钢丝绳芯输送带缺陷智能识别方法及系统

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。

说明书

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l个训练样本，其中m≥2，l=m×N；l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1、样本类2…样本类N；N个样本类中的每一个训练样本均记作 X_Qs，其中Q为样本类的类别标号且Q=1、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=1、2…m；X_Qs为样本类k中第s个训练样本的特征向量，X_Qs∈R^d， 其中d为X_Qs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=1、2…N，p=1、2…d，X_qs(p)为样 本类q中第s个训练样本的第p个特征量，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，其中为样本类q中所有训练样本的第p个特征量均值，为样 本类h中所有训练样本的第p个特征量均值，且h=1、2…N；

步骤503、类间距之和计算：采用数据处理器且根据公式对步 骤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=1、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-1个二分类模型，且N-1 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-1 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-1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γ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，0 ＜C≤1000，0＜γ≤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=1、2…N-1；

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-1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l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l个训练样本，所述训 练样本集一和所述训练样本集二中的l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l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l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=1、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n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d_j，k，j=1， 2…J，且J为小波分解的层数，k=1、2、3…n且其表示一维信号X(k)中由前至后n 个采样点的序号；

步骤2012、细节系数阈值处理：

按照公式$d_{j,k}^{\prime }=\left(\begin{array}{c}\mathrm{sign}\left(d_{j,k}\right)\left[\left(\right|d_{j,k}|-\frac{{\lambda }^2}{\left|d_{j,k}\right|\exp ({\left|d_{j,k}\right|}^2-{\lambda }^2)})\right],\left|d_{j,k}\right|\ge \lambda \\ 0,\left|d_{j,k}\right|<\lambda \end{array}\right),$对步骤2011中所 获得各层细节系数d_j，k分别进行阈值处理，并获得阈值处理后的各层细节系数d′_j，k；式 中，λ为根据一维信号X(k)的信噪比确定的阈值；

步骤2013、细节信号重构：调用小波逆变换模块，且根据步骤2012中阈值处理 后的各层细节系数d′_j，k，对小波分解后的各层细节信号进行重构，并获得重构后的高 频信号N₂(k)，其中k=1、2、3…n；所述高频信号N₂(k)中包含n个高频信号采样值， 且N₂(k)=[n₂(1)，n₂(2)，…，n₂(n)]；

步骤202、LMS自适应滤波处理：所述数据处理器2调用LMS自适应滤波器，对 信号N₂(n)进行最小均方差计算并获得滤波后输出信号y(n)，再根据误差信号e(n)且 按照公式W(n+1)=W(n)+2/μ(n)e(n)N₂(n)对W(n)进行调整，使得输出信号y(n)趋于信 号N₁(n)，其中e(n)=d(n)-y(n)；且所述LMS自适应滤波器处理结束后，获得降噪后 的信号e(n)；

其中信号N₂(n)为输入信号矢量且N₂(n)=[n₂(n)，n₂(n-1)，…，n₂(n-M+1)]^T， 而n₂(n)，n₂(n-1)，…，n₂(n-M+1)对应分别为步骤203中所述高频信号N₂(k)中最 近的M个高频信号采样值，M为所述LMS自适应滤波器的长度；d(n)为期望输出信号， 且d(n)为步骤一中所述的一维信号X(k)，N₁(n)为X(k)中含有的噪声信号； y(n)=N₂^T(n)W(n)，W(n)为当前状态下所述LMS自适应滤波器的系数列矩阵；μ(n)为 步长因子，μ(n)=β(1-exp(-a|e(n)|))，式中a为控制函数形状的常数且a>0；β为 控制函数取值范围的常数且β>0；

降噪处理结束后，再按照步骤三中所述的特征提取方法对降噪后的信号e(n)进行 特征提取。

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时， 所提出的特征参数包括检测信号的12个时域特征，即M=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对 所提取出的特征参数进行特征约简。

上述钢丝绳芯输送带缺陷智能识别方法，其特征是：步骤502中计算得出样本类 q与N个所述样本类中任一个样本类h之间的间距d_qh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D_N×N，且每一个所述样本类的类间距离数据位于类间距离对称矩阵 D_N×N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 D_N×N中的各行数据之和，且类间距离对称矩阵D_N×N中的各行数据之和组成一个数组 （Sumd(1)，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、初始参数设定：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=0，样本总数n′=N；

步骤5052、比较数组（Sumd(1)，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=1、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-1；同时，将类间距离对称矩阵D_N×N中的第L行数据全部置0，将 数组（Sumd(1)，Sumd(2)…Sumd(N)）中的Sumd(L)置0；

步骤5053、多次重复步骤5052，直至n′=0为止。

上述钢丝绳芯输送带缺陷智能识别方法，其特征是：步骤六中N-1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时，N个样本类中的每 一个训练样本中均包括模糊隶属度μ_Qs，其中μ_Qs为X_Qs对其所属样本类Q的模糊隶属 度。

上述钢丝绳芯输送带缺陷智能识别方法，其特征是：步骤602中对惩罚参数C与 核参数γ进行确定时，通过数据处理器且采用改进的遗传算法对所选取的惩罚参数C 与核参数γ进行优化，其优化过程如下：

步骤6021、种群初始化：将惩罚参数C的一个取值与核参数γ的一个取值作为一 个个体，并将多个个体集合为一个种群，同时所述种群中的所有个体均进行二进制编 码后形成初始化种群；其中，惩罚参数C的一个取值和核参数γ的一个取值均为自区 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一个个体来说，采用步骤五中所述训练样本集中剩余 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一个个体来说，采用步骤五中所述训练样本集中剩余的 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、判断是否满足终止条件：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。

上述钢丝绳芯输送带缺陷智能识别方法，其特征是：步骤6024中进行交叉操作 与变异操作时，按照交叉概率p_c进行交叉操作，且按照变异概率p_m进行变异操作； 其中，

