專(zhuān)利名稱(chēng)：鋼絲繩芯輸送帶缺陷智能識(shí)別方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明屬于鋼絲繩芯輸送帶缺陷智能識(shí)別技術(shù)領(lǐng)域，尤其是涉及一種鋼絲繩芯輸送帶缺陷智能識(shí)別方法及系統(tǒng)。
背景技術(shù)：
鋼絲繩芯帶式輸送機(jī)是目前大多數(shù)煤礦的主運(yùn)輸設(shè)備，通常情況下要承擔(dān)65%以上煤量的運(yùn)輸，在現(xiàn)代化煤礦生產(chǎn)中發(fā)揮著極其重要的作用。由于輸送帶的長(zhǎng)期、高負(fù)荷運(yùn)轉(zhuǎn)和一些意外因素，如從其他煤炭輸送系統(tǒng)轉(zhuǎn)載的矸石、煤塊和其他堅(jiān)硬物體的沖擊或卡阻，會(huì)造成輸送帶受損，受損后造成內(nèi)部產(chǎn)生鋼絲繩斷繩、斷絲、疲勞和接頭位移等缺陷，大大降低輸送帶的抗拉強(qiáng)度。經(jīng)分析，煤礦鋼絲繩芯輸送帶橫向斷帶的主要原因是輸送帶接 頭損傷和輸送帶受損后造成內(nèi)部鋼絲繩斷絲、斷繩和疲勞等造成輸送帶強(qiáng)度降低，進(jìn)而造成橫向斷帶。長(zhǎng)期以來(lái)，煤礦鋼絲繩芯輸送帶運(yùn)行過(guò)程缺乏有效檢測(cè)設(shè)備和方法，輸送帶經(jīng)常發(fā)生損傷、斷裂等事故，輕則造成輸送帶倒滑，煤炭堵塞巷道，輸送帶大架受損，重則造成斷帶，系統(tǒng)損毀和人員傷亡，給國(guó)家財(cái)產(chǎn)和人民生命造成巨大損失。鋼絲繩芯輸送帶是以鋼絲繩為骨架經(jīng)硫化等工藝生產(chǎn)的一種高強(qiáng)力輸送帶。目前國(guó)內(nèi)主要用ST系列鋼絲繩芯輸送帶，使用過(guò)程中鋼絲繩會(huì)出現(xiàn)斷繩、斷絲、疲勞等缺陷，同時(shí)輸送帶現(xiàn)場(chǎng)硫化工藝和水平不足也會(huì)引起硫化接頭隱患，若遇起停、塊煤等沖擊載荷，將直接引發(fā)輸送帶斷裂。分析煤礦鋼絲繩芯輸送帶斷帶事故的根本原因，就是缺乏有效、可靠的鋼絲繩芯輸送帶缺陷檢測(cè)手段和評(píng)價(jià)標(biāo)準(zhǔn)?，F(xiàn)如今，大多數(shù)煤礦的鋼絲繩芯輸送帶仍采用人工目測(cè)和定期更換管理的方法，存在安全隱患和嚴(yán)重的浪費(fèi)現(xiàn)象。并且實(shí)際應(yīng)用過(guò)程中，由于鋼絲繩芯輸送帶缺陷種類(lèi)較多，信號(hào)特征比較復(fù)雜，鋼絲繩芯輸送帶的缺陷信號(hào)模式識(shí)別屬于多分類(lèi)識(shí)別?，F(xiàn)有檢測(cè)系統(tǒng)在缺陷信號(hào)模式識(shí)別方面的研究嚴(yán)重不足，并且存在實(shí)時(shí)性差和可靠性低等問(wèn)題。隨著對(duì)輸送帶輸送系統(tǒng)安全可靠性關(guān)注度的不斷提升，煤礦鋼絲繩芯輸送帶斷帶檢測(cè)技術(shù)的研究也不斷深入，在線檢測(cè)系統(tǒng)將逐漸替代人工檢查，檢測(cè)儀器的數(shù)字化、智能化將成為發(fā)展趨勢(shì)，缺陷的智能識(shí)別將取代人的經(jīng)驗(yàn)，并逐漸完善基于知識(shí)的檢測(cè)和評(píng)價(jià)算法，檢測(cè)的可靠性、準(zhǔn)確性將不斷提高，從而全面提高煤礦鋼絲繩芯輸送帶運(yùn)行的安全性和經(jīng)濟(jì)性。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問(wèn)題在于針對(duì)上述現(xiàn)有技術(shù)中的不足，提供一種識(shí)別方法步驟簡(jiǎn)單、實(shí)現(xiàn)方便且識(shí)別速度快、識(shí)別精度高的鋼絲繩芯輸送帶缺陷智能識(shí)別方法。為解決上述技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方案是一種鋼絲繩芯輸送帶缺陷智能識(shí)別方法，其特征在于該方法包括以下步驟步驟一、電磁加載采用電磁加載裝置對(duì)被檢測(cè)鋼絲繩芯輸送帶進(jìn)行電磁加載；步驟二、缺陷信號(hào)采集采用電磁檢測(cè)單元對(duì)多種不同缺陷狀態(tài)時(shí)被檢測(cè)鋼絲繩芯輸送帶內(nèi)的剩磁分別進(jìn)行檢測(cè)，并將所檢測(cè)信號(hào)同步傳送至數(shù)據(jù)處理器，相應(yīng)獲得與N種不同缺陷狀態(tài)相對(duì)應(yīng)的N組缺陷狀態(tài)檢測(cè)信息，N組所述缺陷狀態(tài)檢測(cè)信息中均包括電磁檢測(cè)單元在不同采樣時(shí)段檢測(cè)到的多個(gè)檢測(cè)信號(hào)，其中N為正整數(shù)且N > 3 ；多個(gè)所述檢測(cè)信號(hào)均為所述電磁檢測(cè)單元在一個(gè)采樣時(shí)段內(nèi)所檢測(cè)到的一個(gè)采樣序列，且該采樣序列中包括電磁檢測(cè)單元在多個(gè)采樣時(shí)刻所檢測(cè)的多個(gè)采樣值；步驟三、特征提取待數(shù)據(jù)處理器接收到電磁檢測(cè)單元所傳送的檢測(cè)信號(hào)時(shí)，自各檢測(cè)信號(hào)中分別提取出能代表并區(qū)別該檢測(cè)信號(hào)的一組特征參數(shù)，且該組特征參數(shù)包括M個(gè)特征量，并對(duì)M個(gè)所述特征量進(jìn)行編號(hào)，M個(gè)所述特征量組成一個(gè)特征向量，其中MS 2 ；步驟四、訓(xùn)練樣本獲取分別在經(jīng)特征提取后的N組所述缺陷狀態(tài)檢測(cè)信息中，隨 機(jī)抽取m個(gè)檢測(cè)信號(hào)組成訓(xùn)練樣本集；所述訓(xùn)練樣本集中相應(yīng)包括I個(gè)訓(xùn)練樣本,其中m > 2, l=mXN ;I個(gè)所述訓(xùn)練樣本分屬于N個(gè)樣本類(lèi)，每一個(gè)樣本類(lèi)中均包括被檢測(cè)鋼絲繩芯輸送帶工作于同一個(gè)缺陷狀態(tài)時(shí)的m個(gè)訓(xùn)練樣本，N個(gè)樣本類(lèi)分別為與被檢測(cè)鋼絲繩芯輸送帶的N種不同缺陷狀態(tài)相對(duì)應(yīng)的樣本類(lèi)I、樣本類(lèi)2…樣本類(lèi)N #個(gè)樣本類(lèi)中的每一個(gè)訓(xùn)練樣本均記作Xqs，其中Q為樣本類(lèi)的類(lèi)別標(biāo)號(hào)且Q=l、2…N，s為各樣本類(lèi)中所包括m個(gè)訓(xùn)練樣本的樣本序號(hào)且s=l、2···m ；XQs為樣本類(lèi)k中第s個(gè)訓(xùn)練樣本的特征向量，Xqs e Rd，其中d為Xqs的向量維數(shù)且d=M ；步驟五、分類(lèi)優(yōu)先級(jí)別確定，其確定過(guò)程如下步驟501、樣本類(lèi)的類(lèi)中心計(jì)算采用數(shù)據(jù)處理器對(duì)N個(gè)所述樣本類(lèi)中任一個(gè)樣本類(lèi)q的類(lèi)中心進(jìn)行計(jì)算；且對(duì)樣本類(lèi)q的類(lèi)中心進(jìn)行計(jì)算時(shí),根據(jù)公式& (/,) = Χ，計(jì)算得出樣本
S:i
類(lèi)q中所有訓(xùn)練樣本的各特征量均值；式中為樣本類(lèi)q中第s個(gè)訓(xùn)練樣本的第P個(gè)特征量，If 為樣本類(lèi)q中所有訓(xùn)練樣本的第P個(gè)特征量均值；步驟502、類(lèi)間距離計(jì)算采用數(shù)據(jù)處理器且根據(jù)公式,
V P I
對(duì)步驟501中所述任一個(gè)樣本類(lèi)q與N個(gè)所述樣本類(lèi)中任一個(gè)樣本類(lèi)h之間的間距分別進(jìn)行計(jì)算，其中(/0為樣本類(lèi)q中所有訓(xùn)練樣本的第P個(gè)特征量均值，Xh 為樣本類(lèi)h中所有訓(xùn)練樣本的第P個(gè)特征量均值，且h=l、2-N ;步驟503、類(lèi)間距之和計(jì)算采用數(shù)據(jù)處理器且根據(jù)公式臓/W = >對(duì)步驟
H I
501中所述任一個(gè)樣本類(lèi)k的類(lèi)間距之和；步驟504、多次重復(fù)步驟501至步驟503，直至計(jì)算得出N個(gè)所述樣本類(lèi)中所有樣本類(lèi)的類(lèi)間距之和；步驟505、按照步驟504中計(jì)算得出的所有樣本類(lèi)的類(lèi)間距之和由大到小的順序，采用數(shù)據(jù)處理器確定出N個(gè)所述樣本類(lèi)的分類(lèi)優(yōu)先級(jí)別Y，其中Y=l、2…N ;其中，類(lèi)間距之和最大的樣本類(lèi)的分類(lèi)優(yōu)先級(jí)別最高且其分類(lèi)級(jí)別為1，類(lèi)間距之和最大的樣本類(lèi)的分類(lèi)優(yōu)先級(jí)別最低且其分類(lèi)級(jí)別為N ；步驟六、多分類(lèi)模型建立所建立的多分類(lèi)模型包括N-I個(gè)二分類(lèi)模型，且N-I個(gè)所述二分類(lèi)模型均為支持向量機(jī)模型；N-1個(gè)所述二分類(lèi)模型按照步驟405中所確定的分類(lèi)優(yōu)先級(jí)別，將N個(gè)所述樣本類(lèi)自所述訓(xùn)練樣本集中由先至后逐類(lèi)分出來(lái),N-I個(gè)所述二分類(lèi)模型的建立方法均相同且均采用數(shù)據(jù)處理器進(jìn)行建立；對(duì)于N-I個(gè)所述二分類(lèi)模型中的任一個(gè)二分類(lèi)模型z來(lái)說(shuō)，其建立過(guò)程如下步驟601、核函數(shù)選取選用徑向基函數(shù)作為二分類(lèi)模型z的核函數(shù)；步驟602、分類(lèi)函數(shù)確定待懲罰參數(shù)C與步驟601中所選用徑向基函數(shù)的核參數(shù)Y確定后，獲得二分類(lèi)模型z的分類(lèi)函數(shù)，完成二分類(lèi)模型z的建立過(guò)程；其中，O
<C 彡 1000,0 < y ^ 1000 ；所建立的二分類(lèi)模型z為待分類(lèi)優(yōu)先級(jí)別高于z的所有樣本類(lèi)自所述訓(xùn)練樣本集中分出來(lái)后，將分類(lèi)優(yōu)先級(jí)別為z的樣本類(lèi)自所述訓(xùn)練樣本集中剩余的N-z+1個(gè)樣本類(lèi)中 分出來(lái)的二分類(lèi)模型，其中z=l、2…N-I ；步驟603、二分類(lèi)模型分類(lèi)優(yōu)先級(jí)別設(shè)定根據(jù)步驟602中所述二分類(lèi)模型z自所述訓(xùn)練樣本集中剩余的N-z+1個(gè)樣本類(lèi)中分出來(lái)的樣本類(lèi)的分類(lèi)優(yōu)先級(jí)別z，對(duì)二分類(lèi)模型z的分類(lèi)優(yōu)先級(jí)別R進(jìn)行設(shè)定，且R=Z ；步驟604、多次重復(fù)步驟601至步驟603，直至獲得N_1個(gè)所述二分類(lèi)模型的分類(lèi)函數(shù)，便完成N-I個(gè)所述二分類(lèi)模型的建立過(guò)程，獲得建立完成的多分類(lèi)模型。