严重损伤的钢丝绳，形成事故隐患。

GB/T 21837-2008《铁磁性钢丝绳电磁检测方法》根据缺陷的性质，将钢丝绳的缺陷分为两大类：局部损伤LF型(Local Flaw)和金属横截面积损失LMA型(Loss ofMetalliccross-sectional Area)。目前，基于电磁检测法获取的LF和LMA信号，依旧采用人工校验的方法，不仅效率低下，且人工成本巨大。

发明内容

为解决上述技术问题，本发明提供一种钢丝绳无损检测缺陷定位识别方法，基于电磁检测法，利用目标检测算法，定位缺陷位置以及判断缺陷类型，并进行标注可视化，具有良好的参考意义。

为达到上述目的，本发明采用的技术方案为：

一种钢丝绳无损检测缺陷定位识别方法，包括探头结构设计、采集计算终端设计和缺陷定位识别算法设计；所述探头结构设计，基于电磁测量方法，适用于不同直接钢丝绳检测场景；所述采集计算终端设计，实现数据推理计算；所述缺陷定位识别算法基于LF信号和LMA信号的切片图像和切片波形进行协同分析，针对LF信号诊断结果，依据LMA信号数据校验，结合各自置信度，得到最终的钢丝绳缺陷具体位置和类型。

进一步地，所述探头结构设计中，设置四个导轮1，根据不同的钢丝绳粗细情况，夹紧钢丝绳，避免测量时检测设备晃动导致LF信号和LMA信号数据波动；在一个导轮上安装编码器，记录检测的钢丝绳的实际长度；检测设备的主体部分内部具有永磁体和霍尔装置，用来同步测量LF信号和LMA信号；所述探头设置上设备和下设备，所述上设备包含霍尔装置、永磁体以及航空探头，下设备包含霍尔装置、永磁体，通过中间的卡扣进行连接；检测设备的顶部具备航空接头将LF信号和LMA信号进行引出。

进一步地，所述采集计算终端设计中，设置防爆电源模块、4G通讯模块、航空接口、多通道差分采集单元、信号降噪与滤波电路模块、英特尔CPU主板及配件以及GPU加速卡；所述防爆电源模块为采集终端供电；所述航空接头用于在霍尔装置与采集卡之间，进行数据通讯；所述多通道采集模块，用于驱动设备进行采集任务；所述降噪滤波电路对采集到的数据进行信号处理；所述英特尔CPU主板为信号处理单元；所述GPU加速卡挂在英特尔CPU主板上，用于加速图像处理速度。

进一步地，所述缺陷定位识别算法具体包括如下步骤：

步骤1、启动探头，进行钢丝绳拉绳，对探头获取到的同步的LF信号和LMA信号进行希尔伯特-黄变换，实现信号降噪滤波；对LF信号和LMA信号进行时序信号切片；对每个切片的数据点逐一绘图，画出每个切片的二维曲线图像，隐去相应的横纵坐标，得到LF信号和LMA信号的切片图像，实现一维时序信号向二维图像的转变；

步骤2、将缺陷定位识别算法分为两部分：模型训练和模型检测；所述模型训练，将LF信号和LMA信号的切片图像，根据已知的缺陷位置和类型，画出缺陷框并标识出缺陷类型；随后利用目标检测算法，对LF信号的切片图像和LMA信号的切片图像分别进行训练，得到LF和LMA各自的目标检测模型；

所述模型检测中，探头每次获取LF信号和LMA信号，进行切片重构成图像后，利用训练好的LF目标检测模型对LF信号的切片图像进行检测。

进一步地，所述步骤1中，切片长度自定义，且每个切片长度基本一致。

进一步地，所述步骤2的所述模型检测中，如果识别到缺陷，根据目标检测模型给出的缺陷位置，找到LMA信号相同位置附近是否存在极大值或者极小值，如果LMA信号相同位置处不存在极大或者极小值，则该处缺陷被认定为不存在；如果存在极大值或者极小值，则对LMA信号的切片图像使用LMA目标检测模型进行识别；当LF信号的切片图像缺陷位置和LMA信号的切片图像缺陷位置小于100mm，则该位置存在疑似缺陷；通过LF目标检测模型和LMA目标检测模型给出的该位置的置信度进行判断，具体判断如下：

其中，0代表疑似缺陷，1代表轻度缺陷，2代表严重缺陷，P

本发明的优点：

1.不同于基于各类光学法，利用视觉检测来进行缺陷识别，由于现场环境恶劣，导致相机图像效果不佳，严重影响检测效果。本发明基于电磁检测法，利用目标检测算法，定位缺陷位置以及判断缺陷类型，并进行标注可视化，具有良好的参考意义。

2.通过融合LF和LMA信号，提高了检测的准确率和可靠性。同时，取代了人工检测，减少了企业运维人力成本。

附图说明

图1为探头结构设计图；

图2为采集计算终端设计图；

图3为缺陷定位识别算法流程图。

具体实施方式：

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明基于电磁检测法，依托图像识别算法实现钢丝绳的缺陷定位和识别方法的设计与实现，该方法主要包括探头结构设计、采集计算终端设计和缺陷定位识别算法设计。本发明设计一套基于目标检测算法，实现局部损伤(LF)信号和金属横截面积损失(LMA)信号协同分析，进行缺陷定位识别的方法。