$p_c=\left(\begin{array}{cc}{p}_{c\max }-\left(\frac{p_{c\max }-p_{c\min }}{\mathrm{it}\max }\right)\times \mathrm{iter}& ,f^{\prime }>f_{\mathrm{avg}}\\ p_{c\max }& ,f^{\prime }\le f_{\mathrm{avg}}\end{array}\right),$$p_m=\left(\begin{array}{cc}{p}_{m\max }-\left(\frac{p_{m\max }-p_{m\min }}{\mathrm{it}\max }\right)\times \mathrm{iter}& ,f>f_{\mathrm{avg}}\\ p_{m\max }& ,f\le f_{\mathrm{avg}}\end{array}\right);$式中，p_cmax为预先设定的最大交叉概 率，p_cmin为预先设定的最小交叉概率，p_mmax为预先设定的最大变异概率，p_mmin为预 先设定的最小变异概率，itmax为预先设定的最大进化代数，iter为当前的进化代数， f_avg为当前进行交叉操作与变异操作的子代群体的种群平均适应度值，f′表示在要交 叉的两个个体中较大的适应度值，f表示要变异的个体适应度值。

同时，本发明还公开了一种电路设计合理、接线方便、使用操作简便且使用效果 好的钢丝绳芯输送带缺陷智能识别系统，其特征在于：包括对被检测钢丝绳芯输送带进 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和与数据处理器进行双向通信的上位 机，多个所述电磁检测单元均与信号调理电路相接，所述信号调理电路与A/D转换电 路相接，所述A/D转换电路与数据处理器相接。

本发明与现有技术相比具有以下优点：

1、所采用的缺陷智能识别系统电路设计合理、接线方便、安装布设方便且投入 成本较低、使用效果好，所采用的缺陷智能识别方法步骤简单、识别速度快且识别精 度高。

2、所采用的降噪处理方法设计合理、实现方便且降噪处理效果好，将小波变换 与变步长LMS自适应滤波相结合进行降噪处理，并且提出了一种新的阈值处理方法， 克服了硬阈值处理函数在阈值λ处不连续缺点和软阈值处理函数的小波系数与量化后 的小波系数之间存在恒定偏差的缺点；同时，在变步长LMS自适应滤波过程中，对步 长调整方法进行重新设计，使得降噪处理的收敛速度、稳态误差和降噪后的信噪比均 得到大幅改进。因而，所采用的降噪处理方法不仅融合了小波变换和自适应滤波的优 点，而且通过对小波阈值处理函数和LMS自适应滤波步长调整的改进，获得了比小波 和自适应滤波更好的降噪性能，且通过对多种降噪算法的比较分析表明本发明所采用 的降噪处理方法对输送带缺陷信号中的非平稳噪声的降噪具有良好效果，有效地提高 了信噪比。

3、所采用的多传感器信息融合特征提取和特征约简方法设计合理，大幅度减少 了计算量，并且能有效提取本质特征向量。

4、所采用的分类方法设计合理、实现方便且分类速度快、分类精度高，分类速 度为0.015秒左右，且其分类精度高达91.5%。

5、所采用的分类方法与以FSVM（模糊支持向量机）二类分类算法为基础，且该 分类方法为一种基于类的距离之和的模糊二叉树支持向量机多类分类方法，其利用多 个样本类的距离之和确定分类优先级别，之后按照确定的分类优先级别将多个样本类 由先至后逐一分出来，简便且大幅度地提高分类精度和速度。同时，所采用的模糊支 持向量机可以减少孤立点和噪声对分类的影响，更进步保证分类速度和精度。因而， 本发明所采用的分类方法将支持向量机这一两分类方法有效推广至多分类场合，实现 方便，并能适应钢丝绳芯输送带缺陷快速、准确识别的目的。

6、实际进行分类时，支持向量机参数对分类精度影响较大，而实际应用中，支 持向量机参数选取比较困难，本发明采用一种改进后的遗传算法对支持向量机的参数 进行优化，该改进后的遗传算法具有以下优点：①有效地避免了标准遗传算法的早熟 问题，具有良好的全局优化能力；有效地避免了锯齿问题，具有优良的局部优化能力； ③遗传算子操作具有明确的方向，具有良好的收敛性能。试验证明，该改进后的遗传 算法可以较快地获得支持向量机参数，并且所获得分类模型的分类精度高，训练速度 快，支持向量个数少，并且对于含有噪声数据的分类比常用支持向量机多分类算法具 有更高的分类精度和更少的支持向量。

7、使用效果好且实用价值高，能有效解决目前生产中所存在的钢丝绳芯输送安 全在线检测这一亟待解决的技术难题，实现了钢丝绳芯输送带缺陷电磁检测的自动 化，提高了输送带缺陷检测的可靠性和效率，对确保输送带安全可靠运行具有重要意 义。

综上所述，本发明设计合理、使用操作简便、实现方便且使用效果好、实用价值 高，大幅度提高了输送带缺陷检测的可靠性和缺陷识别效率。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明所采用智能识别方法的方法流程框图。

图2为本发明所采用智能识别系统的电路原理框图。

图3为本发明所采用降噪处理方法的原理框图。

图4为本发明所采用水平向电磁检测单元与水平向电磁检测单元的布设位置示意 图。

附图标记说明:

1-1—水平向电磁检测单元；    1-2—竖直向电磁检测单元；

2—数据处理器；              3—数据存储器；            5—信号调理电路；

6—A/D转换电路；             7—上位机；                8—行程编码器；

9—ST系列钢丝绳芯输送带。

具体实施方式

如图1所示的一种钢丝绳芯输送带缺陷智能识别方法，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。

本实施例中，所采用的电磁加载装置为弱磁加载模块4。实际加载时，具体采用 TCK-GMS型弱磁加载装置，也可以采用其它类型的弱磁加载装置。

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。本 实施例中，所述采样序列中所包括的采样值的数量不少于3个。其中，步骤二中多种 不同缺陷状态包括钢丝绳断绳、断丝、疲劳和接头位移等缺陷状态。

实际使用时，所述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 磁检测单元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 磁检测单元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 电磁检测单元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。

