久久毛片A片91看黄片,欧洲AV在线无码,AV亚洲一区二区三区

基于1D-CNN-SVM的鋼絲繩損傷識(shí)別方法

嘉峪檢測(cè)網(wǎng) 2024-08-22 14:29

鋼絲繩作為一種重要的工程材料，廣泛應(yīng)用于起重、運(yùn)輸和建筑等領(lǐng)域。然而，由于長期在惡劣環(huán)境中服役，鋼絲繩往往會(huì)受到各種損傷和缺陷的影響，這不僅會(huì)降低其工作性能，還可能導(dǎo)致安全事故的發(fā)生。

因此，對(duì)鋼絲繩缺陷進(jìn)行及時(shí)、準(zhǔn)確地識(shí)別變得至關(guān)重要。近年來，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的快速發(fā)展為鋼絲繩缺陷的識(shí)別提供了全新的解決思路。

與軸承、齒輪相比，鋼絲繩損傷信號(hào)呈非周期性特征，往往包含損傷信號(hào)、繩股信號(hào)、抖動(dòng)信號(hào)等多種信號(hào)來源，較為復(fù)雜。

1D卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）在非周期時(shí)序數(shù)據(jù)處理方面表現(xiàn)卓越，可通過深度神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)信號(hào)中的數(shù)據(jù)特征。

支持向量機(jī)（SVM）通過引入核函數(shù)，將數(shù)據(jù)映射到更高維的空間中，從而將原始空間中線性不可分的問題變得線性可分。

華中科技大學(xué)和中海石油環(huán)保服務(wù)（天津）有限公司的研究人員結(jié)合二者優(yōu)點(diǎn)，提出一種基于1D-CNN和SVM的鋼絲繩缺陷識(shí)別方法，融合深度學(xué)習(xí)和經(jīng)典機(jī)器學(xué)習(xí)技術(shù)，對(duì)鋼絲繩進(jìn)行檢測(cè)并將檢測(cè)結(jié)果與其他模型進(jìn)行比較，以此來驗(yàn)證所提模型的優(yōu)越性。

1.檢測(cè)原理及算法

1、鋼絲繩漏磁檢測(cè)原理

漏磁檢測(cè)是鋼絲繩無損檢測(cè)領(lǐng)域應(yīng)用最廣泛的方法之一，其檢測(cè)原理為將鋼絲繩置于開環(huán)漏磁檢測(cè)儀器中，通過移動(dòng)鋼絲繩或者檢測(cè)儀器進(jìn)行掃描檢測(cè)，如圖1所示。

圖1 鋼絲繩漏磁檢測(cè)原理示意

檢測(cè)儀器中有用作磁化激勵(lì)源的永磁鐵和采集漏磁信號(hào)的磁敏傳感器，鋼絲繩有缺陷時(shí)，被激發(fā)出的磁力線或者磁回路中的磁阻會(huì)發(fā)生變化并被磁敏傳感器捕捉，對(duì)采集到的數(shù)據(jù)進(jìn)行模數(shù)轉(zhuǎn)換和信號(hào)處理后即可實(shí)現(xiàn)缺陷的檢測(cè)。

2、1D-CNN-SVM模型

一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）是一種深度學(xué)習(xí)模型，專為處理一維序列數(shù)據(jù)而設(shè)計(jì)，其基本結(jié)構(gòu)包括卷積層、池化層和全連接層，同時(shí)該模型通過激活函數(shù)引入非線性變換，幫助網(wǎng)絡(luò)學(xué)習(xí)復(fù)雜的特征和模式。

支持向量機(jī)（SVM）是一種強(qiáng)大的監(jiān)督學(xué)習(xí)算法，廣泛應(yīng)用于分類和回歸。SVM的目標(biāo)是在特征空間中找到一個(gè)最優(yōu)的超平面，將不同類別的樣本分隔開，同時(shí)使間隔最大化。這個(gè)超平面被選為能夠最大程度地將不同類別的樣本點(diǎn)離開的平面。

通過搭建1D-CNN-SVM模型實(shí)現(xiàn)對(duì)鋼絲繩損傷進(jìn)行分類識(shí)別，模型整體架構(gòu)如圖2所示。

圖2 1D-CNN-SVM模型整體架構(gòu)

具體實(shí)施過程為：鋼絲繩漏磁檢測(cè)設(shè)備采集到信號(hào)后，對(duì)信號(hào)預(yù)處理并根據(jù)損傷類別構(gòu)建數(shù)據(jù)集，將數(shù)據(jù)集中的樣本輸入到1D-CNN模型中進(jìn)行信號(hào)特征提取，通過模型的批量訓(xùn)練得到有助于損傷分類的高級(jí)特征，然后將其進(jìn)行標(biāo)記一并作為SVM模型部分的輸入并進(jìn)行訓(xùn)練。最后通過獨(dú)立測(cè)試集評(píng)估1D-CNN-SVM模型性能（包括準(zhǔn)確率、精確度、召回率等指標(biāo)），完成鋼絲繩損傷分類模型的搭建。

2.試驗(yàn)方法

1、試驗(yàn)平臺(tái)

