专利名称：钢丝绳芯输送带缺陷智能识别方法及系统的制作方法
技术领域：
本发明属于钢丝绳芯输送带缺陷智能识别技术领域，尤其是涉及一种钢丝绳芯输送带缺陷智能识别方法及系统。
背景技术：
钢丝绳芯带式输送机是目前大多数煤矿的主运输设备，通常情况下要承担65%以上煤量的运输，在现代化煤矿生产中发挥着极其重要的作用。由于输送带的长期、高负荷运转和一些意外因素，如从其他煤炭输送系统转载的矸石、煤块和其他坚硬物体的冲击或卡阻，会造成输送带受损，受损后造成内部产生钢丝绳断绳、断丝、疲劳和接头位移等缺陷，大大降低输送带的抗拉强度。经分析，煤矿钢丝绳芯输送带横向断带的主要原因是输送带接 头损伤和输送带受损后造成内部钢丝绳断丝、断绳和疲劳等造成输送带强度降低，进而造成横向断带。长期以来，煤矿钢丝绳芯输送带运行过程缺乏有效检测设备和方法，输送带经常发生损伤、断裂等事故，轻则造成输送带倒滑，煤炭堵塞巷道，输送带大架受损，重则造成断带，系统损毁和人员伤亡，给国家财产和人民生命造成巨大损失。钢丝绳芯输送带是以钢丝绳为骨架经硫化等工艺生产的一种高强力输送带。目前国内主要用ST系列钢丝绳芯输送带，使用过程中钢丝绳会出现断绳、断丝、疲劳等缺陷，同时输送带现场硫化工艺和水平不足也会引起硫化接头隐患，若遇起停、块煤等冲击载荷，将直接引发输送带断裂。分析煤矿钢丝绳芯输送带断带事故的根本原因，就是缺乏有效、可靠的钢丝绳芯输送带缺陷检测手段和评价标准。现如今，大多数煤矿的钢丝绳芯输送带仍采用人工目测和定期更换管理的方法，存在安全隐患和严重的浪费现象。并且实际应用过程中，由于钢丝绳芯输送带缺陷种类较多，信号特征比较复杂，钢丝绳芯输送带的缺陷信号模式识别属于多分类识别。现有检测系统在缺陷信号模式识别方面的研究严重不足，并且存在实时性差和可靠性低等问题。随着对输送带输送系统安全可靠性关注度的不断提升，煤矿钢丝绳芯输送带断带检测技术的研究也不断深入，在线检测系统将逐渐替代人工检查，检测仪器的数字化、智能化将成为发展趋势，缺陷的智能识别将取代人的经验，并逐渐完善基于知识的检测和评价算法，检测的可靠性、准确性将不断提高，从而全面提高煤矿钢丝绳芯输送带运行的安全性和经济性。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种识别方法步骤简单、实现方便且识别速度快、识别精度高的钢丝绳芯输送带缺陷智能识别方法。为解决上述技术问题，本发明采用的技术方案是一种钢丝绳芯输送带缺陷智能识别方法，其特征在于该方法包括以下步骤步骤一、电磁加载采用电磁加载装置对被检测钢丝绳芯输送带进行电磁加载；步骤二、缺陷信号采集采用电磁检测单元对多种不同缺陷状态时被检测钢丝绳芯输送带内的剩磁分别进行检测，并将所检测信号同步传送至数据处理器，相应获得与N种不同缺陷状态相对应的N组缺陷状态检测信息，N组所述缺陷状态检测信息中均包括电磁检测单元在不同采样时段检测到的多个检测信号，其中N为正整数且N > 3 ；多个所述检测信号均为所述电磁检测单元在一个采样时段内所检测到的一个采样序列，且该采样序列中包括电磁检测单元在多个采样时刻所检测的多个采样值；步骤三、特征提取待数据处理器接收到电磁检测单元所传送的检测信号时，自各检测信号中分别提取出能代表并区别该检测信号的一组特征参数，且该组特征参数包括M个特征量，并对M个所述特征量进行编号，M个所述特征量组成一个特征向量，其中MS 2 ；步骤四、训练样本获取分别在经特征提取后的N组所述缺陷状态检测信息中，随 