本实施例中，所述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1-1和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。实际布设时，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均布设在被检测钢丝绳芯输送带上，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。实际进行信号采集时，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的 采样频率相同，相应地，步骤一中所获得的N组所述缺陷状态检测信息分为两类，包括 N组水平向剩磁检测信息和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。

相应地，所述水平向电磁检测单元1-1和所述竖直向剩磁检测信息所检测到的每 一个所述检测信号均为一个采样时段所检测到的一个采样序列。

本实施例中，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均为弱磁传 感器，且具体为TCK弱磁传感器。TCK弱磁检测是基于“空间磁场矢量合成”原理，采用 宽距、非接触式弱磁能势感应装置，通过提取已施加磁载的铁磁性材料上弱磁能势分布差 异信息，完成定位、定量和定性识别钢丝绳内外部各种缺陷的电磁无损检测方法。所采用 的TCK弱磁传感器为高灵敏度传感器，且其由释磁元件和磁衡元件组成，其中释磁元件提 供一定的弱磁场B_x，与经过弱磁规划后的钢丝绳芯体积元剩余弱磁场B关联出磁场B_y， 磁衡元件则能够灵敏并准确地将B_y变化量并转换为对应的电信号，B_y与被检测钢丝绳芯 输送带中钢丝绳芯缺陷产生的漏磁场和钢丝绳芯内部磁场有关，根据B_y的变化量，可以 反映钢丝绳芯的缺陷状况，从而实现对钢丝绳芯输送带的缺陷检测。

实际进行信号采集时，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均按 照设定的采样频率进行采集，且采样频率为1KHz～8KHz。本实施例中，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的采样频率均为4KHz，实际使用时，可根据具 体需要，对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的采样频率在1KHz～ 8KHz内进行相应调整。

本实施例中，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所检测的检 测信号均为一个采样序列X(i)，其中i=1、2、3…n，n为采样序列X(i)中的采样点 数量。

步骤三、特征提取：待数据处理器2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M≥2。

本实施例中，进行特征提取时，所提出的特征参数包括检测信号的12个时域特 征，即M=12，12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。

实际进行特征提取时，按照本步骤中所述的特征提取方法，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。

本实施例中，实际对所述电磁检测单元所检测的各检测信号进行特征提取时，对 所述电磁检测单元中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所检测的 各检测信号分别进行特征提取。

对于所述水平向电磁检测单元1-1所检测的任一个检测信号（即采样序列X(i)）进 行特征提取时，12个时域特征的求解过程如下：根据公式X_p-p=max{x_i}-min{x_i}，计 算得出峰峰值X_p-p，式中max{x_i}为采样序列X(i)中的最大值，min{x_i}为采样序列 X(i)中的最小值；根据公式计算得出均方根值X_rms；根据公式 计算得出平均幅值X_av；根据公式计算得出方差σ_x²， 式中根据公式计算得出方根幅值X_r；根据公式 计算得出峭度β′；对宽度W进行计算时，当被检测钢丝绳芯输送带的缺 陷状态为接头位移时，宽度W为同一采样时刻所述竖直向电磁检测单元1-2所检测信号 中波峰与波谷之间的间距；当被检测钢丝绳芯输送带的缺陷状态为接头位移之外的其它 缺陷状态时，宽度W的起始点为同一采样时刻所述竖直向电磁检测单元1-2所检测信号 中幅值大于0.244V的上升沿，且其终止点为同一采样时刻所述竖直向电磁检测单元1-2 所检测信号中幅值小于0.244V的下降沿；根据公式计算得出波形指标S， 式中X_rms为均方根值，X_av为平均幅值；根据公式计算得出峰值指标C，式 中X_max为采样序列X(i)中的最大值，X_rms为均方根值；根据公式计算得出 脉冲指标I，式中X_max为采样序列X(i)中的最大值，X_av为平均幅值；根据公式 计算得出裕度指标L，式中X_max为采样序列X(i)中的最大值，X_r为方根幅 值；根据公式计算得出峭度指标K，式中β′为峭度，X_rms为均方根值。

对于所述竖直向电磁检测单元1-2所检测的任一个检测信号进行特征提取时，除宽 度W之外，其余特征量的提取方法与所述水平向电磁检测单元1-1所检测信号的特征提 取方法相同。对于宽度W而言，当被检测钢丝绳芯输送带的缺陷状态为接头位移时，宽 度W为该检测信号中波峰与波谷之间的间距；当被检测钢丝绳芯输送带的缺陷状态为接 头位移之外的其它缺陷状态时，宽度W的起始点为该检测信号中幅值大于0.244V的上 升沿，且其终止点为该检测信号中幅值小于0.244V的下降沿。

本实施例中，由于N组所述缺陷状态检测信息分为N组水平向剩磁检测信息和N 组竖直向剩磁检测信息。实际进行特征提取时，对N组所述水平向剩磁检测信息分别 进行特征提取，获得经特征提取后的N组所述水平向剩磁检测信息；与此同时，对N 组所述竖直向剩磁检测信息分别进行特征提取，获得经特征提取后的N组所述竖直向 剩磁检测信息。

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l个训练样本，其中m≥2，l=m×N；l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1、样本类2…样本类N；N个样本类中的每一个训练样本均记作 X_Qs，其中Q为样本类的类别标号且Q=1、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=1、2…m；X_Qs为样本类k中第s个训练样本的特征向量，X_Qs∈R^d， 其中d为X_Qs的向量维数且d=M。

并且获取所述训练样本集时，由于N个样本类的类别分别与被检测钢丝绳芯输送 带的N种不同缺陷状态相对应，因而按照被检测钢丝绳芯输送带的N种不同缺陷状态 名称对N个样本类的类别分别进行命名。

实际操作过程中，在N组所述缺陷状态检测信息中随机抽取m个检测信号时，采 用数据处理器2进行随机抽取。

本实施例中，m=50。实际进行训练样本集获取时，也可以根据具体需要，对m的 取值进行相应调整。

实际对所述训练样本集进行获取时，按照本步骤中所述的训练样本集获取方法， 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l个训练样本，所述训练样本集一和所述训练样本集二中 的l个所述训练样本均分属于N个样本类。