圖3 鋼絲繩漏磁檢測(cè)試驗(yàn)臺(tái)外觀

試驗(yàn)使用直徑為28 mm的鋼絲繩，將其水平懸架于試驗(yàn)臺(tái)上并使其處于繃直狀態(tài)，制定夾具用以夾持漏磁檢測(cè)的探頭，并將其固定在導(dǎo)軌及履帶上并保持x軸方向的自由度，通過調(diào)整導(dǎo)軌x與y方向位置，使得鋼絲繩與探頭同軸心；在控制器中輸入相應(yīng)命令，使電機(jī)驅(qū)動(dòng)履帶沿鋼絲繩軸向運(yùn)動(dòng)，而實(shí)現(xiàn)對(duì)鋼絲繩的掃描，檢測(cè)速度設(shè)置為0.5 m/s。

采集到的數(shù)據(jù)通過串口協(xié)議傳輸?shù)讲杉?，?jīng)過采集盒中的放大電路和模數(shù)轉(zhuǎn)換后通過TCP/IP協(xié)議再發(fā)送至檢測(cè)軟件，進(jìn)而觀測(cè)數(shù)字信號(hào)波形。

2、數(shù)據(jù)集

通過制作3種不同程度的鋼絲繩斷絲損傷并對(duì)其進(jìn)行檢測(cè)，來驗(yàn)證所提模型的有效性。在鋼絲繩的同一徑向不同軸向位置分別制作0.5根、1根和2根斷絲的損傷，斷口寬度均為1 mm，不同程度損傷的鋼絲繩外觀如圖4所示。

圖4 不同程度損傷的鋼絲繩外觀

通過控制器控制檢測(cè)探頭對(duì)3種類型損傷及無損傷鋼絲繩分別進(jìn)行局部循環(huán)往復(fù)掃描采樣，為了提高樣本的隨機(jī)性和模型的泛化能力，對(duì)掃描后得到的連續(xù)信號(hào)在有效范圍內(nèi)進(jìn)行截取（截取任意長度為2048的信號(hào)樣本），對(duì)樣本進(jìn)行標(biāo)準(zhǔn)化數(shù)據(jù)預(yù)處理后得到數(shù)據(jù)集，按照8:2的比例劃分訓(xùn)練集與測(cè)試集。

3.試驗(yàn)結(jié)果與分析

3種類型損傷及無損傷鋼絲繩的檢測(cè)信號(hào)波形如圖5所示，其樣本數(shù)據(jù)如表1所示。

圖5 3種類型損傷及無損傷鋼絲繩的檢測(cè)信號(hào)波形

表1 3種類型損傷及無損傷鋼絲繩樣本數(shù)據(jù)

1、模型訓(xùn)練與參數(shù)

所提1D-CNN-SVM模型參數(shù)設(shè)置如表2所示。其使用3層一維卷積網(wǎng)絡(luò)結(jié)構(gòu)，第一層為16×3×1結(jié)構(gòu)的卷積核，為了更全面深入提取到缺陷特征，使得每一層輸出通道翻倍，每一層都會(huì)經(jīng)過批量劃歸一層和激活層處理；在1D-CNN的兩個(gè)全連接層中穿插一個(gè)dropout層，使模型具有更好的魯棒性；最后將提取到的特征與對(duì)應(yīng)標(biāo)簽輸入到SVM分類器中進(jìn)行缺陷識(shí)別并輸出結(jié)果。

表2 1D-CNN-SVM模型參數(shù)設(shè)置

模型在基于python平臺(tái)的深度學(xué)習(xí)框架pytorch下運(yùn)行，GPU為RTX 3090，操作系統(tǒng)為Ubantu。模型訓(xùn)練的超參數(shù)中，設(shè)置訓(xùn)練批量為16，選擇SGD作為優(yōu)化器，設(shè)置學(xué)習(xí)率為0.0005，momentum動(dòng)量參數(shù)為0.9，epoch為50。

2、試驗(yàn)結(jié)果分析

為驗(yàn)證所提模型的有效性，將數(shù)據(jù)集中數(shù)據(jù)輸入到所提模型中的1D-CNN模型進(jìn)行訓(xùn)練，訓(xùn)練過程中的訓(xùn)練集和測(cè)試集的損失率和準(zhǔn)確率散點(diǎn)圖如圖6所示，可見第30次迭代后準(zhǔn)確率穩(wěn)定在98%左右，這里的準(zhǔn)確率關(guān)系到SVM分類的準(zhǔn)確率，準(zhǔn)確率越高則后面輸入到SVM分類器中的提取特征越準(zhǔn)確。

圖6 1D-CNN模型訓(xùn)練過程中的準(zhǔn)確率和損失率散點(diǎn)圖

為了更直觀地觀察模型分類效果，使用t-分布隨機(jī)近鄰嵌入（t-SNE，一種用于降維和可視化高維數(shù)據(jù)的技術(shù)）進(jìn)行分析，將提取的高維特征映射到二維平面，輸入層的t-SNE降維可視化結(jié)果如圖7所示，可見訓(xùn)練前的測(cè)試集數(shù)據(jù)分布混雜，難以對(duì)不同鋼絲繩損傷進(jìn)行分類。