机抽取m个检测信号组成训练样本集；所述训练样本集中相应包括I个训练样本,其中m > 2, l=mXN ;I个所述训练样本分属于N个样本类，每一个样本类中均包括被检测钢丝绳芯输送带工作于同一个缺陷状态时的m个训练样本，N个样本类分别为与被检测钢丝绳芯输送带的N种不同缺陷状态相对应的样本类I、样本类2…样本类N #个样本类中的每一个训练样本均记作Xqs，其中Q为样本类的类别标号且Q=l、2…N，s为各样本类中所包括m个训练样本的样本序号且s=l、2···m ；XQs为样本类k中第s个训练样本的特征向量，Xqs e Rd，其中d为Xqs的向量维数且d=M ；步骤五、分类优先级别确定，其确定过程如下步骤501、样本类的类中心计算采用数据处理器对N个所述样本类中任一个样本类q的类中心进行计算；且对样本类q的类中心进行计算时,根据公式& (/,) = Χ，计算得出样本
S:i
类q中所有训练样本的各特征量均值；式中为样本类q中第s个训练样本的第P个特征量，If 为样本类q中所有训练样本的第P个特征量均值；步骤502、类间距离计算采用数据处理器且根据公式,
V P I
对步骤501中所述任一个样本类q与N个所述样本类中任一个样本类h之间的间距分别进行计算，其中(/0为样本类q中所有训练样本的第P个特征量均值，Xh 为样本类h中所有训练样本的第P个特征量均值，且h=l、2-N ;步骤503、类间距之和计算采用数据处理器且根据公式臓/W = >对步骤
H I
501中所述任一个样本类k的类间距之和；步骤504、多次重复步骤501至步骤503，直至计算得出N个所述样本类中所有样本类的类间距之和；步骤505、按照步骤504中计算得出的所有样本类的类间距之和由大到小的顺序，采用数据处理器确定出N个所述样本类的分类优先级别Y，其中Y=l、2…N ;其中，类间距之和最大的样本类的分类优先级别最高且其分类级别为1，类间距之和最大的样本类的分类优先级别最低且其分类级别为N ；步骤六、多分类模型建立所建立的多分类模型包括N-I个二分类模型，且N-I个所述二分类模型均为支持向量机模型；N-1个所述二分类模型按照步骤405中所确定的分类优先级别，将N个所述样本类自所述训练样本集中由先至后逐类分出来,N-I个所述二分类模型的建立方法均相同且均采用数据处理器进行建立；对于N-I个所述二分类模型中的任一个二分类模型z来说，其建立过程如下步骤601、核函数选取选用径向基函数作为二分类模型z的核函数；步骤602、分类函数确定待惩罚参数C与步骤601中所选用径向基函数的核参数Y确定后，获得二分类模型z的分类函数，完成二分类模型z的建立过程；其中，O
<C 彡 1000,0 < y ^ 1000 ；所建立的二分类模型z为待分类优先级别高于z的所有样本类自所述训练样本集中分出来后，将分类优先级别为z的样本类自所述训练样本集中剩余的N-z+1个样本类中 分出来的二分类模型，其中z=l、2…N-I ；步骤603、二分类模型分类优先级别设定根据步骤602中所述二分类模型z自所述训练样本集中剩余的N-z+1个样本类中分出来的样本类的分类优先级别z，对二分类模型z的分类优先级别R进行设定，且R=Z ；步骤604、多次重复步骤601至步骤603，直至获得N_1个所述二分类模型的分类函数，便完成N-I个所述二分类模型的建立过程，获得建立完成的多分类模型。