CN114981651A - 钢丝绳探伤装置 - Google Patents
钢丝绳探伤装置 Download PDFInfo
- Publication number
- CN114981651A CN114981651A CN202180009627.1A CN202180009627A CN114981651A CN 114981651 A CN114981651 A CN 114981651A CN 202180009627 A CN202180009627 A CN 202180009627A CN 114981651 A CN114981651 A CN 114981651A
- Authority
- CN
- China
- Prior art keywords
- wire rope
- learning
- wire
- learning model
- frequency
- 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.)
- Pending
Links
Images
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
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
在钢丝绳探伤装置中,磁化器发生经过钢丝绳的一部分的磁通。磁传感器发生与磁通之中的从钢丝绳泄漏的泄漏磁通对应的信号作为传感器信号。滤波器部抽出传感器信号的频率分量。运算部抽出基于构成频率分量的多个值的多个特征量。学习部通过使向关于多个特征量和包含于钢丝绳的线材的状态的相关关系进行了机器学习的学习完毕的学习模型输入多个特征量时的学习模型执行运算处理,判定包含于钢丝绳的线材有无损伤。
Description
技术领域
本发明涉及钢丝绳探伤装置(wire rope flaw detection device)。
背景技术
以往,已知一种钢丝绳探伤装置,具有:磁化器,使钢丝绳(wire rope)磁饱和;以及磁传感器,检测由于钢丝绳的损伤部而从钢丝绳泄漏的泄漏磁通(例如参照专利文献1)。
现有技术文献
专利文献1:日本特开平09-210968号公报
发明内容
钢丝绳越细,则从钢丝绳泄漏的泄漏磁通的量越少。因此,在专利文献1所示的以往的钢丝绳探伤装置中,钢丝绳越细,则到达磁传感器的泄漏磁通的量越少,磁传感器的输出降低。其结果,以往的钢丝绳探伤装置的SN比降低。
另外,以往的钢丝绳探伤装置即使想要通过缩小钢丝绳和磁传感器的距离来提高SN比,仍存在钢丝绳和磁传感器的装配精度等的制约。因此,以往的钢丝绳探伤装置在缩小钢丝绳和磁传感器的距离的方面是有限度的。
本发明是为了解决如上所述的课题而完成的,其目的在于得到一种能够更可靠地提高SN比的钢丝绳探伤装置。
本发明所涉及的钢丝绳探伤装置具备:磁化器,发生经过钢丝绳的一部分的磁通;磁传感器,发生与所述磁通之中的从所述钢丝绳泄漏的泄漏磁通对应的信号作为传感器信号;以及控制部,处理所述传感器信号,所述控制部具有:滤波器部,抽出所述传感器信号的频率分量;运算部,抽出基于构成所述频率分量的多个值的多个特征量;以及学习部,通过使向关于所述多个特征量和包含于所述钢丝绳的线材的状态的相关关系进行了机器学习的学习完毕的学习模型输入根据构成由所述滤波器部抽出的频率分量的多个值而由所述运算部抽出的多个特征量时的所述学习模型执行运算处理,判定所述线材有无损伤。
根据本发明所涉及的钢丝绳探伤装置,能够更可靠地提高SN比。
附图说明
图1是示出实施方式1所涉及的钢丝绳探伤装置的探测器的分解立体图。
图2是示出图1的探测器的探伤原理的说明图。
图3是图2的A部放大图。
图4是更具体地说明图3的泄漏磁通和线圈的位置关系的一个例子的图。
图5是更具体地说明从直径比图4的钢丝绳小的钢丝绳泄漏的泄漏磁通和线圈的位置关系的一个例子的图。
图6是示出图2的控制部的功能结构例的框图。
图7是示出图6的滤波器部的频率特性的一个例子的图。
图8是示出图6的滤波器部从输入信号抽出的频率分量的分布的一个例子的图。
图9是示出在图6的时刻t1时由滤波器部生成的级数yk(n)的一个例子的图。
图10是示出在图6的时刻t2时由滤波器部生成的级数yk(n)的一个例子的图。
图11是示出在图6的学习部构成为支持向量机时使用学习用数据集进行机器学习的概念的图。
图12是说明图6的学习部构成为支持向量机时的由控制部进行的处理的流程图。
图13是示出在图6的学习部构成为自动编码器时使用学习用数据集进行机器学习的概念的图。
图14是说明图6的学习部构成为自动编码器时的由控制部进行的处理的流程图。
图15是说明在实施方式2中由控制部进行的处理的流程图。
图16是示出实施方式3所涉及的处理与从钢丝绳泄漏的泄漏磁通对应的信号的控制部的功能结构例的框图。
图17是示出图16的滤波器部的频率特性的一个例子的图。
图18是示出图16的小波变换部的母小波(mother wavelet)的时域的波形例的图。
图19是示出图16的小波变换部的母小波的频域的波形例的图。
图20是作为图16的滤波器部的频率特性的另一例而为1/3倍频程时的中心频率的概念图。
图21是示出图16的滤波器部从输入信号抽出的频率分量的分布的一个例子的图。
图22是示出在图16的时刻t1时由滤波器部生成的级数yk(n)的一个例子的图。
图23是示出在图16的时刻t2时由滤波器部生成的级数yk(n)的一个例子的图。
图24是说明由图16的控制部进行的处理的流程图。
图25是说明硬件结构例的图。
图26是说明其它硬件结构例的图。
图27是作为图25或者图26的具体例而示出将图6以及图16的至少一方的控制部嵌入到终端装置来使用的系统结构例的图。
图28是作为图25或者图26的具体例而示出通过将图6以及图16的至少一方的控制部嵌入到判定器401从而将判定器的处理内容供给到数据记录器的系统结构例的图。
图29是作为图25或者图26的具体例而示出通过将图6以及图16的至少一方的控制部嵌入到判定器从而将判定器的处理内容供给到电梯控制盘的系统结构例的图。
(符号说明)
2、2S:钢丝绳;11:磁化器;13:磁传感器;9:控制部;93、193:滤波器部;94:处理部;941:运算部;943:学习部;943_1:支持向量机;943_2:自动编码器;961、961_1、961_2:学习模型。
具体实施方式
实施方式1.
图1是示出实施方式1所涉及的钢丝绳探伤装置的探测器1的分解立体图。探测器1具备探测器主体3和罩5。
罩5由非磁性体构成。罩5覆盖探测器主体3。由此,罩5保护探测器主体3。罩5设置有槽部51。槽部51的剖面形成为U字形。槽部51具有第1端部51_1和第2端部51_2。
探测器主体3具备磁化器11和磁传感器13。
磁化器11具有背磁轭(back yoke)111、第1永久磁铁112_1、第2永久磁铁112_2、第1极片(First pole piece)113_1以及第2极片113_2。
背磁轭111由铁磁体构成。背磁轭111具有第1磁轭端部111_1、第2磁轭端部111_2以及磁轭中央部111_3。背磁轭111的长度方向一端部成为第1磁轭端部111_1。背磁轭111的长度方向另一端部成为第2磁轭端部111_2。磁轭中央部111_3位于第1磁轭端部111_1与第2磁轭端部111_2之间。
第1磁轭端部111_1经由第1永久磁铁112_1而被固定有第1极片113_1。第2磁轭端部111_2经由第2永久磁铁112_2而被固定有第2极片113_2。由此,第1永久磁铁112_1和第2永久磁铁112_2在背磁轭111的长度方向上相互分离地配置。另外,第1极片113_1和第2极片113_2在背磁轭111的长度方向上相互分离地配置。
第1极片113_1由铁磁体构成。在第1极片113_1设置有第1极片槽部113_11。第1极片槽部113_11的剖面形成为U字形。第1极片槽部113_11在第1端部51_1的背侧的位置处固定于罩5。
第2极片113_2由铁磁体构成。在第2极片113_2设置有第2极片槽部113_21。第2极片槽部113_21的剖面形成为U字形。第2极片槽部113_21在第2端部51_2的背侧的位置处固定于罩5。
第1永久磁铁112_1位于第1极片113_1与第1磁轭端部111_1之间。第1永久磁铁112_1将一方的磁极面朝向第1极片113_1而配置,将另一方的磁极面朝向第1磁轭端部111_1而配置。作为第1永久磁铁112_1,例如使用钕磁铁。第1永久磁铁112_1发生磁动势。
第2永久磁铁112_2配置于第2极片113_2与第2磁轭端部111_2之间。第2永久磁铁112_2将一方的磁极面朝向第2磁轭端部111_2而配置,将另一方的磁极面朝向第2极片113_2而配置。作为第2永久磁铁112_2,例如使用钕磁铁。第2永久磁铁112_2发生磁动势。
磁传感器13具有传感器主体13A和安装部13B。
安装部13B安装于磁轭中央部111_3。安装部13B由非磁性体构成。
传感器主体13A配置于第1极片113_1与第2极片113_2之间。传感器主体13A具有基体部132、线圈保持器133、第1线圈131_1以及第2线圈131_2。
基体部132安装于安装部13B。线圈保持器133安装于基体部132。线圈保持器133由铁磁体构成。第1线圈131_1以及第2线圈131_2安装于线圈保持器133。
图2是示出图1的探测器1的探伤原理的说明图。钢丝绳探伤装置具备探测器1和受理来自探测器1的信号的控制部9。
在图2中,为便于图示,用双点划线表示罩5的轮廓。另外,在图2中,为便于图示,用阴影线表示槽部51的剖面形状部分。在通过钢丝绳探伤装置进行钢丝绳2的探伤检查时,钢丝绳2在沿着槽部51的长度方向的特定方向W_D上相对探测器1而移动。探测器1在使钢丝绳2与槽部51接触的同时实施测量。
在图2的一个例子中,第1永久磁铁112_1的极性的朝向成为从第1磁轭端部111_1向第1极片113_1的朝向。另外,在图2的一个例子中,第2永久磁铁112_2的极性的朝向成为从第2极片113_2向第2磁轭端部111_2的朝向。
即,第1永久磁铁112_1的极性成为与第2永久磁铁112_2的极性相反的朝向。因此,在钢丝绳2配置于槽部51的状态下,第1永久磁铁112_1以及第2永久磁铁112_2发生经过由钢丝绳2的一部分和磁化器11构成的磁回路F_C的磁通F。
由此,在钢丝绳2配置于槽部51的状态下,在钢丝绳2之中的与第1极片113_1对置的部分和与第2极片113_2对置的部分之间的区间W中,钢丝绳2被磁化。在钢丝绳2中,由第1永久磁铁112_1以及第2永久磁铁112_2产生的磁通F沿着钢丝绳2的长度方向而经过。即,磁化器11发生经过钢丝绳2的一部分的磁通F。
磁传感器13发生与磁通F中的从钢丝绳2泄漏的泄漏磁通L_F对应的信号作为传感器信号。控制部9处理从磁传感器13发生的传感器信号。此外,关于磁通F以及泄漏磁通L_F的详细的说明,使用图3、图4以及图5而在后面叙述。
以下,将第1永久磁铁112_1以及第2永久磁铁112_2总称为永久磁铁112。另外,将第1极片113_1以及第2极片113_2总称为极片113。另外,将第1线圈131_1以及第2线圈131_2总称为线圈131。
接下来,使用图3、图4以及图5来说明钢丝绳探伤装置的泄漏磁通L_F的检测原理。图3是图2的A部放大图。如图3所示,如果在钢丝绳2之中的磁通F经过的部分有损伤部B_W,则在损伤部B_W的周围,磁通F的一部分作为泄漏磁通L_F而从钢丝绳2泄漏。
图4是更具体地说明图3的泄漏磁通L_F和线圈131的位置关系的一个例子的图。在使钢丝绳2相对探测器1而进行了移动的情况下,第1线圈131_1以及第2线圈131_2与泄漏磁通L_F交链。因此,作为与泄漏磁通L_F对应的信号的感应电压作为传感器信号而发生在第1线圈131_1以及第2线圈131_2中。
但是,钢丝绳2由绳芯以及在绳芯的周围以一定的间距λ进行了绞合的多个绞合线21构成。因此,在钢丝绳2的外周部,形成有以一定的间距λ向钢丝绳2的长度方向排列的多个凸部。另外,绞合线21是将多根线材按照单层或者多层进行绞合而构成的。因此,如果包含于钢丝绳2的线材细,则钢丝绳2的直径被小径化。
图5是更具体地说明从直径比图4的钢丝绳2小的钢丝绳2S泄漏的泄漏磁通L_F和线圈131的位置关系的一个例子的图。在图5的钢丝绳2S相对探测器1而移动的情况下,相比于图4的钢丝绳2相对探测器1而移动的情况,与第1线圈131_1以及第2线圈131_2交链的泄漏磁通L_F的磁通量变少。因此,图2的控制部9难以区分从磁传感器13发生的传感器信号是由噪声产生的磁通F所引起的信号和由损伤部B_W产生的磁通F所引起的信号中的哪一个。因此,在本实施方式中,图2的控制部9在关于基于构成传感器信号的频率分量的多个值的多个特征量和包含于钢丝绳的线材的状态的相关关系进行机器学习之后,判定线材有无损伤。
此外,如上述说明那样,钢丝绳2是将绞合线21以一定的间距λ进行绞合而构成的。因此,探测器1至少针对每个间距λ,检测由钢丝绳2的外周部引起的噪声。另外,钢丝绳2S也同样地是以间距λS进行绞合而构成的。因此,在钢丝绳2S的外周部,同样地形成有以一定的间距λS向钢丝绳2S的长度方向排列的多个凸部。因此,探测器1至少针对每个间距λS,检测由钢丝绳2S的外周部引起的噪声。
图6是示出图2的控制部9的功能结构例的框图。如图6所示,控制部9具有测定器91、合成器92、滤波器部93以及处理部94。
测定器91具有第1测定器91_1和第2测定器91_2。第1测定器91_1与第1线圈131_1的两端连接。第2测定器91_2与第2线圈131_2的两端连接。在该例子中,第1线圈131_1相比于第2线圈131_2而位于钢丝绳2S的特定方向W_D的上游侧。
如图6所示,在损伤部B_W进入到第1极片113_1与第2极片113_2之间时,在损伤部B_W的周围,泄漏磁通L_F从钢丝绳2泄漏。泄漏磁通L_F与第1线圈131_1交链,之后与第2线圈131_2交链。因此,在第1线圈131_1的两端发生的感应电压的峰值发生的时刻相比于在第2线圈131_2的两端发生的感应电压的峰值发生的时刻,偏移延迟时间τ。利用将第1线圈131_1和第2线圈131_2的中心之间的距离P除以探测器1的移动速度ν而得到的值来表示延迟时间τ。
因此,第1测定器91_1检测作为与从钢丝绳2S泄漏的泄漏磁通L_F对应的信号的感应电压作为传感器信号f1(t-τ)。另外,第2测定器91_2检测作为与从钢丝绳2S泄漏的泄漏磁通L_F对应的信号的感应电压作为传感器信号f2(t)。
合成器92通过重叠由第1测定器91_1检测到的传感器信号f1(t-τ)和由第2测定器91_2检测到的传感器信号f2(t),生成传感器信号x(t)。具体而言,合成器92重叠使由第1测定器91_1检测到的传感器信号f1(t-τ)延迟时间τ而得到的传感器信号f1(t)和由第2测定器91_2检测到的传感器信号f2(t)。其结果,传感器信号x(t)成为将在第1线圈131_1的两端发生的感应电压的峰值和在第2线圈131_2的两端发生的感应电压的峰值加在一起而得到的信号。
合成器92针对传感器信号x(t)以一定的周期Ts进行样本化。样本化的信号成为每个周期Ts的信号,所以能够以周期Ts为单位,用整数n来表示时间。即,传感器信号x(t)的模拟时间与样本化的信号的时间的关系成为t=n·Ts。样本化的信号的振幅是实数值。因此,作为样本化的信号的离散信号被表示为实数值的级数{x(0),x(1),x(2),……},所以表示为级数x(n)。将级数x(n)作为输入信号x(n)而供给到滤波器部93。
以下,将级数x(n)称为滤波器部93的输入信号x(n)。
滤波器部93抽出对传感器信号x(t)进行样本化而得到的输入信号x(n)的频率分量。滤波器部93具有作为多个带通滤波器的多个FIR(Finite Impulse Response,有限脉冲响应)滤波器931和多个绝对值部932。
图7是示出图6的滤波器部93的频率特性的一个例子的图。如图7所示,在多个FIR滤波器931各自中,抽头数、增益以及频带宽度b是固定的。多个FIR滤波器931将相互不同的多个频带作为单独的通过频带。即,多个FIR滤波器931具有相互不同的单独的通过频带。因此,滤波器部93在相互不同的多个频带各自中抽出输入信号x(n)的频率分量。
多个绝对值部932如图6所示,求出从多个FIR滤波器931供给的输入信号x(n)的频率分量的绝对值。在此,输入信号x(n)如上述说明那样是实数值的级数{x(0),x(1),x(2),……}。因此,多个绝对值部932通过将输入信号x(n)除以量化单位并进行四舍五入来进行量化,求出整数值的级数yk(n)。其中,k成为从1升序至N的值。另外,N是自然数。