本实施例中，由于N组所述缺陷状态检测信息分为N组水平向剩磁检测信息和N 组竖直向剩磁检测信息。

因而，获取训练样本集时，按照本步骤中所述训练样本集的获取方法，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个检测信号组成一个训练 样本集（即训练样本集一）；与此同时，按照步骤三中所述训练样本集的获取方法， 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 另一个训练样本集（即训练样本集二）。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l个训练样本，所述训练样本集一和所述训练样本集二中的l个所 述训练样本均分属于N个样本类。

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；

且对样本类q的类中心进行计算时，根据公式计算得出样 本类q中所有训练样本的各特征量均值；式中q=1、2…N，p=1、2…d，X_qs(p)为样 本类q中第s个训练样本的第p个特征量，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，其中为样本类q中所有训练样本的第p个特征量均值，为样 本类h中所有训练样本的第p个特征量均值，且h=1、2…N；

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2确定出N个所述样本类的分类优先级别Y，其中Y=1、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。

本实施例中，步骤502中计算得出样本类q与N个所述样本类中任一个样本类h之 间的间距d_qh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D_N×N，且每一个所述 样本类的类间距离数据位于类间距离对称矩阵D_N×N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D_N×N中的各行数据之和，且类间距离对称 矩阵D_N×N中的各行数据之和组成一个数组（Sumd(1)，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、初始参数设定：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=0，样本总数n′=N；

步骤5052、比较数组（Sumd(1)，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=1、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-1；同时，将类间距离对称矩阵D_N×N中的第L行数据全部置0，将 数组（Sumd(1)，Sumd(2)…Sumd(N)）中的Sumd(L)置0；

步骤5053、多次重复步骤5052，直至n′=0为止。

实际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。

本实施例中，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、多分类模型建立：所建立的多分类模型包括N-1个二分类模型，且N-1 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-1 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-1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γ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，0 ＜C≤1000，0＜γ≤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=1、2…N-1；

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-1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。

例如，当z=1时，二分类模型1为将分类优先级别为1的样本类自所述训练样本 集中分出来的二分类模型。

实际进行分类时，支持向量机通过最优超平面将训练样本划分为互相对立的两个 类。然而实际应用中，由于每个样本并不能完全划归到某一类，并且样本中可能存在 噪声或孤立点，因而采用模糊支持向量机(Fuzzy Support Vector Machine FSVM)通 过给样本增加一个模糊隶属度，使孤立点或噪声的模糊隶属度很小，从而减少孤立点 和噪声对最优分类超平面的影响。因而，模糊支持向量机根据训练样本对分类作用的 不同，给不同样本加以不同的错分惩罚来克服孤立点和噪声对分类的不利影响，而模 糊隶属度的确定非常重要。

因此，本实施例中，步骤六中N-1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时，N个样本类中的每一个训练样本中均包括模糊隶属 度μ_Qs，其中μ_Qs为X_Qs对其所属样本类Q的模糊隶属度。

实际对模糊隶属度μ_ks进行确定时，可以采用模糊统计法、例证法、专家经验法 或二元对比排序法进行确定。其中，模糊统计法的基本思想是对论域U（研究的范围， 一般指实数集）中的一个确定元素A₀是否属于论域中的一个可变动的清晰集合A^*做出 清晰的判断。对于不同的试验者，清晰集合A^*可以有不同的边界，但它相对应于同一 个模糊集A。模糊统计法的计算步骤是：在每次统计中，A₀是确定的，A^*的值是可变 的，作n次试验，其模糊统计可按照下式进行计算：A₀对A的隶属频率=A₀∈A的次 数/试验总次数n。随着n的增大，隶属频率也会趋向稳定，这个稳定就是A₀对A的隶 属度值。这种方法较直观地反映了模糊概念中的隶属程度，但其计算量非常大。

例证法的主要思想是从已知有限个μ_A的值来估计论域中模糊子集A的隶属函数。 如论域U代表全体人类，A是“高个子的人”，显然A是一个模糊子集。为了确定μ_A， 先确定一个高度值h，然后选定一个语言真值（即一句话的真实程度）中的一个来回 答某人是否算“高个子”。如语言真值可分为“真的”“大致真的”“似真似假”“大 致假的”和“假的”五种情况，并且分别用数据1、0.75、0.5、0.25、0来表示这些 语言真值。对N种不同高度h1、h2、h3…hn都做同样的询问，即可以得到A的隶属 度函数的离散表示。

专家经验法是根据专家的实际经验给出模糊信息的处理算式或相应权系数值来 确定隶属度函数的一种方法。在许多情况下，通常是初步确定粗略的隶属度函数，然 后再通过“学习”和实践经验逐步修改和完善，而实际效果正是检验和调整隶属度函 数的依据。

二元对比排序法是一种较实用的确定隶属度函数的方法，它通过对多个事物之间 的两两对比来确定某种特征下的顺序，由此来决定这些事物对该特征的隶属函数的大 体形状。二元对比排序法根据对比测度不同，可分为相对比较法、对比平均法、优先 关系定序法和相似优先对比法等。

本实施例中，对μ_Qs进行确定时，通过数据处理器2且采用基于线性距离的隶属 度函数进行确定，其中基于线性距离的隶属度函数的确定是将样本的隶属度看作是特 征空间中样本与其所在样本类的类中心之间距离的函数，样本离类中心的距离越近， 隶属度越大，反之隶属度越小，详见2009年8月公开的《兰州理工大学学报》第35 卷第4期，张秋余、竭洋等发表的《模糊支持向量机中隶属度确定的新方法》一文。

由于所选用的径向基函数为RBF核函数，则核参数为RBF核函数中的参数 $\gamma =\frac{1}{2{\sigma }^2}.$

本实施例中，步骤602中对惩罚参数C与核参数γ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参数C与核参数γ进行优化，其优化过程如 下：

步骤6021、种群初始化：将惩罚参数C的一个取值与核参数γ的一个取值作为一 个个体，并将多个个体集合为一个种群，同时所述种群中的所有个体均进行二进制编 码后形成初始化种群；其中，惩罚参数C的一个取值和核参数γ的一个取值均为自区 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一个个体来说，采用步骤五中所述训练样本集中剩余 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；