所建立的多分类模型为将所述训练样本集中的多个样本类逐一分出来的多分类模型；步骤七、多分类模型训练将步骤四中所述训练样本集中的I个训练样本输入到步骤六中所建立的多分类模型进行训练；步骤八、信号实时采集及同步分类采用电磁检测单元对被检测钢丝绳芯输送带内的剩磁进行实时检测，并将所检测信号同步输入至数据处理器进行特征提取后送至步骤六中所建立的多分类模型中，便自动输出被检测钢丝绳芯输送带的缺陷类别。上述钢丝绳芯输送带缺陷智能识别方法，其特征是步骤二中所述电磁检测单元的数量为多个，多个所述电磁检测单元沿被检测钢丝绳芯输送带的宽度方向进行均匀布设；且步骤三中进行特征提取之后，所述数据处理器还需调用多传感器数据融合处理模块，对多个所述电磁检测单元所检测信号进行融合处理。上述钢丝绳芯输送带缺陷智能识别方法，其特征是步骤二中所述的电磁检测单元包括对被检测钢丝绳芯输送带内水平方向上的剩磁进行实时检测的水平向电磁检测单元和/或对被检测钢丝绳芯输送带内竖直方向上的剩磁进行实时检测的竖直向电磁检测单元；所述水平向电磁检测单元和竖直向电磁检测单元均布设在被检测钢丝绳芯输送带上；当所述电磁检测单元包括水平向电磁检测单元和竖直向电磁检测单元时，所述水平向电磁检测单元和竖直向电磁检测单元同步对被检测钢丝绳芯输送带内同一位置处的剩磁进行检测，且所述水平向电磁检测单元和竖直向电磁检测单元的采样频率相同；步骤一中所获得的N组所述缺陷状态检测信息相应为N组水平向剩磁检测信息和/或N组竖直向剩磁检测信息；其中，N组所述水平向剩磁检测信息均包括所述水平向电磁检测单元在不同采样时段检测到的多个检测信号，且N组所述竖直向剩磁检测信息均包括所述竖直向电磁检测单元在不同采样时段检测到的多个检测信号；步骤三中进行特征提取时，对N组所述水平向剩磁检测信息和/或N组所述竖直向剩磁检测信息分别进行特征提取，相应获得经特征提取后的N组所述水平向剩磁检测信息和/或经特征提取后的N组所述竖直向剩磁检测信息；步骤四中获取训练样本集时，相应获得训练样本集一和/或训练样本集二 ；其中，所述训练样本集一为分别在经特征提取后的N组所述水平向剩磁检测信息中，随机抽取m个检测信号组成的一个训练样本集；所述训练样本集二为分别在经特征提取后的N组所述竖直向剩磁检测信息中，随机抽取m个检测信号组成的一个训练样本集；所述训练样本集一和所述训练样本集二的结构相同，二者均包括I个训练样本，所述训练样本集一和所述训练样本集二中的I个所述训练样本均分属于N个样本类；步骤五中进行分类优先级别确定时，按照步骤501至步骤505中所述的分类优先级别确定方法，分别对所述训练样本集一和/或所述训练样本集二中多个样本类的分类优先级别分别进行确定；步骤六进行多分类模型建立时，相应获得多分类模型一和/或多分类模型二 ；其中，所述多分类模型一为将所述训练样本集一中的多个样本类逐一分出来的多分类模型， 所述多分类模型二为将所述训练样本集二中的多个样本类逐一分出来的多分类模型；步骤七中进行多分类模型训练时，相应对所述多分类模型一和/或多分类模型二分别进行训练；其中，对所述多分类模型一进行训练时，将所述训练样本集一中的I个训练样本输入到所述多分类模型一进行训练；对所述多分类模型二进行训练时，将所述训练样本集二中的I个训练样本输入到所述多分类模型二进行训练；步骤八中进行信号实时采集及同步分类时，相应对水平向电磁检测单元和/或竖直向电磁检测单元实时所检测信号，分别进行同步分类；其中，对水平向电磁检测单元实时所检测信号分别进行同步分类时，所述水平向电磁检测单元对被检测钢丝绳芯输送带内水平方向上的剩磁进行实时检测，且对所检测信号进行特征提取后输入至所建立的多分类模型一中，之后自动输出被检测钢丝绳芯输送带的缺陷类别；对竖直向电磁检测单元实时所检测信号分别进行同步分类时，所述竖直向电磁检测单元对被检测钢丝绳芯输送带内竖直方向上的剩磁进行实时检测，且对所检测信号进行特征提取后输入至所建立的多分类模型二中，之后自动输出被检测钢丝绳芯输送带的缺陷类别。