例如,在对多个FIR滤波器931输入实数值的x(0)时,多个FIR滤波器931在相互不同的多个频带各自中抽出实数值的x(0)的频率分量。绝对值部932通过针对单独的每个通过频带的实数值的x(0)的频率分量进行上述运算,求出整数值的y1(0)、y2(0)、……以及yN(0)。
以下,将整数值的y1(0)、y2(0)、……以及yN(0)设为整数值的级数{y1(0),y2(0),……以及yN(0)}而表示为级数yk(0)。
滤波器部93针对实数值的x(1)也进行同样的处理,求出yk(1)。滤波器部93针对实数值的x(2)以后也进行同样的处理,求出yk(2)以后的级数。根据以上的说明,滤波器部93根据输入信号x(n)求出级数yk(n)。
图8是示出图6的滤波器部93从输入信号x(n)抽出的频率分量的分布的一个例子的图。如图8所示,钢丝绳2S的移动速度ν例如被控制为梯形。因此,在钢丝绳2S进行等速移动的情况下,由钢丝绳2S的外周部的形状引起的输入信号x(n)的周期变动变得固定。由钢丝绳2S的外周部的形状引起的输入信号x(n)的周期变动如上述说明那样针对绞合线21S的每个间距λS而产生。因此,输入信号x(n)的固定的周期变动是以特定的频率发生的。
例如,如图8所示,输入信号x(n)的噪声频率分量f_n在钢丝绳2S进行等速移动的情况下出现在k=6以及k=8时的频带中。
因此,输入信号x(n)的固定的周期变动的频率分量可视为输入信号x(n)的频率分量之中的、输入信号x(n)的噪声频率分量f_n。
另外,在输入信号x(n)是根据泄漏磁通L_F而由合成器92合成的信号的情况下,在时域中在局部的微少时间Δt的期间产生的信号和输入信号x(n)是等效的。因此,在输入信号x(n)是根据泄漏磁通L_F而由合成器92合成的信号的情况下,微少时间Δt越短,则输入信号x(n)的频率分量出现的频带的数量越增加。
例如,如图8所示,输入信号x(n)的损伤频率分量f_s分别出现在k=3、k=4、k=5、k=6、k=7、k=8以及k=9时的频带中。
其结果,输入信号x(n)的频率分量的分布成为跨越多个频带的分布。因此,输入信号x(n)的频率分量之中的、输入信号x(n)的损伤频率分量f_s还出现在输入信号x(n)的噪声频率分量f_n出现的频带以外的频带中。
但是,输入信号x(n)的损伤频率分量f_s本来在k=1以及k=2时也出现。但是,在此无需连k=1以及k=2时也考虑。因此,在图8的一个例子中,在k=1以及k=2时,输入信号x(n)的损伤频率分量f_s在各种信号处理的过程中被截断。
此外,频率分量的分布由级数yk(n)构成。级数yk(n)如上述说明那样由整数值的y1(n)、y2(n)、……以及yN(n)构成。因此,频率分量的分布由多个值y1(n)~yN(n)构成。
另外,如图8的中段侧以及下段侧所示,能够将k=6以及k=7时的各个级数yk(n)按时间推移进行排列。在图8的中段侧,示出了控制部9根据k=6时的级数yk(n)求出波峰因数的一个例子。波峰因数是通过求出最大值相对有效值的比的运算而得到的值。另外,在图8的下段侧,示出了控制部9根据k=7时的级数yk(n)求出微分或者差分的一个例子。
处理部94如图6所示,具有运算部941和学习部943。
运算部941抽出基于多个值y1(n)~yN(n)的多个特征量。具体而言,运算部941通过多个统计运算而从多个值y1(n)~yN(n)抽出多个特征量。多个特征量表征输入信号x(n)的频率分量的代表值。统计运算例如是求出中值的运算。中值是在将构成级数yk(n)的整数值的y1(n)、y2(n)、……以及yN(n)按照升序进行排列时位于中央的值。另外,在统计运算中,例如有最大值、最小值、范围、平均值、标准偏差、有效值、波峰因数、微分以及差分的运算。另外,统计运算之中的范围是通过求出最大值与最小值之差的运算而得到的值。
图9是示出在图6的时刻t1时由滤波器部93生成的级数yk(n)的一个例子的图。在图9的一个例子中,在构成级数yk(n)的多个值y1(n)~yN(n)之中,k=8时的值y8(n)表示最大值,k=9时的值y9(n)表示最小值。因此,通过值y8(n)和值y9(n)的差分来求出范围。
图10是示出在图6的时刻t2时由滤波器部93生成的级数yk(n)的一个例子的图。在图10的一个例子中,在将构成级数yk(n)的多个值y1(n)~yN(n)按照升序进行了排列时位于中央的值成为k=5时的值。另外,在图10中,除了中值以外,还示出平均值、标准偏差以及微分或者差分。
学习部943如图6所示,对学习模型961输入基于多个值y1(n)~yN(n)的多个特征量。被输入多个特征量时的学习模型961执行运算处理。学习部943根据学习模型961的运算处理的执行结果,判定包含于钢丝绳2S的线材有无损伤。学习模型961是关于基于构成频率分量的多个值y1(n)~yN(n)的多个特征量和包含于钢丝绳2S的线材的状态的相关关系进行了机器学习的学习完毕的学习模型。
学习部943向将多个第1特征量和多个第2特征量中的至少一方作为学习用数据集的学习模型961输入多个特征量,根据执行了运算处理的学习模型961的输出来判定钢丝绳2S的线材有无损伤。在此,多个第1特征量是表征包含于钢丝绳2S的线材有损伤的多个值的集合。另外,多个第2特征量是表征包含于钢丝绳2S的线材无损伤的多个值的集合。
另外,包含于钢丝绳2S的线材的损伤是指在钢丝绳2S的至少一部分中产生的物理性的损伤。物理性的损伤是指例如线材的断线、线材的部分断线以及线材的擦痕中的至少一种损伤。
以下,将包含于钢丝绳2S的线材的损伤适当称为线材的损伤。
<支持向量机>
图11是示出在图6的学习部943构成为支持向量机943_1时使用学习用数据集进行机器学习的概念的图。作为监督学习(supervised learning)的机器学习的一个例子,支持向量机943_1将多个第1特征量以及多个第2特征量设定为输入。
具体而言,图6的学习部943如图11所示,构成为可通过识别超平面将预先设定的特征空间的内部分类为第1区域和第2区域的支持向量机943_1。
在此,第1区域是包括多个第1特征量的区域。具体而言,第1区域是包含作为多个第1特征量的一部分的第1支持向量SV_1的区域。第2区域是包含多个第2特征量的区域。具体而言,第2区域是包含作为多个第2特征量的一部分的第2支持向量SV_2的区域。识别超平面是如图11所示例如能够用wTΓ+b=0来表示的函数。
更具体而言,多个第1特征量用级数Γ’q来表示。q是1、2、……、Ne。Ne是线材有损伤的样品数。级数Γ’q由多个值γ’1(n)、γ’2(n)、……以及γ’M(n)构成。
例如,对γ’1(n)分配级数yk(n)中的最大值。另外,对γ’2(n)分配级数yk(n)中的最小值。这样,级数Γ’q由被分配通过多个统计运算来运算出的值而得到的值构成。
因此,在有可能成为识别超平面的wTΓ+b=0存在的特征空间上,在将多个第1特征量的一部分设为第1支持向量SV_1时,作为包含第1支持向量SV_1的式子,例如用wTΓ’q+b=1来表示级数Γ’q。
即,支持向量机943_1用wTΓ’q+b=1的函数来表示将级数Γ’q映射到上述特征空间而得到的结果。
另一方面,用级数Γp来表示多个第2特征量。p是1、2、……、No。No是线材无损伤的样品数。级数Γp由多个值γ1(n)、γ2(n)、……以及γM(n)构成。
例如,对γ1(n)分配级数yk(n)中的最大值。另外,对γ2(n)分配级数yk(n)中的最小值。这样,级数Γp由被分配通过多个统计运算来运算出的值而得到的值构成。
因此,在有可能成为识别超平面的wTΓ+b=0存在的特征空间上,在将多个第2特征量的一部分设为第2支持向量SV_2时,作为包含第2支持向量SV_2的式子,例如用wTΓp+b=-1来表示级数Γp。
即,支持向量机943_1用wTΓp+b=-1的函数来表示将级数Γp映射到上述特征空间而得到的结果。
此外,支持向量机943_1在构成级数Γ’q的值中,将与构成级数Γp的值中的1个值最接近的值设定为第1支持向量SV_1。另外,支持向量机943_1在构成级数Γp的值中,将与构成级数Γ’q的值中的1个值最接近的值设定为第2支持向量SV_2。
另外,支持向量机943_1求出成为距离d1以及距离d2的wT以及b。在此,距离d1是wTΓ+b=0与第1支持向量SV_1最远离的距离。另一方面,距离d2是wTΓ+b=0与第2支持向量SV_2最远离的距离。支持向量机943_1通过求出这样的wT以及b而运算识别超平面。
