Steel wire rope defect magnetic flux leakage detection method based on improved complementary ensemble empirical mode decomposition
-
摘要: 钢丝绳小缺陷信号往往被淹没在股波噪声中，存在钢丝绳小缺陷检测困难、易漏检等问题。针对该问题，提出了一种基于改进完备集成经验模态分解（ICEEMD）的钢丝绳缺陷漏磁检测方法。为了避免钢丝绳表面润滑剂或尘埃对检测信号造成影响，采用电磁检测法。将ICEEMD、小波阈值滤波（WTF）、维纳滤波（WF）相结合，得到ICEEMD−WTF−WF多级降噪方法：通过ICEEMD分解钢丝绳漏磁信号，得到本征模态函数（IMF）分量；计算IMF分量的能量比、排列熵、互相关系数，取出IMF趋势分量和IMF股波噪声分量，并对股波噪声分量进行WTF，筛选有用的IMF分量重构信号；对重构后的信号进行WF，去除随机噪声。提取降噪后的缺陷特征值，输入BP神经网络并进行训练，识别钢丝绳缺陷漏磁信号。实验结果表明：ICEEMD−WTF−WF多级降噪方法对钢丝绳漏磁信号具有良好的降噪效果，信噪比、峭度指标优于WTF、移动平均滤波和WF；基于ICEEMD−WTF−WF的BP神经网络模型检测耗时短，对小缺陷的平均准判率达到98.13%，能较好地满足钢丝绳缺陷检测要求。Abstract: The signal of small defects in steel wire rope is often submerged in wave noise. Therefore, it is difficult to detect small defects in wire rope and easy to miss detection. In order to solve this problem, a steel wire rope defect magnetic flux leakage detection method based on improved complementary ensemble empirical mode decomposition (ICEEMD) is proposed. To avoid the influence of the lubricant or dust on the surface of the wire rope on the detection signal, the electromagnetic detection method is adopted. CEEMD-WTF-WF multi-stage noise reduction method is obtained by combining ICEEMD, wavelet threshold filtering (WTF) and Wiener filtering (WF). The intrinsic mode function (IMF) component is obtained by decomposing the magnetic flux leakage signal of steel wire rope through ICEEMD. The energy ratio, permutation entropy and cross-correlation coefficient of IMF components are calculated. The IMF trend component and IMF stock noise component are extracted. WTF is conducted on the stock noise component to filter the useful IMF component reconstruction signal. WF is applied to the reconstructed signal to remove random noise. The eigenvalues of the de-noised defects are extracted, input and trained by BP neural network. The magnetic flux leakage signals of the steel wire rope defects are identified. The experimental results show that ICEEMD-WTF-WF multi-stage noise reduction method has good noise reduction effect on the magnetic flux leakage signal of steel wire rope. The SNR and kurtosis indexes are better than those of WTF, moving average filter and WF. The BP neural network model based on ICEEMD-WTF-WF takes a short time to detect. The average accuracy rate of small defects reaches 98.13%, which can better meet the requirements of wire rope defect detection.