上述钢丝绳芯输送带缺陷智能识别方法，其特征是步骤三中进行特征提取之后，所述数据处理器还需对所述电磁检测单元所检测的所有检测信号分别进行降噪处理，且电磁检测单元所检测的所有检测信号的降噪处理方法均相同；对于电磁检测单元所检测的任一个检测信号X(k)来说，检测信号X(k)为一个采样序列，其中k=l、2、3…n，n为采样序列X(k)中的采样点数量，该采样序列X(k)为一维信号，且一维信号X(k)中包含η个采样点的采样值；对一维信号X(k)进行降噪处理时，其降噪处理过程如下步骤201、高频信号提取采用数据处理器对当前所接收的一维信号X(k)进行小波变换并提取高频信号，且其提取过程如下步骤2011、小波分解调用小波变换模块，对一维信号X(k)进行小波分解，并获得小波分解后的各层近似系数和各层细节系数；其中，所述细节系数记作dik，j=l，2··· J，且J为小波分解的层数，k=l、2、3…η且其表示一维信号X(k)中由前至后η个采样点的序号；步骤2012、细节系数阈值处理
按照公式
权利要求
1.一种钢丝绳芯输送带缺陷智能识别方法，其特征在于该方法包括以下步骤 步骤一、电磁加载采用电磁加载装置对被检测钢丝绳芯输送带进行电磁加载； 步骤ニ、缺陷信号采集采用电磁检测単元对多种不同缺陷状态时被检测钢丝绳芯输送带内的剩磁分别进行检测，并将所检测信号同步传送至数据处理器(2)，相应获得与N种不同缺陷状态相对应的N组缺陷状态检测信息，N组所述缺陷状态检测信息中均包括电磁检测单元在不同采样时段检测到的多个检测信号，其中N为正整数且N > 3 ； 多个所述检测信号均为所述电磁检测单元在ー个采样时段内所检测到的一个采样序列，且该采样序列中包括电磁检测单元在多个采样时刻所检测的多个采样值； 步骤三、特征提取待数据处理器(2)接收到电磁检测単元所传送的检测信号吋，自各检测信号中分别提取出能代表并区别该检测信号的ー组特征參数，且该组特征參数包括M个特征量，并对M个所述特征量进行编号，M个所述特征量组成ー个特征向量，其中M > 2 ; 步骤四、训练样本获取分别在经特征提取后的N组所述缺陷状态检测信息中，随机抽取m个检测信号组成训练样本集； 所述训练样本集中相应包括I个训练样本，其中m > 2, l=mXN ;I个所述训练样本分属于N个样本类，每ー个样本类中均包括被检测钢丝绳芯输送带工作于同一个缺陷状态时的m个训练样本，N个样本类分别为与被检测钢丝绳芯输送带的N种不同缺陷状态相对应的样本类I、样本类2…样本类Nホ个样本类中的每ー个训练样本均记作Xqs，其中Q为样本类的类别标号且Q=l、2*"N，s为各样本类中所包括m个训练样本的样本序号且s=l、2···!!! ;XQs为样本类k中第s个训练样本的特征向量，Xqs e Rd，其中d为Xqs的向量维数且d=M ； 步骤五、分类优先级别确定，其确定过程如下 步骤501、样本类的类中心计算采用数据处理器(2)对N个所述样本类中任一个样本类q的类中心进行计算； _m 且对样本类q的类中心进行计算时，根据公式O) ニ ΣΙ, " ，计算得出样本类q中所有训练样本的各特征量均值；式中Q=HHlP=HHCbXqs(P)为样本类q中第s个训练样本的第P个特征量，(P)为样本类q中所有训练样本的第P个特征量均值； 