所建立的多分類(lèi)模型為將所述訓(xùn)練樣本集中的多個(gè)樣本類(lèi)逐一分出來(lái)的多分類(lèi)模型；步驟七、多分類(lèi)模型訓(xùn)練將步驟四中所述訓(xùn)練樣本集中的I個(gè)訓(xùn)練樣本輸入到步驟六中所建立的多分類(lèi)模型進(jìn)行訓(xùn)練；步驟八、信號(hào)實(shí)時(shí)采集及同步分類(lèi)采用電磁檢測(cè)單元對(duì)被檢測(cè)鋼絲繩芯輸送帶內(nèi)的剩磁進(jìn)行實(shí)時(shí)檢測(cè)，并將所檢測(cè)信號(hào)同步輸入至數(shù)據(jù)處理器進(jìn)行特征提取后送至步驟六中所建立的多分類(lèi)模型中，便自動(dòng)輸出被檢測(cè)鋼絲繩芯輸送帶的缺陷類(lèi)別。上述鋼絲繩芯輸送帶缺陷智能識(shí)別方法，其特征是步驟二中所述電磁檢測(cè)單元的數(shù)量為多個(gè)，多個(gè)所述電磁檢測(cè)單元沿被檢測(cè)鋼絲繩芯輸送帶的寬度方向進(jìn)行均勻布設(shè)；且步驟三中進(jìn)行特征提取之后，所述數(shù)據(jù)處理器還需調(diào)用多傳感器數(shù)據(jù)融合處理模塊，對(duì)多個(gè)所述電磁檢測(cè)單元所檢測(cè)信號(hào)進(jìn)行融合處理。上述鋼絲繩芯輸送帶缺陷智能識(shí)別方法，其特征是步驟二中所述的電磁檢測(cè)單元包括對(duì)被檢測(cè)鋼絲繩芯輸送帶內(nèi)水平方向上的剩磁進(jìn)行實(shí)時(shí)檢測(cè)的水平向電磁檢測(cè)單元和/或?qū)Ρ粰z測(cè)鋼絲繩芯輸送帶內(nèi)豎直方向上的剩磁進(jìn)行實(shí)時(shí)檢測(cè)的豎直向電磁檢測(cè)單元；所述水平向電磁檢測(cè)單元和豎直向電磁檢測(cè)單元均布設(shè)在被檢測(cè)鋼絲繩芯輸送帶上；當(dāng)所述電磁檢測(cè)單元包括水平向電磁檢測(cè)單元和豎直向電磁檢測(cè)單元時(shí)，所述水平向電磁檢測(cè)單元和豎直向電磁檢測(cè)單元同步對(duì)被檢測(cè)鋼絲繩芯輸送帶內(nèi)同一位置處的剩磁進(jìn)行檢測(cè)，且所述水平向電磁檢測(cè)單元和豎直向電磁檢測(cè)單元的采樣頻率相同；步驟一中所獲得的N組所述缺陷狀態(tài)檢測(cè)信息相應(yīng)為N組水平向剩磁檢測(cè)信息和/或N組豎直向剩磁檢測(cè)信息；其中，N組所述水平向剩磁檢測(cè)信息均包括所述水平向電磁檢測(cè)單元在不同采樣時(shí)段檢測(cè)到的多個(gè)檢測(cè)信號(hào)，且N組所述豎直向剩磁檢測(cè)信息均包括所述豎直向電磁檢測(cè)單元在不同采樣時(shí)段檢測(cè)到的多個(gè)檢測(cè)信號(hào)；步驟三中進(jìn)行特征提取時(shí)，對(duì)N組所述水平向剩磁檢測(cè)信息和/或N組所述豎直向剩磁檢測(cè)信息分別進(jìn)行特征提取，相應(yīng)獲得經(jīng)特征提取后的N組所述水平向剩磁檢測(cè)信息和/或經(jīng)特征提取后的N組所述豎直向剩磁檢測(cè)信息；步驟四中獲取訓(xùn)練樣本集時(shí)，相應(yīng)獲得訓(xùn)練樣本集一和/或訓(xùn)練樣本集二 ；其中，所述訓(xùn)練樣本集一為分別在經(jīng)特征提取后的N組所述水平向剩磁檢測(cè)信息中，隨機(jī)抽取m個(gè)檢測(cè)信號(hào)組成的一個(gè)訓(xùn)練樣本集；所述訓(xùn)練樣本集二為分別在經(jīng)特征提取后的N組所述豎直向剩磁檢測(cè)信息中，隨機(jī)抽取m個(gè)檢測(cè)信號(hào)組成的一個(gè)訓(xùn)練樣本集；所述訓(xùn)練樣本集一和所述訓(xùn)練樣本集二的結(jié)構(gòu)相同，二者均包括I個(gè)訓(xùn)練樣本，所述訓(xùn)練樣本集一和所述訓(xùn)練樣本集二中的I個(gè)所述訓(xùn)練樣本均分屬于N個(gè)樣本類(lèi)；步驟五中進(jìn)行分類(lèi)優(yōu)先級(jí)別確定時(shí)，按照步驟501至步驟505中所述的分類(lèi)優(yōu)先級(jí)別確定方法，分別對(duì)所述訓(xùn)練樣本集一和/或所述訓(xùn)練樣本集二中多個(gè)樣本類(lèi)的分類(lèi)優(yōu)先級(jí)別分別進(jìn)行確定；步驟六進(jìn)行多分類(lèi)模型建立時(shí)，相應(yīng)獲得多分類(lèi)模型一和/或多分類(lèi)模型二 ；其中，所述多分類(lèi)模型一為將所述訓(xùn)練樣本集一中的多個(gè)樣本類(lèi)逐一分出來(lái)的多分類(lèi)模型， 所述多分類(lèi)模型二為將所述訓(xùn)練樣本集二中的多個(gè)樣本類(lèi)逐一分出來(lái)的多分類(lèi)模型；步驟七中進(jìn)行多分類(lèi)模型訓(xùn)練時(shí)，相應(yīng)對(duì)所述多分類(lèi)模型一和/或多分類(lèi)模型二分別進(jìn)行訓(xùn)練；其中，對(duì)所述多分類(lèi)模型一進(jìn)行訓(xùn)練時(shí)，將所述訓(xùn)練樣本集一中的I個(gè)訓(xùn)練樣本輸入到所述多分類(lèi)模型一進(jìn)行訓(xùn)練；對(duì)所述多分類(lèi)模型二進(jìn)行訓(xùn)練時(shí)，將所述訓(xùn)練樣本集二中的I個(gè)訓(xùn)練樣本輸入到所述多分類(lèi)模型二進(jìn)行訓(xùn)練；步驟八中進(jìn)行信號(hào)實(shí)時(shí)采集及同步分類(lèi)時(shí)，相應(yīng)對(duì)水平向電磁檢測(cè)單元和/或豎直向電磁檢測(cè)單元實(shí)時(shí)所檢測(cè)信號(hào)，分別進(jìn)行同步分類(lèi)；其中，對(duì)水平向電磁檢測(cè)單元實(shí)時(shí)所檢測(cè)信號(hào)分別進(jìn)行同步分類(lèi)時(shí)，所述水平向電磁檢測(cè)單元對(duì)被檢測(cè)鋼絲繩芯輸送帶內(nèi)水平方向上的剩磁進(jìn)行實(shí)時(shí)檢測(cè)，且對(duì)所檢測(cè)信號(hào)進(jìn)行特征提取后輸入至所建立的多分類(lèi)模型一中，之后自動(dòng)輸出被檢測(cè)鋼絲繩芯輸送帶的缺陷類(lèi)別；對(duì)豎直向電磁檢測(cè)單元實(shí)時(shí)所檢測(cè)信號(hào)分別進(jìn)行同步分類(lèi)時(shí)，所述豎直向電磁檢測(cè)單元對(duì)被檢測(cè)鋼絲繩芯輸送帶內(nèi)豎直方向上的剩磁進(jìn)行實(shí)時(shí)檢測(cè)，且對(duì)所檢測(cè)信號(hào)進(jìn)行特征提取后輸入至所建立的多分類(lèi)模型二中，之后自動(dòng)輸出被檢測(cè)鋼絲繩芯輸送帶的缺陷類(lèi)別。