即,支持向量机943_1通过将多个第1特征量以及多个第2特征量这两方作为学习用数据集而映射到特征空间来运算识别超平面,从而生成学习模型961_1。
具体而言,在将多个特征量输入到学习模型961_1时的学习模型961_1的输出相当于分类到第1区域的结果的情况下,支持向量机943_1判定为线材有损伤。另外,在将多个特征量输入到学习模型961_1时的学习模型961_1的输出相当于分类到第2区域的结果的情况下,支持向量机943_1判定为线材无损伤。
图12是说明图6的学习部943构成为支持向量机943_1时的控制部9的处理的流程图。此外,步骤S11~步骤S13的处理是学习处理。步骤S14以及步骤S15的处理是特征量抽出处理。步骤S16~步骤S20的处理是线材判定处理。步骤S21以及步骤S22的处理是期间判定处理。
<学习处理>
在步骤S11中,支持向量机943_1判定是否被输入学习用数据集。支持向量机943_1在判定为被输入学习用数据集的情况下,使当前的处理转移到步骤S12的处理。支持向量机943_1在判定为未被输入学习用数据集的情况下,继续步骤S11的处理。
在步骤S12中,支持向量机943_1判定在学习用数据集中是否包含多个第1特征量以及多个第2特征量这两方。支持向量机943_1在判定为在学习用数据集中包含多个第1特征量以及多个第2特征量这两方的情况下,使当前的处理转移到步骤S13的处理。支持向量机943_1在判定为在学习用数据集中未包含多个第1特征量以及多个第2特征量这两方的情况下,使当前的处理返回到步骤S11的处理。
在步骤S13中,支持向量机943_1通过使用学习用数据集进行机器学习,运算可分类为第1区域和第2区域的识别超平面,生成学习模型961_1。支持向量机943_1使当前的处理转移到步骤S14的处理。
<特征量抽出处理>
在步骤S14中,运算部941判定是否抽出了传感器信号x(t)的频率分量。运算部941在判定为抽出了传感器信号x(t)的频率分量的情况下,使当前的处理转移到步骤S15的处理。运算部941在判定为未抽出传感器信号x(t)的频率分量的情况下,重复步骤S14的处理。即,步骤S14的处理是由运算部941判定是否由滤波器部93抽出了传感器信号x(t)的频率分量的处理。
在步骤S15中,运算部941从构成频率分量的多个值y1(n)~yN(n),通过多个统计运算而抽出多个特征量。运算部941使当前的处理转移到步骤S16的处理。
<线材判定处理>
在步骤S16中,支持向量机943_1将多个特征量输入到学习模型961_1。支持向量机943_1使当前的处理转移到步骤S17的处理。在步骤S17中,支持向量机943_1判定学习模型961_1的输出是否相当于将多个特征量分类到第1区域的结果。支持向量机943_1在判定为学习模型961_1的输出相当于将多个特征量分类到第1区域的结果的情况下,使当前的处理转移到步骤S18的处理。支持向量机943_1在判定为学习模型961_1的输出未相当于将多个特征量分类到第1区域的结果的情况下,使当前的处理转移到步骤S19的处理。
在步骤S18中,支持向量机943_1判定为线材有损伤。支持向量机943_1使当前的处理转移到步骤S21的处理。在步骤S19中,支持向量机943_1判定学习模型961_1的输出是否相当于将多个特征量分类到第2区域的结果。支持向量机943_1在判定为学习模型961_1的输出相当于将多个特征量分类到第2区域的结果的情况下,使当前的处理转移到步骤S20的处理。支持向量机943_1在判定为学习模型961_1的输出未相当于将多个特征量分类到第2区域的结果的情况下,使当前的处理转移到步骤S21的处理。
在步骤S20中,支持向量机943_1判定为线材无损伤。支持向量机943_1使当前的处理转移到步骤S21的处理。
<期间判定处理>
在步骤S21中,滤波器部93判定是否使线材有无损伤的判定结束。滤波器部93在判定为使线材有无损伤的判定结束的情况下,结束当前的处理。滤波器部93在判定为不使线材有无损伤的判定结束的情况下,使当前的处理转移到步骤S22的处理。滤波器部93判定钢丝绳2S的速度是否与等速移动期间匹配。滤波器部93在判定为钢丝绳2S的速度与等速移动期间匹配的情况下,使当前的处理返回到步骤S14的处理。滤波器部93在判定为钢丝绳2S的速度与等速移动期间不匹配的情况下,继续步骤S22的处理。
<自动编码器>
图13是示出在图6的学习部943构成为自动编码器943_2时使用学习用数据集进行机器学习的概念的图。
具体而言,图6的学习部943如图13所示构成为利用权重系数wf、权重系数wg以及权重系数wh将输入和输出的误差抑制为一定量的自动编码器943_2。作为基于无监督学习的机器学习的一个例子,自动编码器943_2将多个第2特征量设定为输入。
更具体而言,自动编码器943_2具有使自动编码器962_1的一部分、自动编码器962_2的一部分以及最末层965层叠而形成的分层构造。
首先,自动编码器962_1具有编码器963_1和解码器964_1。自动编码器962_1例如使用S型函数(Sigmoid function)作为激活函数。自动编码器943_2将编码器963_1的输入设定为自动编码器962_1的输入。自动编码器943_2将编码器963_1的输出设定为解码器964_1的输入。自动编码器943_2将解码器964_1的输出设定为自动编码器962_1的输出。自动编码器943_2以在自动编码器962_1的输出侧重构与输入到自动编码器962_1的参数相同的参数的方式,通过学习来运算权重系数wf、权重系数wg以及权重系数wh。
接下来,自动编码器943_2将作为自动编码器962_1的一部分的编码器963_1的输出设定为自动编码器962_2的输入。自动编码器962_2具有编码器963_2和解码器964_2。自动编码器962_2例如使用S型函数作为激活函数。自动编码器943_2将编码器963_2的输入设定为自动编码器962_2的输入。自动编码器943_2将编码器963_2的输出设定为解码器964_2的输入。自动编码器943_2将解码器964_2的输出设定为自动编码器962_2的输出。自动编码器943_2与自动编码器962_2同样地,以在自动编码器962_2的输出侧再生与输入到自动编码器962_2的参数相同的参数的方式,通过学习来运算权重系数wf、权重系数wg以及权重系数wh。
接下来,自动编码器943_2将作为自动编码器962_2的一部分的编码器963_2的输出设定为最末层965的输入。因此,自动编码器943_2将编码器963_1的输出设定为编码器963_2的输入。自动编码器943_2在编码器963_2的输出侧追加最末层965。最末层965使用softmax函数作为激活函数。接下来,自动编码器943_2针对编码器963_1、编码器963_2以及最末层965的分层构造,利用误差反向传播法来微调权重系数wf、权重系数wg以及权重系数wh,从而生成学习模型961_2。
即,自动编码器943_2通过将多个第2特征量作为学习用数据集分别用于自动编码器943_2的输入以及输出,运算权重系数wf、权重系数wg以及权重系数wh,从而生成学习模型961_2。
另外,在将多个特征量输入到学习模型961_2时的学习模型961_2的输出重构了多个特征量的情况下,自动编码器943_2判定为线材无损伤。在将多个特征量输入到学习模型961_2时的学习模型961_2的输出未能重构多个特征量的情况下,自动编码器943_2判定为线材有损伤。
具体而言,自动编码器943_2将多个特征量与把多个特征量输入到学习模型961_2时的学习模型961_2的输出的差分,设定为重构误差。自动编码器943_2对重构误差进行均方而运算均方误差。自动编码器943_2在均方误差超过误差容许值的情况下,判定为学习模型961_2的输出未能重构多个特征量。自动编码器943_2在均方误差是误差容许值以下的情况下,判定为学习模型961_2的输出重构了多个特征量。误差容许值是根据多个特征量来设定的值。
图14是说明图6的学习部943构成为自动编码器943_2时的控制部9的处理的流程图。此外,步骤S41~步骤S43的处理是学习处理。步骤S44以及步骤S45的处理是特征量抽出处理。步骤S46~步骤S49的处理是线材判定处理。步骤S50以及步骤S51的处理是期间判定处理。在学习处理、特征量抽出处理、线材判定处理以及期间判定处理之中,期间判定处理与图12的步骤S21以及步骤S22的处理相同。因此,省略其说明。