圖7 輸入層的t-SNE降維可視化結(jié)果

輸出層的t-SNE降維可視化結(jié)果如圖8所示，根據(jù)測(cè)試集數(shù)據(jù)經(jīng)1D-CNN模型訓(xùn)練后的輸出特征，可以看出不同鋼絲繩損傷特征可以明顯區(qū)分，并有較高的聚集性，該模型可有效可靠地對(duì)特征進(jìn)行提取。

圖8 輸出層的t-SNE降維可視化結(jié)果

將1D-CNN模型提取到的特征輸入SVM分類器模型，得到分類準(zhǔn)確率為99.58%，混淆矩陣降維可視化結(jié)果如圖9所示，可以看到4種鋼絲繩中除了標(biāo)簽類別為1的測(cè)試集中有1.67%的數(shù)據(jù)被錯(cuò)誤識(shí)別（識(shí)別為標(biāo)簽為2的損傷類型），其余識(shí)別正確率均為100%。

圖9 混淆矩陣降維可視化結(jié)果

3、模型對(duì)比分析

為了驗(yàn)證所提模型的識(shí)別效果，將所提模型與主流分類模型比較，選取1D-CNN（一維卷積神經(jīng)網(wǎng)絡(luò)），1D-CNN-ELM（極限學(xué)習(xí)機(jī)），1D-CNN-RF（隨機(jī)森林），1D-CNN-LSTM（長短時(shí)記憶網(wǎng)絡(luò)）模型進(jìn)行對(duì)比試驗(yàn)，每個(gè)模型試驗(yàn)10次，對(duì)性能評(píng)價(jià)指標(biāo)取平均值，得到的不同模型的評(píng)價(jià)指標(biāo)對(duì)比如表3所示。

表3 不同模型的評(píng)價(jià)指標(biāo)對(duì)比（%）

對(duì)比不同的深度學(xué)習(xí)模型，通過準(zhǔn)確率、精確率、召回率和F1值綜合評(píng)估其性能?？梢园l(fā)現(xiàn)，1D-CNN與1D-CNN-LSTM的準(zhǔn)確率較高，但精確率、召回率和F1值相對(duì)較低，同時(shí)可能存在一些分類誤差，尤其是在對(duì)缺陷的精準(zhǔn)度上有待提高。1D-CNN-ELM和1D-CNN-RF模型表現(xiàn)相當(dāng)穩(wěn)定，準(zhǔn)確率和精確率較高，但仍然有一些微小差異，所提模型在所有性能指標(biāo)上均表現(xiàn)卓越，準(zhǔn)確率、精確率、召回率和F1值都不小于98.75%，突顯了其在數(shù)字信號(hào)缺陷分類任務(wù)中的卓越性能。

為了評(píng)估所提模型的泛化能力和魯棒性，提取檢測(cè)速度分別為0.2 m/s和0.8 m/s的樣本數(shù)據(jù)集，分別輸入到模型中進(jìn)行訓(xùn)練測(cè)試，各進(jìn)行10次取平均值后得到每類損傷識(shí)別的準(zhǔn)確率，其結(jié)果如圖10所示。

圖10 1D-CNN-SVM模型在不同速度下的分類準(zhǔn)確率

由圖10可以看出，在不同速度下所提模型對(duì)不同種類缺陷識(shí)別準(zhǔn)確率均不低于97%，在較高速度下，模型的識(shí)別能力表現(xiàn)得更為突出，這可能是因?yàn)檩^高的速度帶來了較高的磁通量變化值，使采集到的數(shù)字信號(hào)的缺陷特征更為明顯。

4.結(jié)語

為了實(shí)現(xiàn)對(duì)鋼絲繩損傷的高效、精準(zhǔn)識(shí)別，提出一種基于1D-CNN-SVM的鋼絲繩損傷識(shí)別方法，采用該模型對(duì)缺陷進(jìn)行識(shí)別，并與其他已有模型的識(shí)別結(jié)果做對(duì)比，得出以下結(jié)論：

(1) 1D-CNN-SVM模型通過卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取數(shù)字信號(hào)中的缺陷特征和強(qiáng)大的分類器，能夠有效對(duì)不同種類鋼絲繩缺陷進(jìn)行識(shí)別。

(2) 通過與1D-CNN，1D-CNN-ELM，1D-CNN-RF，1D-CNN-LSTM模型進(jìn)行對(duì)比并計(jì)算模型評(píng)價(jià)指標(biāo)，發(fā)現(xiàn)1D-CNN-SVM的各項(xiàng)數(shù)據(jù)均優(yōu)于其他模型，驗(yàn)證了所提模型的優(yōu)越性和可靠性。

(3) 將不同工況速度下所得數(shù)據(jù)集輸入模型，獲得了較好的結(jié)果，充分體現(xiàn)了該模型的泛化能力。

來源：無損檢測(cè)NDT

基于1D-CNN-SVM的鋼絲繩損傷識(shí)別方法

相關(guān)新聞：