上述鋼絲繩芯輸送帶缺陷智能識(shí)別方法，其特征是步驟三中進(jìn)行特征提取之后，所述數(shù)據(jù)處理器還需對(duì)所述電磁檢測(cè)單元所檢測(cè)的所有檢測(cè)信號(hào)分別進(jìn)行降噪處理，且電磁檢測(cè)單元所檢測(cè)的所有檢測(cè)信號(hào)的降噪處理方法均相同；對(duì)于電磁檢測(cè)單元所檢測(cè)的任一個(gè)檢測(cè)信號(hào)X(k)來(lái)說(shuō)，檢測(cè)信號(hào)X(k)為一個(gè)采樣序列，其中k=l、2、3…n，n為采樣序列X(k)中的采樣點(diǎn)數(shù)量，該采樣序列X(k)為一維信號(hào)，且一維信號(hào)X(k)中包含η個(gè)采樣點(diǎn)的采樣值；對(duì)一維信號(hào)X(k)進(jìn)行降噪處理時(shí)，其降噪處理過(guò)程如下步驟201、高頻信號(hào)提取采用數(shù)據(jù)處理器對(duì)當(dāng)前所接收的一維信號(hào)X(k)進(jìn)行小波變換并提取高頻信號(hào)，且其提取過(guò)程如下步驟2011、小波分解調(diào)用小波變換模塊，對(duì)一維信號(hào)X(k)進(jìn)行小波分解，并獲得小波分解后的各層近似系數(shù)和各層細(xì)節(jié)系數(shù)；其中，所述細(xì)節(jié)系數(shù)記作dik，j=l，2··· J，且J為小波分解的層數(shù)，k=l、2、3…η且其表示一維信號(hào)X(k)中由前至后η個(gè)采樣點(diǎn)的序號(hào)；步驟2012、細(xì)節(jié)系數(shù)閾值處理
按照公式
權(quán)利要求
1.一種鋼絲繩芯輸送帶缺陷智能識(shí)別方法，其特征在于該方法包括以下步驟 步驟一、電磁加載采用電磁加載裝置對(duì)被檢測(cè)鋼絲繩芯輸送帶進(jìn)行電磁加載； 步驟ニ、缺陷信號(hào)采集采用電磁檢測(cè)単元對(duì)多種不同缺陷狀態(tài)時(shí)被檢測(cè)鋼絲繩芯輸送帶內(nèi)的剩磁分別進(jìn)行檢測(cè)，并將所檢測(cè)信號(hào)同步傳送至數(shù)據(jù)處理器(2)，相應(yīng)獲得與N種不同缺陷狀態(tài)相對(duì)應(yīng)的N組缺陷狀態(tài)檢測(cè)信息，N組所述缺陷狀態(tài)檢測(cè)信息中均包括電磁檢測(cè)單元在不同采樣時(shí)段檢測(cè)到的多個(gè)檢測(cè)信號(hào)，其中N為正整數(shù)且N > 3 ； 多個(gè)所述檢測(cè)信號(hào)均為所述電磁檢測(cè)單元在ー個(gè)采樣時(shí)段內(nèi)所檢測(cè)到的一個(gè)采樣序列，且該采樣序列中包括電磁檢測(cè)單元在多個(gè)采樣時(shí)刻所檢測(cè)的多個(gè)采樣值； 步驟三、特征提取待數(shù)據(jù)處理器(2)接收到電磁檢測(cè)単元所傳送的檢測(cè)信號(hào)吋，自各檢測(cè)信號(hào)中分別提取出能代表并區(qū)別該檢測(cè)信號(hào)的ー組特征參數(shù)，且該組特征參數(shù)包括M個(gè)特征量，并對(duì)M個(gè)所述特征量進(jìn)行編號(hào)，M個(gè)所述特征量組成ー個(gè)特征向量，其中M > 2 ; 步驟四、訓(xùn)練樣本獲取分別在經(jīng)特征提取后的N組所述缺陷狀態(tài)檢測(cè)信息中，隨機(jī)抽取m個(gè)檢測(cè)信號(hào)組成訓(xùn)練樣本集； 所述訓(xùn)練樣本集中相應(yīng)包括I個(gè)訓(xùn)練樣本，其中m > 2, l=mXN ;I個(gè)所述訓(xùn)練樣本分屬于N個(gè)樣本類(lèi)，每ー個(gè)樣本類(lèi)中均包括被檢測(cè)鋼絲繩芯輸送帶工作于同一個(gè)缺陷狀態(tài)時(shí)的m個(gè)訓(xùn)練樣本，N個(gè)樣本類(lèi)分別為與被檢測(cè)鋼絲繩芯輸送帶的N種不同缺陷狀態(tài)相對(duì)應(yīng)的樣本類(lèi)I、樣本類(lèi)2…樣本類(lèi)Nホ個(gè)樣本類(lèi)中的每ー個(gè)訓(xùn)練樣本均記作Xqs，其中Q為樣本類(lèi)的類(lèi)別標(biāo)號(hào)且Q=l、2*"N，s為各樣本類(lèi)中所包括m個(gè)訓(xùn)練樣本的樣本序號(hào)且s=l、2···!!! ;XQs為樣本類(lèi)k中第s個(gè)訓(xùn)練樣本的特征向量，Xqs e Rd，其中d為Xqs的向量維數(shù)且d=M ； 步驟五、分類(lèi)優(yōu)先級(jí)別確定，其確定過(guò)程如下 步驟501、樣本類(lèi)的類(lèi)中心計(jì)算采用數(shù)據(jù)處理器(2)對(duì)N個(gè)所述樣本類(lèi)中任一個(gè)樣本類(lèi)q的類(lèi)中心進(jìn)行計(jì)算； _m 且對(duì)樣本類(lèi)q的類(lèi)中心進(jìn)行計(jì)算時(shí)，根據(jù)公式O) ニ ΣΙ, " ，計(jì)算得出樣本類(lèi)q中所有訓(xùn)練樣本的各特征量均值；式中Q=HHlP=HHCbXqs(P)為樣本類(lèi)q中第s個(gè)訓(xùn)練樣本的第P個(gè)特征量，(P)為樣本類(lèi)q中所有訓(xùn)練樣本的第P個(gè)特征量均值； 步驟502、類(lèi)間距離計(jì)算采用數(shù)據(jù)處理器(2)且根據(jù)公式ん,=Jp(ろφトXlJp))2 ,對(duì)步驟501中所述任ー個(gè)樣本類(lèi)q與N個(gè)所述樣本類(lèi)中任ー個(gè)樣本類(lèi)h之間的間距分別進(jìn)行計(jì)算，其中為樣本類(lèi)q中所有訓(xùn)練樣本的第P個(gè)特征量均值，0>為樣本類(lèi)h中所有訓(xùn)練樣本的第P個(gè)特征量均值，且h=l、2··,; 步驟503、類(lèi)間距之和計(jì)算:采用數(shù)據(jù)處理器(2)且根據(jù)公式= ，對(duì)步驟 A I501中所述任ー個(gè)樣本類(lèi)k的類(lèi)間距之和； 步驟504、多次重復(fù)步驟501至步驟503，直至計(jì)算得出N個(gè)所述樣本類(lèi)中所有樣本類(lèi)的類(lèi)間距之和； 步驟505、按照步驟504中計(jì)算得出的所有樣本類(lèi)的類(lèi)間距之和由大到小的順序，采用數(shù)據(jù)處理器(2)確定出N個(gè)所述樣本類(lèi)的分類(lèi)優(yōu)先級(jí)別Y，其中Υ=1、2···Ν ;其中，類(lèi)間距之和最大的樣本類(lèi)的分類(lèi)優(yōu)先級(jí)別最高且其分類(lèi)級(jí)別為1，類(lèi)間距之和最大的樣本類(lèi)的分類(lèi)優(yōu)先級(jí)別最低且其分類(lèi)級(jí)別為N ； 步驟六、多分類(lèi)模型建立所建立的多分類(lèi)模型包括N-I個(gè)二分類(lèi)模型，且N-I個(gè)所述二分類(lèi)模型均為支持向量機(jī)模型；N-1個(gè)所述二分類(lèi)模型按照步驟405中所確定的分類(lèi)優(yōu)先級(jí)別，將N個(gè)所述樣本類(lèi)自所述訓(xùn)練樣本集中由先至后逐類(lèi)分出來(lái)，N-I個(gè)所述二分類(lèi)模型的建立方法均相同且均采用數(shù)據(jù)處理器(2)進(jìn)行建立； 對(duì)于N-I個(gè)所述二分類(lèi)模型中的任ー個(gè)二分類(lèi)模型z來(lái)說(shuō)，其建立過(guò)程如下 步驟601、核函數(shù)選取選用徑向基函數(shù)作為二分類(lèi)模型z的核函數(shù)； 步驟602、分類(lèi)函數(shù)確定待懲罰參數(shù)C與步驟601中所選用徑向基函數(shù)的核參數(shù)Y確定后，獲得二分類(lèi)模型z的分類(lèi)函數(shù)，完成二分類(lèi)模型z的建立過(guò)程；其中，O < C < 1000，O < Y ^ 1000 ； 所建立的二分類(lèi)模型z為待分類(lèi)優(yōu)先級(jí)別高于z的所有樣本類(lèi)自所述訓(xùn)練樣本集中分出來(lái)后，將分類(lèi)優(yōu)先級(jí)別為Z的樣本類(lèi)自所述訓(xùn)練樣本集中剰余的N-Z+1個(gè)樣本類(lèi)中分出來(lái)的二分類(lèi)模型，其中z=l、2…N-I ； 步驟603、二分類(lèi)模型分類(lèi)優(yōu)先級(jí)別設(shè)定根據(jù)步驟602中所述二分類(lèi)模型z自所述訓(xùn)練樣本集中剰余的N-z+1個(gè)樣本類(lèi)中分出來(lái)的樣本類(lèi)的分類(lèi)優(yōu)先級(jí)別z，對(duì)二分類(lèi)模型z的分類(lèi)優(yōu)先級(jí)別R進(jìn)行設(shè)定，且R=Z ; 步驟604、多次重復(fù)步驟601至步驟603，直至獲得N-I個(gè)所述二分類(lèi)模型的分類(lèi)函數(shù)，便完成N-I個(gè)所述二分類(lèi)模型的建立過(guò)程，獲得建立完成的多分類(lèi)模型；所建立的多分類(lèi)模型為將所述訓(xùn)練樣本集中的多個(gè)樣本類(lèi)逐一分出來(lái)的多分類(lèi)模型； 步驟七、多分類(lèi)模型訓(xùn)練將步驟四中所述訓(xùn)練樣本集中的I個(gè)訓(xùn)練樣本輸入到步驟六中所建立的多分類(lèi)模型進(jìn)行訓(xùn)練； 步驟八、信號(hào)實(shí)時(shí)采集及同步分類(lèi)采用電磁檢測(cè)單元對(duì)被檢測(cè)鋼絲繩芯輸送帶內(nèi)的剩磁進(jìn)行實(shí)時(shí)檢測(cè)，并將所檢測(cè)信號(hào)同步輸入至數(shù)據(jù)處理器(2)進(jìn)行特征提取后送至步驟六中所建立的多分類(lèi)模型中，便自動(dòng)輸出被檢測(cè)鋼絲繩芯輸送帶的缺陷類(lèi)別。
2.按照權(quán)利要求I所述的鋼絲繩芯輸送帶缺陷智能識(shí)別方法，其特征在于步驟ニ中所述電磁檢測(cè)單元的數(shù)量為多個(gè)，多個(gè)所述電磁檢測(cè)單元沿被檢測(cè)鋼絲繩芯輸送帶的寬度方向進(jìn)行均勻布設(shè)；且步驟三中進(jìn)行特征提取之后，所述數(shù)據(jù)處理器(2)還需調(diào)用多傳感器數(shù)據(jù)融合處理模塊，對(duì)多個(gè)所述電磁檢測(cè)單元所檢測(cè)信號(hào)進(jìn)行融合處理。
