基于磁性和红外信息的钢丝绳断线定量无损检测

摘要

钢丝绳的寿命在工业制造，采矿等方面至关重要。通过使用适当的非破坏性测试技术或通过切割部分来检测损坏。对于断线分类问题，这项工作旨在提高识别准确性。面对绳索外部的缺陷，基于磁性和红外信息融合首先开发了一种识别断线的新方法。提出了一种用于消除基线信号和波段的磁信号采用的去噪方法。采用图像分割方法来分配红外图像的缺陷。特征向量从磁性图像和红外图像中提取，然后应用内核极端学习机网络来实现破碎线的识别。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，可以提供用于估计钢丝绳的剩余寿命的有用信息。

1.介绍

钢丝绳在许多领域起着重要作用，如起重机，石油钻机，电梯和矿井葫芦。电线绳的安全与人们的生命和资源损失密切相关，以及行业的正常运营。由于钢丝绳的复杂结构和应用环境的多样性，难以评估服务中的电线绳的健康[1，2］．因此，需要通过采用适当的方法有效准确地执行钢丝绳的定量无损检测（NDT）。

目前钢丝绳无损检测方法主要有电磁检测[3.，4]，X射线[5,声6- - - - - -9，光学的[10)方法(1］．X射线设备具有放射性污染;声学方法通过引人注目来检测钢丝绳，这简单但单面;CCD摄像机光学测试方法可以通过成像直接显示真正的缺陷，但它易于油污染;由于高灵敏度，高速和低成本，电磁NDT方法广泛使用[11- - - - - -14］．但是，没有单一的非破坏性测试技术可以识别各种缺陷。红外线无损检测不含危险的辐射，并且具有非接触的特征;因此，它已广泛应用于在许多领域解决真正的问题[15］．此外，最受欢迎的应用领域包括建筑界[16，17]、航空航天[18、化学工业[19)、食品(20.]、文化遗产[21]， 等等。Munoz等人。[22，23]根据热力学原理提供的热扩散方程，通过红外热像测量确定了热源耗散，并结合声发射和红外热像识别了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[]建立了钢丝绳单线断裂、表面断丝和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。赵和张[11，12]对钢缆中典型断线缺陷的漏磁分布进行了有限元分析，得到了漏磁量与检测距离、损伤尺寸、内断线的关系。在 [13，14[建立了磁性偶极模型以设计原型，为定量缺陷提供了理论依据。通过不同断线下的钢丝绳和有限元模拟的FEM模型，du等人。[26[研究了不同断线对钢丝绳安全系数的影响。

因为实际MFL检测信号被许多噪声源污染，所以需要预处理信号以重建缺陷。张等人。[27，28]利用基于压缩感知的小波去噪，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)来降低各种背景噪声。郑和张[29]利用小波软阈值抑制噪声;然而，去噪效果较差。然后是郑和张[30.实现了变分模式分解（VMD）和小波变换，以去除来自原始MFL信号的噪声，这可以有效地消除噪声。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，对钢丝绳磁阻信号取得了较好的去噪效果。为了实现缺陷的可视化，赵[13]采用自适应陷波滤波算法抑制波噪声。

为了实现缺陷的可视化和量化，实现断丝的定量检测，研究者需要实现缺陷反转。为了进行缺陷反演，许多学者采用了各种方法。通过采用小波超分辨率重建技术，提高了[32］．张和谭[33[]提出了一种基于吉洪诺夫正则多帧的超分辨率重建方法，该方法在降低轴向分辨率和提高周向分辨率的同时，有效地保留了缺陷图像的特征。在 [28，32]，采用反向传播(BP)神经网络实现缺陷分类。然而，BP算法容易陷入局部最小，导致网络拟合不足、泛化能力不足等问题。Wan等人[34]研究了最佳小波包的理论，具有最小二乘支持向量机（LS-SVM）来诊断电梯故障，然后通过实验验证。郑和张和秦等人。[29，35]采用径向基函数分类的支持向量机(Support Vector Machine, SVM)进行故障模式识别，但这种方法不是很有效。

研究人员(15，36]用热视觉方法研究了钢丝绳的失效和铁磁试样的缺陷。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成像技术，可以检测铁磁钢试样中的缺陷。红外信息与其他信息的融合是一种有效且广泛的方法。Kee和Oh等人[16]结合空气耦合冲击回波和红外热成像。它可以提高单个测试数据的有效性。探地雷达与红外热像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。本文采用基于红外热像和磁融合的数据来检测断线数量。