其中，与各个体对应的分类模型，即为各个体中惩罚参数C与核参数γ确定后对 应的支持向量机分类模型；

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一个个体来说，采用步骤五中所述训练样本集中剩余的 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、判断是否满足终止条件：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。

本实施例中，预先设定的最大交叉概率p_cmax=0.6，预先设定的最小交叉概率 p_cmin=0.9，预先设定的最大变异概率p_mmax=0.1，预先设定的最小变异概率 p_mmin=0.0001，预先设定的最大进化代数itmax=100。

步骤6021中进行种群初始化之前，对进化代数iter的初始值设定为1。

本实施例中，步骤6023进行选择操作之前，按照轮盘赌选择法，计算出所述初 始化种群中所有个体的适应度值。步骤6026中进行选择操作之前，按照轮盘赌选择 法，计算出所述子代群体中所有个体的适应度值。

实际进行参数确定时，步骤6024中进行交叉操作与变异操作时，交叉操作采用 多点交叉，且变异操作采用实值变异。本实施例中，步骤6024中进行交叉操作与变 异操作时，交叉操作采用两点交叉。

本实施例中，步骤6024中进行交叉操作与变异操作时，还需对当前的进化代数 iter进行统计。

本实施例中，步骤6024中进行交叉操作与变异操作时，按照交叉概率p_c进行交 叉操作，且按照变异概率p_m进行变异操作；其中，

$p_c=\left(\begin{array}{cc}{p}_{c\max }-\left(\frac{p_{c\max }-p_{c\min }}{\mathrm{it}\max }\right)\times \mathrm{iter}& ,f^{\prime }>f_{\mathrm{avg}}\\ p_{c\max }& ,f^{\prime }\le f_{\mathrm{avg}}\end{array}\right),$$p_m=\left(\begin{array}{cc}{p}_{m\max }-\left(\frac{p_{m\max }-p_{m\min }}{\mathrm{it}\max }\right)\times \mathrm{iter}& ,f>f_{\mathrm{avg}}\\ p_{m\max }& ,f\le f_{\mathrm{avg}}\end{array}\right);$式中，p_cmax为预先设定的最大交叉概 率，p_cmin为预先设定的最小交叉概率，p_mmax为预先设定的最大变异概率，p_mmin为预 先设定的最小变异概率，itmax为预先设定的最大进化代数，iter为当前的进化代数， f_avg为当前进行交叉操作与变异操作的子代群体的种群平均适应度值，f′表示在要交 叉的两个个体中较大的适应度值，f表示要变异的个体适应度值。

也就是说，根据适应度值及进化代数来调节个体的交叉概率p_c和变异概率p_m， 如果个体适应度值小于种群平均适应度值，对其给予较大的交叉概率和变异概率；如 果个体比较优良，即其适应度值大于种群平均适应度值，则根据其迭代状态和优良程 度赋予此个体相应的交叉概率和变异概率，迭代代数越接近最大设定代数itmax，个 体交叉概率和变异概率就越小，此种交叉概率、变异概率调节方法在进化初期具有较 强的全局搜索能力和较弱的局部搜索能力，随着进化的进行，全局优化能力逐渐减弱， 局部优化能力逐渐增强。该改进方法有利于保护优良个体，便于获得全局最优解，可 以防止出现“早熟”现象。

步骤6023和步骤6026中进行选择操作时，采用最优个体保留策略。由于在遗传 算法的操作算子中，选择算子可以确保选出的个体都是优良的，但是交叉算子和变异 算子只是引入了新的个体，这两个操作算子不能确保产生的新个体是优良的。因此采 用最优个体保留策略来获得最优个体。最优保留策略是在进行交叉和变异后比较产生 的新个体适应度值是增加还是减小，如果产生的新个体适应度值增加就保留该新个 体，否则保留原个体。该改进策略可以有效地保证遗传操作所产生的都是优良新个体， 确定了进化的方向，避免了个别个体在进化过程中退化现象，增强了算法的收敛性能。

实际对惩罚参数C与所选用径向基函数的核参数γ进行确定时，也可以采用网格 搜索法进行确定，并利用步骤四中所述训练样本集中的l个训练样本，且采用K折交 叉验证法对所建立的二分类模型z进行验证。

相应地，实际进行多分类模型建立时，按照本步骤所述的多分类模型建立方法， 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。

本实施例中，按照本步骤中所述的多分类模型建立方法，分别建立将所述训练样 本集一中的多个样本类逐一分出来的多分类模型一和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二。

步骤七、多分类模型训练：将步骤四中所述训练样本集中的l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。

相应地，本步骤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l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l个训练样本输入到所述多分类模型二进行训练。

本实施例中，将所述训练样本集一中的l个训练样本输入到多分类模型一进行训 练；与此同时，将所述训练样本集二中的l个训练样本输入到多分类模型二进行训练。

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。

相应地，本步骤中被检测钢丝绳芯输送带的缺陷类别包括钢丝绳断绳、断丝、疲劳 和接头位移等类别。

本实施例中，步骤八中采用数据处理器2对所检测信号进行特征提取之前，还需 对所检测信号进行降噪处理；且特征提取之后，还应对所提取的特征参数进行特征约 简，且其特征提取方法与步骤三中所述的特征提取方法相同。

实际使用过程中，当被检测钢丝绳芯输送带出现缺陷时，采用所述电磁检测单元对 被检测钢丝绳芯输送带内的剩磁进行实时检测，且此时所检测信号为缺陷信号，且将 所述缺陷信号输入至步骤六中所建立的多分类模型中，自动输出当前状态下被检测钢 丝绳芯输送带的缺陷类别。并且，所述缺陷信号为一个采样序列。

本步骤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 测单元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二中，之后自动输出被检测钢丝绳芯输送带 的缺陷类别。

本实施例中，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，并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。与此同时，所述电磁检测单元中 的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， 并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。

本实施例中，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，且所述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。