3.按照權(quán)利要求I或2所述的鋼絲繩芯輸送帶缺陷智能識(shí)別方法，其特征在于步驟ニ中所述的電磁檢測(cè)単元包括對(duì)被檢測(cè)鋼絲繩芯輸送帶內(nèi)水平方向上的剩磁進(jìn)行實(shí)時(shí)檢測(cè)的水平向電磁檢測(cè)單元(1-1)和/或?qū)Ρ粰z測(cè)鋼絲繩芯輸送帶內(nèi)豎直方向上的剩磁進(jìn)行實(shí)時(shí)檢測(cè)的豎直向電磁檢測(cè)單元(1-2);所述水平向電磁檢測(cè)單元(1-1)和豎直向電磁檢測(cè)単元(1-2)均布設(shè)在被檢測(cè)鋼絲繩芯輸送帶上；當(dāng)所述電磁檢測(cè)單元包括水平向電磁檢測(cè)単元(1-1)和豎直向電磁檢測(cè)單元(1-2 )時(shí)，所述水平向電磁檢測(cè)單元(1-1)和豎直向電磁檢測(cè)單元(1-2)同步對(duì)被檢測(cè)鋼絲繩芯輸送帶內(nèi)同一位置處的剩磁進(jìn)行檢測(cè)，且所述水平向電磁檢測(cè)單元(1-1)和豎直向電磁檢測(cè)單元(1-2)的采樣頻率相同； 步驟一中所獲得的N組所述缺陷狀態(tài)檢測(cè)信息相應(yīng)為N組水平向剩磁檢測(cè)信息和/或N組豎直向剩磁檢測(cè)信息；其中，N組所述水平向剩磁檢測(cè)信息均包括所述水平向電磁檢測(cè)単元(1-1)在不同采樣時(shí)段檢測(cè)到的多個(gè)檢測(cè)信號(hào)，且N組所述豎直向剩磁檢測(cè)信息均包括所述豎直向電磁檢測(cè)單元(1-2)在不同采樣時(shí)段檢測(cè)到的多個(gè)檢測(cè)信號(hào)； 步驟三中進(jìn)行特征提取時(shí)，對(duì)N組所述水平向剩磁檢測(cè)信息和/或N組所述豎直向剩磁檢測(cè)信息分別進(jìn)行特征提取，相應(yīng)獲得經(jīng)特征提取后的N組所述水平向剩磁檢測(cè)信息和/或經(jīng)特征提取后的N組所述豎直向剩磁檢測(cè)信息； 步驟四中獲取訓(xùn)練樣本集時(shí)，相應(yīng)獲得訓(xùn)練樣本集一和/或訓(xùn)練樣本集ニ ；其中，所述訓(xùn)練樣本集一為分別在經(jīng)特征提取后的N組所述水平向剩磁檢測(cè)信息中，隨機(jī)抽取m個(gè)檢測(cè)信號(hào)組成的一個(gè)訓(xùn)練樣本集；所述訓(xùn)練樣本集ニ為分別在經(jīng)特征提取后的N組所述豎直向剩磁檢測(cè)信息中，隨機(jī)抽取m個(gè)檢測(cè)信號(hào)組成的一個(gè)訓(xùn)練樣本集；所述訓(xùn)練樣本集一和所述訓(xùn)練樣本集ニ的結(jié)構(gòu)相同，二者均包括I個(gè)訓(xùn)練樣本，所述訓(xùn)練樣本集一和所述訓(xùn)練樣本集ニ中的I個(gè)所述訓(xùn)練樣本均分屬于N個(gè)樣本類(lèi)； 步驟五中進(jìn)行分類(lèi)優(yōu)先級(jí)別確定時(shí)，按照步驟501至步驟505中所述的分類(lèi)優(yōu)先級(jí)別確定方法，分別對(duì)所述訓(xùn)練樣本集一和/或所述訓(xùn)練樣本集ニ中多個(gè)樣本類(lèi)的分類(lèi)優(yōu)先級(jí)別分別進(jìn)行確定； 步驟六進(jìn)行多分類(lèi)模型建立時(shí)，相應(yīng)獲得多分類(lèi)模型一和/或多分類(lèi)模型ニ ；其中，所述多分類(lèi)模型一為將所述訓(xùn)練樣本集一中的多個(gè)樣本類(lèi)逐一分出來(lái)的多分類(lèi)模型，所述多分類(lèi)模型ニ為將所述訓(xùn)練樣本集ニ中的多個(gè)樣本類(lèi)逐一分出來(lái)的多分類(lèi)模型； 步驟七中進(jìn)行多分類(lèi)模型訓(xùn)練時(shí)，相應(yīng)對(duì)所述多分類(lèi)模型一和/或多分類(lèi)模型二分別進(jìn)行訓(xùn)練；其中，對(duì)所述多分類(lèi)模型ー進(jìn)行訓(xùn)練時(shí)，將所述訓(xùn)練樣本集一中的I個(gè)訓(xùn)練樣本輸入到所述多分類(lèi)模型ー進(jìn)行訓(xùn)練；對(duì)所述多分類(lèi)模型ニ進(jìn)行訓(xùn)練時(shí)，將所述訓(xùn)練樣本集ニ中的I個(gè)訓(xùn)練樣本輸入到所述多分類(lèi)模型ニ進(jìn)行訓(xùn)練； 步驟八中進(jìn)行信號(hào)實(shí)時(shí)采集及同步分類(lèi)時(shí)，相應(yīng)對(duì)水平向電磁檢測(cè)單元(1-1)和/或豎直向電磁檢測(cè)單元(1-2)實(shí)時(shí)所檢測(cè)信號(hào)，分別進(jìn)行同步分類(lèi)；其中，對(duì)水平向電磁檢測(cè)単元(1-1)實(shí)時(shí)所檢測(cè)信號(hào)分別進(jìn)行同步分類(lèi)時(shí)，所述水平向電磁檢測(cè)單元(1-1)對(duì)被檢測(cè)鋼絲繩芯輸送帶內(nèi)水平方向上的剩磁進(jìn)行實(shí)時(shí)檢測(cè)，且對(duì)所檢測(cè)信號(hào)進(jìn)行特征提取后輸入至所建立的多分類(lèi)模型一中，之后自動(dòng)輸出被檢測(cè)鋼絲繩芯輸送帶的缺陷類(lèi)別；對(duì)豎直向電磁檢測(cè)單元(1-2)實(shí)時(shí)所檢測(cè)信號(hào)分別進(jìn)行同步分類(lèi)時(shí)，所述豎直向電磁檢測(cè)單元(1-2)對(duì)被檢測(cè)鋼絲繩芯輸送帶內(nèi)豎直方向上的剩磁進(jìn)行實(shí)時(shí)檢測(cè)，且對(duì)所檢測(cè)信號(hào)進(jìn)行特征提取后輸入至所建立的多分類(lèi)模型ニ中，之后自動(dòng)輸出被檢測(cè)鋼絲繩芯輸送帶的缺陷類(lèi)別。