电磁NDT用于钢丝绳易受硬件设计和磁信号处理的影响。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，而传感器布置密集会导致信号干扰严重，导致降噪困难。同时，细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的方法，它可以更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。

为提高断丝分类准确率，为钢丝绳使用寿命评价提供参考，首次提出将红外信息与磁信息相结合对钢丝绳进行定量识别。在磁信号处理方面，提出了一种基于小波全变分(WATV)的原始漏磁信号去噪算法。该算法能有效抑制高频漏磁、基线漂移和股波噪声。为了从红外图像中分离缺陷，提出了一种基于距离的图像处理方法。在提取统计纹理、不变矩特征和颜色矩特征的基础上，提出了一种基于核极限学习机(KELM)决策级融合的磁红外融合方法。实验结果表明，基于磁红外的信息融合可以提高断线的识别率。

在下一节中，要获取数据的平台，磁数据的处理，用于提取红外信息的步骤，以及在信息融合之后识别被拦截的识别将依次引入。在本文中，主要的创新如下：（1）基于WATV的提出的去噪算法可以消除渠道不平衡产生的噪音，电线绳的结构等;（2）呈现了一种基于距离的红外图像分割算法;（3）信息融合组合磁性与红外线进行分类。

2.相关知识

2.1。WATV去噪

WATV去噪方法通过最小化单个目标函数同时估计所有小波系数来抑制伪吉布斯振荡和杂散噪声峰值。该方法是一个结合小波稀疏性和电视正则化的优化问题[39］．通过求解优化问题计算小波系数，如公式(1)．如果满足公式（2)，F（W.)是严格凸的。

表示小波变换;在 ， 和分别为尺度指标和时间指标。和是正则化参数。惩罚项信号的总变化量是估计的吗 ；这个函数非凸稀疏诱导惩罚函数具有

基于乘法器（ADMM），等式的变分拆分和交替方向方法（1)可以表示为约束问题:

增广拉格朗日是: 在哪里 ．如在[39，40]，是一种迭代算法，由三个步骤来求解(1)得到: 在哪里 在哪里 ， 是总变分去噪。

我们初始化 和 ．详细的解决方案(7） 和 （8)载于[39］．方程(1）可以通过（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。在标准双边滤波器的基础上，通过patch移位计算制导图像是唯一的附加步骤。patch shift是如何工作的，详见[41.］．BTF可以表示为: 在哪里和最大和最小的图像强度是否在patch中最不可能包含突出的结构边缘;中心的patch是每个像素的平均强度吗 ； 为图像平均强度;表示通过复制获得的纹理信号在有最小的在…附近（平均强度在吗 ）; 控制从边缘到平滑/纹理区域的重量过渡的锐度;为修改后的制导图像。

2.3。核极限学习机

KELM是将Mercer条件应用于ELM(极限学习机)[42.］．它具有很好的通用性和稳定性。KELM是一种单层前馈神经网络。隐层输出矩阵与隐藏的神经元: 在哪里是隐藏层的激活功能， 和 分别为随机生成的输入层和隐藏层之间的输入权值和偏差。 表示一组带标签的样本 ．所提出的基于约束优化的单输出节点ELM的分类问题可表述为[42.，43.]： 在哪里 为隐含层和输出层的输出权值， 训练数据的预测误差矩阵，和是一个惩罚因素。ELM分类器的输出函数为:

则KELM的输出为 在哪里 ， ，和是核函数。

3.实验

在本部分中，通过加工和融合磁信号和红外图像，实现了六种断线的分类。在这个实验中，断线的数量是一个，两个，三，四，五，和七个。许多导线缠绕成股线，然后将其伤到钢丝绳中。钢丝绳的损坏与钢丝绳的几何形状和绕组模式有关[1，2，13］．如图所示1，钢丝绳的结构是 直径28毫米。钢丝绳的长度为6.5米。使用的样本为185个，其中训练样本数为139个，测试样本数为46个。断丝数分别为1 ~ 5、7根，其中每组试样断丝数分别为30、30、32、34、35、34。样品的宽度分别为2毫米、5毫米和1.5厘米。缺陷深度为1mm。缺陷的类型如图所示2．