<学习处理>
在步骤S41中,自动编码器943_2判定是否被输入学习用数据集。自动编码器943_2在判定为被输入学习用数据集的情况下,使当前的处理转移到步骤S42的处理。自动编码器943_2在判定为未被输入学习用数据集的情况下,继续步骤S41的处理。
在步骤S42中,自动编码器943_2判定在学习用数据集中是否包含有多个第2特征量。自动编码器943_2在判定为在学习用数据集中包含有多个第2特征量的情况下,使当前的处理转移到步骤S43的处理。自动编码器943_2在判定为在学习用数据集中未包含多个第2特征量的情况下,使当前的处理返回到步骤S41的处理。
在步骤S43中,自动编码器943_2通过使用学习用数据集进行机器学习而运算将输入和输出的误差抑制为一定量的权重系数wf、权重系数wg以及权重系数wh,生成学习模型961_2。自动编码器943_2使当前的处理转移到步骤S44的处理。
<特征量抽出处理>
在步骤S44中,运算部941判定是否抽出了传感器信号x(t)的频率分量。运算部941在判定为抽出了传感器信号x(t)的频率分量的情况下,使当前的处理转移到步骤S45的处理。运算部941在判定为未抽出传感器信号x(t)的频率分量的情况下,继续步骤S44的处理。
在步骤S45中,运算部941从构成频率分量的多个值y1(n)~yN(n),通过多个统计运算而抽出多个特征量。运算部941使当前的处理转移到步骤S46的处理。
<线材判定处理>
在步骤S46中,自动编码器943_2将多个特征量输入到学习模型961_2。自动编码器943_2使当前的处理转移到步骤S47的处理。在步骤S47中,自动编码器943_2判定学习模型961_2的输出是否重构了多个特征量。自动编码器943_2在判定为学习模型961_2的输出重构了多个特征量的情况下,使当前的处理转移到步骤S48的处理。自动编码器943_2在判定为学习模型961_2的输出未能重构多个特征量的情况下,使当前的处理转移到步骤S49的处理。
在步骤S48中,自动编码器943_2判定为线材无损伤。自动编码器943_2使当前的处理转移到步骤S50的处理。
在步骤S49中,自动编码器943_2判定为线材有损伤。自动编码器943_2使当前的处理转移到步骤S50的处理。
根据以上的说明,钢丝绳探伤装置具备磁化器11、磁传感器13以及控制部9。磁化器11发生经过钢丝绳2S的一部分的磁通F。磁传感器13发生与磁通F之中的从钢丝绳2S泄漏的泄漏磁通L_F对应的信号作为传感器信号x(t)。控制部9处理传感器信号x(t)。
控制部9具有抽出传感器信号x(t)的频率分量的滤波器部93、运算部941以及学习部943。
在学习部943中,作为线材有无损伤的判定的前阶段,生成学习完毕的学习模型961。学习完毕的学习模型961关于基于构成频率分量的多个值y1(n)~yN(n)的多个特征量和包含于钢丝绳2S的线材的状态的相关关系,进行机器学习。
向学习完毕的学习模型961输入多个特征量时的学习模型961执行运算处理,从而学习部943判定线材有无损伤。在此,根据构成在与线材有无损伤的判定的前阶段不同的定时抽出的频率分量的多个值y1(n)~yN(n),抽出多个特征量。
即,处理部94根据将基于构成频率分量的多个值y1(n)~yN(n)的多个特征量输入到学习完毕的学习模型961时的学习模型961的运算处理的执行结果,判定线材有无损伤。在此,学习模型961关于基于构成频率分量的多个值y1(n)~yN(n)的多个特征量和包含于钢丝绳2S的线材的状态的相关关系已完成机器学习。
因此,学习模型961无需进行复杂的运算,而能够输出根据基于构成频率分量的多个值y1(n)~yN(n)的多个特征量的输入来预测包含于钢丝绳2S的线材的状态而得到的预测结果。
因此,即使在时域中由于在磁传感器13中发生的感应电压低而导致SN比低,也成为如以下那样。处理部94能够根据来自受理了基于频域中的频率分量的输入的学习模型961的输出,在隐藏了噪声频率分量f_n的状态下判定线材有无损伤。
根据以上的说明,钢丝绳探伤装置能够更可靠地提高SN比。
另外,运算部941从多个值y1(n)~yN(n),通过多个统计运算而抽出多个特征量。学习部943根据将表征线材有损伤的多个第1特征量和表征线材无损伤的多个第2特征量中的至少一方作为学习用数据集的学习模型961的输出,判定线材有无损伤。
即,学习部943根据向将多个第1特征量和多个第2特征量中的至少一方作为学习用数据集的学习模型961输入多个特征量时的学习模型961的输出,判定线材有无损伤。在此,多个第1特征量表征线材有损伤。多个第2特征量表征线材无损伤。
因此,学习部943能够从与时域中的泄漏磁通L_F不同的侧面,明确地判定线材有无损伤。因此,钢丝绳探伤装置能够更可靠地提高SN比。
另外,学习部943构成为能够将预先设定的特征空间的内部通过识别超平面而分类为包含多个第1特征量的第1区域和包含多个第2特征量的第2区域的支持向量机943_1。支持向量机943_1通过将多个第1特征量以及多个第2特征量这两方作为学习用数据集而映射到特征空间来运算识别超平面,生成学习模型961_1。
因此,支持向量机943_1能够通过学习模型961_1,利用识别超平面来分类多个特征量相当于线材有损伤的情况以及线材无损伤的情况中的哪个情况。因此,钢丝绳探伤装置能够提高用于判定线材有无损伤的通用化能力。
另外,支持向量机943_1在将多个特征量输入到学习模型961_1时的学习模型961_1的输出相当于分类到第1区域的结果的情况下,判定为线材有损伤。支持向量机943_1在将多个特征量输入到学习模型961_1时的学习模型961_1的输出相当于分类到第2区域的结果的情况下,判定为线材无损伤。
因此,支持向量机943_1根据学习模型961_1的输出相当于将多个特征量分类到第1区域以及第2区域中的哪个区域的结果,判定线材有无损伤。因此,支持向量机943_1能够根据是否属于某个区域来判定线材有无损伤。因此,钢丝绳探伤装置能够将线材有无损伤的判定处理置换为单纯的分类处理,所以能够降低误判定。
另外,学习部943构成为利用权重系数wf、权重系数wg以及权重系数wh将输入和输出的误差抑制为一定量的自动编码器943_2。自动编码器943_2通过将多个第2特征量作为学习用数据集分别用于自动编码器943_2的输入以及输出来运算权重系数wf、权重系数wg以及权重系数wh,从而生成学习模型961_2。
因此,自动编码器943_2能够用输出来表示多个特征量相当于线材有损伤的情况以及线材无损伤的情况中的哪个情况。因此,自动编码器943_2通过对多个特征量分别进行加权,能够减少维数来判定线材有无损伤。
根据以上的说明,钢丝绳探伤装置能够削减判定所需的计算量,并且能够强调多个特征量中的对线材有无损伤的判定作出贡献的特征量来提高线材有无损伤的判定精度。
另外,自动编码器943_2在将多个特征量输入到学习模型961_2时的学习模型961_2的输出重构了多个特征量的情况下,判定为线材无损伤。自动编码器943_2在将多个特征量输入到学习模型961_2时的学习模型961_2的输出未能重构多个特征量的情况下,判定为线材有损伤。
因此,自动编码器943_2根据学习模型961_2的输出是否重构了多个特征量来判定线材有无损伤。因此,钢丝绳探伤装置即便多个特征量各自是非线性的关系,也能够判定线材有无损伤。
此外,自动编码器943_2也可以在通过学习模型961_2判定为线材有损伤的情况下执行以下那样的处理。自动编码器943_2通过稀疏最优化来推测以哪个输入维度为要因而判定为线材有损伤。由此,自动编码器943_2能够将其推测结果用于钢丝绳2的断线部位的更详细的分析。
另外,滤波器部93具有将相互不同的多个频带作为单独的通过频带的多个带通滤波器。因此,滤波器部93能够抽出相互不同的多个频带的频率分量。因此,钢丝绳探伤装置能够将由磁传感器13产生的感应电压作为传感器信号x(t)而在频域中进行分析。
另外,运算部941通过多个统计运算,求出构成频率分量的多个值y1(n)~yN(n)的合计值、平均值以及中值的至少一个作为多个特征量的至少一个。
因此,运算部941并非是将构成频率分量的多个值y1(n)~yN(n)全部作为比较对象,而是与多个统计运算的种类对应地抽出多个不同的代表值作为多个特征量。
因此,钢丝绳探伤装置将多个特征量作为从各种侧面抽出的多个代表值,所以能够特别显著地提高线材有无损伤的判定精度。
实施方式2.