4.按照權(quán)利要求I或2所述的鋼絲繩芯輸送帶缺陷智能識(shí)別方法，其特征在于步驟三中進(jìn)行特征提取之后，所述數(shù)據(jù)處理器(2)還需對(duì)所述電磁檢測(cè)單元所檢測(cè)的所有檢測(cè)信號(hào)分別進(jìn)行降噪處理，且電磁檢測(cè)単元所檢測(cè)的所有檢測(cè)信號(hào)的降噪處理方法均相同；對(duì)于電磁檢測(cè)単元所檢測(cè)的任一個(gè)檢測(cè)信號(hào)X(k)來(lái)說(shuō)，檢測(cè)信號(hào)X(k)為ー個(gè)采樣序列，其中k=l、2、3…n，n為采樣序列X(k)中的采樣點(diǎn)數(shù)量，該采樣序列X(k)為ー維信號(hào)，且ー維信號(hào)X(k)中包含η個(gè)采樣點(diǎn)的采樣值；對(duì)ー維信號(hào)X(k)進(jìn)行降噪處理時(shí)，其降噪處理過(guò)程如下 步驟201、高頻信號(hào)提取采用數(shù)據(jù)處理器(2)對(duì)當(dāng)前所接收的ー維信號(hào)X(k)進(jìn)行小波變換并提取高頻信號(hào)，且其提取過(guò)程如下步驟2011、小波分解調(diào)用小波變換模塊，對(duì)ー維信號(hào)X(k)進(jìn)行小波分解，并獲得小波分解后的各層近似系數(shù)和各層細(xì)節(jié)系數(shù)；其中，所述細(xì)節(jié)系數(shù)記作もk，j=l，2…J，且J為小波分解的層數(shù)，k=l、2、3…η且其表示ー維信號(hào)X(k)中由前至后η個(gè)采樣點(diǎn)的序號(hào)； 步驟2012、細(xì)節(jié)系數(shù)閾值處理按照公式
5.按照權(quán)利要求I或2所述的鋼絲繩芯輸送帶缺陷智能識(shí)別方法，其特征在于步驟三中進(jìn)行特征提取吋，所提出的特征參數(shù)包括檢測(cè)信號(hào)的12個(gè)時(shí)域特征，即Μ=12，且12個(gè)時(shí)域特征分別是峰峰值、均方根值、平均幅值、方差、方根幅值、峭度、波寬、波形指標(biāo)、峰值指標(biāo)、脈沖指標(biāo)、裕度指標(biāo)和峭度指標(biāo)；步驟三中進(jìn)行特征提取后，還需采用數(shù)據(jù)處理器(2)對(duì)所提取出的特征參數(shù)進(jìn)行特征約筒。
6.按照權(quán)利要求I或2所述的鋼絲繩芯輸送帶缺陷智能識(shí)別方法，其特征在于步驟.502中計(jì)算得出樣本類(lèi)q與N個(gè)所述樣本類(lèi)中任ー個(gè)樣本類(lèi)h之間的間距Clqh后，獲得樣本類(lèi)q的類(lèi)間距離數(shù)據(jù)；步驟504中多次重復(fù)步驟501至步驟503后，獲得N個(gè)所述樣本類(lèi)的類(lèi)間距離數(shù)據(jù)和類(lèi)間距之和；隨后，所述數(shù)據(jù)處理器(2)將N個(gè)所述樣本類(lèi)的類(lèi)間距離數(shù)據(jù)組成一個(gè)類(lèi)間距離對(duì)稱(chēng)矩陣Dnxn,且每ー個(gè)所述樣本類(lèi)的類(lèi)間距離數(shù)據(jù)位于類(lèi)間距離對(duì)稱(chēng)矩陣Dnxn同一行上的同行數(shù)據(jù)；N個(gè)所述樣本類(lèi)的類(lèi)間距之和分別為類(lèi)間距離對(duì)稱(chēng)矩陣Dnxn中的各行數(shù)據(jù)之和，且類(lèi)間距離對(duì)稱(chēng)矩陣Dnxn中的各行數(shù)據(jù)之和組成ー個(gè)數(shù)組(Sumd(I)，Sumd (2)... Sumd (N))。相應(yīng)地，步驟505中對(duì)N個(gè)所述樣本類(lèi)的分類(lèi)優(yōu)先級(jí)別Y進(jìn)行確定時(shí)，其確定過(guò)程如下 步驟5051、初始參數(shù)設(shè)定對(duì)分類(lèi)優(yōu)先級(jí)別Y和樣本總數(shù)n'的初始值分別進(jìn)行設(shè)定，其中分類(lèi)優(yōu)先級(jí)別Y=O，樣本總數(shù)]^ =N ； 步驟5052、比較數(shù)組(Sumd(l), Sumd(2) ··· Sumd(N))中當(dāng)前所有數(shù)據(jù)的大小，從中選出最大值Sumd(L)，其中L=l、2…N，并將樣本類(lèi)L的分類(lèi)優(yōu)先級(jí)別為Y+1，且此時(shí)Y=Y+1，n’ =N-I ;同吋，將類(lèi)間距離對(duì)稱(chēng)矩陣Dnxn中的第L行數(shù)據(jù)全部置0，將數(shù)組(Sumd(l)，Sumd (2)... Sumd (N))中的 Sumd (L)置 O ; 步驟5053、多次重復(fù)步驟5052，直至n’ =0為止。
7.按照權(quán)利要求I或2所述的鋼絲繩芯輸送帶缺陷智能識(shí)別方法，其特征在于步驟 六中N-I個(gè)所述二分類(lèi)模型均為模糊支持向量機(jī)模型，且步驟四中進(jìn)行訓(xùn)練樣本獲取吋，N個(gè)樣本類(lèi)中的每ー個(gè)訓(xùn)練樣本中均包括模糊隸屬度yQs，其中μ Qs為Xqs對(duì)其所屬樣本類(lèi)Q的模糊隸屬度。
8.按照權(quán)利要求I或2所述的鋼絲繩芯輸送帶缺陷智能識(shí)別方法，其特征在于步驟602中對(duì)懲罰參數(shù)C與核參數(shù)Y進(jìn)行確定時(shí)，通過(guò)數(shù)據(jù)處理器(2)且采用改進(jìn)的遺傳算法對(duì)所選取的懲罰參數(shù)C與核參數(shù)Y進(jìn)行優(yōu)化，其優(yōu)化過(guò)程如下 步驟6021、種群初始化將懲罰參數(shù)C的一個(gè)取值與核參數(shù)Y的ー個(gè)取值作為ー個(gè)個(gè)體，并將多個(gè)個(gè)體集合為ー個(gè)種群，同時(shí)所述種群中的所有個(gè)體均進(jìn)行ニ進(jìn)制編碼后形成初始化種群；其中，懲罰參數(shù)C的一個(gè)取值和核參數(shù)Y的ー個(gè)取值均為自區(qū)間(0，1000]中隨機(jī)抽取的一個(gè)數(shù)值； 