为了实现对断线的识别，处理步骤如图所示3.．

3．1．数据收集

当钢丝绳的钢丝绳和材料上没有缺陷均匀且相同时，通过钢丝绳的横截面的磁通量应在轴向方向上等于。如果存在缺陷，则缺陷处的渗透率变小，磁场仅通过空气场，然后返回到钢丝绳的内部;因此，形成表面上的磁泄漏[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含不饱和磁激励(UME)源、一组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在钢丝绳上加载不饱和磁场后，通过等空间采样得到弱漏磁信号。当采集系统沿钢丝绳轴向移动时，光电编码器产生脉冲。然后，控制系统根据脉冲从18个通道采集缺陷信息。最后的磁数据存储在SD卡中。

由于缺陷处的红外辐射率与非缺陷处的红外辐射率不同，可以检测出钢丝绳的损伤。红外信息采集系统如图所示5(一个)，包括加热单元和数据收集。加热单元由金属管和紧线组成。金属管直径为40mm，长度为20厘米。采用线材加热金属管。采用红外热成像来捕获缺陷信息的图像。应根据缺陷的位置调节相机的角度，以保持缺陷与相机镜头之间的距离。我们采用的相机是热成像仪Fluke Tix 660.红外相机的热分辨率为-20°C-1200°C。钢丝绳和相机之间的距离是 厘米。具体工艺如下:钢丝绳通电后，通过加热金属管使钢丝绳温度升高。当故障温度保持在大约 (°C)，由红外摄像机拍摄缺陷图像。通过图中所示的设备获取单个图像5(一个)．在三脚架上安装热红外摄像机后，对缺陷部分进行加热，平移三脚架得到钢丝绳表面缺陷图像。通过将缺陷对准中心并固定缺陷与相机之间的距离来形成图像的焦点。捕获的原始红外图片如图所示5 (b)．(缺陷用盒子标出)

3．2．数据处理

数据分析包括磁数据处理和红外图像处理，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。对红外图像进行了纹理滤波和缺陷分割。

3.2.1之上。磁数据处理

使用图中提到的系统4，即可获得原始UME信号。如图所示6．原始UME信号包括信道不平衡引起的非相干基线、系统噪声和钢丝绳结构产生的股波噪声，需要过滤掉这些原始UME信号，以获得纯缺陷信息。

采用基于WATV的算法抑制噪声。各通道的数据处理如下:（１）注意 是每个频道数据。选择并将WATV应用于它：(我)初始化 通过小波变换， ，和 (2)计算 ．更新根据公式(7），（8），（9)，直到达到迭代次数(该次数被设置为10以消除基线漂移)。(3)保留包含缺陷信息的小波尺度，其余小波尺度设为零(iv)然后信号采用小波逆变换重构: （2）得到去噪信号重复步骤1三次后，确保降噪效果，且降噪不过度。让作为输入信号，重复I和ii。对不同尺度下的小波系数采用小波软阈值:(我)选取5db小波分解为8层(2)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股的小波。判断整个信号中与所选波相似的信号段，并将相似频带设为零(若与所选股波相同长度的信号幅值差小于5，则将信号设为零)。（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

由上述算法处理的单通道数据如图所示7．采用上述算法可以去除基线、系统噪声和股波，使缺陷信息更加清晰。数字8显示过滤后的3D数据图。

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可视化处理。

为了消除不均匀激励对钢丝绳的影响，并将所有数据进行统一标准转换，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 是标准化的数据和原始数据;传感器通道的数量是多少是信号的长度。归一化后的数据如图所示9．

由于周向数据来源于18个传感器通道，周向分辨率远低于轴向分辨率。周向像素数为18;然而，轴向像素数超过一万。采用三次样条插值提高了周向分辨率，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。插补后的数据示意图如图所示10．然后将双数据转换到8号单元，得到漏磁灰度图像。数字11给出了钢丝绳漏磁场的灰度图像。

灵感来自[30.]，采用模量极大法对缺陷进行定位和分割。缺陷分为图像的分辨率 ．

3.2.2。红外图像处理

可以使用如图所示的设备获得红外图像5．为了实现缺陷分段，以下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、蓝层。方程()中的参数19)根据缺陷信息的数量进行选择。变换后的红外图像与 如图所示12．

利用BTF进行纹理滤波，可以去除钢丝绳的细颗粒。具体算法如下:（１）计算 ，平均图像 ，通过应用 盒子内核表示一个补丁（2）为每个像素 ，计算由方程(10） 和 （11）总范围在制定中（10)．（3）获取制导图像通过在每个像素上的patch移位。找到 用最小的 ，然后复制至（4）计算由公式(12)为每个像素（5)获得 （6)获取图像过滤使用作为指导