本实施例中，由于所述电磁检测单元包括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，因而步骤三中进行特征提取之后，所述数据处理器2需对所述水平向 电磁检测单元1-1和竖直向电磁检测单元1-2所检测的所有检测信号均进行降噪处理，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所检测的所有检测信号的降噪 处理方法均相同。

实际对所述水平向电磁检测单元1-1或竖直向电磁检测单元1-2所检测的检测信号进 行降噪处理时，采用基于小波变换与变步长LMS自适应滤波的信号降噪方法进行降噪 处理。对于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所检测的任一个检 测信号（即采样序列X(k)）来说，其中k=1、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n个采样点的信号采 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2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d_j，k，j=1， 2…J，且J为小波分解的层数，k=1、2、3…n且其表示一维信号X(k)中由前至后n 个采样点的序号。

步骤2012、细节系数阈值处理：

按照公式$d_{j,k}^{\prime }=\left(\begin{array}{c}\mathrm{sign}\left(d_{j,k}\right)\left[\left(\right|d_{j,k}|-\frac{{\lambda }^2}{\left|d_{j,k}\right|\exp ({\left|d_{j,k}\right|}^2-{\lambda }^2)})\right],\left|d_{j,k}\right|\ge \lambda \\ 0,\left|d_{j,k}\right|<\lambda \end{array}\right),$对步骤2011中所 获得各层细节系数d_j，k分别进行阈值处理，并获得阈值处理后的各层细节系数d′_j，k；式 中，λ为根据一维信号X(k)的信噪比确定的阈值。

其中，sign(x)为符号函数。

现如今，确定阈值后标准小波变换有以下两种阈值处理方法：一种是令绝对值小 于阈值的信号点的值为零，称为硬阈值，该方法的缺点是在某些点会产生间断；另一 种软阈值处理方法是在硬阈值的基础上边界出现不连续点收缩到零，这样可以有效避 免间断，使信号变得比较光滑。软阈值和硬降噪方法虽然在实际中被广泛应用，并且 取得了较好的降噪效果，但这两种方法自身都存在一些缺点。其中，硬阈值处理后的 细节系数w′_j，k在λ处不连续，运用w′_j，k重构后的细节信号会产生一些振荡。而软阈值处 理中，w′_j，k虽然连续性较好，但当｜w_j，k｜≥λ时，w′_j,k与硬阈值处理前的细节系数w_j，k之 间存在恒定偏差，影响了降噪信号与真实信号的逼近程度。在实际应用中，软阈值处 理的降噪信号比较光滑，但信号失真较大；而硬阈值处理的降噪效果不理想，尤其对 于时变信号降噪效果较差。因此，本发明所采用的步骤2012中所述阈值处理方法， 能有效克服软硬阈值的缺点，阈值处理后的各层细节系数d′_j，k的取值介于硬阈值处理 方法和软阈值处理方法之间，使得d′_j，k更接近于硬阈值处理前的细节系数d_j，k，并且d′_j，k在｜d_j，k｜=λ处连续，随着小波系数的增大，d′_j，k与d_j，k之间的偏差绝对值逐渐减少，当d_j，k趋于无穷大时以直线y=d_j，k为渐近线，即当｜w_j，k｜趋于无穷大时，d′_j，k趋近于d_j，k。因而， 步骤2012中所采用的阈值处理方法，克服了硬阈值处理函数在阈值λ处不连续缺点和 软阈值处理函数的小波系数与量化后的小波系数之间存在恒定偏差的缺点。

实际进行降噪处理时，步骤2011中J=8或9。本实施例中，步骤2011中J=8， 即对对一维信号X(k)进行八层二进制小波分解。

实际进行降噪处理过程中，步骤2012中对细节系数阈值处理进行处理之前，先 对阈值λ进行确定；所述阈值λ为缺省阈值、penalty阈值或者采用Birge-Massart 策略、基于Stein的无偏似然估计原理进行自适应阈值选择的rigrsure规则、采用 固定的阈值形式的sqtMolog规则、采取启发式阈值选择方式的heursure规则或基于 极大极小原理的minimaxi规则确定的阈值。

本实施例中所述阈值λ为采用Birge-Massart策略确定的阈值。

步骤2013、细节信号重构：调用小波逆变换模块，且根据步骤2012中阈值处理 后的各层细节系数d′_j，k，对小波分解后的各层细节信号进行重构，并获得重构后的高 频信号N₂(k)，其中k=1、2、3…n；所述高频信号N₂(k)中包含n个高频信号采样值， 且N₂(k)=[n₂(1)，n₂(2)，…，n₂(n)]。

步骤202、LMS自适应滤波处理：所述数据处理器2调用LMS自适应滤波器，对 信号N₂(n)进行最小均方差计算并获得滤波后输出信号y(n)，再根据误差信号e(n)且 按照公式W(n+1)=W(n)+2μ(n)e(n)N₂(n)对W(n)进行调整，使得输出信号y(n)趋于信 号N₁(n)，其中e(n)=d(n)-y(n)；且所述LMS自适应滤波器处理结束后，获得降噪后 的信号e(n)；

其中信号N₂(n)为输入信号矢量且N₂(n)=[n₂(n)，n₂(n-1)，…，n₂(n-M+1)]^T， 而n₂(n)，n₂(n-1)，…，n₂(n-M+1)对应分别为步骤203中所述高频信号N₂(k)中最 近的M个高频信号采样值，M为所述LMS自适应滤波器的长度；d(n)为期望输出信号， 且d(n)为步骤一中所述的一维信号X(k)，N₁(n)为X(k)中含有的噪声信号； y(n)=N₂^T(n)W(n)，W(n)为当前状态下所述LMS自适应滤波器的系数列矩阵；μ(n)为 步长因子，μ(n)=β(1-exp(α|e(n)|))，式中α为控制函数形状的常数且α>0；β为 控制函数取值范围的常数且β>0。

降噪处理结束后，进行对降噪后的信号e(n)进行特征提取。

本实施例中，所述数据处理器2接收到电磁检测单元所检测信号后，还需将所接 收信号同步存储至数据存储器3内。同时，所述数据处理器2还需对所检测信号中各 采样点所对应的采样时刻同步进行记录。

