CN109459489A - 一种基于磁记忆检测原理的电梯裂纹检测方法 - Google Patents

一种基于磁记忆检测原理的电梯裂纹检测方法 Download PDF

Info

Publication number
CN109459489A
CN109459489A CN201811227073.9A CN201811227073A CN109459489A CN 109459489 A CN109459489 A CN 109459489A CN 201811227073 A CN201811227073 A CN 201811227073A CN 109459489 A CN109459489 A CN 109459489A
Authority
CN
China
Prior art keywords
elevator
magnetic memory
crackle
signal
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811227073.9A
Other languages
English (en)
Other versions
CN109459489B (zh
Inventor
李永琳
姜玉东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinling Institute of Technology
Original Assignee
Jinling Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jinling Institute of Technology filed Critical Jinling Institute of Technology
Priority to CN201811227073.9A priority Critical patent/CN109459489B/zh
Publication of CN109459489A publication Critical patent/CN109459489A/zh
Application granted granted Critical
Publication of CN109459489B publication Critical patent/CN109459489B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
    • G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
    • G01N27/83—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields
    • G01N27/85—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields using magnetographic methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Evolutionary Computation (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
  • Maintenance And Inspection Apparatuses For Elevators (AREA)

Abstract

一种基于磁记忆检测原理的电梯裂纹检测方法，具体步骤如下，步骤1：将电梯不同裂纹的磁记忆信号经过信号预处理后，提取磁记忆信号；步骤2：针对电梯的不用裂纹，在磁记忆信号的基础上提取特征值；步骤3：建立电梯铁磁性材料样本数据库；步骤4：构造SVM分类器模型，将训练样本与标签作为输入，求解优化方程，输出SVM分类器；步骤5：利用霍尔传感器实时采集相关信息并进行处理，将提取的特征值作为输入，用SVM做分类裂纹类别，输出电梯铁磁性材料的实时裂纹标签。本发明通过支持向量机在有限的样本下产生支持向量机模型，该模型用以判别电梯的表面是否有裂纹和焊缝，判别裂纹的种类，其判别的相对误差最高可以达到3%以内。

