小波分析与神经网络在钢丝绳断丝处理中的应用

小波与神经网络在钢丝绳断丝处理中的应用 小波分析与神经网络在钢丝绳断丝处理中 的应用 小波分析与神经网络在钢丝绳断丝处理中的应用李春华,等 小波分析与神经网络在钢丝绳断丝处理中的应用 ApplicationofWaveletAnalysisandNeuralNetwork underHandlingWireRopeBrokenCondition 李番华互嬲 (黑龙江科技学院电气与信息工程学院,黑龙江哈尔滨150027;辽宁信息职业技术学院自动控制系,辽宁辽阳111000) 摘要:钢丝绳断丝检测信号中存在大量的噪声信号.在分析了钢丝绳断丝信号的特征后,利用小波分析算法的高分辨率特点,对 钢丝绳断丝检测信号进行分解和重构,提取断丝特征信号;并采用基于BP神经网络算法的断丝识别,解决了断丝识别困难的问. 引入Matlab仿真软件对其进行验证,仿真结果明,该方法对钢丝绳断丝信号的检测和识别十分有效,减小了钢丝绳断丝的误判率, 提高了钢丝绳断丝检测的智能化程度.该方法成本低,效率高,具有一定的应用开发前景. 关键词:钢丝绳断丝小波分析消噪特征提取BP神经网络 中图分类号:TP183;TP277文献标志码:A Abstract:Normally,largeamountofnoisesignalsexistinbrokenwiredetectionforwireropes .Onthebasisofanalysisonthefeaturesofbro— kensignals,byadoptinghigh—resolutionwaveletanalysisalgorithm,thebrokenwiredetectionsignalsaredecomposedand rebuihtoextract eigen—signalofthebrokenwire.ByadoptingthebrokenwirerecognitionbasedonBPneuralnetwork ,thedifficultyinidentifyingbrokenwire hasbeenovercome.TheMatlabsimulationsoftwareisintroducedforverifying,thesimulatio nindicatesthatthemethodishigheffective.Thus themisjudgingratioisreducedandtheintelligentlevelinbrokenwiredetectionisincreased.T hemethodislow-cost,highlyefficientandworth tobeexpanded. Keywords:WireropeBrokenwireWaveletanalysisDenoisingFeatureextractionBPneural network O引言 钢丝绳是提升,运输及牵引设备中的重要构件,在 使用过程中会发生疲劳,锈蚀,磨损甚至突然断裂等现 象,其损伤程度及承载能力直接关系到生产和设备使 用人员的安全.目前,国内有许多基于各种方法制成 的钢丝绳断丝检测仪器,但大多数方法对断线判断的 准确度不高,其原因是这些方法对断丝信号处理不当, 从而导致误判的概率较大.在分析了钢丝绳断丝损伤 信号特点的基础上,运用小波分析算法和BP神经网 络算法对钢丝绳断丝信号进行分析与识别,从而实现 钢丝绳断丝信号的高准确率检测. 小波分析处理后,将提取出的断丝损伤特征量作为BP 神经网络的输人数据…;通过训练和学习来获得钢丝 绳断丝数量,实现对钢丝绳断丝信号的识别.由于BP 神经网络具有较强的自学习能力和自适应能力,可以 不受人为因素的影响,因此,消除了人为因素对钢丝绳 断丝识别的局限性.钢丝绳断丝损伤识别框图如图1 所示 图1铜丝绳断丝损伤识别框图 Fig.1Blockdiagramofbrokeninjuringrecognitionforwirerope 1断丝检测信号处理2钢丝绳断丝信号小波分析 针对钢丝绳局部损伤信号具有随机性,因此,很难 建立精确的数学模型等特点,采用BP神经网络的方 法定量识别钢丝绳的断丝损伤.钢丝绳损伤信号经过 黑龙江省研究生创新科研基金资助项目(编号:YJSCX2007-0265HIA). 修改稿收到日期:20o9—06一O1. 第一作者李春华,女,1959年生,1996年毕业于哈尔滨工业大学工 业自动化专业,获硕士学位,教授;主要从事自动控制及智能控制等方面 的教学和科研工作. 《自动化仪表》第30卷第12期2009年12月 2.1小波变换 设小波基(t)为基本小波,经过伸缩和平移操作 后,得到一组小波基函数(,): 一()(1) 式中:.为尺度因子或伸缩因子;b为平移因子;n,b?R 且n?0.对于任意函数f(t)?L(R),其连续小波可 以变换为: 61 小波分析与神经网络在钢丝绳断丝处理中的应用李春华,等 ()=()=(d(2) 重构公式(逆变换)为: f(t)=/[.?(aT6)()d.d6(3) 2.2多分辨分析 多分辨分析能够将钢丝绳断丝信号按照不同的频 段进行分解,然后选择能够表征钢丝绳断丝信号特点 的细节信号,从而进行信号重构,重构后的钢丝绳断丝 信号含有所需要的频率信息.