本实施例中，步骤2011中对一维信号X(k)进行小波分解时，采用MALLAT算法 且根据公式$\left(\begin{array}{c}{c}_{j,k}=\underset{n}{\Sigma }{h}_{k-2n}{c}_{j-1,n}\\ d_{j,k}=\underset{n}{\Sigma }{g}_{k-2n}{d}_{j-1,n}\end{array}\right),$对一维信号X(k)进行离散分解，式中k=1、2、3…n， j=1、2、3…J，n为采样序列X(k)中的采样点数量，J为小波分解的层数，c_j，k为小 波分解后获得各层近似系数，h_k-2n为与尺度函数相关的低通滤波器的脉冲响应，且d_j，k为小波分解后获得的各层细节信号，g_k-2n为与小波函数相关的带通滤波器的脉冲响 应；

步骤2013中对小波分解后的各层细节信号进行重构时，根据公式进行重构，其中j=J，J-1…1。

本实施例中，步骤202中0<β<1/λ_max，其中λ_max为输入信号矢量N₂(n)的自相关 矩阵的最大特征值。

实际进行降噪处理过程中，步骤202中当α值越大时，所述LMS自适应滤波器的 收敛速度和跟踪速度越快，且所述LMS自适应滤波器的稳态误差越大；反之，当α值 越小时，所述LMS自适应滤波器的收敛速度和跟踪速度越慢，且所述LMS自适应滤波 器的稳态误差越小；

当β值越大时，所述LMS自适应滤波器的收敛速度和跟踪速度越快；反之，当β 值越小时，所述LMS自适应滤波器的收敛速度和跟踪速度越慢。

实际处理时，α=10～10000，β=0.0001～0.2。本实施例中，α=3000，β=0.0015。 具体进行降噪处理时，可根据实际需要，对α和β的取值在上述范围内进行相应调整。

相应地，本实施例中，步骤八中采用所述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，且将所检测信号同步输入至步骤六中所建立的多分类模型之 前，先采用数据处理器2且按照步骤201至步骤202所述的方法，对所述电磁检测单 元实时所检测信号进行降噪处理。具体来说，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之前，先按照步骤201至步骤202 所述的方法，分别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 信号进行降噪处理。

本实施例中，将所述水平向电磁检测单元1-1实时所检测信号输入至所建立的多分 类模型一之前，先采用数据处理器2且按照步骤201至步骤202所述的方法，对所述 水平向电磁检测单元1-1实时所检测信号进行降噪处理；与此同时，将所述竖直向电磁 检测单元1-2实时所检测信号输入至所建立的多分类模型二之前，先采用数据处理器2 且按照步骤201至步骤202所述的方法，对所述竖直向电磁检测单元1-2实时所检测信 号进行降噪处理。

由于自适应滤波器（具体指LMS自适应滤波器）是一种能够自动调整自身参数的 特殊维纳滤波器，如果输入信号的统计特性发生变化，它能够跟踪这种变化，自动调 整参数，使滤波器性能重新达到最佳。

变步长LMS自适应滤波算法主要是改进步长因子μ(n)，把固定的步长因子改进为 可以变化的。减少步长因子μ(n)可提高算法的收敛精度和降低算法的稳态失调噪声， 但是步长因子μ(n)的减少导致算法的跟踪速度和收敛速度降低。因此，固定步长的LMS 自适应滤波算法在跟踪速度、收敛速度和收敛精度方面对算法调整步长因子要求是相 互矛盾的。本发明步骤202中所采用的步长调整公式μ(n)=β(1-exp(-α｜e(n)｜))，其在 初始收敛阶段或未知系统参数发生变化时，步长较大，因而具有较快的对时变系统的 跟踪速度和收敛速度；而在收敛后，不管输入多大干扰信号，都保持较小的调整步长 以达到很小的稳态失调噪声。经试验得出，与固定步长的降噪处理效果相比，采用步 骤202中所述步长调整公式μ(n)=β(1-exp(-α|e(n)|))进行降噪处理后，收敛速度、稳 态误差和降噪后的信噪比均得到大幅改进。

综上，小波降噪过程中最关键的是如何选择合适的阈值和如何进行阈值处理，其 直接影响小波变换对信号的降噪质量。采用步骤201至步骤202所述的方法进行降噪 处理时，信噪比得到很大提高。通过对软阈值处理方法、硬阈值处理方法和步骤2012 中所采用的阈值处理方法的降噪处理结果进行对比可知，采用软阈值处理方法进行降 噪处理后，信号的平滑度较好，但失真比较大；而硬阈值处理方法的平滑度较差，但 信号失真较小，而步骤2012中所采用的硬阈值处理方法不仅降噪效果最好，而且平 滑度较高，降噪效果好。

另外，降噪处理过程中，小波分解层数为8层或9层时降噪处理效果最好。

结合图3，本发明所述的降噪处理方法进行处理时，输入信号X(k)包括有用信号 s(n)和噪声信号N₁(n)，且其为期望输出信号d(n)，小波变换对X(k)进行分解后的高 频细节信号N₂(n)作为LMS自适应滤波器的输入信号，因此N₂(n)与N₁(n)相关，但与 s(n)不相关。之后，运用变步长的LMS自适应滤波器调整自身参数，以使其输出信号 y(n)≈N₁(n)，则误差e(n)即称为对有用信号s(n)的最佳估计。因而，本发明所采用的 降噪处理方法利用小波变换多尺度分解为LMS自适应滤波器提供了较好的输入干扰信 号，且LMS自适应滤波器良好的自适应性和收敛过程中动态调整步长的优势有效地提 高了滤波效果和跟踪速度。

综上，对于弱磁检测信号等非平稳噪声，难以用维纳滤波或卡尔曼滤波实现最优 滤波，而自适应滤波能提供较好的滤波效果，但由于固定步长的LMS算法在收敛速率、 跟踪速率及稳态误差之间的要求是矛盾的，因而本发明所采用的降噪处理方法中，当 LMS自适应滤波器的输入干扰信号与期望输出信号中干扰信号相关，与有用信号不相 关时，其具有较好的滤波效果，采用小波变换与变步长LMS自适应滤波结合的方法实 现缺陷信号的降噪处理，信号的信噪比高，均方根误差小，且处理速度快。