步骤502、类间距离计算采用数据处理器(2)且根据公式ん,=Jp(ろφトXlJp))2 ,对步骤501中所述任ー个样本类q与N个所述样本类中任ー个样本类h之间的间距分别进行计算，其中为样本类q中所有训练样本的第P个特征量均值，0>为样本类h中所有训练样本的第P个特征量均值，且h=l、2··,; 步骤503、类间距之和计算:采用数据处理器(2)且根据公式= ，对步骤 A I501中所述任ー个样本类k的类间距之和； 步骤504、多次重复步骤501至步骤503，直至计算得出N个所述样本类中所有样本类的类间距之和； 步骤505、按照步骤504中计算得出的所有样本类的类间距之和由大到小的顺序，采用数据处理器(2)确定出N个所述样本类的分类优先级别Y，其中Υ=1、2···Ν ;其中，类间距之和最大的样本类的分类优先级别最高且其分类级别为1，类间距之和最大的样本类的分类优先级别最低且其分类级别为N ； 步骤六、多分类模型建立所建立的多分类模型包括N-I个二分类模型，且N-I个所述二分类模型均为支持向量机模型；N-1个所述二分类模型按照步骤405中所确定的分类优先级别，将N个所述样本类自所述训练样本集中由先至后逐类分出来，N-I个所述二分类模型的建立方法均相同且均采用数据处理器(2)进行建立； 对于N-I个所述二分类模型中的任ー个二分类模型z来说，其建立过程如下 步骤601、核函数选取选用径向基函数作为二分类模型z的核函数； 步骤602、分类函数确定待惩罚參数C与步骤601中所选用径向基函数的核參数Y确定后，获得二分类模型z的分类函数，完成二分类模型z的建立过程；其中，O < C < 1000，O < Y ^ 1000 ； 所建立的二分类模型z为待分类优先级别高于z的所有样本类自所述训练样本集中分出来后，将分类优先级别为Z的样本类自所述训练样本集中剰余的N-Z+1个样本类中分出来的二分类模型，其中z=l、2…N-I ； 步骤603、二分类模型分类优先级别设定根据步骤602中所述二分类模型z自所述训练样本集中剰余的N-z+1个样本类中分出来的样本类的分类优先级别z，对二分类模型z的分类优先级别R进行设定，且R=Z ; 步骤604、多次重复步骤601至步骤603，直至获得N-I个所述二分类模型的分类函数，便完成N-I个所述二分类模型的建立过程，获得建立完成的多分类模型；所建立的多分类模型为将所述训练样本集中的多个样本类逐一分出来的多分类模型； 步骤七、多分类模型训练将步骤四中所述训练样本集中的I个训练样本输入到步骤六中所建立的多分类模型进行训练； 步骤八、信号实时采集及同步分类采用电磁检测单元对被检测钢丝绳芯输送带内的剩磁进行实时检測，并将所检测信号同步输入至数据处理器(2)进行特征提取后送至步骤六中所建立的多分类模型中，便自动输出被检测钢丝绳芯输送带的缺陷类别。
2.按照权利要求I所述的钢丝绳芯输送带缺陷智能识别方法，其特征在于步骤ニ中所述电磁检测单元的数量为多个，多个所述电磁检测单元沿被检测钢丝绳芯输送带的宽度方向进行均匀布设；且步骤三中进行特征提取之后，所述数据处理器(2)还需调用多传感器数据融合处理模块，对多个所述电磁检测单元所检测信号进行融合处理。
