论文部分内容阅读
钢丝绳由于具有抗拉强度高，承受动载和过载能力强，重量轻等优点被广泛应用在矿山、石油天然气开采、机械等领域。作为主要的承重构件，钢丝绳在工作过程中无法避免的会出现磨损，绳股扭结，锈蚀断丝等故障，因此需密切关注钢丝绳的工作状态，并进行实时监测。 本文介绍了钢丝绳的基础知识，并基于磁化强度曲线选择了合适的磁化强度。为了加深对缺陷漏磁场的了解，分别建立钢丝绳的理论模型和有限元仿真模型，在这两个模型基础上分析了钢丝绳径向和轴向漏磁场的分布形态，并研究了断丝断口参数对漏磁场分布的影响，为实现钢丝绳检测提供理论依据。 在实际检测中，钢丝绳的检测效果受到多重因素的影响。本文研究了钢丝绳损伤程度，断丝断口参数，加载力，检测速度，检测方向这五个因素与钢丝绳检测效果的关系。实验结果表明，随着钢丝绳损伤百分比，断丝断口参数，加载力，检测速度的增加，三种缺陷的信号奇异点处的峰峰值均呈增长趋势，而检测方向会改变信号的形状，对特征值的大小并无显著影响。检测因素的实验结果不仅为钢丝绳的检测提供了大量的数据支撑，同时为钢丝绳故障的定量测量提供部分参考。 本文通过对钢丝绳励磁装置，霍尔传感器分布，以及外壳设计等研究，设计了基于霍尔传感器阵列的钢丝绳检测仪器。通过使用响应曲面设计法与仿真结合的方式极大地优化励磁结构尺寸以达到仪器质量轻，便携带的要求;通过改变霍尔传感器的分布方式，使仪器实现了采集径向、轴向，周向三方向的漏磁信号。 由于采集的故障信号中包含有大量的噪声，分别采用传统滤波，小波分析和经验模态分解(EMD)三种方法进行对故障信号进行处理。在EMD分析中，将原始信号分解为若干个IMF分量，通过相关系数选择合适的低频分量对信号进行重构;小波分析将原始信号进行5层小波分解，采用阈值方法对信号进行重构。对比结果表明小波分析更适用于钢丝绳故障信号，可以较好地消除信号中的噪声，有效地将隐含在信号中的故障特征提取出来。 建立以径向基函数神经网络为故障模式识别的钢丝绳典型故障诊断系统。从小波分析处理后的信号中，选取角度影响、峰峰值、波宽、波峰和波谷的数量等特征值作为神经网络的输入，钢丝绳的3种故障形式作为输出，用MATLAB语言实现了该神经网络的算法。测试结果表明RBF神经网络学习训练速度快，网络结构稳定，诊断结果正确率较高，其中断丝故障的诊断正确率达到93％，磨损和锈蚀的正确率分别达到86％和81％，可以基本满足设计需求。