本实施例中，步骤四中获取训练样本的同时，还需分别在N组所述缺陷状态检测 信息中随机抽取b个检测信号组成测试样本集；所述测试样本集中相应包括F个测试 样本，其中b≥2，F=b×N；F个所述测试样本分属于N个所述样本类；步骤七中对所 建立的多分类模型进行训练后，还需输入F个所述测试样本，对所建立多分类模型的 分类正确率进行测试。

本实施例中，b=150。实际进行训练样本集获取时，也可以根据具体需要，对b的 取值进行相应调整。

本实施例中，步骤四中获取训练样本的同时，按照本步骤中所述训练样本集的获 取方法，在N组所述水平向剩磁检测信息中，随机抽取b个检测信号组成一个测试样 本集（即测试样本集一）；与此同时，按照步骤四中所述训练样本集的获取方法，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b个检测信号组成另 一个测试样本集（即测试样本集二）。所述测试样本集一和所述测试样本集二的结构 相同，二者均包括F个训练样本，所述测试样本集一和所述测试样本集二中的l个所 述训练样本均分属于N个样本类。

相应地，步骤七中对所建立的多分类模型一和多分类模型二进行训练后，还需输 入所述测试样本集一中的F个所述测试样本，对所建立多分类模型一的分类正确率进 行测试；与此同时，还需输入所述测试样本集二中的F个所述测试样本，对所建立多 分类模型二的分类正确率进行测试。

实际使用过程中，由于被检测钢丝绳芯输送带内部钢丝绳较多，磁场覆盖范围宽， 需要多个同类型传感器同时检测输送带缺陷，因此必须采用多个传感器信息融合来获 取缺陷信息。

本实施例中，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。本实施例中，对多个所述 电磁检测单元所检测信号进行融合处理时，采用加权平均法，且具体是特征级加权融 合。

另外，由于步骤三中所提取的特征量较多，计算量大，因而需要从多个特征量中 提取出主要特征量，即对特征进行约简。也就是说，步骤三中进行特征提取后，还需 采用数据处理器2对所提取出的特征参数进行特征约简。粗糙集理论是一种很好的特 征约简方法，在特征约简领域具有广泛的应用，提取出缺陷信号的主要特征，减少缺 陷识别的特征量，以有效提高缺陷识别的速度。

实际进行特征约简时，可以采用以下常用的几种粗糙集属性约简方法：Pawlak属 性约简算法、区别矩阵属性约简算法、属性重要度约简算法、信息熵属性约简算法和邻域 粗糙集约简算法。对步骤三中所提取特征参数进行特征约简后，不仅大量降低数据维数， 而且提高了分类精度。

本实施例中，结合图4，所述水平向电磁检测单元1-1和所述竖直向电磁检测单元1-2 的数量均为多个且二者的数量相同。多个所述水平向电磁检测单元1-1布设在与被检测钢 丝绳芯输送带的中心线相垂直的一条直线上，且多个所述竖直向电磁检测单元1-2布设在 与被检测钢丝绳芯输送带的中心线相垂直的一条直线上。

步骤三中进行特征提取之后，所述数据处理器2调用多传感器数据融合处理模块， 对多个所述水平向电磁检测单元1-1在同一采样时刻所检测信号进行融合处理，随后再对 经融合处理后所获得的检测信号一进行特征提取；与此同时，所述数据处理器2调用 多传感器数据融合处理模块，对多个所述竖直向电磁检测单元1-2在同一采样时刻所检 测信号进行融合处理，随后再对经融合处理后所获得的检测信号二进行特征提取。

如图2所示的一种钢丝绳芯输送带缺陷智能识别系统，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A/D转换电 路6相接，所述A/D转换电路6与数据处理器2相接。

本实施例中，所述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1-1和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，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均布设在被检测钢丝绳芯输送带上。

实际使用时，所述电磁检测单元中的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。实际进行信号采集 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的采样频率相同。

本实施例中，所述数据处理器2与上位机7之间通过TCP/IP通信模块进行双向 通信。

同时，本发明所述的钢丝绳芯输送带缺陷智能识别系统，还包括与数据处理器2 相接且对被检测钢丝绳芯输送带的行程进行实时检测的行程编码器8。

本实施例中，被检测钢丝绳芯输送带为ST系列钢丝绳芯输送带9，实际使用时， 也可以对其它类型的钢丝绳芯输送带缺陷进行智能识别。

本实施例中，所述电磁检测单元的数量为多个。

实际布设时，多个所述电磁检测单元沿ST系列钢丝绳芯输送带9的宽度方向进 行均匀布设。相应地，所述水平向电磁检测单元1-1和所述竖直向电磁检测单元1-2的 数量相应均为多个且二者的数量相同，多个所述水平向电磁检测单元1-1布设在与被检测 钢丝绳芯输送带的中心线相垂直的一条直线上，且多个所述竖直向电磁检测单元1-2布设 在与被检测钢丝绳芯输送带的中心线相垂直的一条直线上，详见图4。

本实施例中，所述数据处理器2为ARM处理器。

另外，实际使用过程中，步骤二中所述的电磁检测单元也可以仅为对被检测钢丝 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，或者仅为对被 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。实际 使用时，根据水平向电磁检测单元1-1与竖直向电磁检测单元1-2所检测信号的缺陷识别 准确率，选择水平向电磁检测单元1-1或竖直向电磁检测单元1-2。

这样，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 信息或N组竖直向剩磁检测信息。步骤三中进行特征提取时，相应只需对N组所述水 平向剩磁检测信息或N组所述竖直向剩磁检测信息进行特征提取，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或训练样本集二。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或多分类模型二。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或多分类模型二分别进行训 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或竖直 向电磁检测单元1-2实时所检测信号进行同步分类。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技 术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术 方案的保护范围内。