-
0. 引言
目前，煤矿开采技术不断进步，其机械化程度不断提高，对于矿用电源的安全性和可靠性要求也越来越高。锂离子蓄电池作为一种新型的、高效的能源存储设备，因其高能量密度、长寿命、无记忆效应等优点，在煤矿井下应用中展现出巨大的潜力[1-2]。然而，煤矿井下环境恶劣，机械设备运行频繁，且空间狭小，使得电源容易遭受外部的物理冲击或损害，造成起火或爆炸，导致煤矿安全事故发生。因此，有必要对模拟煤矿井下撞击条件下的锂离子蓄电池性能进行深入研究，旨在揭示电池在受到机械冲击时的反应和潜在风险，为煤矿井下电源系统的安全设计提供科学依据。
许多学者对锂离子蓄电池的应用安全问题展开了研究。姚源[3]针对锂电池性能衰减引起的安全性能降低的问题，现场采集并分析了煤矿监测通信系统后备电源及辅助运输设备动力电源管理使用数据和运行信息，开展了在用大容量锂电池的容量衰减分析、电化学阻抗谱（Electrochemical Impedance Spectroscopy， EIS）分析、热失控扩展与安全性试验、挤压试验分析和电源管理系统精度试验等比对试验，试验结果表明在用锂电池电性能、电池管理系统检测精度发生衰减，使用安全性下降。刘鹏等[4]根据锂离子蓄电池组的工作原理，重点分析了锂离子蓄电池组的压差变化、自放电和日历衰降等在轨运行数据。李富伟等[5]针对矿用锂离子蓄电池动力电源的使用特点和安全需求，研究了其机械结构、热效应控制、电气特性、电池管理系统、电磁兼容等方面的安全技术。上述研究在进行煤矿井下锂离子蓄电池应用安全分析时，均未考虑煤矿井下环境存在的各种潜在机械撞击风险，而锂离子蓄电池在受到外部机械冲击时，可能会发生电池破碎或电解质泄漏现象。
锰酸锂离子蓄电池是锂离子蓄电池的一种，以成本低、安全性高而被广泛使用，将其作为研究对象具有一定的代表性。本文以100 A·h矿用锰酸锂离子蓄电池作为研究对象，在实验室模拟煤矿井下的潜在机械撞击环境，进行针刺、高温、潮湿试验，以分析电池的安全性能。
1. 试验条件与方法
1.1 试验条件
100 A·h矿用锰酸锂离子蓄电池具有安全性高、充放电效率高、循环寿命周期长等优点，其参数见表1。该锂离子蓄电池采用层叠式设计，由正极集流体、隔膜、正极、负极及负极集流体5层组合成1个单元，整个电池由88个单元堆叠而成。电池的正极集流体采用金属铝，负极集流体则选用金属铜，这2种金属材料都具备均匀且各向同性的特质。正极材料选用LiMn2O4，负极为石墨。隔膜部分主要是涂抹了电解液的隔膜材料，具体由PE/PP/PE复合而成，并采用LiPF6作为电解质。
表 1 100 A·h矿用锰酸锂离子蓄电池参数Table 1. Parameters of 100 A·h lithium manganese oxide ion battery for mining额定电压/V 正常电压范围/V 尺寸（长×宽×高）/mm 工作温度范围/℃ 4.5 3.0～4.9 320×240×22 −10～50 采用PBT−50 V−200 A试验台作为试验设备，其电压为（2 ～60 V）±100 mV，功率为±10 kW，电流为±200 A。
1.2 针刺试验
煤矿井下环境恶劣，电池容易遭受外部的机械冲击，为了解电池在受到物理冲击时的内部反应（是否会发生短路、是否会产生高温、是否会引起电解质泄漏等[6]）通过针刺试验用尖锐物体刺入电池来研究100 A·h锰酸锂离子蓄电池在遭受机械冲击时的安全性能。
首先，将电池放在试验设备上，开始采集数据。其次，将钨针以10 mm/s的速度缓慢刺入电池中心，直至彻底刺穿电池。然后，将被刺穿的电池静置一段时间后观察电池是否发生变化并记录实验数据。 最后，关闭设备，停止采集数据。
数据采集点采取5点位均布（5点位均布是根据几何均匀性原则进行布点位监测，均布的点位能够在被监测的对象上实现相对全面的覆盖，有助于获取电池体不同部位的信息，避免对整个电池体状态的误判）的布设方法，其中在钨针上选定1个点位，以监测钨针的动向和电池因针刺而产生的温度变化，在电池体上布设4个点位，如图1所示。
1.3 高温试验
在高温环境下，电池内部的化学反应更加活跃[7-9]，从而加速电池的老化和失效[10-12]。为准确模拟煤矿井下的高温环境，实施炉箱加热试验，将刺穿后的电池置于设定好的高温环境中，观察电池在高温条件下的热稳定性、热失控倾向及热防护措施的有效性。
由于无法直接将红外热成像仪置于炉箱内部实施温度数据采集，将热电偶[13-15]均匀布置在电池表面的关键位置，以采集准确的温度数据。完成热电偶布置后即可开始炉箱加热试验[16-17]。此外，试验过程中需要特别注意观察是否有任何可能对实验室安全构成威胁的隐患，以便在必要时及时停止试验，确保试验的顺利进行和实验室的安全。
首先，将电池放入高温炉箱中，开始采集数据。然后，将炉箱加热至150 ℃，接着恒温静置一段时间。最后，关闭设备，将炉箱电源拔掉，取出电池，停止采集数据。