Description

一种基于磁记忆检测原理的电梯裂纹检测方法
技术领域
本发明涉及于磁记忆原理的电磁无损检测技术领域，特别是涉及一种基于磁记忆检 测原理的电梯裂纹检测方法。
背景技术
随着我国的经济快速发展，电梯在国民的生活中变得越来越大众化。最近几年电梯 吃人案件频发，归根结底还是电梯质量没有得到保证。在我国以及国外都建立了电梯安全指标评价体系，传统的电梯评价都是通过人工巡视的方式进行检测，不能做到实时的 检测，这对电梯的质量安全存在着极大的安全隐患。
磁记忆检测法是一种常用的电磁无损检测方法。1977年，费力曼在锅炉管子的损伤 处有磁化现象。1997年，俄罗斯学者杜波夫提出金属应力集中区磁记忆效应的相关学说——金属磁记忆技术。磁记忆的实质是铁磁性材料在加工和运行时，受到载荷和地磁场 的共同作用下，铁磁性的内部磁踌发生定向的、不可逆的翻转。铁磁性的表面会存在着 这种磁化的状态，被称作磁记忆效应。利用电磁感应原理，在铁磁性材料表面放置检测 线圈可以检测到磁畴错动释放的电压脉冲信号，该信号被称作磁记忆信号。
磁记忆信号主要是受到应力和缺陷的影响，在对电梯进行焊接的过程中，可以利用 磁记忆检测法检测电梯的焊缝，在电梯运行过程中，该方法可以实时的检测电梯有无裂纹。因此无论是在电梯的制作过程和运行中，都可以使用磁记忆检测法实时的检测电梯 的质量。所以利用磁记忆检测电梯的裂纹损伤是十分有必要且很有意义的。
发明内容
为了解决以上问题，本发明提供一种基于磁记忆检测原理的电梯裂纹检测方法，，通 过支持向量机在有限的样本下产生支持向量机模型，该模型用以判别电梯的表面是否有 裂纹和焊缝，判别裂纹的种类，其判别的相对误差最高可以达到3％以内，为达此目的，本发明提供一种基于磁记忆检测原理的电梯裂纹检测方法，具体步骤如下：
步骤1：将霍尔传感器检测到的电梯不同裂纹的磁记忆信号分别经过一定的信号预处 理后，提取磁记忆信号；
步骤2：针对电梯的不用裂纹，在磁记忆信号的基础上提取特征值，包括均方根Rms、 均值Ave、峰值Max共3个特征值；
步骤3：建立电梯铁磁性材料样本数据库，每个样本包含6个特征值和1个标签；
步骤4：构造SVM分类器模型，将训练样本与标签作为输入，求解优化方程，输出SVM分类器；
步骤5：利用霍尔传感器实时采集电梯的铁磁性材料信息，将采集到的磁记忆信号做 滤波处理、提取特征值，将提取的特征值作为输入，用SVM做分类裂纹类别，输出电梯 铁磁性材料的实时裂纹标签。
本发明的进一步改进，步骤一中信号预处理包括滤波和去噪步骤，采集到计算机中以 后，对信号进行平滑降噪，平滑降噪是基于统计的规律，将采集到的离散信号x排成队列 x＝(x1,.....xN)，N为信号长度，窗宽为M的滤波器对其进行平滑降噪，将滤波、降噪后的信号提取特征值。
本发明的进一步改进，步骤二中均方根Rms取：
式中，Xi表示磁记忆信号数据值，N为数据长度；
均值Ave取磁记忆信号的绝对值取平均；
峰值Max取磁记忆信号的最大值。
本发明的进一步改进，步骤四所述SVM分类器模型建立具体步骤如下；
(1)将电梯样本贴上标签，不同种类的裂纹贴上不同标签；
(2)选取RBF核函数，随机取1338个样本训练分类器模型，得到分类器最佳参数；
(3)利用训练好的模型去识别测试样本；
对于模型最终的估计结果，以是否正确区分电梯裂纹作为评价指标。比较测试样本的 标签是否正确，最终算出该方法的评估准确率。
本发明一种基于磁记忆检测原理的电梯裂纹检测方法，拟通过霍尔传感器采得电梯的 磁记忆信号，再使用支持向量机(Support Vector Machine，SVM)的方法，利用磁记忆信号 的特征值(如均方根、均值、峰值等)输出电梯表面有无裂纹与裂纹的种类。支持向量机(Support Vector Machine，SVM)是统计学理论发展的产物。针对有限样本的情况，SVM建立了一套完整的、规范的基于统计的机器学习的方法。
其具有如下优点；
1.本发明提出的基于磁记忆检测原理的电梯裂纹检测方法，可以实现对电梯的裂纹的 实时检测，避免了传统上的人员定时检测电梯质量存在的电梯质量安全隐患。
2.通过SVM建立了铁磁性材料磁记忆信号多特征值与裂纹之间的映射关系，可以实 现对电梯的裂纹检测。
3.该方法可以实时并行估计出电梯的焊缝以及裂纹。
4.该方法估计的相对误差值可以减小到3％以内，检测合格率可以达到97％以上。
附图说明
图1是电梯滤波前磁记忆的原始信号；
图2是电梯滤波后磁记忆信号；
图3是电梯裂纹滤波前磁记忆信号；
图4是电梯裂纹滤波后磁记忆信号；
图5是SVM检测结果。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供一种基于磁记忆检测原理的电梯裂纹检测方法，，通过支持向量机在有限 的样本下产生支持向量机模型，该模型用以判别电梯的表面是否有裂纹和焊缝，判别裂 纹的种类，其判别的相对误差最高可以达到3％以内。
由于电梯需要承担重物，需要耐磨，耐腐蚀，现在的电梯材料大多是铁磁性材料制作的。这种材料在磁化后在其内部产生的附加磁场很强,其方向也与外磁场相同。磁化后撤销外磁场,它的磁性仍然能在很大程度上保留下来，产生裂纹时，内部的磁踌也开始发生变化。因此可以磁记忆信号能够反应电梯的铁磁性材料的磁场。下面将阐述基于磁记 忆检测原理的电梯裂纹检测方法的理论基础。
电梯材料的受到的磁场分为地磁场和材料的内部磁场，这时该材料的总磁场表现为：
B＝B0+B'
B0为电梯的铁磁性材料受到的外部磁场(地磁场)，B'为电梯的铁磁性材料产生裂纹 后的内部磁场，B是材料的总磁感应强度。
针对电梯裂纹产生的磁场，设计一个采集电路，该电路包括：霍尔传感器做成的探头、滤波器、放大器、A/D转换器、采集卡、CPU系统等。
霍尔传感器的灵敏度是1.35mV/GS，探头将磁信号转化为电压信号，通过滤波、放大、将电信号转化为数字信号，最后采集到计算机中。
采集到计算机中以后，对信号进行平滑降噪。平滑降噪是基于统计的规律，将采集到的离散信号x排成队列x＝(x1,.....xN)，N为信号长度，窗宽为M的滤波器对其进行平 滑降噪，将滤波、降噪后的信号提取特征值。
对于分类的问题，SVM可以寻找最优的分类面去区分电梯有无裂纹。利用上述的电路采集到的电梯无裂纹的原始信号如图1所示，该信号经过滤波、去噪处理后的信号如 图2所示。采集得到电梯有裂纹磁记忆原始数据信号，如图3所示，经过滤波、去噪之 后，如图4所示。从滤波去、去噪后的波形提取特征值:包括均方根(Rms)、均值(Ave)、 峰值(Max)共3个特征值。各特征值的定义如下：
(1)均方根(Rms)：
式中，Xi表示磁记忆信号数据值，N为数据长度。
(2)均值(Ave)：磁记忆信号的绝对值取平均。
(3)峰值(Max)：磁记忆信号的最大值。
选取21组电梯上不同裂纹样本(1组是没有裂纹的样本，20组电梯的不同裂纹种类样本)，每组数据有85个样本。将这些样本提取上述的特征值，特征值数据用作SVM的 训练与测试，其中随机选取1338个样本作为训练分类器模型，447个样本作为测试样本。 调用Matlab工具包Libsvm函数创建SVM模型。
(1)将电梯样本贴上标签，不同种类的裂纹贴上不同标签。
(2)选取RBF核函数，随机取1338个样本训练分类器模型，得到分类器最佳参数。
(3)利用训练好的模型去识别测试样本。
对于模型最终的估计结果，以是否正确区分电梯裂纹作为评价指标。比较测试样本的标 签是否正确，最终算出该方法的评估准确率，如图5所示。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制， 而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (4)