BTF可以过滤滤除钢丝绳红外图像中的纹理。过滤的红外图像如图所示13．

纹理滤波后的图像还存在股波，给特征提取带来了困难。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）之后的图像二值化 ，分别找到图像中像素值为1的行和列的最大值和最小值。然后图像 ，如图所示13,得到: （和为线的最大值和最小值;和为列的最大值和最小值)。（2）为每一行图像 ，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 ，如果距离在10到70之间，区块大于12(可以避免油污的影响)，保持线路或将线路设为零。(钢丝绳中两股的距离是组成的，图中所示的股波也是组成的。同时，为了减少油污对分割缺陷的影响，我们选择距离在10到70之间的块大于12。)（5)通过定位提取红外图像的缺陷那满足（4)．

缺陷，如图所示14，利用上述方法可以成功地从原始图像中提取。缺陷由图中的框标记出来(14日),图14 (b)是缺陷的放大。

通过提出的算法，实现了UME信号的去噪和可视化，并提取了红外缺陷。数字15显示了磁缺陷和红外缺陷。

3.3。数据融合

本节采用基于KELM的决策层融合实现数据融合。对图像进行预处理后，提取相应的特征。所有特征混合在一起并一致归一化;然后通过KELM神经网络进行信息获取、融合和决策。数据融合的过程如图所示16．

3.3.1。特征提取

UME和红外缺陷图像的维数较高，会降低分类速度。功能之间的冗余对网络来说也是灾难性的。因此，有必要采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，奇阶不变矩比其他矩更敏感。因此，在本实验中，我们选择了部分来自磁性图像的统计纹理特征和奇阶不变矩，以及来自红外图像的颜色矩和区域。

纹理特征包括平滑度、粗糙度和规律性等，是描述图像的重要方法，包括平均亮度、标准偏差、第三矩、度量(平滑)、一致性和熵。直方图是描述图像纹理的核心，令表示灰度和的随机变量 柱状图是N-第1阶均值矩为:

为平均亮度:

标准偏差是：

它反映了图像的平均变化[33］．

归一化测度定义为: 这是一个相对平滑的描述符。第三个矩是直方图偏度的度量，定义为: 它反映了直方图的对称程度，它的正负值反映了它们是向左还是向右倾斜。

符合性定义为:

对具有相同灰度的所有图像具有最大值。平均熵为: 它是变异性的度量，反映了灰度值的随机性程度。它的值是一个变量，如果图像是常量，则该值为零。

不变矩组是基于对图像灰度分布的统计分析。它们对于平移、缩放和旋转是恒定的，可以描述缺陷的特征。给定一个图像 ，哪个尺寸 ，奇数秩序不变时刻是： 在哪里是中央的时刻:

和是图像的重心: ，和 ； 是 阶矩，定义为:

红外图像的面积定义为本文算法基于距离捕获的图像的大小:

是图像的长度，是图像的宽度。

颜色时刻是彩色图像的重要特征，其颜色空间未量化，并且特征向量维度低[29］．每个颜色组件的三个颜色时刻被定义为：

是 -像素,是像素的数目。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。

仅利用磁特征完成分类时，采用了部分统计纹理特征和奇阶不变矩。如果结合磁信息和红外信息对断线进行分类，我们添加了红外图像的颜色矩和区域作为特征。

3.3.2。基于KELM的融合

红外数据比磁数据更接近实际损伤形态，提供了更多的颜色信息;但是，相同的断丝尺寸不同会导致精度不高。断线相同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。

决策层融合是最高层次的融合，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.］．采用神经网络方法进行信息融合。对来自不同传感器的数据进行预处理并作出初步判断后，对不同信息的决策进行处理;然后通过决策层融合得到最终结果[44.］．

将磁性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范围，提高了网络的收敛速度，为数据融合做好了准备。样品的标签是对标的的初步判断。带标签的样本为KELM的输入。隐层输出可以通过公式()中的输入权值和偏差来计算14)，得到一个核矩阵。KELM的输出可以通过公式(16)．权值由核函数得到。通过神经网络特征映射、数据学习和权重确定实现数据初步决策。然后，将神经网络的输出与目标标签的输出进行比较，实现融合。具体的分类结果见章节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-最近邻(KNN) [30.]而且Kelm应用于三种模型。表格1给出了每种方法在不同模型下的融合结果。表中结果1从20个随机实验的平均值获得。

在表格中1，每个网络的参数为:BP网络的隐含层节点数为30,RBF算法的扩散为0.01,KNN算法的k为6,KELM算法的惩罚系数和核参数分别为100和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量为139。

通过表格1，证明随着测试样品的数量增加，结果的质量变得更好。选择模型2以呈现分类器的速度时，融合速度的结果如表所示2．在表格中1， RBF和KELM的融合效果优于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Tables中的结果1和2，说明KELM是可靠的。下一节将介绍对识别算法性能和分类结果的研究。

3.4。分类结果

在这一部分中，给出了不同识别算法的分类结果。KELM具有运行速度快、泛化性好等优点，我们采用它实现了6类断线的识别。本节分别对磁信息、红外数据和磁红外信息结合的缺陷进行了分类，证明了信息融合是更有效的。对于KELM，罚系数C和核参数从集合调整 和 ．用随机选取的139个样本对KELM网络进行训练，其余样本为测试样本。

对于UME，表中报告了不同参数下20个随机序列/测试分割的两次误差精度平均值3.．不同的参数将导致不同的识别准确性。什么时候 和 ，识别正确率最高;然而，平均训练正确率只有82.3%。时平均训练正确率为96.7%，识别正确率为91.2% 和 ．表格3.给出了基于磁红外融合的20个随机生成的列车/试车分段的两次错误识别精度平均值。当训练正确率大于90%时，最高正确率为98.4%。

数字17显示一个组测试结果的绝对错误分布 和 ．两种方法的训练正确率均在90%以上。当磁信息仅存在于网络中时，最大误差为5。当红外信息仅存在于网络中时，最大误差也为5。而最大的误差集中在一根和两根断丝上。而当融合特征包含在网络中时，最大误差为2，识别准确率较高。显然，采用融合特征比仅采用磁性特征和仅采用红外特征的误差更小。因此，这些测试结果表明，磁红外融合不仅是可行的，而且可以提高断线的识别精度。

几种识别算法应用于漏磁数据:BP神经网络[28，29，32， RBF算法[27， KNN算法[30.］．识别数据与KELM网络中使用的数据相同。桌子4- - - - - -6给出了极限误差为2线时每种方法的识别结果。

来自桌子3.- - - - - -6，明显地，融合数据产生了比磁数据更好的分类结果。在本文中，当训练准确率大于90%时，我们认为神经网络是可靠的。(注意KNN没有训练过程，算法会找到基于距离测量的训练集中最接近测试样本的样本[30.，45.]。)因此，最高的识别率如表所示7．表格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。数据融合的效果明显优于磁法和红外法。

4.结论和讨论

本文提出了一种基于WATV的抑制UME噪声的算法，该算法可以成功地消除基线信号和其他噪声。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割。然后，选择适合融合磁信息和红外信息的敏感特征。报告了两种方法在不同实验设置下的识别精度。大量实验结果表明，基于磁和红外的信息融合比基于磁的分类效果更好。

该研究提高了钢丝绳断丝的识别率，为估计钢丝绳的剩余寿命做出了贡献。这两种信息可以克服磁信号降噪中丢失的小缺陷。该系统针对钢丝绳外部的缺陷具有良好的性能。然而，热红外采集系统需要完善才能实现整个钢丝绳的图像信息采集。此外，我们还不能在钢丝绳内部制造缺陷。在以后的工作中，我们将通过分析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