选定6个关键点作为数据采集的点位，其中电池体上布设了5个点位（图2），右极耳上布设了1个点位[18]。
![]()
图 2 高温试验下电池体上的点位布设Figure 2. Points layout on the battery body under high-temperature testing1.4 潮湿试验
煤矿井下潮湿环境会增加电池内部水分含量，电池容易被腐蚀，并使得内部压力上升，导致电池性能下降。为研究电池在潮湿环境中受机械冲击后的安全性，使用湿度控制环境箱模拟煤矿井下的潮湿环境特性。将刺穿后的电池置于设定好的潮湿环境中，观察电池在湿度条件下的性能。
首先，将环境箱温度设置为常温25 ℃，相对湿度设置为90%，静置一段时间。然后，启动数据采集系统，记录电池的温度参数。在进行试验时，应确保所有的试验设备和电池样品都符合安全标准，且在试验过程采取适当的安全措施，以防止可能的电池泄漏、热失控等安全事故[19-21]。最后，关闭环境箱，取出电池，停止采集数据。潮湿测试下数据采集点位布设与图2一致。
2. 电池性能试验分析
2.1 针刺试验分析
被针刺穿后的电池如图3所示。可看出电池被钨针刺穿后，表面出现一定的变形和破裂，但未出现电解质泄漏的情况，同时电池并未出现冒烟、起火、爆炸等危险情况，内部也没有气体产生。
针刺试验前后5个点位的开路电压与温度的变化曲线如图4所示。从图4（a）可看出：① 针刺前，电池上的4个点位开路电压稳定，处于额定电压；针刺后，这4个点位的开路电压迅速下降，这是由于电池内部发生短路，导致电流急剧增大，电压降低。② 针刺前，钨针上的点位与电池未接触，其电压为0；针刺后，钨针上的点位迅速变化，先上升后下降，这是因为针尖接触电池正负极时形成短路，电压瞬间变化。从图4（b）可看出：① 针刺前，电池上的4个点位温度稳定；针刺后，这4个点位的温度迅速上升，这是由于电池内部发生短路，电流产生大量热量，导致电池温度升高。② 针刺前，钨针上的点位（点位5）温度与室温相近；针刺后，钨针上的点位温度迅速上升，这是因为针尖接触电池后形成短路，产生大量热量，而钨针的传导性较好，其温度甚至一度超过了电池温度。
试验中电池温度显著上升，但能控制在安全范围内且没有引发燃烧或爆炸，说明该电池在煤矿井下应用中具有一定的热稳定性。但应确保在实际工作条件下，电池温度不会过高，以避免引发安全事故。当电池在针刺后发生短路，若能迅速切断电流或采取其他保护措施，则可有效降低安全事故的风险。因此，在煤矿井下应用中，需要确保电池具备可靠的短路保护功能。
2.2 高温试验分析
高温试验后，电池背部的外观如图5所示。可看出电池在炉箱加热后显著膨胀，并伴随气体泄漏的现象，但尚未引发爆炸或燃烧。这是因为电池内部气体产生，与电池所采用的有机电解质密切相关。锂离子蓄电池由于其特定材料和固有的结构特性，当电池温度升高至特定程度时，电解质将发生分解反应，从而产生气体。
不同点位的温度变化曲线如图6所示。可看出电池中心点位（点位5）的温度迅速上升，在达到峰值后逐步下降，该点位的温度上升最迅速，这是由于电池中心受到电池内部热量传递的影响最直接。其余4个电池上的点位温度同样较为迅速上升，但可能由于电池内部热量分布不均，其上升速度和峰值略低于中心点位。右极耳点位（点位6）在加热后温度上升超过电池上的点位，这是由于极耳是电池与外部电路连接的关键部分，其温度变化可能受到电流和电阻的影响。在加热过程中，因电流通过产生额外的热量导致极耳温度上升，且峰值高于电池体上的点位。这说明在煤矿井下应用中，必须严格控制电池的工作温度，避免超过其安全操作温度范围。同时应安装气体泄漏检测装置，以便及时发现并处理因温度上升导致气体膨胀产生泄漏。电池和电池管理系统应采用防爆型设计，以减少电池在异常高温下发生爆炸或燃烧的风险。
![]()
图 6 高温条件下不同点位的温度变化曲线Figure 6. Temperature variation curves at different points under high-temperature conditions2.3 潮湿试验分析
在潮湿环境下，刺穿后电池的温度变化曲线如图7所示。潮湿环境会增加电池内部的水分含量，这些水分与电池内部的化学物质发生反应，产生气体，增加了内部压力，使得电池温度增加，且在电池被刺穿后，会导致电池内部的短路，同时产生热量，使得电池更容易发生热失控，但经观察未引发爆炸或燃烧。
![]()
图 7 潮湿环境下不同点位的温度变化曲线Figure 7. Temperature variation curves at different points under humid conditions从图7可看出，电池上的6个点位温度呈上升趋势，但上升趋势较为缓慢，且温度较低。这是因为潮湿环境中的水分蒸发带走热量，起到一定的冷却作用。
通过上述分析得出，在整个过程中，电池内部的变化和外部环境的影响相互交织，导致安全事故的发生。根据模拟的高温和潮湿环境下的试验结果分析可知，100 A·h锰酸锂离子蓄电池在煤矿井下的极端环境中具有安全性和可靠性。
基于以上分析，建议在实际应用中建立完善的电池管理系统，实时监测电池状态，并在出现异常情况时及时采取措施。定期对电池实施维护和检查，确保其处于良好的工作状态。
3. 结论
1） 电池在经针刺试验后，未出现电解质泄漏、冒烟、起火、爆炸等危险情况，表明其具备一定的结构强度和安全性。