1.一种基于磁记忆检测原理的电梯裂纹检测方法，具体步骤如下，其特征在于：
步骤一：将霍尔传感器检测到的电梯不同裂纹的磁记忆信号分别经过一定的信号预处理后，提取磁记忆信号；
步骤二：针对电梯的不用裂纹，在磁记忆信号的基础上提取特征值，包括均方根Rms、均值Ave、峰值Max共3个特征值；
步骤三：建立电梯铁磁性材料样本数据库，每个样本包含6个特征值和1个标签；
步骤四：构造SVM分类器模型，将训练样本与标签作为输入，求解优化方程，输出SVM分类器；
步骤五：利用霍尔传感器实时采集电梯的铁磁性材料信息，将采集到的磁记忆信号做滤波处理、提取特征值，将提取的特征值作为输入，用SVM做分类裂纹类别，输出电梯铁磁性材料的实时裂纹标签。
2.根据权利要求1所述的一种基于磁记忆检测原理的电梯裂纹检测方法，其特征在于：步骤一中信号预处理包括滤波和去噪步骤，采集到计算机中以后，对信号进行平滑降噪，平滑降噪是基于统计的规律，将采集到的离散信号x排成队列x＝(x1,.....xN)，N为信号长度，窗宽为M的滤波器对其进行平滑降噪，将滤波、降噪后的信号提取特征值。
3.根据权利要求1所述的一种基于磁记忆检测原理的电梯裂纹检测方法，其特征在于：步骤二中均方根Rms取：
式中，Xi表示磁记忆信号数据值，N为数据长度；
均值Ave取磁记忆信号的绝对值取平均；
峰值Max取磁记忆信号的最大值。
4.根据权利要求1所述的一种基于磁记忆检测原理的电梯裂纹检测方法，其特征在于：步骤四所述SVM分类器模型建立具体步骤如下；
(1)将电梯样本贴上标签，不同种类的裂纹贴上不同标签；
(2)选取RBF核函数，随机取1338个样本训练分类器模型，得到分类器最佳参数；
(3)利用训练好的模型去识别测试样本；
对于模型最终的估计结果，以是否正确区分电梯裂纹作为评价指标。比较测试样本的标签是否正确，最终算出该方法的评估准确率。
CN201811227073.9A 2018-10-22 2018-10-22 一种基于磁记忆检测原理的电梯裂纹检测方法 Active CN109459489B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811227073.9A CN109459489B (zh) 2018-10-22 2018-10-22 一种基于磁记忆检测原理的电梯裂纹检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811227073.9A CN109459489B (zh) 2018-10-22 2018-10-22 一种基于磁记忆检测原理的电梯裂纹检测方法

Publications (2)

Publication Number Publication Date
CN109459489A true CN109459489A (zh) 2019-03-12
CN109459489B CN109459489B (zh) 2020-12-25

Family

ID=65607956

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811227073.9A Active CN109459489B (zh) 2018-10-22 2018-10-22 一种基于磁记忆检测原理的电梯裂纹检测方法

Country Status (1)