在实施方式2中,省略与实施方式1相同或者同等的结构以及功能的说明。在实施方式2中,与实施方式1不同的点在于,实施方式1的学习模型961_1以及学习模型961_2中的某一方已经储存于学习部943。其它结构与实施方式1相同。即,其它结构与实施方式1相同或者同等,对这些部分附加同一符号。
图15是说明在实施方式2中由控制部9实施的处理的流程图。如上述说明那样,成为如下状态:在开始图15的步骤S61的处理之前,在学习部943中已经储存有学习模型961_1以及学习模型961_2中的某一方。因此,在钢丝绳2S的检查时,不需要如使用图12来说明的由步骤S11~步骤S13的处理构成的学习处理。同样地,在钢丝绳2S的检查时,不需要如使用图14来说明的由步骤S41~步骤S43的处理构成的学习处理。另外,在图15中,省略了如使用图12来说明的由步骤S21以及步骤S22的处理构成的期间判定处理。同样地,在图15中,省略了如使用图14来说明的由步骤S50以及步骤S51的处理构成的期间判定处理。
具体而言,步骤S61以及步骤S62的处理是特征量抽出处理。步骤S61以及步骤S62的处理与步骤S44以及步骤S45的处理相同。因此,省略其说明。
另外,步骤S63以及步骤S65~步骤S67的处理是线材判定处理。步骤S63以及步骤S65~步骤S67的处理与步骤S46~步骤S49的处理相同。因此,省略其说明。在此,通过由自动编码器943_2生成的学习模型961_2执行步骤S65~步骤S67的处理。
另外,步骤S63以及步骤S68~步骤S71的处理是线材判定处理。步骤S63以及步骤S68~步骤S71的处理与步骤S16~步骤S20的处理相同。因此,省略其说明。在此,通过由支持向量机943_1生成的学习模型961_1执行步骤S68~步骤S71的处理。
在步骤S64中,控制部9判定学习模型961是由自动编码器943_2生成的学习模型961_2、还是由支持向量机943_1生成的学习模型961_1。在由控制部9判定为学习模型961是由自动编码器943_2生成的学习模型961_2的情况下,步骤S64的处理进入到步骤S65的处理。另一方面,在由控制部9判定为学习模型961是由支持向量机943_1生成的学习模型961_1的情况下,步骤S64的处理进入到步骤S68的处理。
这样,通过使用学习模型961_1以及学习模型961_2中的某一方,输入传感器信号x(t)作为向控制部9的输入,输出线材有无损伤的判定结果作为从控制部9的输出。
因此,能够将学习模型961_1以及学习模型961_2中的某一方灵活运用于钢丝绳2S的故障诊断。
根据以上的说明,通过将学习模型961_1以及学习模型961_2中的某一方储存于学习部943,如果将传感器信号x(t)输入到控制部9,则从控制部9输出线材有无损伤的判定结果。由此,能够将学习模型961_1以及学习模型961_2中的某一方灵活运用于钢丝绳2S的故障诊断。
实施方式3.
在实施方式3中,省略与实施方式1以及实施方式2相同或者同等的结构以及功能的说明。在实施方式3中,与实施方式1以及实施方式2不同的点在于,用小波变换来实现实施方式1以及实施方式2的带通滤波器。其它结构与实施方式1以及实施方式2相同。即,其它结构是与实施方式1相同或者同等的结构,对这些部分附加同一符号。
图16是示出实施方式3所涉及的处理与从钢丝绳2S泄漏的泄漏磁通L_F对应的信号的控制部9的功能结构例的框图。如图16所示,在滤波器部193中,作为带通滤波器而具备通过对传感器信号x(t)执行小波变换而生成传感器信号x(t)的频率分量的分布的小波变换部1931。
图17是示出图16的滤波器部193的频率特性的一个例子的图。带通滤波器是通过由小波变换部1931处理的小波变换的基底函数来实现的滤波器。如图17所示,频带的中心频率ωck越低,则多个频带各自的频带宽度bk越窄。
接下来,作为小波变换的基底函数的一个例子,使用图18来说明Morlet小波(Morlet Wavelet)。图18是示出图16的小波变换部1931的母小波的时域的波形例的图。式(1)示出母小波。
[数学式1]
接下来的式(2)示出子小波(daughter wavelet)。接下来的式(3)示出子小波的比例(scale)。关于式(2)所示的子小波,能够根据式(3)所示的比例来放大或者缩小图18所示的波形的振幅。另外,关于式(2)所示的子小波,能够根据式(3)所示的比例而使图18所示的波形在时间轴方向上平行移动。在此,s0是比例的常数。sk是将k作为自变量并且乘以s0的比例的函数。
[数学式2]
[数学式3]
Sk=S02kΔk (3)
其中k=0,1,....,K
接下来,如下那样说明对母小波以及子小波进行傅里叶变换。首先,接下来的式(4)示出对母小波进行傅里叶变换的式子。另一方面,式(5)示出对子小波进行傅里叶变换的式子。
[数学式4]
[数学式5]
图19是示出图16的小波变换部1931的母小波的频域的波形例的图。如图19所示,Morlet小波的频率特性成为使输入信号x(n)的频率分量中的、由频带宽度bk和频带宽度bk的中心频率ω0确定的通过频带的频率通过的带通滤波器。接下来的式(6)示出图19的中心频率ωck。如式(6)所示,用将ω0/s0除以2的m乘根的乘幂而得到的值来表现中心频率ωck。在此,如上述说明那样,m是自然数。
[数学式6]
另外,接下来的式(7)示出图19的频带宽度bk。
[数学式7]
在此,如下那样说明m=1时的式(6)以及式(7)。首先,接下来的式(8)是在式(6)中m=1时的式子。根据式(8)的记载,用将ω0/s0除以2而得到的值来表现中心频率ωck。
[数学式8]
另一方面,接下来的式(9)是在式(7)中m=1时的式子。根据式(9)的记载,用将使2的自然对数的平方根成为2倍后除以s0得到的值除以2而得到的值,表现频带宽度bk。
[数学式9]
因此,根据式(7),Δk=1/m,所以式(7)成为Δk=1/m=1/1=1。因此,相互邻接的2个频带中的一方的频带的频带宽度bk和中心频率ωck比一方的频带低的另一方的频带的频带宽度bk+1的关系满足bk+1=2-Δk·bk=bk+1=2-1·bk的关系。因此,在m=1的情况下,一方的频带的频带宽度bk和另一方的频带的频带宽度bk+1的关系成为1倍频程。
具体而言,在式(8)中,在k=0时,中心频率ωck成为频率ω0/s0。另外,在式(9)中,在k=0时,频带宽度bk被表示为接下来的式(10)。因此,根据式(8)以及式(9),每当k增加1时,中心频率ωck以及频带宽度bk成为1/2。
[数学式10]
另外,Δk=1/m,所以在m成为1以外的自然数时,接下来的关系成立。相互邻接的2个频带中的一方的频带的频带宽度bk和中心频率ωck比一方的频带低的另一方的频带的频带宽度bk+1的关系满足bk+1=2-Δk·bk=bk+1=2-1/m·bk的关系。因此,在m是1以外的情况下,一方的频带的频带宽度bk和另一方的频带的频带宽度bk+1的关系成为1/m倍频程。如下那样说明m=3的情况时的中心频率ωck。
图20是作为图16的滤波器部193的频率特性的另一例而为1/3倍频程时的中心频率ωck的概念图。如图20所示,能够用将ω0/s0除以2的立方根的乘幂而得到的值来表现中心频率ωck。
根据上述说明,相互邻接的2个频带的中心频率ωck和中心频率ωck+1被示出在接下来的式(11)中。在式(11)中,根据式(8)而示出相互邻接的2个频带的中心频率ωck和中心频率ωck+1的大小的差异。根据式(11),每当k增加1时,中心频率ωck成为2-1/m。
[数学式11]
另外,相互邻接的2个频带各自中的频带宽度bk和频带宽度bk+1被示出在接下来的式(12)中。在式(12)中,根据式(9)而示出相互邻接的2个频带的频带宽度bk和频带宽度bk+1的大小的差异。根据式(12),每当k增加1时,频带宽度bk成为2-1/m。
[数学式12]
图21是示出图16的滤波器部193从与泄漏磁通L_F对应的信号抽出的频率分量的分布的一个例子的图。在图21的一个例子中,除了相互邻接的2个频带的频带宽度bk以及中心频率ωck以外,与图8的一个例子相同。因此,省略图21的说明。
图22是示出在图16的时刻t1时由滤波器部193生成的级数yk(n)的一个例子的图。在图22的一个例子中,在构成级数yk(n)的多个值y1(n)~yN(n)之中,k=6时的值y6(n)表示最大值,k=1、2、3、5以及7时的值y1(n)、y2(n)、y3(n)、y5(n)以及y7(n)表示最小值。因此,利用值y6(n)和值y1(n)、y2(n)、y3(n)、y5(n)以及y7(n)的差分来求出范围。
图23是示出在图16的时刻t2时由滤波器部193生成的级数yk(n)的一个例子的图。在图23的一个例子中,在将构成级数yk(n)的多个值y1(n)~yN(n)按照升序进行了排列时位于中央的值成为k=5时的值。因此,中值采用k=5时的值。
图24是说明图16的控制部9的处理的流程图。此外,步骤S81的处理是学习处理。步骤S82~步骤S84的处理是特征量抽出处理。步骤S85的处理是线材判定处理。步骤S86的处理是期间判定处理。在学习处理、特征量抽出处理、线材判定处理以及期间判定处理之中,学习处理、线材判定处理以及期间判定处理成为如以下那样。即,学习处理、线材判定处理以及期间判定处理在图12中成为由步骤S11~步骤S13的处理、步骤S16~步骤S20的处理以及步骤S21及步骤S22的处理构成的一连串的处理。另外,学习处理、线材判定处理以及期间判定处理在图14中成为由步骤S41~步骤S43的处理、步骤S46~步骤S49的处理以及步骤S50及步骤S51的处理构成的一连串的处理。因此,学习处理、线材判定处理以及期间判定处理是上述任意一方的一连串的处理。因此,省略它们的说明。
<特征量抽出处理>