本文采用三层多分辨 分析树对钢丝绳断丝信号进行分析.三层多分辨分析 树结构如图2所示. 图2三层多分辨分析树结构图 Fig.2Treestructureofthree—layermultipledistinguishinganalysis 图2中:5为钢丝绳断丝原始信号;A1为钢丝绳断 丝信号进行一层分解后的低频信号;D1为经过三层多 分辨分析后得到的高频信号;A2为Al的低频信号;D2 为高频信号;以此类推.分解关系式如下: S=A3十D3+D2+D1(4) 2.3小波消噪 对钢丝绳断丝检测信号进行小波分析后,既消除 了高频噪声,又完成了数据的压缩.含有噪声的一维 信号模型表示为: (i)=.厂(i)+6?e(i)i=0,1,…,n一1(5) 式中:S(i)为含噪声的信号i)为真实信号;e(i)为噪 声;6为噪声信号系数. 2.4钢丝绳断丝信号小波分析实例 利用实验室搭建的基于AT89S52单片机的钢丝绳 断丝信号检测装置对钢丝绳断丝信号进行提取.实验 选用绳径为28mm的钢丝绳.该钢丝绳由六股钢丝组 成,每股19根钢丝,钢丝绳有效检测长度为1200lnln. 根据钢丝绳断丝信号小波分析的原理,利用Madab仿 真软件实现对钢丝绳断丝检测信号的三层小波分解, 检测信号中噪声部分通常包含在高频信号D1,D2,3 中;然后对小波系数进行信号重构,达到消除钢丝绳断 丝信号噪声的目的.针对实验室提取的钢丝绳断丝信 号,利用Matlab进行的小波分解与重构的波形如图3 所示 检测距离/ram ra)原始波形 检测距离/ram (b)A3波形 检测距离/ram (c)D3波形 检测距离/ram (d)D2波形 检测距离/ram fe)D1波形 图3小波变换曲线 Fig.3Thewavelettransformationcurves 由图3可知,在50,4O0n3In,600,950nail],1050, 1200mn3内存在断丝.分解后的第三层低频部分A3波 形保留了频率扰动干扰信号;D1,02为高频部分的干扰 信号;D3则反映了钢丝绳断丝的实际情况. 3钢丝绳特征量提取 由于钢丝绳结构的特殊性,导致了信号检测的复 杂性,所以选择明确而易于识别的特征量对断丝等缺 陷进行判断是非常重要的. 钢丝绳损伤分析识别的特征量选取主要考虑以下 几方面因素. ?信号的绝对峰值:由于断丝附近存在信号局部 峰值,这部分信号的绝对峰值常常高于正常钢丝信号 的漏磁场信号.因此,可根据一个捻距内绝对峰值的 大小粗略判断该捻距内有无断丝及断丝的位置. ?信号的峰峰值:局部异常信号的波峰与波谷间 幅值之差的绝对值即为信号的峰峰值.该因素既可消 除信号轴线所产生的影响,又可粗略判断钢丝绳断丝 的根数. ?波宽:波宽是考虑钢丝绳断丝信号空间分布的 重要参数,它是衡量钢丝绳断丝口宽度的主要性能指 ,同一位置不同的断丝根数也会引起波宽的不 标;同时 一 致 62PRoCESSAUToMATIoNINSTRUMENTATIoNVo1.3ONo.12Decemeber2009 小波分析与神经网络在钢丝绳断丝处理中的应用李春华.等 ?波形下面积:定义为一个波动或一个捻距内信 号的面积.它与波动信号的均值有关,且综合了信号 幅度和宽度两方面的因素. ?理想波峰角:一个波峰与左右相邻两个波谷所 形成的角度. 4BP神经网络模型 4.1BP神经网络输入层 根据钢丝绳断丝识别的特征值,将信号绝对峰值, 信号峰峰值,波形下面积,波宽,波峰角度这五个基本 特征量作为BP神经网络的输入层数据,其输入层节 点数为五. 4.2BP神经网络输出层 BP神经网络输出值与断丝量的关系如表1所示. 表1网络输出与断丝量的关系 Tab.1Relationshipbetweennetworkoutput andthequantityofbrokenwires 钢丝绳断丝损伤可以采用某一处损伤的断丝量来 进行识别.BP神经网络的每个输出节点采用二值函 数表示,即用y(i=1,2,3,4)来表示钢丝绳在一个横 断面内断丝的根数.若=1,认为有断丝存在,钢丝 绳断丝数为i;当y=0,则认为无断丝. 系统构建的BP神经网络为五层输入,四层输出, 隐含层数待定,BP神经网络结构如图4所示. 隐含层 图4BP网络结构 Fig.4StructureofBPneuralnetwork 4.3BP神经网络训练 在钢丝绳断丝损伤的检测过程中,必须针对具体结 构类型的钢丝绳进行分析,才能使数据具有针对性和实 用性.实例中,钢丝绳选用规格为028(6×19)mlTl,钢 丝直径为1.4mm,断丝损伤信号的特征量作为样本进行 训练和实际损伤识别,训练样本如表2所示. 表2训练样本 Tab.2Samplesoftraining 训练时,要归一化处理采集的原始数据.根据经验《自动化仪表》第3O卷第12期2009年12月 与已有的数据建立足够的输人与输出训练模式对,再通 63 小波分析与神经网络在钢丝绳断丝处理中的应用李春华,等 过网络训练来建立权值和阈值,并不断地对其进行调 整,以达到预期的精度要求.