2） 在高温环境下，被刺穿电池出现显著膨胀和气体泄漏，但未引发爆炸或燃烧，表明电池在特定条件下具有一定的热稳定性。
3） 在潮湿环境下，被刺穿电池产生气体，增加了内部压力，在刺穿和潮湿的双重影响下，使得电池温度增加，但因为潮湿环境中的水分起到一定的冷却作用，与高温环境下相比，其温度上升趋势较为缓慢，且仍未引发爆炸或燃烧，表明电池在潮湿环境下仍会具有热稳定性，不会出现热失控现象。
-
![]()
图 1 钢丝绳缺陷漏磁检测系统
Figure 1. Magnetic flux leakage detection system for steel wire rope defects
![]()
图 8 基于ICEEMD−WTF−WF和WTF的分类误差对比
Figure 8. Classification error comparison between ICEEMD−WTF−WF and WTF
![]()
图 9 基于WF和移动平均滤波的分类误差对比
Figure 9. Classification error comparison between WF and moving average filtering
表 1 各IMF分量的互相关系数、排列熵
Table 1 The cross-correlation coefficient and permutation entropy of each IMF component
IMF分量 互相关系数 排列熵 IMF分量 互相关系数 排列熵 IMF1 0.4947 0.9940 IMF5 0.0172 0.5932 IMF2 0.9313 0.9538 IMF6 0.0024 0.4048 IMF3 0.2773 0.8591 IMF7 0.0048 0.4181 IMF4 0.1058 0.6942 IMF8 0.0066 0 
下载: 导出CSV
表 2 各IMF分量所占的能量比
Table 2 Energy ratio of each IMF component
IMF分量 能量值 能量比/% IMF分量 能量值 能量比/% IMF1 1.75×107 5.82 IMF5 3.98×105 0.13 IMF2 2.58×108 85.86 IMF6 4.45×105 0.15 IMF3 1.95×107 6.49 IMF7 9.31×104 0.03 IMF4 4.34×106 1.44 IMF8 2.10×105 0.07
下载: 导出CSV
表 3 不同滤波方法对比
Table 3 Comparison of different filtering methods
滤波方法 信噪比 互相关系数 均方根误差 峭度 ICEEMD−WTF−WF 20.152 0.5263 508.74 84.240 WTF 19.507 0.3728 543.90 59.205 移动平均
滤波8.406 0.3065 292.99 5.184 WF 11.637 0.6771 271.28 20.063
下载: 导出CSV
表 4 训练样本数据（部分）
Table 4 Training sample data (part)
波峰值 波谷值 峰峰值 波宽 波形下
面积波形
能量0.4791 0.2293 0.3160 0.6000 0.4397 0.2847 1.0000 0.0194 1.0000 0.1667 1.0000 0.2482 0.8683 0.0000 0.9265 0.1667 0.9889 0.2468 0.6300 0.0209 0.7707 0.4667 0.6229 0.5045 0.5597 0.1426 0.6778 0.3333 0.5554 0.2376 0.7838 0.0107 0.8699 0.2000 0.9774 0.2976 0.5895 0.0844 0.7198 0.2667 0.6363 0.2288 0.2641 0.6434 0.2913 0.9333 0.2705 0.2767 0.5521 0.1183 0.4903 0.9000 0.5779 1.0000 0.5700 0.1566 0.6784 0.5333 0.6919 0.7089 0.4439 0.4651 0.4750 0.4667 0.4361 0.2014 0.5935 0.0554 0.7275 0.6000 0.7443 0.8808 0.5574 0.1102 0.6744 0.6333 0.6867 0.8025 0.5568 0.1111 0.6885 0.7000 0.6771 0.9242 0.6425 0.1992 0.7059 0.3000 0.6985 0.3022
下载: 导出CSV
表 5 基于4种滤波方法的小缺陷准判率对比
Table 5 Comparison of small defect accuracy rate based on four filtering methods
滤波方法 检测
时间/s特征
数据/组测试
数据/组检测正确
组数准判
率/%ICEEMD−WTF−WF 0.2230 258 150 147 98.00 WTF 0.2449 258 150 128 85.33 移动平均滤波 0.2174 258 150 132 88.00 WF 0.2363 258 150 109 72.67