Country Link
CN (1) CN109459489B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111855793A (zh) * 2019-04-12 2020-10-30 北京化工大学 一种基于表面磁记忆信号的无缝铁轨内部温度应力早期诊断方法
CN111948279A (zh) * 2020-07-27 2020-11-17 南昌航空大学 一种弱磁检测顺磁性金属材料裂纹缺陷的定量评价方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4448843A (en) * 1980-04-10 1984-05-15 Fuji Photo Film Co., Ltd. Magnetic recording medium
CN101718747A (zh) * 2009-12-18 2010-06-02 北京工业大学 一种利用金属磁记忆检测判别铁磁材料应力集中的方法
CN102841131A (zh) * 2012-09-20 2012-12-26 西安科技大学 钢丝绳芯输送带缺陷智能识别方法及系统
CN107818335A (zh) * 2017-10-09 2018-03-20 南京航空航天大学 一种基于多分类器自适应加权的钢轨裂纹识别方法
CN108178037A (zh) * 2017-12-30 2018-06-19 武汉大学 一种基于卷积神经网络的电梯故障识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4448843A (en) * 1980-04-10 1984-05-15 Fuji Photo Film Co., Ltd. Magnetic recording medium
CN101718747A (zh) * 2009-12-18 2010-06-02 北京工业大学 一种利用金属磁记忆检测判别铁磁材料应力集中的方法
CN102841131A (zh) * 2012-09-20 2012-12-26 西安科技大学 钢丝绳芯输送带缺陷智能识别方法及系统
CN107818335A (zh) * 2017-10-09 2018-03-20 南京航空航天大学 一种基于多分类器自适应加权的钢轨裂纹识别方法
CN108178037A (zh) * 2017-12-30 2018-06-19 武汉大学 一种基于卷积神经网络的电梯故障识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张军 等: "《磁记忆检测信号处理与井下应用》", 31 July 2012, 哈尔滨工程大学出版社 *
张军 等: "基于小波变换的套管金属磁记忆检测信号处理", 《石油学报》 *
邢海燕 等: "基于K-近邻隶属度模糊支持向量机的再造抽油杆损伤等级磁记忆定量识别", 《石油学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111855793A (zh) * 2019-04-12 2020-10-30 北京化工大学 一种基于表面磁记忆信号的无缝铁轨内部温度应力早期诊断方法
CN111948279A (zh) * 2020-07-27 2020-11-17 南昌航空大学 一种弱磁检测顺磁性金属材料裂纹缺陷的定量评价方法
CN111948279B (zh) * 2020-07-27 2023-09-01 南昌航空大学 一种弱磁检测顺磁性金属材料裂纹缺陷的定量评价方法

Also Published As

Publication number Publication date
CN109459489B (zh) 2020-12-25

Similar Documents

Publication Publication Date Title
CN108030494B (zh) 基于交叉验证的心电信号错误标记训练样本识别方法
CN102621150B (zh) 基于灰度共生矩阵和支持向量机的飞机蒙皮损伤识别方法
CN103398769B (zh) 基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法
CN106447040B (zh) 基于异类多传感器数据融合的机械设备健康状态评估方法
CN103760222A (zh) 一种基于巨磁电阻传感器阵列的矿用钢丝绳在线检测装置及方法
CN109375010A (zh) 基于振动分布特征模型的电力变压器绕组故障诊断方法
CN110133049A (zh) 基于电子鼻和机器视觉的茶叶等级快速无损检测方法
CN106959337A (zh) 一种开放式微磁激励钢丝绳损伤检测系统
CN106096649B (zh) 基于核线性判别分析的味觉感应信号差异性特征提取方法
CN107818335A (zh) 一种基于多分类器自适应加权的钢轨裂纹识别方法
CN109459489A (zh) 一种基于磁记忆检测原理的电梯裂纹检测方法
CN105067701B (zh) 基于矩形探头的脉冲涡流检测硬件分离方法
CN103134742A (zh) 一种油液铁磁性磨粒现场检测装置
CN110487889A (zh) 监测电梯曳引钢带状态的电磁传感器及监测方法
EP3951381B1 (en) Non-destructive testing method and device for testing and distinguishing internal and external defects of steel wire rope
CN102998350B (zh) 利用电化学指纹图谱鉴别食用油和地沟油的方法
CN108470163B (zh) 轨道道岔板离缝病害检测方法及终端设备
CN111899216A (zh) 一种高铁接触网绝缘子紧固件的异常检测方法
CN109100416A (zh) 基于正交多频电磁检测的铁磁性管道内壁缺陷检测装置
CN103018537A (zh) 基于cwd谱峭度的暂态电能质量扰动分类识别方法
CN105989600A (zh) 基于特征点分布统计的配电网设备外观检测方法及系统
CN113128555B (zh) 一种用于列车闸片部件异常检测的方法
CN105259212B (zh) 一种用于sf6分解产物检测的交叉干扰消除方法
CN103529041B (zh) 基于图像特征的电路板新旧程度判定方法和系统
CN116466408A (zh) 一种基于航磁数据的人工神经网络超基性岩识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant