基于磁性和红外信息钢丝绳断丝定量无损检测

摘要

钢丝绳的寿命在工业制造、矿山等方面都是至关重要的。损伤可以通过使用适当的无损检测技术或通过切割零件进行破坏性检测来检测。针对断丝分类问题，本工作旨在提高识别精度。针对钢丝绳外部缺陷，提出了一种基于磁红外信息融合的断丝识别方法。提出了一种对磁信号去噪的方法，消除了基线信号和波链。采用图像分割方法对红外图像缺陷进行分割。首先从磁性图像和红外图像中提取特征向量，然后利用核极限学习机网络实现断丝识别。实验结果表明，去噪方法和图像分割是有效的，信息融合可以提高分类精度，为估计钢丝绳的剩余寿命提供有用的信息。

1.介绍

钢丝绳在起重机、石油钻机、电梯、矿井提升机等领域起着重要的作用。钢丝绳的安全与人们的生活、资源的损失以及行业的正常运行密切相关。由于钢丝绳结构复杂，应用环境多样，在役钢丝绳的健康状况难以评估[1，2］．因此，有必要通过采用适当的方法，有效地且准确地执行钢丝绳的定量无损检测（NDT）。

目前，钢丝绳的NDT方法包括电磁[3.，4), x射线(5,声6- - - - - -9]，以及光学[10]方法[1］．x光机有放射性污染;声波法通过敲击来检测钢丝绳，简单而片面;CCD相机光学检测方法可以通过成像直接显示真实缺陷，但易受油污影响;电磁无损检测因其灵敏度高、速度快、成本低而得到广泛应用[11- - - - - -14］．但是，没有一个无损检测技术可以识别各种缺陷。红外无损检测中不包含危险的辐射，并具有非接触特性;因此，它已经广泛应用于解决许多领域的实际问题[15］．此外，最受欢迎的应用领域包括建筑业[16，17]，航空航天[18，化学工业[19)、食品(20.]、文化遗产[21，等等。穆尼奥斯等人[22，23]根据热力学原理提供的热扩散方程，通过红外热成像测量确定热源耗散，并结合声发射和红外热成像确定碳纤维增强复合材料的损伤演化。

钢丝绳漏磁检测主要包括漏磁检测的正演计算模型、漏磁信号的预处理和缺陷的反演[24］．例如，Yan等人[25]采用三维有限元方法(FEM)分析漏磁信号。该方法为检测信号分析和硬件设计提供了理论指导。基于磁偶极子模型，Yang [2建立了钢丝绳单丝断裂、表面断丝、内部断丝的漏磁场分析模型，为钢丝绳的定量分析提供了理论依据。赵及张[11，12]对钢丝绳中典型断丝缺陷的漏磁分布进行有限元分析，得到漏磁率与检测距离、损伤尺寸、断丝内部的关系。在[13，14]，磁偶极子模型的建立是为了设计原型，这对于缺陷的定量提供了理论基础。通过钢丝绳的不同下断丝的FEM模型和有限元数值模拟，DU等。[26研究了不同断丝方式对钢丝绳安全系数的影响。

因为实际MFL检测信号是由许多噪声源污染，有必要进行预处理的信号，以重建缺陷。张等人。[27，28[]利用基于压缩感知的小波对链波去噪，但恢复了大量的噪声;然后结合Hilbert-Huang变换(HHT)和压缩感知小波滤波(CSWF)对各种背景噪声进行降噪。郑和张[29利用小波软阈值抑制噪声;但去噪效果较差。然后郑和张[30.]实现了变分模态分解(VMD)和小波变换对原始漏磁信号去噪，可以有效地去噪。洪等人[31]提出了一种基于新阈值函数的自适应小波阈值去噪方法，对钢丝绳漏磁信号取得了良好的去噪效果。为了实现缺陷的可视化，赵[13]采用自适应陷波滤波算法来抑制波噪声。

为了实现缺陷的可视化和量化，实现断线的定量检测，研究人员需要实现缺陷反演。为了进行缺陷反演，许多学者使用了各种方法。采用小波超分辨率重构技术，提高了缺陷灰度的分辨率[32]张先生和谭先生[33]提出了一种基于Tikhonov正则多帧的超分辨率（SR）重建方法，在降低轴向分辨率和提高周向分辨率的同时，有效地保留了缺陷的图像特征[28，32]，研究人员采用反向传播(BP)神经网络实现缺陷分类。但BP容易陷入局部极小值，导致网络拟合不足、泛化能力不足等问题。Wan等人[34研究了小波包最小二乘支持向量机(LS-SVM)诊断电梯故障的理论，并通过实验进行了验证。Zheng, Zhang和Qin等[29，35]采用具有径向基函数分类的支持向量机(SVM)进行故障模式识别，而这种方法并不是很有效。

研究人员(15，36[通过热敏调查了钢绳的故障和铁磁性标本的缺陷。在[15，由于测量需要非常灵敏的热视觉技术，该方法可以在特定条件下检测绳索的紧度。在[34]，研究人员开发了一种新的主动热像技术，可以检测铁磁钢试样中的缺陷。红外与其他信息的融合是一种有效而广泛的融合方法。Kee和Oh等人[16结合空气耦合冲击回波和红外热像仪。它可以提高单个测试数据的有效性。探地雷达与红外热像仪数据融合提高了缺陷检测精度[37］．研究人员(38将有限元分析与红外热像实验数据相结合，为定量评估热缺陷的大小和位置提供了准确的手段。在此基础上，验证了数据融合的有效性。本文利用基于红外热像和磁融合的数据来检测断线数量。

钢丝绳电磁无损检测受硬件设计和磁信号处理的影响较大。在[13，14]，传感器的位置和数量会影响采集信号的质量。数量不足会导致漏磁信号严重丢失，而传感器密集放置会导致信号干扰严重，导致降噪困难。同时，小的断丝缺陷信息可能被噪声淹没。而热红外是一种可视化方法，可以直观地掌握钢丝绳表面损伤状态，比磁数据更接近实际损伤模式。同时，它没有磁检测方法的缺点，可以弥补磁信息中微小缺陷的损失。因此，两种方法的结合为损伤提供了更多的信息，可以避免缺陷信息的丢失。

为了提高断线的分类精度并提供评估钢丝绳的使用寿命的参考，首次提出红外信息和磁信息的组合来执行钢丝绳的定量识别。为了处理磁信号，提出了一种基于小波总变化（WATV）的算法，以去除来自原始MFL信号的噪声。通过所提出的算法可以抑制来自高频磁泄漏，基线漂移和股线波的噪声。为了将缺陷与红外图像分离，呈现了基于距离的图像处理方法。提取统计纹理，不变时刻特征和颜色时刻之后，提出了一种基于策略融合的内核极端学习机（KELM）的融合方法，以组合磁和红外信息。实验结果表明，基于磁性和红外线的信息融合可以提高断线的识别率。

接下来将依次介绍数据获取平台、磁数据处理、红外信息提取步骤、信息融合后的断线识别。本文的主要创新如下:(1)提出的基于WATV的去噪算法可以消除信道不平衡、钢丝绳结构等产生的噪声;(2)提出了一种基于距离的红外图像分割算法;(3)首先采用磁红外联合信息融合进行分类。

2.相关的知识

2．1．WATV去噪

WATV去噪方法通过对单个目标函数的最小化来同时估计所有小波系数，从而抑制伪吉布斯振荡和杂波噪声峰值。该方法被表述为一个包含小波稀疏性和电视正则化的优化问题[39］．通过求解公式(1）.如果满足公式(2)，F（w)是严格凸的。

表示小波变换;在 ， 和分别为尺度和时间指标。和为正则化参数。惩罚项是信号估计的总变化 ；这个函数非凸稀疏诱导罚函数是否为

基于变量分裂和乘数交替方向法(ADMM)，1)可以表示为约束问题:

增广拉格朗日公式为: 在哪里 ．如在[39，40.]一种迭代算法，包括三个措施来解决（1)获得： 在哪里 在哪里 ， 为全变差去噪。

我们初始化 和 ．详细的解决方案(7)和(8)在[39］．方程(1）可由下式计算（7), (8), (9）.

2.2。双边纹理过滤

双边纹理滤波(BFT)在保留结构的同时有效地去除纹理。通过patch移位来计算制导图像是在标准双边滤波基础上唯一的额外步骤。补丁转移是如何工作的详细说明在[41.］．BTF可以表示为: 在哪里和是面片中的最大和最小图像强度最不可能包含突出的结构边缘;中心是每个像素的平均强度吗 ； 为图像的平均强度;表示通过复制获得的纹理信号在它是最小的在…附近（平均强度在吗 ）; 控制从边缘到光滑/纹理区域的重量过渡的锐度;是修改的指导图像。

２．３．核极限学习机

KELM是将Mercer条件应用到ELM (extreme learning machine)中得到的[42.］．它具有很好的泛化性和稳定性。KELM是一种单层前馈神经网络。隐含层输出矩阵与隐藏的神经元是： 在哪里为隐含层的激活函数， 和 分别是随机生成的输入层和隐藏层之间的输入权重和偏差。 表示带有标签的一组样本 ．所提出的基于约束优化的单输出节点ELM的分类问题可以表示为[42.，43.]： 在哪里 是隐藏层和输出层的输出重量， 是训练数据的预测误差矩阵，并且是一个惩罚因素。ELM分类器的输出功能是：

则KELM的输出为 在哪里 ， ，和是核函数。

3.实验

在这一部分，通过处理和熔合磁信号和红外图像，用于6种断丝的分类被实现。在该实验中，断丝的数量是一个，两个，三个，四个，五个，和七个。许多电线卷绕成线料，然后将其卷绕成钢丝绳。钢丝绳的损伤是有关钢丝绳的几何形状和卷绕模式[1，2，13].如图所示1，其结构为钢丝绳 直径为28毫米。钢丝绳的长度为6.5米。所使用的样本为185个，其中训练样本为139个，测试样本为46个。断丝数从1根到5根、7根，其中每组样品断丝数分别为30、30、32、34、35、34。样品宽度为2mm、5mm、1.5 cm。缺陷深度为1mm。缺陷的类型如图所示2．

为实现断丝识别，加工步骤如图所示3.．

３．１．数据收集

当存在于钢丝绳和钢丝绳的材料无缺陷的均匀的和相同的，通过所述钢丝绳的横截面的磁通量应该是在轴向方向上相等。如果有一个缺陷，在缺陷的渗透性变小，磁场仅通过空气字段，然后返回到钢丝绳的内部;因此，上表面漏磁被形成[12- - - - - -14］．根据这一原理，设计了一种漏磁检测装置。数据采集包括磁信号采集和热红外图像采集。具体装置和采集程序如下:所采用的磁数据采集装置包括不饱和磁激励(UME)源、18个巨磁电阻(GMR)传感器阵列、数据采集单元、数据存储和控制系统[[33］．

如图所示4，数据采集步骤如下:在钢丝绳上加载不饱和磁场后，通过等空间采样得到微弱漏磁信号。当采集系统沿钢丝绳轴向运动时，光电编码器产生脉冲。然后，控制系统根据脉冲信号从18个通道采集缺陷信息。最终的磁性数据存储在SD卡中。

由于缺陷部位的红外辐射率与非缺陷部位的红外辐射率不同，可以对钢丝绳的损伤进行检测。红外信息采集系统，如图所示5（a），包括加热单元和数据收集。该加热单元由金属管和紧导线。The metal tube is 40 mm in diameter and 20 cm in length. Wire is adopted to heat the metal tube. Infrared thermography is adopted to capture the images of defect information. The angle of camera should be adjusted according to the location of the defects to maintain the distance between the defect and the camera lens constant. The camera we adopted is thermal imager FLUKE TIX 660. The thermal resolution of the infrared camera is -20°C-1200°C. The distance between wire rope and camera is 厘米。具体过程如下:在电线通电后，通过加热金属管使钢丝绳温度升高。当故障温度维持在 (°C)时，由红外摄像机拍摄缺陷图像。通过如图所示的设备获取单个图像5（a）．在三脚架上安装热红外摄像机后，对缺陷部分进行加热，通过平移三脚架获得钢丝绳表面缺陷图像。图像的焦点是通过对缺陷进行定心，并固定缺陷与相机之间的距离而形成的。采集到的原始红外图像如图所示5（b）．(缺陷用盒子标出。)

3.2.数据处理

数据分析包括对磁数据和红外图像的处理，包括信号处理和图像处理。信号滤波、噪声滤波和损伤可视化是磁信息分析的主要步骤。采用纹理滤波和缺陷分割的方法对红外图像进行管理。

3.2.1之上。磁数据处理

使用图中提到的系统4时，可获取UME原始信号。如图所示6．滤除由信道不平衡引起的非相干基线、系统噪声、钢丝绳结构产生的股波噪声等原始UME信号，获得纯缺陷信息。

采用基于WATV的算法对噪声进行抑制。各通道的数据需要进行如下处理:(1）注意 是每个信道的数据。选择并应用WATV它：（一世）初始化 通过小波变换， ，和 (ii)算计 ．更新根据公式(7), (8), (9)，直到达到迭代次数(将迭代次数设置为10以消除基线漂移)。(3)保留包含缺陷信息的小波尺度，其他小波尺度设为零(iv)然后信号通过小波逆变换重构: (2）得到去噪后的信号重复步骤1三次后，确保降噪效果且不过度降噪。让为输入信号，并重复I和ii。对不同尺度的小波系数使用小波软阈值:（一世）选择5db小波将其分解为8层(ii)不同尺度的系数应采用软阈值进行量化(3)重构小波系数（3）取460的小股波浪。判断整个信号中与所选波相似的信号段，将相似频带设为零(同长信号与所选股波的幅值差小于5，则设为零)。（４）删除不包含缺陷信息的通道（5）将处理后的信号叠加得到降噪数据

通过上述算法进行处理的单个信道的数据在图中示出7．通过采用上述算法，去除了基线、系统噪声和串波，使缺陷信息更加清晰。数字8显示过滤后的三维数据图形。

为了实现缺陷的可视化，采用灰度归一化、周向插值、缺陷定位和分割等方法对缺陷图像进行显示。

为了消除不均匀激励对钢丝绳的影响，将所有数据转换为统一的标准，需要进行归一化处理。规范化是数据可视化的基础;因此,方程(18)用于拉伸0-255之间的缺陷。

和 是归一化的数据和原始数据，分别;传感器通道的数量和为信号长度。规范化后的数据如图所示9．

由于周向数据由18个传感器通道获取，周向分辨率远低于轴向分辨率。圆周像素数为18;然而，轴向的像素数超过了一万。采用三样条插值来提高周向分辨率，使像素数从18增加到300。此外，该方法还有助于实现缺陷图像的可视化。数据插值后的原理图如图所示10．然后将双数据转换到8单元，得到漏磁灰度图像。数字11显示了钢丝绳泄漏磁场的灰度图像。

灵感来自[30.，利用最大模量法对缺陷进行定位和分割。将缺陷分为图像的分辨率与 ．

3.2.2.红外图像处理

使用该设备可以获得如图所示的红外图像5．为了实现缺陷分割，下列规则用于将彩色图像转换为灰度图像： 在哪里是灰色的画面； ， ，和分别表示彩色图像的红层、绿层和蓝层。式中的参数(19)根据缺陷信息量的大小选择合适的方法。红外图像的变换照片 如图所示12．

利用BTF实现纹理过滤，去除钢丝绳上的细颗粒，具体算法如下：(1）计算 ，的平均图像 ，通过应用 框内核代表一个补丁(2）为每个像素 ，计算由方程(10)和(11）和总范围在制剂（10）.（3）获取制导图像通过对每个像素的patch移位。找到 用最小的 ，然后复制到（４）计算利用方程(12)为每个像素（5）获得 (6）获取图像过滤使用作为指导

BTF可以过滤掉包含钢丝绳的在红外图像中的纹理。将过滤的红外图像显示在图13．

纹理滤波后的图像也存在股波，给特征提取带来麻烦。根据钢丝绳的结构确定股波之间的距离，缺陷位于股波之间。为此，提出了一种基于距离的损伤分割算法。算法描述如下:(1）图像二值化后 ，在图像中定位像素值为1的行和列的最大值和最小值。然后图像 ，如图13,得到: （和是线的最大值和最小值；和为列的最大值和最小值)。(2）对于每行图像 ，找到和 ： （3）计算像素值为1的块的距离（４）对于图像的每一行 ，若距离在10 - 70之间，挡块大于12(可避免油污影响)，保持线路或将线路设为零。(钢丝绳中两股的距离是一致的，图中显示的股波也是一致的。同时，为了减少油污对分割缺陷的影响，我们选择了10 - 70之间的距离，大于12的块。)（5）通过从图像中找出缺陷的位置来提取红外图像中的缺陷即满足（4）.

该缺陷，如图所示14，可以使用上述方法成功地从原始图像中提取。图中的方框标记了缺陷(14日),图14 (b)是缺陷的放大。

通过提出的算法，UME信号实现了去噪和可视化，并提取了红外缺陷15显示了磁和红外的缺陷。

3.3。数据融合

在本节中，采用基于KELM的决策级别融合来实现数据融合。在图像预处理之后，提取适当的特征。所有功能都混合在一起并均匀标准化;然后，通过Kelm神经网络进行信息获取，融合和决策。数据融合的程序如图所示16．

3.3.1。特征提取

UME和红外缺陷图像的维数较高，降低了缺陷分类的速度。特性之间的冗余对网络来说也是灾难性的。因此，有必要使用适当的特征来实现识别。谭和张[33]证明了平均对比度、三阶矩、一致性和熵比其他纹理特征更敏感，奇阶不变矩比其他纹理特征更敏感。因此，在本实验中，我们从磁性图像中选取了一部分统计纹理特征和奇阶不变矩，从红外图像中选取了颜色矩和面积。

纹理特征包括平滑、粗糙和规则性，是描述图像的重要方法，包括平均亮度、标准差、三阶矩、度量(平滑度)、一致性和熵。直方图是描述图像纹理的核心，令表示灰度级和的随机变量 是直方图吗n-的中值矩为:

为平均亮度:

标准差为:

它反映了图像中的平均变化[33］．

标准化度量定义为： 这是相对平滑度的描述符。第三个时刻是直方图偏振的度量，其被定义为： 它反映了直方图的对称性，它的正负值反映了它们是向左倾斜还是向右倾斜。

一致性定义为:

具有相同灰度的所有图像的最大值。平均熵为： 它是可变性的衡量标准，并反映了灰度级值中的随机性程度。它的值是一个变量，如果图像是常量，则值为零。

不变矩组是基于图像灰度分布的统计分析。它们对于平移、缩放和旋转都是恒定的，可以描述缺陷的特征。给定一个图像 ，哪个尺寸 ，奇数阶不变矩分别是： 在哪里是中心时刻：

和为图像的重心: ，和 ； 是 阶矩，定义为:

红外图像的面积定义为基于距离的算法所捕获图像的大小:

为图像长度，为图像宽度。

颜色矩是彩色图像的重要特征，其颜色空间不量化，且特征向量维数较低[29］．每个颜色分量的三个颜色矩定义为：

是 -第四像素，为像素的个数。我们提取了R、G、B三个通道的颜色矩作为红外特征的一部分。

在仅通过磁性功能完成分类时，采用了一部分统计纹理特征和奇数顺序不变矩。如果组合磁性和红外信息以分类破碎的电线，我们将红外图像的颜色矩和区域添加为特征。

3.3.2.基于KELM的融合

红外数据比磁数据更接近实际损伤模式，并提供更多的颜色信息;然而，不同尺寸的相同断丝可能导致精度低。同样断线的磁数据具有相似的视觉图像。因此，两种方法的结合可以为损伤提供更多的信息，提高分类精度。

决策级融合是融合的最高级别，直接针对特定的决策目标，充分利用每幅图像的初始决策[44.］．神经网络方法用于融合信息。在从不同传感器预处理数据并进行初步判断后，应处理不同信息的决定;然后，通过决策水平融合获得最终结果[44.］．

将磁特征和红外特征放在一个矩阵中;然后将特征归一化到1 ~ -1的范围内，这样可以提高网络的收敛速度，为数据融合做准备。样品的标签是对目标物的初步判断。带有标签的样品是KELM的输入。隐层输出可通过公式(14)，其结果是一个核矩阵。KELM的输出可通过公式(16）.权值由核函数得到。通过神经网络的特征映射、数据学习和权重确定实现数据的初步决策。然后，通过比较神经网络输出和目标标签的输出来实现融合。具体的分类结果在本节中描述3．4．

3.3.3。样本大小与融合结果的研究

BP神经网络[28，29，32]，径向基函数(RBF)算法[27]，K-最近的邻居（knn）[30.]和凯尔姆应用于三种模式。桌子1显示了不同模型下每种方法的融合结果。结果如表所示1是由20个随机实验的平均值得出的。

在表1，各网络的参数为:BP网络的隐层节点数为30,RBF中的扩散系数为0.01,KNN中的k值为6，惩罚系数为100,KELM中的核参数为0.01。样本数是185。根据(25，26，28]，设置三个模型来研究训练样本数量与结果质量之间的关系。模型1对应的训练样本集个数为92。模型2对应的训练样本集个数为122。模型3对应的训练样本集数目为139。

通过表1结果表明，随着测试样本数量的增加，测试结果的质量越好。当选择模型2表示分类器的速度时，融合速度的结果如表所示2．在表1，RBF和KELM的融合结果优于BP和KNN。同时，KELM的融合速度如表所示2是最好的。因此，通过分析table中的结果1和2，显然KELM是可靠的。下一节将对识别算法的性能和分类结果进行研究。

3．4．分类结果

在这一部分，给出了不同识别算法的分类结果。KELM具有运行速度快、通用性好等优点，我们采用它来实现6类断丝的识别。本节分别对磁信息、红外数据和磁与红外信息结合的缺陷进行分类，证明了信息融合的有效性。对于KELM，惩罚系数C和核参数从设置进行调整 和 ．随机选取139个样本对KELM网络进行训练，其余样本为测试样本。

对于UME，表中给出了20个不同参数的随机训练/试验分片的两个误差精度的平均值3.．不同的参数会导致不同的识别精度。当 和 ，识别正确率最高;然而，平均训练准确率只有82.3%。时，平均训练正确率达到96.7%，识别正确率为91.2% 和 ．桌子3.摘要给出了基于磁红外融合的随机生成的20条列车/测试分片的两次错误识别精度的平均值。当训练准确率高于90%时，最高准确率为98.4%。

数字17给出了时一组测试结果的绝对误差分布 和 ．两种方法的训练准确性均高于90％。当网络中只存在磁信息时，最大误差为5.当网络中只存在于网络中时，最大误差也是5.并且最大的错误集中在一个和两个断线中。但是，当融合功能包含在网络中时，最大误差为2，识别精度更高。很明显，使用熔融特性的错误少于仅采用磁性特征和红外线的误差。因此，这些测试结果表明，磁性和红外线的融合不仅是可行的，而且可以提高断线的识别精度。

对漏磁数据采用了几种识别算法：BP神经网络[28，29，32]，RBF算法[27， KNN算法[30.］．用于识别的数据与KELM网络中使用的相同。表4- - - - - -6当极限误差为2线时，显示每种方法的识别结果。

从表3.- - - - - -6在本文中，当训练精度高于90%时，神经网络被认为是可靠的。（注意，KNN没有训练过程，算法发现基于距离测量，训练中最接近测试样品的训练中的样品[30.，45.]。)因此，最高的识别率如表所示7桌子7给出了仅使用磁数据、红外数据和融合数据的四种分类器的最佳结果。很明显，融合数据的结果高于磁和红外数据。

4.结论和讨论

本文提出了一种基于WATV的UME噪声抑制算法，能够成功地消除基线信号和其他噪声。然后提出了一种基于距离的图像处理算法，成功地对红外图像中的损伤进行了分离。然后选取磁红外信息融合的敏感特征;报告了两种方法在不同实验设置下的识别准确率。大量实验结果表明，基于磁和红外的信息融合方法优于仅基于磁的分类方法。

该研究提高了断丝识别率，为估计钢丝绳剩余寿命做出了贡献。这两种信息可以克服磁信号降噪中小缺陷的损失。针对钢丝绳外部存在的缺陷，所采用的系统具有良好的性能。然而，要实现对整个钢丝绳的图像信息采集，还需要完善热红外采集系统。此外，我们还没有能够在钢丝绳内部制造缺陷。在以后的工作中，我们将通过分析来模拟缺陷在钢丝绳内部的情况。同时，高效的降噪算法也是未来研究的重点之一。