3.按照权利要求I或2所述的钢丝绳芯输送带缺陷智能识别方法，其特征在于步骤ニ中所述的电磁检测単元包括对被检测钢丝绳芯输送带内水平方向上的剩磁进行实时检测的水平向电磁检测单元(1-1)和/或对被检测钢丝绳芯输送带内竖直方向上的剩磁进行实时检测的竖直向电磁检测单元(1-2);所述水平向电磁检测单元(1-1)和竖直向电磁检测単元(1-2)均布设在被检测钢丝绳芯输送带上；当所述电磁检测单元包括水平向电磁检测単元(1-1)和竖直向电磁检测单元(1-2 )时，所述水平向电磁检测单元(1-1)和竖直向电磁检测单元(1-2)同步对被检测钢丝绳芯输送带内同一位置处的剩磁进行检测，且所述水平向电磁检测单元(1-1)和竖直向电磁检测单元(1-2)的采样频率相同； 步骤一中所获得的N组所述缺陷状态检测信息相应为N组水平向剩磁检测信息和/或N组竖直向剩磁检测信息；其中，N组所述水平向剩磁检测信息均包括所述水平向电磁检测単元(1-1)在不同采样时段检测到的多个检测信号，且N组所述竖直向剩磁检测信息均包括所述竖直向电磁检测单元(1-2)在不同采样时段检测到的多个检测信号； 步骤三中进行特征提取时，对N组所述水平向剩磁检测信息和/或N组所述竖直向剩磁检测信息分别进行特征提取，相应获得经特征提取后的N组所述水平向剩磁检测信息和/或经特征提取后的N组所述竖直向剩磁检测信息； 步骤四中获取训练样本集时，相应获得训练样本集一和/或训练样本集ニ ；其中，所述训练样本集一为分别在经特征提取后的N组所述水平向剩磁检测信息中，随机抽取m个检测信号组成的一个训练样本集；所述训练样本集ニ为分别在经特征提取后的N组所述竖直向剩磁检测信息中，随机抽取m个检测信号组成的一个训练样本集；所述训练样本集一和所述训练样本集ニ的结构相同，二者均包括I个训练样本，所述训练样本集一和所述训练样本集ニ中的I个所述训练样本均分属于N个样本类； 步骤五中进行分类优先级别确定时，按照步骤501至步骤505中所述的分类优先级别确定方法，分别对所述训练样本集一和/或所述训练样本集ニ中多个样本类的分类优先级别分别进行确定； 步骤六进行多分类模型建立时，相应获得多分类模型一和/或多分类模型ニ ；其中，所述多分类模型一为将所述训练样本集一中的多个样本类逐一分出来的多分类模型，所述多分类模型ニ为将所述训练样本集ニ中的多个样本类逐一分出来的多分类模型； 步骤七中进行多分类模型训练时，相应对所述多分类模型一和/或多分类模型二分别进行训练；其中，对所述多分类模型ー进行训练时，将所述训练样本集一中的I个训练样本输入到所述多分类模型ー进行训练；对所述多分类模型ニ进行训练时，将所述训练样本集ニ中的I个训练样本输入到所述多分类模型ニ进行训练； 步骤八中进行信号实时采集及同步分类时，相应对水平向电磁检测单元(1-1)和/或竖直向电磁检测单元(1-2)实时所检测信号，分别进行同步分类；其中，对水平向电磁检测単元(1-1)实时所检测信号分别进行同步分类时，所述水平向电磁检测单元(1-1)对被检测钢丝绳芯输送带内水平方向上的剩磁进行实时检测，且对所检测信号进行特征提取后输入至所建立的多分类模型一中，之后自动输出被检测钢丝绳芯输送带的缺陷类别；对竖直向电磁检测单元(1-2)实时所检测信号分别进行同步分类时，所述竖直向电磁检测单元(1-2)对被检测钢丝绳芯输送带内竖直方向上的剩磁进行实时检测，且对所检测信号进行特征提取后输入至所建立的多分类模型ニ中，之后自动输出被检测钢丝绳芯输送带的缺陷类别。
4.按照权利要求I或2所述的钢丝绳芯输送带缺陷智能识别方法，其特征在于步骤三中进行特征提取之后，所述数据处理器(2)还需对所述电磁检测单元所检测的所有检测信号分别进行降噪处理，且电磁检测単元所检测的所有检测信号的降噪处理方法均相同；对于电磁检测単元所检测的任一个检测信号X(k)来说，检测信号X(k)为ー个采样序列，其中k=l、2、3…n，n为采样序列X(k)中的采样点数量，该采样序列X(k)为ー维信号，且ー维信号X(k)中包含η个采样点的采样值；对ー维信号X(k)进行降噪处理时，其降噪处理过程如下 步骤201、高频信号提取采用数据处理器(2)对当前所接收的ー维信号X(k)进行小波变换并提取高频信号，且其提取过程如下步骤2011、小波分解调用小波变换模块，对ー维信号X(k)进行小波分解，并获得小波分解后的各层近似系数和各层细节系数；其中，所述细节系数记作もk，j=l，2…J，且J为小波分解的层数，k=l、2、3…η且其表示ー维信号X(k)中由前至后η个采样点的序号； 步骤2012、细节系数阈值处理按照公式
5.按照权利要求I或2所述的钢丝绳芯输送带缺陷智能识别方法，其特征在于步骤三中进行特征提取吋，所提出的特征參数包括检测信号的12个时域特征，即Μ=12，且12个时域特征分别是峰峰值、均方根值、平均幅值、方差、方根幅值、峭度、波宽、波形指标、峰值指标、脉冲指标、裕度指标和峭度指标；步骤三中进行特征提取后，还需采用数据处理器(2)对所提取出的特征參数进行特征约筒。
6.按照权利要求I或2所述的钢丝绳芯输送带缺陷智能识别方法，其特征在于步骤.502中计算得出样本类q与N个所述样本类中任ー个样本类h之间的间距Clqh后，获得样本类q的类间距离数据；步骤504中多次重复步骤501至步骤503后，获得N个所述样本类的类间距离数据和类间距之和；随后，所述数据处理器(2)将N个所述样本类的类间距离数据组成一个类间距离对称矩阵Dnxn,且每ー个所述样本类的类间距离数据位于类间距离对称矩阵Dnxn同一行上的同行数据；N个所述样本类的类间距之和分别为类间距离对称矩阵Dnxn中的各行数据之和，且类间距离对称矩阵Dnxn中的各行数据之和组成ー个数组(Sumd(I)，Sumd (2)... Sumd (N))。相应地，步骤505中对N个所述样本类的分类优先级别Y进行确定时，其确定过程如下 步骤5051、初始參数设定对分类优先级别Y和样本总数n'的初始值分别进行设定，其中分类优先级别Y=O，样本总数]^ =N ； 步骤5052、比较数组(Sumd(l), Sumd(2) ··· Sumd(N))中当前所有数据的大小，从中选出最大值Sumd(L)，其中L=l、2…N，并将样本类L的分类优先级别为Y+1，且此时Y=Y+1，n’ =N-I ;同吋，将类间距离对称矩阵Dnxn中的第L行数据全部置0，将数组(Sumd(l)，Sumd (2)... Sumd (N))中的 Sumd (L)置 O ; 步骤5053、多次重复步骤5052，直至n’ =0为止。
7.按照权利要求I或2所述的钢丝绳芯输送带缺陷智能识别方法，其特征在于步骤 六中N-I个所述二分类模型均为模糊支持向量机模型，且步骤四中进行训练样本获取吋，N个样本类中的每ー个训练样本中均包括模糊隶属度yQs，其中μ Qs为Xqs对其所属样本类Q的模糊隶属度。
8.按照权利要求I或2所述的钢丝绳芯输送带缺陷智能识别方法，其特征在于步骤602中对惩罚參数C与核參数Y进行确定时，通过数据处理器(2)且采用改进的遗传算法对所选取的惩罚參数C与核參数Y进行优化，其优化过程如下 步骤6021、种群初始化将惩罚參数C的一个取值与核參数Y的ー个取值作为ー个个体，并将多个个体集合为ー个种群，同时所述种群中的所有个体均进行ニ进制编码后形成初始化种群；其中，惩罚參数C的一个取值和核參数Y的ー个取值均为自区间(0，1000]中随机抽取的一个数值； 