基于磁记忆效应的钢丝绳断丝识别方法、装置及存储介质

本技术涉及钢丝绳损伤检测，具体涉及一种基于磁记忆效应的钢丝绳断丝识别方法、装置及存储介质。

背景技术：

1、钢丝绳作为重要的承载部件，广泛应用于矿井提升、电梯曳引、斜拉桥索等关键场合。其在长期服役过程中，由于磨损、疲劳、腐蚀等原因，不可避免地会产生断丝损伤。断丝的数量直接关系到钢丝绳的剩余强度和使用寿命，若不及时发现，可能导致严重的安全事故。

2、目前，钢丝绳无损检测方法主要包括传统的漏磁检测和超声导波检测等。然而，现有方法在处理强噪声环境下的微弱信号时，信噪比低，特征提取困难。特别是对于内部断丝，其产生的漏磁场需穿过未破坏的钢丝层，导致检测信号幅值衰减、波形展宽、相位延迟，常规特征提取方法难以准确量化其断丝根数。此外，传统反向传播（back propagation，bp）神经网络模型在定量识别断丝数量时，容易陷入局部极小值，收敛速度慢，泛化能力差，导致断丝根数的整体量化识别精度不高。同时，现有方法通常将区分内外断丝和量化断丝根数作为两个独立任务，未能利用相位延迟与断丝深度的内在关联来指导预处理策略的选择。同时，传统遗传算法（genetic algorithm，ga）-bp模型对所有训练样本平等对待，导致模型倾向于学习易识别的外部断丝特征，而忽略内部断丝的微弱信号，进一步降低了内部断丝的量化精度。

技术实现思路

1、本技术提供一种基于磁记忆效应的钢丝绳断丝识别方法、装置及存储介质，旨在解决现有钢丝绳断丝检测技术存在的内部断丝信号因磁屏蔽而严重畸变，难以准确量化其断丝根数，未能利用相位延迟量这一物理先验来指导预处理策略的选择；以及相关bp神经网络及通用优化算法在训练时对强信号样本过拟合、对弱信号样本欠拟合，导致整体断丝根数的量化精度难以满足工业现场要求的问题。

2、为了实现上述目的，本技术提供如下技术方案：

3、第一方面，本技术实施例提供一种基于磁记忆效应的钢丝绳断丝识别方法，包括：

4、获取待测钢丝绳的磁记忆检测信号；

5、对磁记忆检测信号进行降噪处理，得到降噪后的信号；

6、根据降噪后的信号确定切向分量过零点位置和法向分量峰值位置；其中，切向分量过零点位置表征磁记忆检测信号中的切向分量信号穿越零点的空间位置坐标，法向分量峰值位置表征磁记忆检测信号中的法向分量信号达到最大值的空间位置坐标；

7、根据切向分量过零点位置和法向分量峰值位置确定空间相位延迟量；

8、在空间相位延迟量大于或者等于预设阈值的情况下，对降噪后的信号进行反卷积恢复处理，得到恢复后的磁记忆检测信号，以基于恢复后的磁记忆检测信号确定多维特征向量；否则，基于降噪后的信号确定多维特征向量；

9、通过训练后的神经网络模型和多维特征向量确定待测钢丝绳的断丝根数。

10、在本技术的一些实施例中，根据切向分量过零点位置和法向分量峰值位置确定空间相位延迟量，包括：

11、将切向分量过零点位置和法向分量峰值位置之间空间距离的绝对值，确定为空间相位延迟量。

12、在本技术的一些实施例中，对降噪后的信号进行反卷积恢复处理，得到恢复后的磁记忆检测信号，包括：

13、获取待测钢丝绳的第一脉冲响应信号，将第一脉冲响应信号作为核函数；其中，第一脉冲响应信号表征待测钢丝绳在无损区域的磁脉冲响应信号；

14、对降噪后的信号和核函数进行反卷积运算，得到反卷积结果；

15、对反卷积结果进行频域维纳滤波处理，得到恢复后的磁记忆检测信号。

16、在本技术的一些实施例中，基于恢复后的磁记忆检测信号确定多维特征向量，包括：

17、提取恢复后的磁记忆检测信号的第一峰值、第一峰峰值、第一波形能量、第一过零率以及第一波形展宽系数；

18、根据第一峰值、第一峰峰值、第一波形能量、第一过零率、第一波形展宽系数以及空间相位延迟量确定多维特征向量；

19、相应地，基于降噪后的信号确定多维特征向量，包括：

20、提取降噪后的信号的第二峰值、第二峰峰值、第二波形能量、第二过零率以及第二波形展宽系数；

21、根据第二峰值、第二峰峰值、第二波形能量、第二过零率、第二波形展宽系数以及空间相位延迟量确定多维特征向量。

22、在本技术的一些实施例中，方法还包括：

23、构建初始神经网络模型；其中，初始神经网络模型包括输入层、隐含层和输出层，输入层的节点数等于多维特征向量的维度，输出层的节点数为1；

24、通过遗传算法优化初始神经网络模型的初始权值和初始阈值，得到优化后的权值和优化后的阈值；

25、根据优化后的权值、优化后的阈值以及初始神经网络模型，确定第一神经网络模型；

26、利用训练样本集对第一神经网络模型进行训练，得到训练后的神经网络模型；其中，训练样本集包括多个样本，每个样本含有特征向量样本和对应的断丝根数标签。

27、在本技术的一些实施例中，通过遗传算法优化初始神经网络模型的初始权值和初始阈值，得到优化后的权值和优化后的阈值，包括：

28、对初始权值和初始阈值进行编码，生成初始种群；其中，初始种群中的每个个体包含一组权值向量和阈值向量；

29、将初始种群中每个个体的权值向量和阈值向量赋值于初始神经网络模型，并通过赋值后的初始神经网络模型确定训练样本集中各样本的预测值；

30、确定初始种群中各样本的权重；

31、根据各样本的预测值、各样本对应的断丝根数标签以及各样本的权重，确定加权均方误差，以加权均方误差的倒数作为适应度函数，计算初始种群中每个个体的适应度值；

32、根据适应度值对初始种群进行选择操作、交叉操作和变异操作，生成新一代种群；

33、重复执行基于适应度值生成新一代种群的操作，直至得到满足收敛条件的目标种群，将目标种群的最优个体所对应的权值向量和阈值向量，确定为优化后的权值和优化后的阈值。

34、在本技术的一些实施例中，确定初始种群中各样本的权重，包括：

35、将初始种群中，断丝类型为内部的样本的权重设置为第一权重值，将断丝类型为外部的样本的权重设置为第二权重值；

36、其中，第一权重值大于第二权重值。

37、在本技术的一些实施例中，对磁记忆检测信号进行降噪处理，得到降噪后的信号，包括：

38、通过小波基函数对磁记忆检测信号中的切向分量信号和法向分量信号进行多层小波分解，得到各层高频系数；

39、通过软阈值函数对各层高频系数进行量化处理，得到量化后的高频系数；其中，软阈值函数表征将绝对值小于阈值的系数置为零、将绝对值大于或者等于阈值的系数向零收缩的函数；

40、对量化后的高频系数进行信号重构，得到降噪后的信号。

41、第二方面，本技术实施例提供一种基于磁记忆效应的钢丝绳断丝识别装置，包括处理器，存储有处理器可执行指令的存储器；当指令被处理器执行时，实现上述基于磁记忆效应的钢丝绳断丝识别方法。

42、第三方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时，实现上述基于磁记忆效应的钢丝绳断丝识别方法。