支持本研究结果的数据包含在文章中。

的利益冲突

作者声明本论文的发表不存在利益冲突。

参考文献

1. 田健，周建勇，王海燕，G.孟，“国内外钢丝绳无损检测技术研究综述”，MATEC会议网络，卷。22，第03025年，2015年。视图:出版商的网站|谷歌学术搜索
2. 杨世忠，“钢丝绳电磁无损检测”，技术代表，机械工业出版社，北京，2016。视图:谷歌学术搜索
3. a . Kaur, a . Gupta和H. Aggarwal，“使用并行磁化钕铁硅磁体的新型钢丝绳测试仪的无损评估和开发”，无损评估杂志，卷。37，不。3，第61号，2018年。视图:出版商的网站|谷歌学术搜索
4. M. V. Nemtsov和G. D. Trifanov，“一种检测钢缆中导线断裂的磁性方法”，俄罗斯的电气工程第88卷第2期。5, pp. 285-288, 2017。视图:出版商的网站|谷歌学术搜索
5. 彭鹏程、王春阳，“射线在悬索桥钢丝绳检测中的应用”，NDT & E国际，卷。75，pp。80-86,2015。视图:出版商的网站|谷歌学术搜索
6. P. A. Vanniamparambil, F. Khan，和K. Hazeli，“用于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，没有。11页1339-1350,2013。视图:出版商的网站|谷歌学术搜索
7. R. Raišutis, R. Kažys, L. Mažeika, E. Žukauskas, V. Samaitis，和A. Jankauskas，“基于超声导波的多钢丝绳结构检测技术”，NDT & E国际，第62卷，第40-49页，2014。视图:出版商的网站|谷歌学术搜索
8. R. Raisutis, R. Kazys, L. Mazeika, V. Samaitis, E. Zukauskas，“超声导波在复合多钢丝绳中的传播”，材料第9卷第2期。6, p. 451, 2016。视图:出版商的网站|谷歌学术搜索
9. R. Konar, M. mic, I. Hlavaty，“利用漏磁和相控阵超声方法检测管道运行中的缺陷”，制造技术，第14卷，337-341页，2014。视图:谷歌学术搜索
10. J. Koch, M. Angelmahr和W. Schade，“用于钢丝实时监测的光纤布拉格光栅传感器”第23届光纤传感器国际会议桑坦德，西班牙，2014,vol. 9157, pp. 2-6。视图:出版商的网站|谷歌学术搜索
11. 赵敏，张大磊，“钢丝绳典型缺陷的有限元模拟”，无损检测第31卷，不。3, 177-180页，2009。视图:谷歌学术搜索
12. m .赵钢丝绳缺陷漏磁场的有限元模拟研究，[硕士论文]论文]哈尔滨工业大学，2008。
13. m .赵钢丝绳局部缺陷磁通量泄漏定量检测关键技术研究，[M ..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，[硕士论文]论文]，河南科技大学，2018。
15. J. Krešák, P. Peterka, S. Kropuch, L. Novák，“用热感测法测量钢丝绳的紧度”，测量，卷。50，pp。93-98,2014。视图:出版商的网站|谷歌学术搜索
16. S. H. Kee, T. Oh, J. S. Popovics, R. W. Arndt, J. Zhu，“基于空气耦合冲击回波和红外热成像的无损桥面检测”，桥梁工程学报第17卷，没有。6，页928-939,2011。视图:出版商的网站|谷歌学术搜索
17. a . Kylili, P. a . Fokaides, P. Christou, S. a . Kalogirou，“红外热像仪(IRT)在建筑诊断中的应用:综述”，应用能源， vol. 134, pp. 531-549, 2014。视图:出版商的网站|谷歌学术搜索
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原位检测航空缺陷”复合结构，第93卷，第2期。5，页1328-1336,2011。视图:出版商的网站|谷歌学术搜索
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:电池失效来源的认识”，电源学报，第312卷，第70-79页，2016。视图:出版商的网站|谷歌学术搜索
20. A. López-Maestresalas, J. C. Keresztes, M. Goodarzi, S. Arazuri, C. Jarén, W. Saeys，“马铃薯黑斑病的非破坏检测的近红外和短波红外高光谱成像，”食品控制，第70卷，第229-241页，2016。视图:出版商的网站|谷歌学术搜索
21. F. Mercuri、C. Cicero、N. Orazi、S. Paoloni、M. Marinelli和U. Zammit，“红外热像仪应用于文化遗产研究”，国际热物理学杂志，卷。36，不。5-6，pp。1189-1194,2015。视图:出版商的网站|谷歌学术搜索
22. V. Munoz, B. Vales, M. Perrin等，“利用声发射和红外热成像耦合的CFRP损伤检测”，复合材料部分B:工程，第85卷，68-75页，2015。视图:出版商的网站|谷歌学术搜索
23. B. Vales，V.Munoz，H. Welemane等，“各向异性材料的热源估算”，复合结构，第136卷，287-296页，2016。视图:出版商的网站|谷歌学术搜索
24. 王长林、陈志良、马晓林，漏磁检测缺陷可视化技术，国防工业出版社，北京，2014。
25. 闫晓，张丹，潘思远，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，第92卷，第75-81页，2017。视图:出版商的网站|谷歌学术搜索
26. 杜文正，郑旭明，C.达之，彭伟，“1×7IWS钢丝绳断丝规律的有限元分析”，机械，航空和汽车工程国际会议，第108卷，第01002篇，2017。视图:出版商的网站|谷歌学术搜索
27. J. W. Zhang，X. J. Tan和P. B. Zheng，“使用Hilbert-Huang变换和压缩传感的剩余磁场形象无损检测钢丝绳不连续性，”传感器第17卷，没有。3, p. 608, 2017。视图:出版商的网站|谷歌学术搜索
28. 张建伟，谭晓军，“基于压缩感知的钢丝绳断裂剩余量定量检测”，传感器，第16卷，第2期。9、2016年第1366条。视图:出版商的网站|谷歌学术搜索
29. 郑鹏波，张建伟，“基于伪彩色图像增强技术的钢丝绳定量无损检测”，无损检测与评价第34卷，没有。3，页221-242,2019。视图:出版商的网站|谷歌学术搜索
30. 郑培波，张建文，“变分模态分解及其应用”K.-钢丝绳定量无损检测中的最近邻算法，"冲击和振动，卷。2019年，第9828536号，14页，2019年。视图:出版商的网站|谷歌学术搜索
31. 王海勇，田军，王海勇，“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”，洞察-无损检测和状态监测，第60卷，不。2, pp. 99-103, 2018。视图:出版商的网站|谷歌学术搜索
32. 张建伟，郑培波，谭晓军，“基于EEMD和小波方法的断绳识别”传感器第18卷，第2期。4、2018年第1110条。视图:出版商的网站|谷歌学术搜索
33. X. J. TAN和J. W.张，“使用不饱和磁激励和超级分辨率的重建形象评估复合丝绳的评估”应用科学第8卷第2期。5, p. 767, 2018。视图:出版商的网站|谷歌学术搜索
34. 李坤等，“基于K-CV优化的最小二乘支持向量机故障诊断”，电气计算​​机工程学报，第935038条，8页，2015年。视图:出版商的网站|谷歌学术搜索
35. 秦永南，高广华，连明建，刘勇，“基于小波分析和支持向量机的钢丝绳故障诊断”，先进材料的研究， vol. 971-973, pp. 1396-1399, 2014。视图:出版商的网站|谷歌学术搜索
36. B. B. Lahiri, S. Bagavathiappan, C. Soumya等人，“利用低频交变磁场，基于红外热成像的铁磁样品缺陷检测，”红外物理与技术，第64卷，第125-133页，2014。视图:出版商的网站|谷歌学术搜索
37. O. Moselhi, M. Ahmed和A. Bhowmick，“用于桥梁状态评估的多传感器数据融合”，建筑设施性能杂志第31卷，不。4、2017。视图:出版商的网站|谷歌学术搜索
38. F. Gallay, M. Richou, N. Vignal等，“利用无损红外热成像技术对先进的DEMO导流器概念进行热缺陷定量定义，”Physica Scripta.，卷。T170，第014015，2017年。视图:出版商的网站|谷歌学术搜索
39. 丁勇，I. W. Selesnick，“无人工干扰小波去噪:非凸稀疏正则化，凸优化，”IEEE信号处理快报第22卷，第2期。9，页1364-1368,2015。视图:出版商的网站|谷歌学术搜索
40. J. Eckstein和D. Bertsekas，“关于极大单调算子的Douglas-Rachford分裂方法和近点算法”，数学规划(第55卷第1期)1-3，页293-318,1992。视图:出版商的网站|谷歌学术搜索
41. H. Cho, H. Lee, H. Kang, S. Lee，“双边纹理滤波”，ACM图形交易第33卷，第2期。4，页1-8,2014。视图:出版商的网站|谷歌学术搜索
42. l . Zhang d·张,“田SVM和榆树:谁赢了?关键词:图像网络，深度卷积特征，目标识别，第6卷适应，学习和优化的诉讼程序，第249-263页，施普林格。视图:出版商的网站|谷歌学术搜索
43. 何琦，金旭东，杜聪，庄峰，史振东，“极限学习机特征空间的聚类”，Neurocomputing，第128卷，第88-95页，2012。视图:出版商的网站|谷歌学术搜索
44. 韩长志、朱海勇、段振生，多源信息融合，清华大学出版社，北京，2010。
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 xi li等。这是分布下的开放式访问文章知识共享署名许可，允许在任何媒介上不受限制地使用、分发和复制，只要原稿被适当引用。