运用Matlab软件分别对节 点数为11,15,20,25的隐含层进行仿真.实验结果表 明,只有节点数为2O时的隐含层,其神经网络模型收 敛,网络性能达到要求.网络训练误差变化曲线如图5 所示. 蝾 ,0947 目标误差:0.00l\ 图5误差变化曲线 Fig.5ErrorvariationCHIves 4.4误差分析 BP神经网络在钢丝绳断丝检测过程中,对断丝的 识别可以实现无人工干预的自动识别.其误差结果如 表3所示. 表3误差结果 Tab.3Errorresults 断丝数期望值误差值断丝数期望值误差值 20l0oO.oo16l10000.0lO9 110000.0002110oO0.0001 l1Ooo0.0001300lO0.oo17 1lO000.6332l10000.0002 300100.000111o()o0.0051 由表3可知,网络仿真结果与实际相符,其误差很 小,钢丝绳的断丝准确判断率为90%.BP神经网络 在钢丝绳断丝识别过程中,不仅可以消除钢丝绳断丝 检测的人为因素,而且提高了钢丝绳断丝检测的智能 化程度. 5结束语 小波分析和BP神经网络技术应用在钢丝绳断丝信 号的检测和处理中,能够最大程度地减少钢丝绳断丝信 号的误判率.小波分析可以改善钢丝绳断丝信号的检 测能力,BP神经网络可以提高钢丝绳断丝信号检测与 识别的自适应性.利用Matlab仿真结果可知,断丝检测 方法去噪精度高,学习效果好,断丝识别能力强.该方 法有效提高了钢丝绳使用的安全性和可靠性. 参考文献 [1]康宜华,武新军.数字化磁性无损检测技术[M],北京:机械工 业出版社,2007:5—6. [2]周郁明.基于磁阻传感器的钢丝绳断丝信号的提取及处理[D]. 武汉:华中科技大学,2004. [3]许静,韩雷.基于神经网络的小波分析及其在突发噪声识别中 的应用[J].传感技术,1999,18(3):190—193. [4]李建平.小波分析及信号处理——理论,应用及软件实现[M]. 重庆:重庆出版社,2005:5—15. [5]任震,黄群古.小波分析及其在电力系统中的应用[M].北京: 中国电力出版社,2003:4—28. [6]谭继文.钢丝绳LF型损伤定量识别的神经网络方法[J].矿山 机械,2002,30(3):48—51. [7]徐俊峰.钢丝绳断丝损伤的智能化检测技术研究[D].武汉:武 汉理工大学.2002. (上接第6O页)tuningforchemicalprocesswithinputsaturation[J].Canadian 参考文献JournalofChemicalEngineering,2002,80(2):275—280? 『1]LeePL,SullivanGR.Genericm()delcontrol『J].Compu,ers&[5]GuoBingjun,YuJinshou.Acommonmodelcontroller[C]?Pro' ChemicalEngineering.1988(12):573—580.eeedingsofthe5WorldCongress0nIntelligentControlandAuto一 [2]YamunaK,GanahK.Dualc0mpositionc0ntrol0fdistillation[J].mation,Hangzhou,2004 :805—808. AICHE.1991,37(11):1634—1644.[6]郭丙君,俞金寿.基于径向基函数网络的非线性通用模型控制[J]. 『31DelisaMP,ChaeHJ,WeigandWA,eta1.Genericm0delc0ntrol华东理_T大学:自然科学版,2005,31(5):635—638. ofinducedpmteinpressi0ninhighce11densitvcuhivati0n0f[7]李向明,吴龙海.模糊神经网络控制器的仿真研究[J].武汉理 Escherichiac0liusingon—lineGFP.fusi0nm0nitoring[J].Bi0pm.工大学:信息与管理工程版,2003,25(1):14—16,27. cessandBiosystemsEngineering,2001(1):83—91.[8]王士同.模糊系统,模糊神经网络及应用程序设计[M].上海: [4]GuoBinun,HuaXiangming,ArchurJ.Genericmodelc0ntroller上海科学技术文献出版社,1998:303—309. ,''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''', 《自动化仪表》中文核心期刊中国科技核心期刊" 2邮发代号:4—304,2010年定价:10元/月,全年价:120元;国外代号:M721: 堤踢编,堤,改迎室贵建议,改喜鲁垂广 铬.tttI.'tI..1It'I.1tI'.''IIIlltI..1ttI.I'ltI''''ttIl''ltt'IIIIttI'I'It'lI'IltII'.'Ittl''I' PRoCESSAUToMATIoNINSTRUMENTATIoNV01.3ONo.12Decemeber2(}o9