窦连城， 战卫侠， 白晓瑞

(1.青岛理工大学 机械与汽车工程学院， 山东 青岛 266520；2.青岛铭彧智能装备技术研究院， 山东 青岛 266000；3.海军工程大学 兵器工程学院， 湖北 武汉 430032)

0 引言

钢丝绳具有强度高、韧性好、自重轻等优良特性，常应用于煤炭开采运输中。由于工况条件复杂，钢丝绳在使用过程中容易出现各种损伤，导致其强度降低甚至断裂，危及工作人员生命及生产安全，所以定期对钢丝绳进行损伤检测至关重要[1-3]。钢丝绳最常见的损伤形式之一是断丝损伤，通常将一定长度内钢丝绳的断丝数量作为钢丝绳报废标准的首要指标[4-5]。钢丝绳断丝损伤可分为外部断丝与内部断丝。外部断丝产生于钢丝绳与其他零件之间的磨损，可用肉眼观测，但人工检测耗时长且极易疏漏[6]。内部断丝是由钢丝绳自身股间摩擦导致，不能被直接观测到。

随着机器学习理论的发展，神经网络模型逐渐被应用于钢丝绳断丝损伤检测中，通过提取漏磁信号的特征并将其输入神经网络模型中训练及分类，实现识别损伤。J. W. Kim等[7]采用一种基于霍尔阵列的多通道漏磁传感器采集漏磁信号，提取包络信号的多个特征，实现了基于人工神经网络的多阶段模式识别方法，用于检测不同断口长度及深度的外部断丝损伤。Zhang Juwei等[8]采用18个高精度巨磁电阻传感器组成传感器阵列以采集钢丝绳表面剩磁，并提出一种基于小波分解的自适应滤波算法，采用数字图像处理方法提取缺陷图像的多个特征，利用Elman神经网络对外部断丝类型进行定量识别。……