步骤6022、初始化种群中各个体适应度值计算初始化种群中所有个体的适应度值计算方法均相同；初始化种群中多个所述个体，分别对应多个不同的分类模型z ; 对于所述初始化种群中的任ー个个体来说，采用步骤五中所述训练样本集中剰余的N-Z+1个样本类，对与该个体对应的分类模型z进行训练，且以该分类模型z的分类准确率作为该个体的适应度值； 待所述初始化种群中所有个体的适应度值均计算出来后，再相应计算出所述初始化种群的种群平均适应度值； 步骤6023、选择操作根据步骤6022中计算得出的所述初始化种群中所有个体的适应度值，选出所述初始化种群中适应度值高的多个个体作为子代群体； 步骤6024、交叉操作与变异操作对选取的子代群体进行交叉操作与变异操作，获得新一代的子代群体； 步骤6025、子代群体中各个体适应度值计算子代群体中所有个体的适应度值计算方法均相同；子代群体中多个所述个体，分别对应多个不同的分类模型z ； 对于所述子代群体中的任ー个个体来说，采用步骤五中所述训练样本集中剰余的N-Z+1个样本类，对与该个体对应的分类模型z进行训练，且以该分类模型z的分类准确率作为该个体的适应度值； 待所述子代群体中所有个体的适应度值均计算出来后，再相应计算出所述子代群体的种群平均适应度值； 步骤6026、选择操作根据步骤6025中计算得出的所述子代群体中所有个体的适应度值，选出所述子代群体中适应度值高的多个个体作为子代群体； 步骤6027、判断是否满足終止条件当进化代数超过预先设定的最大进化代数itmax或者子代群体中个体的最大适应度值大于或等于预先设定的适应度设定值时，遗传算法终止并输出当前所获得所述子代群体中适应度值最高的个体；否则，返回步骤6024。
9.按照权利要求8所述的钢丝绳芯输送带缺陷智能识别方法，其特征在于步骤6024中进行交叉操作与变异操作吋，按照交叉概率P。进行交叉操作，且按照变异概率Pm进行变异操作；其中，
10.一种实现如权利要求I所述智能识别方法的智能识别系统，其特征在于包括对被检测进行电磁加载的电磁加载装置、电磁加载后对被检测钢丝绳芯输送带内的剩磁进行实时检测的多个电磁检测单元、对多个所述电磁检测单元所检测信号进行分析处理并自动输出被检测钢丝绳芯输送带缺陷类别的数据处理器(2)和与数据处理器(2)进行双向通信的上位机(7)，多个所述电磁检测单元均与信号调理电路(5)相接，所述信号调理电路(5)与Α/D转换电路(6)相接，所述Α/D转换电路(6)与数据处理器(2)相接。
全文摘要
本发明公开了一种钢丝绳芯输送带缺陷智能识别方法及系统，其识别方法包括步骤一、电磁加载；二、缺陷信号采集；三、特征提取；四、训练样本获取；五、分类优先级别确定；六、多分类模型建立；七、多分类模型训练；八、信号实时采集及同步分类采用电磁检测单元实时检测，并将所检测信号同步输入至数据处理器进行特征提取后送至所建立的多分类模型中，便自动输出被检测输送带的缺陷类别；其识别系统包括电磁加载装置、多个电磁检测单元、自动输出被检测输送带缺陷类别的数据处理器和与数据处理器双向通信的上位机。本发明设计合理、操作简便、实现方便且使用效果好、实用价值高，提高了输送带缺陷检测的可靠性和缺陷识别效率。
文档编号G01N27/82GK102841131SQ201210352699
公开日2012年12月26日 申请日期2012年9月20日 优先权日2012年9月20日
发明者马宏伟, 张旭辉, 毛清华, 陈海瑜, 曹现刚, 张大伟, 姜俊英 申请人:西安科技大学