本发明的设计思想为：

针对钢丝绳缺陷的无损检测，采用电磁检测法获取钢丝绳的LF信号和LMA信号。然而由于在实际拉绳中，信号随速度等因素会存在幅值变化，使用阈值检测的方法，往往容易产生误检和漏检，导致无损检测系统的准确率大打折扣，且无法给出具体的故障。因此，本发明融合LF信号和LMA信号，将时序信号转换成二维图像进行目标检测，实现钢丝绳缺陷的高精度检测，有效解决了钢丝绳无损检测准确率低的问题。

如图1所示，本发明的探头结构设计基于电磁测量方法，检测设备包括导轮1、卡扣2、霍尔装置3、永磁体4、航空接头5、编码器6。导轮1位于设备两侧，用于加紧钢丝绳。卡扣2位于设备中心，用于加紧上下部分设备。霍尔装置3位于设备内部，用于测量钢丝绳磁通量。永磁体4围绕着霍尔装置，用于产生磁场。航空接头5用于传输数据，编码器6位于导轮1上，用于记录设备正向或反向移动的距离。本发明设计了四个导轮1，可以根据不同的钢丝绳粗细情况，夹紧钢丝绳，避免测量时检测设备晃动导致LF信号和LMA信号数据波动。同时，在一个导轮1上安装了编码器6，可以记录设备检测的钢丝绳0的实际长度。检测设备的主体部分内部具有永磁体4和霍尔装置3，用来同步测量LF信号和LMA信号。上设备包含霍尔装置3、永磁体4以及航空探头5，下设备包含霍尔装置3、永磁体4，通过中间的卡扣2进行连接。检测设备的顶部具备航空接头5将LF信号和LMA信号进行引出。

如图2所示，本发明的采集计算终端主要包括防爆电源模块、4G通讯模块、航空接口、多通道差分采集单元、信号降噪与滤波电路模块、英特尔CPU主板及配件以及GPU加速卡。防爆电源模块为采集终端供电，考虑到应用采集存在粉尘，故需要进行防爆。航空接头用于在霍尔装置与采集卡之间，进行数据通讯。多通道采集模块，用于驱动设备进行采集任务。考虑到现场噪声干扰，增加了降噪滤波电路，对采集到的数据进行信号处理。英特尔CPU主板为设备主要信号处理单元。GPU加速卡挂在CPU主板上，用于加速图像处理速度。

采集计算终端的CPU计算主要依托英特尔CPU主板，为了加速数据推理过程，添加GPU加速卡，有助于快速实现缺陷目标检测分析。

如图3所示，本发明的缺陷定位识别算法设计利用LF信号和LMA信号进行多维度融合，通过目标检测算法进行缺陷定位和识别，大大提高了钢丝绳缺陷识别的准确性。对于探头采集到的LF信号和LMA时序信号，由于其在运行过程中，受到速度和运行工况的影响，导致其本底噪声易发生变化。特别是，在钢丝绳启动加速过程和停止减速过程中，曲线噪声差异明显，甚至该部分噪声时常超过了部分缺陷幅值，这导致缺陷检测不稳定，准确率不高。这也一直是钢丝绳无损检测的难点和痛点之一。

为此，本发明针对LF信号和LMA信号的特点，设计了一套缺陷定位识别算法，具体包括如下步骤：

步骤1、启动探头，进行钢丝绳拉绳，对探头获取到的同步的LF信号和LMA信号进行希尔伯特-黄变换(HHT)，实现信号降噪滤波。然后，对LF信号和LMA信号进行时序信号切片，切片长度可以自定义。如将LF信号每隔1米切一段信号，或者交叉重叠切片，只需保证每个切片长度基本一致即可。对每个切片的数据点逐一绘图，画出每个切片的二维曲线图像，隐去相应的横纵坐标，得到LF信号和LMA信号的切片图像，实现一维时序信号向二维图像的转变。

步骤2、将缺陷定位识别算法分为两部分：模型训练和模型检测。所述模型训练，将LF信号和LMA信号的切片图像，根据已知的缺陷位置和类型，画出缺陷框并标识出缺陷类型。随后利用目标检测算法，对LF信号的切片图像和LMA信号的切片图像分别进行训练，得到LF和LMA各自的目标检测模型。

所述模型检测中，探头每次获取LF信号和LMA信号，进行切片重构成图像后，利用训练好的LF目标检测模型对LF信号的切片图像进行检测。如果识别到缺陷，根据目标检测模型给出的缺陷位置，找到LMA信号相同位置附近是否存在极大值或者极小值，如果LMA信号相同位置处不存在极大或者极小值，则该处缺陷被认定为不存在。如果存在极大值或者极小值，则对LMA信号的切片图像使用LMA目标检测模型进行识别。当LF信号的切片图像缺陷位置和LMA信号的切片图像缺陷位置小于100mm，则该位置存在疑似缺陷。这时需要通过LF目标检测模型和LMA目标检测模型给出的该位置的置信度进行判断，具体判断如下：

其中，0代表疑似缺陷，1代表轻度缺陷，2代表严重缺陷，P

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。