数据可用性

用于支持这项研究结果的数据包括在文章中。

的利益冲突

作者声明本文的发表不存在利益冲突。

参考文献

1. 田军，周建勇，王海英，G.孟，“钢丝绳无损检测技术的国内外研究综述”，MATEC会议网，卷。22，文章03025，2015年。浏览：出版商的网站|谷歌学术
2. 杨思哲，“钢丝绳电磁无损检测”，技术代表，机械工业出版社，北京，2016。浏览：谷歌学术
3. a . Kaur, a . Gupta，和H. Aggarwal，“一种使用平行磁化NdFeB磁铁段的新型钢丝绳测试仪的无损评估和开发”，无损评估杂志，第37卷，第2期3、2018年第61条。浏览：出版商的网站|谷歌学术
4. M. V. Nemtsov和G. D. Trifanov，“钢缆中电线断裂检测的磁性方法”，俄罗斯电气工程，第88卷，第5期，第285-288页，2017年。浏览：出版商的网站|谷歌学术
5. 彭鹏程、王长勇，“伽玛射线在悬索桥钢丝绳检测中的应用”，NDT & E国际公司，第75卷，第80-86页，2015。浏览：出版商的网站|谷歌学术
6. P. A. Vanniamparambil, F. Khan，和K. Hazeli，“电缆断线检测的新型光声无损检测”，结构控制与健康监测，第20卷，第11期，第1339-1350页，2013年。浏览：出版商的网站|谷歌学术
7. R.Raišutis，R.Kařys，L.Mažeika，E.žukauskas，V.Samaitis和A. Jankauskas，“超声波导向波的检测技术，用于检查多丝绳结构，”NDT & E国际公司，卷。62，pp。40-49,2014。浏览：出版商的网站|谷歌学术
8. R.Raisutis、R.Kazys、L.Mazeika、V.Samaitis和E.Zukauskas，“复合多钢丝绳中超声导波的传播，”材料，第9卷，第5期。第6页，2016年。浏览：出版商的网站|谷歌学术
9. R. Konar, M. mican，和I. Hlavaty，“使用漏磁和相控阵超声法检测管道运行中的缺陷”，制造技术， vol. 14, pp. 337-341, 2014。浏览：谷歌学术
10. J.Koch，M. Angelmahr和W.Schade，“纤维布拉格光栅传感器，用于钢丝监测实时”第23届国际光纤传感器会议，第9157卷，第2-6页，西班牙桑坦德，2014年。浏览：出版商的网站|谷歌学术
11. m .赵和d·l·张的有限元模拟钢丝绳的典型缺陷,”无损检测第31卷第1期3，页177-180,2009。浏览：谷歌学术
12. m .赵钢丝绳缺陷泄漏磁场的有限元仿真研究，[M ..论文)，哈尔滨工业大学，2008。
13. m .赵钢丝绳局部缺陷漏磁定量检测关键技术研究[j]论文)，哈尔滨工业大学，2012。
14. x j .晒黑基于弱磁成像的铁磁元件无损检测技术——以钢丝绳为例[M.S.]论文)，河南科技大学，2018。
15. J.Krešák、P.Peterka、S.Kropuch和L.Novák，“通过热成像法测量钢丝绳的紧度，”测量，卷。50，第93-98，2014。浏览：出版商的网站|谷歌学术
16. S. H. Kee, T. Oh, J. S. Popovics, R. W. Arndt，和J. Zhu，“空气耦合冲击回波和红外热像仪的无损桥面测试，”桥梁工程杂志，第17卷，第6期，第928-939页，2011年。浏览：出版商的网站|谷歌学术
17. A. Kylili，P. A. Fokaides，P. Christou和S. A. Kalogirou，“建筑诊断的红外热成像（IRT）应用：审查”应用能量，第134卷，第531-5492014页。浏览：出版商的网站|谷歌学术
18. C. Garnier, M. L. Pastor, F. Eyma，和B. Lorrain，“利用无损检测在复合材料结构上的航空缺陷”，复合结构第93卷第5期5, pp. 1328-1336, 2011。浏览：出版商的网站|谷歌学术
19. D. Mohanty, E. Hockaday, J. Li, D. K. Hensley, C. Daniel, D. L. Wood III，“电极制造缺陷对锂离子电池电化学性能的影响:对电池失效源的认识”，电源杂志，卷。312，pp。70-79,2016。浏览：出版商的网站|谷歌学术
20. A. López-Maestresalas, J. C. Keresztes, M. Goodarzi, S. Arazuri, C. Jarén，和W. Saeys，“用visnir和SWIR高光谱成像无损检测马铃薯黑斑病”，食品控制，第70卷，229-241页，2016。浏览：出版商的网站|谷歌学术
21. F. Mercuri, C. Cicero, N. Orazi, S. paolo oni, M. Marinelli，和U. Zammit，“红外热像仪在文化遗产研究中的应用”，国际热物理杂志，卷。36，不。5-6，第1189至1194年，2015年。浏览：出版商的网站|谷歌学术