在步骤S82中,合成器92将与传感器信号x(t)对应的输入信号x(n)输入到滤波器部193。合成器92使当前的处理转移到步骤S83的处理。
在步骤S83中,滤波器部193用小波变换部1931抽出输入信号x(n)的频率分量。滤波器部193使当前的处理转移到步骤S84的处理。此外,在步骤S83的处理与步骤S84的处理之间,省略绝对值部932执行的处理的说明。
在步骤S84中,运算部941从由通过小波变换部1931抽出的频率分量构成的多个值y1(n)~yN(n),通过多个统计运算而抽出多个特征量。运算部941使当前的处理转移到步骤S85的处理。
根据以上的说明,在钢丝绳探伤装置中,频带的中心频率ωck越低,则多个频带各自的频带宽度bk越窄。因此,频带的中心频率ωck越低,则频率分辨率越高并且时间分辨率越低。频带的中心频率ωck越高,则频率分辨率越低并且时间分辨率越高。因此,钢丝绳探伤装置能够更准确地探测在时间轴上在何处发生了突发性的变动,能够更准确地决定缓慢的变动的频率,所以能够实现高效的分析。
另外,相互邻接的2个频带中的一方的频带的频带宽度bk和中心频率比一方的频带低的另一方的频带的频带宽度bk+1的关系在设为Δk=1/m时满足bk+1=2-Δk·bk的关系。因此,能够以2的m乘根来改变频带。因此,在高频区域中时间分辨率特别显著地得到改善,在低频区域中空间分辨率特别显著地得到改善。
另外,滤波器部193通过对传感器信号x(t)执行小波变换,从传感器信号x(t)抽出频率分量。小波是局部的函数,所以小波和局部地发生的线材的损伤部B_W的检测的相关性高。因此,滤波器部193能够强调频率分量中的损伤频率分量f_s。因此,钢丝绳探伤装置能够强调在线材损伤时产生的感应电压的频率分量,所以能够特别显著地提高SN比。
另外,关于各实施方式,通过处理电路来实现钢丝绳探伤装置的各部的功能。即,钢丝绳探伤装置具备用于执行合成器92、滤波器部93、滤波器部193、运算部941以及学习部943的处理电路。处理电路既可以是专用的硬件,也可以是执行储存于存储器的程序的CPU(Central Processing Unit(中央处理单元),还称为中央处理装置、处理装置、运算装置、微处理器、微计算机、处理器、DSP)。
图25是说明硬件结构例的图。在图25中,处理电路201与总线202连接。在处理电路201是专用的硬件的情况下,处理电路201例如相应的是单一电路、复合电路、被编程的处理器、ASIC、FPGA、或者它们的组合。既可以将钢丝绳探伤装置的各部的功能分别通过处理电路201来实现,也可以将各部的功能汇总起来通过处理电路201来实现。
图26是说明其它硬件结构例的图。在图26中,处理器203以及存储器204与总线202连接。在处理电路是CPU的情况下,钢丝绳探伤装置的各部的功能通过软件、固件、或者软件和固件的组合来实现。软件或者固件被记述为程序并储存于存储器204。处理电路通过读出并执行存储于存储器204的程序,实现各部的功能。即,钢丝绳探伤装置具备用于储存当被处理电路执行时作为结果而执行对合成器92、滤波器部93、滤波器部193、运算部941以及学习部943进行控制的步骤的程序的存储器204。另外,这些程序可以说是使计算机实施执行合成器92、滤波器部93、滤波器部193、运算部941以及学习部943的过程或者方法的程序。在此,存储器204例如相应的是RAM、ROM、闪存存储器、EPROM、EEPROM等非易失性或者易失性的半导体存储器、或者磁盘、软盘、光盘、高密度盘、迷你盘、DVD等。
此外,关于钢丝绳探伤装置的各部的功能,也可以利用专用的硬件来实现一部分,并利用软件或者固件来实现另一部分。例如,滤波器部93以及滤波器部193能够利用作为专用的硬件的处理电路来实现其功能。另外,运算部941以及学习部943能够通过由处理电路读出并执行储存于存储器204的程序来实现其功能。
这样,处理电路能够通过硬件、软件、固件、或者它们的组合来实现上述各功能。接下来,如下那样具体地说明实现上述各功能的一个例子。
图27是作为图25或者图26的具体例而示出将图6以及图16的至少一方的控制部9嵌入到终端装置501来使用的系统结构例的图。钢丝绳探伤装置如图27所示,由探测器1检测钢丝绳2S的损伤。钢丝绳2S例如是将电梯的轿厢进行悬吊的钢丝绳。此外,钢丝绳2S也可以使用于吊车。
探测器1在相对钢丝绳2S而沿着例如特定方向W_D移动时,检测线材的损伤。探测器1经由电缆例如将作为模拟信号的传感器信号x(t)供给到AD变换器301。AD变换器301将模拟信号变换为数字信号。由AD变换器301变换后的数字信号被输入到终端装置501。作为终端装置501,例如使用个人电脑。终端装置501通过对从AD变换器301输入的数字信号实施各种信号处理,判定线材有无损伤。另外,终端装置501显示线材有无损伤的判定结果。
图28是作为图25或者图26的具体例而示出通过将图6以及图16的至少一方的控制部9嵌入到判定器401而将判定器401的处理内容供给到数据记录器601的系统结构例的图。探测器1经由电缆例如将由模拟信号构成的传感器信号x(t)供给到判定器401。判定器401搭载有微电脑。判定器401是专用硬件。判定器401将模拟信号变换为数字信号。判定器401通过对变换的数字信号实施各种信号处理,判定线材有无损伤。另外,判定器401报告线材有无损伤的判定结果。
此外,判定器401能够将在内部进行了处理的各种信号作为模拟信号或者数字信号而供给到外部装置。作为外部装置,例如使用数据记录器601。数据记录器601通过从判定器401被输入模拟信号或者数字信号,能够显示波形。另外,数据记录器601能够记录判定器401的处理内容。
图29是作为图25或者图26的具体例而示出通过将图6以及图16的至少一方的控制部9嵌入到判定器401从而将判定器401的处理内容供给到电梯控制盘701的系统结构例的图。电梯控制盘701通过从判定器401被输入数字信号,能够向中央监视中心传送是哪个物件的哪个钢丝绳2断线等的监视信息。
以上,根据实施方式1以及2来说明了钢丝绳探伤装置,但不限定于此。
在实施方式1以及2中,说明了学习部943在运算还能够应用于其它数据的学习模型961之后关于对象数据判定有无线材的一个例子,但并非特别限定于此。例如,学习部943也可以在MT法的运算中定义单位空间之后以马氏距离(mahalanobis distance)MD来判定有无线材。
<MT法>
具体而言,学习部943在使用MT法的情况下定义单位空间。学习部943运算从单位空间的中心至对象数据为止的距离作为马氏距离MD。学习部943将马氏距离MD近的部分判定为正常。另一方面,学习部943将马氏距离MD远的部分判定为异常。
更具体而言,学习部943在线材无损伤的情况下,利用传感器信号x(t)和构成传感器信号x(t)的频率分量的多个值y1(n)~yN(n)的相关关系,判定线材有无损伤。
首先,运算部941运算对传感器信号x(t)和多个值y1(n)~yN(n)分别进行了标准化的标准化值。运算部941通过(原始数据-平均值)/标准偏差来运算标准化值。接下来,运算部941将标准化值的集合作为单位空间来运算相关矩阵R。接下来,运算部941运算相关矩阵R的逆矩阵R-1。运算出的逆矩阵R-1被学习部943所保持。
接下来,运算部941生成对成为线材有无损伤的对象的对象数据的传感器信号x(t)和构成该传感器信号x(t)的频率分量的多个值y1(n)~yN(n)分别与上述同样地进行标准化而得到的矩阵Y。接下来,学习部943通过将对对象数据进行标准化得到的矩阵Y、事先运算出的逆矩阵R-1以及对对象数据进行标准化得到的矩阵Y的转置矩阵YT相乘后除以项目数,从而运算马氏距离MD。学习部943通过比较预先设定的阈值距离和马氏距离MD,判定线材有无损伤。在此,项目数成为在标准化的运算中利用的参数数,在上述一个例子中成为1+N个。
即,控制部9利用各种数据之间的相关关系,导出输入数据和线材的损伤的有无的对应关系。由此,即使是在输入了其它输入数据时,控制部9也能够根据其导出的对应关系而可靠地判定线材有无损伤。因此,钢丝绳探伤装置能够实现高的通用化能力。
Claims (11)
1.一种钢丝绳探伤装置,具备:
磁化器,发生经过钢丝绳的一部分的磁通;
磁传感器,发生与所述磁通之中的从所述钢丝绳泄漏的泄漏磁通对应的信号作为传感器信号;以及
控制部,处理所述传感器信号,
所述控制部具有:
滤波器部,抽出所述传感器信号的频率分量;
运算部,抽出基于构成所述频率分量的多个值的多个特征量;以及
学习部,通过使向关于所述多个特征量和包含于所述钢丝绳的线材的状态的相关关系进行了机器学习的学习完毕的学习模型输入根据构成由所述滤波器部抽出的频率分量的多个值而由所述运算部抽出的多个特征量时的所述学习模型执行运算处理,判定所述线材有无损伤。
2.根据权利要求1所述的钢丝绳探伤装置,其中,
所述运算部通过多个统计运算来抽出所述多个特征量,
所述学习部根据将表征所述线材有损伤的多个第1特征量和表征所述线材无损伤的多个第2特征量中的至少一方作为学习用数据集的所述学习模型的输出,判定所述线材有无损伤。
3.根据权利要求2所述的钢丝绳探伤装置,其中,
所述学习部构成为能够将预先设定的特征空间的内部通过识别超平面分类为包含所述多个第1特征量的第1区域和包含所述多个第2特征量的第2区域的支持向量机,
所述支持向量机通过将所述多个第1特征量以及所述多个第2特征量这两方作为所述学习用数据集映射到所述特征空间并运算所述识别超平面,从而生成所述学习模型。
4.根据权利要求3所述的钢丝绳探伤装置,其中,
所述支持向量机在将所述多个特征量输入到所述学习模型时的所述学习模型的输出相当于分类到所述第1区域的结果的情况下,判定为所述线材有损伤,在将所述多个特征量输入到所述学习模型时的所述学习模型的输出相当于分类到所述第2区域的结果的情况下,判定为所述线材无损伤。