步驟6022、初始化種群中各個(gè)體適應(yīng)度值計(jì)算初始化種群中所有個(gè)體的適應(yīng)度值計(jì)算方法均相同；初始化種群中多個(gè)所述個(gè)體，分別對(duì)應(yīng)多個(gè)不同的分類(lèi)模型z ; 對(duì)于所述初始化種群中的任ー個(gè)個(gè)體來(lái)說(shuō)，采用步驟五中所述訓(xùn)練樣本集中剰余的N-Z+1個(gè)樣本類(lèi)，對(duì)與該個(gè)體對(duì)應(yīng)的分類(lèi)模型z進(jìn)行訓(xùn)練，且以該分類(lèi)模型z的分類(lèi)準(zhǔn)確率作為該個(gè)體的適應(yīng)度值； 待所述初始化種群中所有個(gè)體的適應(yīng)度值均計(jì)算出來(lái)后，再相應(yīng)計(jì)算出所述初始化種群的種群平均適應(yīng)度值； 步驟6023、選擇操作根據(jù)步驟6022中計(jì)算得出的所述初始化種群中所有個(gè)體的適應(yīng)度值，選出所述初始化種群中適應(yīng)度值高的多個(gè)個(gè)體作為子代群體； 步驟6024、交叉操作與變異操作對(duì)選取的子代群體進(jìn)行交叉操作與變異操作，獲得新一代的子代群體； 步驟6025、子代群體中各個(gè)體適應(yīng)度值計(jì)算子代群體中所有個(gè)體的適應(yīng)度值計(jì)算方法均相同；子代群體中多個(gè)所述個(gè)體，分別對(duì)應(yīng)多個(gè)不同的分類(lèi)模型z ； 對(duì)于所述子代群體中的任ー個(gè)個(gè)體來(lái)說(shuō)，采用步驟五中所述訓(xùn)練樣本集中剰余的N-Z+1個(gè)樣本類(lèi)，對(duì)與該個(gè)體對(duì)應(yīng)的分類(lèi)模型z進(jìn)行訓(xùn)練，且以該分類(lèi)模型z的分類(lèi)準(zhǔn)確率作為該個(gè)體的適應(yīng)度值； 待所述子代群體中所有個(gè)體的適應(yīng)度值均計(jì)算出來(lái)后，再相應(yīng)計(jì)算出所述子代群體的種群平均適應(yīng)度值； 步驟6026、選擇操作根據(jù)步驟6025中計(jì)算得出的所述子代群體中所有個(gè)體的適應(yīng)度值，選出所述子代群體中適應(yīng)度值高的多個(gè)個(gè)體作為子代群體； 步驟6027、判斷是否滿足終止條件當(dāng)進(jìn)化代數(shù)超過(guò)預(yù)先設(shè)定的最大進(jìn)化代數(shù)itmax或者子代群體中個(gè)體的最大適應(yīng)度值大于或等于預(yù)先設(shè)定的適應(yīng)度設(shè)定值時(shí)，遺傳算法終止并輸出當(dāng)前所獲得所述子代群體中適應(yīng)度值最高的個(gè)體；否則，返回步驟6024。
9.按照權(quán)利要求8所述的鋼絲繩芯輸送帶缺陷智能識(shí)別方法，其特征在于步驟6024中進(jìn)行交叉操作與變異操作吋，按照交叉概率P。進(jìn)行交叉操作，且按照變異概率Pm進(jìn)行變異操作；其中，
10.一種實(shí)現(xiàn)如權(quán)利要求I所述智能識(shí)別方法的智能識(shí)別系統(tǒng)，其特征在于包括對(duì)被檢測(cè)進(jìn)行電磁加載的電磁加載裝置、電磁加載后對(duì)被檢測(cè)鋼絲繩芯輸送帶內(nèi)的剩磁進(jìn)行實(shí)時(shí)檢測(cè)的多個(gè)電磁檢測(cè)單元、對(duì)多個(gè)所述電磁檢測(cè)單元所檢測(cè)信號(hào)進(jìn)行分析處理并自動(dòng)輸出被檢測(cè)鋼絲繩芯輸送帶缺陷類(lèi)別的數(shù)據(jù)處理器(2)和與數(shù)據(jù)處理器(2)進(jìn)行雙向通信的上位機(jī)(7)，多個(gè)所述電磁檢測(cè)單元均與信號(hào)調(diào)理電路(5)相接，所述信號(hào)調(diào)理電路(5)與Α/D轉(zhuǎn)換電路(6)相接，所述Α/D轉(zhuǎn)換電路(6)與數(shù)據(jù)處理器(2)相接。
全文摘要
本發(fā)明公開(kāi)了一種鋼絲繩芯輸送帶缺陷智能識(shí)別方法及系統(tǒng)，其識(shí)別方法包括步驟一、電磁加載；二、缺陷信號(hào)采集；三、特征提??；四、訓(xùn)練樣本獲??；五、分類(lèi)優(yōu)先級(jí)別確定；六、多分類(lèi)模型建立；七、多分類(lèi)模型訓(xùn)練；八、信號(hào)實(shí)時(shí)采集及同步分類(lèi)采用電磁檢測(cè)單元實(shí)時(shí)檢測(cè)，并將所檢測(cè)信號(hào)同步輸入至數(shù)據(jù)處理器進(jìn)行特征提取后送至所建立的多分類(lèi)模型中，便自動(dòng)輸出被檢測(cè)輸送帶的缺陷類(lèi)別；其識(shí)別系統(tǒng)包括電磁加載裝置、多個(gè)電磁檢測(cè)單元、自動(dòng)輸出被檢測(cè)輸送帶缺陷類(lèi)別的數(shù)據(jù)處理器和與數(shù)據(jù)處理器雙向通信的上位機(jī)。本發(fā)明設(shè)計(jì)合理、操作簡(jiǎn)便、實(shí)現(xiàn)方便且使用效果好、實(shí)用價(jià)值高，提高了輸送帶缺陷檢測(cè)的可靠性和缺陷識(shí)別效率。
文檔編號(hào)G01N27/82GK102841131SQ201210352699
公開(kāi)日2012年12月26日 申請(qǐng)日期2012年9月20日 優(yōu)先權(quán)日2012年9月20日
發(fā)明者馬宏偉, 張旭輝, 毛清華, 陳海瑜, 曹現(xiàn)剛, 張大偉, 姜俊英 申請(qǐng)人:西安科技大學(xué)