22. V. Munoz, B. Vales, M. Perrin等，“通过耦合声发射和红外热成像技术检测CFRP中的损伤”，复合材料第二部分：工程，卷。85，pp。68-75,2015。浏览：出版商的网站|谷歌学术
23. B.瓦莱斯，V. Munoz的，H. Welemane等人，“在各向异性材料热源估计，”复合结构，第136卷，第287-296页，2016年。浏览：出版商的网站|谷歌学术
24. 王春林，陈振林，马晓林，漏磁检测缺陷可视化技术，国防工业出版社，中国北京，2014年。
25. 张东，张恩，高伟，“电磁干扰环境下细钢丝绳的在线无损检测”，NDT & E国际公司，第92卷，第75-81页，2017。浏览：出版商的网站|谷歌学术
26. 杜文正，郑昕，陈大志，“1×7IWS钢丝绳断丝规律的有限元分析”，国际机械、航空和汽车工程会议2017年，第108卷，第01002条。浏览：出版商的网站|谷歌学术
27. 张建伟，谭学军，郑平兵，“基于Hilbert-Huang变换和压缩传感的钢丝绳不连续性无损检测，”传感器，第17卷，第3期，第608页，2017年。浏览：出版商的网站|谷歌学术
28. 张建华和谭晓杰，“基于压缩传感的钢丝绳断裂剩磁定量检测，”传感器，第16卷，第5期。2016年第1366条第9条。浏览：出版商的网站|谷歌学术
29. 张建伟，“基于伪彩色图像增强技术的钢丝绳定量无损检测”，无损检验与评估第34卷第3期3，页221-242,2019。浏览：出版商的网站|谷歌学术
30. 郑平兵，张建伟，“变分模态分解的应用k-钢丝绳定量无损检测中的最近邻算法冲击和振动， 2019年，第9828536号，14页，2019年。浏览：出版商的网站|谷歌学术
31. 王海英，田建平，王海英孟，“基于新阈值函数的煤矿提升钢丝绳信号自适应小波阈值去噪方法研究”，非破坏性测试和状态监测，第60卷，第2期，第99-103页，2018年。浏览：出版商的网站|谷歌学术
32. 张建伟，郑平兵，谭晓军，“基于EEMD和小波方法的钢丝绳断裂识别，”传感器第18卷第2期4、2018年第1110条。浏览：出版商的网站|谷歌学术
33. X. J. Tan和J. W.章，“使用不饱和磁激励和重建的图像与超分辨率复合钢丝绳的评价，”应用科学，卷。8，不。5，p。767,2018。浏览：出版商的网站|谷歌学术
34. 万志强，易善生，李克强等，“基于K-CV优化的LS-SVM电梯故障诊断，”电气计算​​机工程学报文章编号935038,8页，2015。浏览：出版商的网站|谷歌学术
35. “基于小波分析和支持向量机(SVM)的钢丝绳故障诊断方法研究”，先进材料的研究， vol. 971-973, pp. 1396-1399, 2014。浏览：出版商的网站|谷歌学术
36. B.B.Lahiri，S.Bagavathiappan，C.Soumya等人，“使用低频交变磁场在铁磁样品中基于红外热成像的缺陷检测，”红外物理与技术，卷。64，PP。125-133,2014。浏览：出版商的网站|谷歌学术
37. O. Moselhi, M. Ahmed，和A. Bhowmick，“桥梁状况评估的多传感器数据融合”，已建设施性能期刊，第31卷，第4期，2017年。浏览：出版商的网站|谷歌学术
38. F. Gallay, M. Richou, N. Vignal等，“在先进的DEMO导流器概念上使用非破坏性红外热成像定量热缺陷定义”，自然史Scripta，卷。T170，文章014015，2017年。浏览：出版商的网站|谷歌学术
39. Y.Ding和I.W.Selesnick，“无伪影小波去噪：非凸稀疏正则化，凸优化，”IEEE信号处理信第22卷第2期9, pp. 1364-1368, 2015。浏览：出版商的网站|谷歌学术
40. J. Eckstein和D. Bertsekas，“关于最大单调算子的Douglas-Rachford分裂方法和近端点算法”，数学规划，第55卷，第55期1-3，第293-318页，1992。浏览：出版商的网站|谷歌学术
41. H. Cho, H. Lee, H. Kang, S. Lee，“双边纹理过滤”，美国计算机学会图形汇刊，第33卷，第4期，第1-8页，2014年。浏览：出版商的网站|谷歌学术
42. 张磊，张丹丹，田飞，“SVM和ELM:谁赢了?”基于图像网深度卷积特征的目标识别，" J. Cao, K. Mao, J. Wu, and A. Lendasse, Eds. "，第6卷适应、学习与优化论文集，第249-263页，施普林格。浏览：出版商的网站|谷歌学术
43. 何清，靳旭东，杜聪，庄芳，史志，“极端学习机器特征空间的聚类分析”，Neurocomputing，第128卷，第88-952012页。浏览：出版商的网站|谷歌学术
44. 韩志强、朱海燕、段志思，多源信息融合，清华大学出版社，北京，中国，2010年。
45. z h .周机器学习，清华大学出版社，北京，2016。

版权

版权所有©2020李晞等人。这是分布下的开放式访问文章知识共享署名许可协议，允许在任何媒介中不受限制地使用、分发和复制，前提是原作被正确引用。