5.根据权利要求2所述的钢丝绳探伤装置,其中,
所述学习部构成为将输入和输出的误差通过权重系数抑制为一定量的自动编码器,
所述自动编码器通过将所述多个第2特征量作为所述学习用数据集分别使用于该自动编码器的输入以及输出来运算所述权重系数,从而生成所述学习模型。
6.根据权利要求5所述的钢丝绳探伤装置,其中,
所述自动编码器在将所述多个特征量输入到所述学习模型时的所述学习模型的输出重构了所述多个特征量的情况下,判定为所述线材无损伤,在将所述多个特征量输入到所述学习模型时的所述学习模型的输出未能重构所述多个特征量的情况下,判定为所述线材有损伤。
7.根据权利要求2至6中的任意一项所述的钢丝绳探伤装置,其中,
所述滤波器部具有将相互不同的多个频带作为单独的通过频带的多个带通滤波器。
8.根据权利要求2至6中的任意一项所述的钢丝绳探伤装置,其中,
所述频带的中心频率越低,则所述多个频带各自的频带宽度越窄。
9.根据权利要求8所述的钢丝绳探伤装置,其中,
在m为自然数且设为Δk=1/m时,相互邻接的2个所述频带之中的一方的频带的频带宽度bk和中心频率比所述一方的频带低的另一方的频带的频带宽度bk+1的关系满足bk+1=2-Δk·bk的关系。
10.根据权利要求8或者9所述的钢丝绳探伤装置,其中,
所述滤波器部通过对所述传感器信号执行小波变换,从所述传感器信号抽出所述频率分量。
11.根据权利要求2至10中的任意一项所述的钢丝绳探伤装置,其中,
所述运算部通过所述多个统计运算,求出所述多个值的合计值、平均值以及中值中的至少一个作为所述多个特征量的至少一个。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020009569 | 2020-01-24 | ||
JP2020-009569 | 2020-01-24 | ||
PCT/JP2021/001272 WO2021149614A1 (ja) | 2020-01-24 | 2021-01-15 | ワイヤロープ探傷装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114981651A true CN114981651A (zh) | 2022-08-30 |
Family
ID=76992302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180009627.1A Pending CN114981651A (zh) | 2020-01-24 | 2021-01-15 | 钢丝绳探伤装置 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7275324B2 (zh) |
CN (1) | CN114981651A (zh) |
WO (1) | WO2021149614A1 (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4992081B2 (ja) * | 2006-09-20 | 2012-08-08 | 国立大学法人山口大学 | 画像処理により対象物の表面状態を検査する方法及びそのための画像処理プログラム |
JP5767564B2 (ja) * | 2011-11-04 | 2015-08-19 | 株式会社日立製作所 | ワイヤロープの検査装置 |
JP5983556B2 (ja) * | 2012-11-28 | 2016-08-31 | Jfeスチール株式会社 | 漏洩磁束式検査装置および検査方法 |
JP6079504B2 (ja) * | 2013-08-23 | 2017-02-15 | Jfeスチール株式会社 | 漏洩磁束式検査装置および検査方法 |
JP7012086B2 (ja) * | 2017-08-18 | 2022-01-27 | ローム株式会社 | 人工知能アルゴリズム |
JP6658711B2 (ja) * | 2017-10-25 | 2020-03-04 | Jfeスチール株式会社 | 表面欠陥検出方法及び表面欠陥検出装置 |
CN108333252A (zh) * | 2018-02-07 | 2018-07-27 | 河南科技大学 | 一种钢丝绳探伤系统及其漏磁信号检测装置 |
JP7109247B2 (ja) * | 2018-05-02 | 2022-07-29 | 三菱電機株式会社 | ワイヤロープ検査装置、及び方法 |
-
2021
- 2021-01-15 WO PCT/JP2021/001272 patent/WO2021149614A1/ja active Application Filing
- 2021-01-15 CN CN202180009627.1A patent/CN114981651A/zh active Pending
- 2021-01-15 JP JP2021573127A patent/JP7275324B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP7275324B2 (ja) | 2023-05-17 |
WO2021149614A1 (ja) | 2021-07-29 |
JPWO2021149614A1 (zh) | 2021-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Roy et al. | Autocorrelation aided random forest classifier-based bearing fault detection framework | |
CN112785016B (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
Hsieh et al. | A streamlined encoder/decoder architecture for melody extraction | |
Neupane et al. | Bearing fault detection using scalogram and switchable normalization-based CNN (SN-CNN) | |
Espinosa et al. | Click-event sound detection in automotive industry using machine/deep learning | |
WO2016117358A1 (ja) | 検査データ処理装置および検査データ処理方法 | |
JP6848546B2 (ja) | 変化点検出装置および変化点検出方法 | |
CN111160106B (zh) | 一种基于gpu的光纤振动信号特征提取及分类的方法及系统 | |
US11630135B2 (en) | Method and apparatus for non-intrusive program tracing with bandwidth reduction for embedded computing systems | |
CN115408864B (zh) | 电子式互感器误差状态自适应预测方法、系统及设备 | |
Huang et al. | 1DCNN fault diagnosis based on cubic spline interpolation pooling | |
CN114970607B (zh) | 基于深度神经网络声发射信号分离的变压器局放检测方法 | |
KR19980033373A (ko) | 시계열 데이타 식별 장치 및 방법 | |
CN114981651A (zh) | 钢丝绳探伤装置 | |
US10585128B2 (en) | Noise spectrum analysis for electronic device | |
JP2021071586A (ja) | 音抽出システム及び音抽出方法 | |
Goto | A predominant-f0 estimation method for real-world musical audio signals: MAP estimation for incorporating prior knowledge about f0s and tone models | |
CN114897032B (zh) | 一种基于宽度学习的电流互感器故障诊断方法、装置 | |
CN113876354B (zh) | 胎心率信号的处理方法、装置、电子设备及存储介质 | |
CN115166514A (zh) | 一种基于自适应频谱分割去噪的电机故障识别方法及系统 | |
WO2021085156A1 (ja) | ワイヤロープ探傷装置 | |
CN112880726A (zh) | 基于变分模态分解样本熵的传感器故障诊断方法和装置 | |
CN117195105B (zh) | 基于多层卷积门控循环单元的齿轮箱故障诊断方法及装置 | |
US20230417812A1 (en) | Signal/noise determination apparatus, method, and recording medium | |
MeiYing et al. | Fault diagnosis method of rolling bearings based on VMD and MDSVM |
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 |