下载: 导出CSV
表 6 多组实验数据实验结果对比
Table 6 Comparison of experimental results of multiple sets of experimental data
% 实验
序号准判率 ICEEMD−WTF−WF WTF 移动平均滤波 WF 第1组 97.33 84.67 66.67 62.00 第2组 98.67 88.67 68.00 61.33 第3组 100.00 88.67 79.33 64.67 第4组 96.67 84.00 74.00 62.00 第5组 98.00 85.33 88.00 72.67 平均值 98.13 82.27 75.20 64.53
下载: 导出CSV
-
[1] 谢进,任文清. 煤矿钢丝绳芯输送带检测系统[J]. 工矿自动化,2021,47(增刊1):69-71. XIE Jin,REN Wenqing. Coal mine steel cord conveyor belt detection system[J]. Industry and Mine Automation,2021,47(S1):69-71.
[2] 路正雄,郭卫,张传伟,等. 平行磁化NdFeB钢丝绳无损检测仪开发[J]. 西安科技大学学报,2021,41(1):139-144. DOI: 10.13800/j.cnki.xakjdxxb.2021.0118 LU Zhengxiong,GUO Wei,ZHANG Chuanwei,et al. Development of a new wire rope non-destructive tester using parallely magnetized NdFeB[J]. Journal of Xi'an University of Science and Technology,2021,41(1):139-144. DOI: 10.13800/j.cnki.xakjdxxb.2021.0118
[3] 田劼,宋姗. 改进粒子群优化小波阈值的矿用钢丝绳损伤信号处理方法研究[J]. 煤炭工程,2020,52(4):103-107. TIAN Jie,SONG Shan. Processing method for mine wire rope damage signal based on improved particle swarm optimization wavelet threshold[J]. Coal Engineering,2020,52(4):103-107.
[4] 王红尧,吴佳奇,李长恒,等. 矿用钢丝绳损伤检测信号处理方法研究[J]. 工矿自动化,2021,47(2):58-62. DOI: 10.13272/j.issn.1671-251x.17677 WANG Hongyao,WU Jiaqi,LI Changheng,et al. Research on signal processing method of mine wire rope damage detection[J]. Industry and Mine Automation,2021,47(2):58-62. DOI: 10.13272/j.issn.1671-251x.17677
[5] 田劼,王洋洋,郭红飞,等. 基于漏磁检测的钢丝绳探伤原理与方法研究[J]. 煤炭工程,2021,53(9):95-100. TIAN Jie,WANG Yangyang,GUO Hongfei,et al. Principle and method of mine steel wire rope flaw detection based on magnetic flux detection[J]. Coal Engineering,2021,53(9):95-100.
[6] 谢飞,张雪英,乔铁柱,等. 一种钢丝绳芯输送带早期故障检测方法[J]. 工矿自动化,2015,41(1):58-62. DOI: 10.13272/j.issn.1671-251x.2015.01.015 XIE Fei,ZHANG Xueying,QIAO Tiezhu,et al. An early fault detection method of steel cord conveyor belt[J]. Industry and Mine Automation,2015,41(1):58-62. DOI: 10.13272/j.issn.1671-251x.2015.01.015
[7] 李腾宇,寇子明,吴娟,等. 超千米深井提升机可视化监测系统应用[J]. 煤炭学报,2020,45(增刊2):1069-1078. DOI: 10.13225/j.cnki.jccs.zn20.0324 LI Tengyu,KOU Ziming,WU Juan,et al. Monitoring system of the hoist in the over kilometer deep shaft[J]. Journal of China Coal Society,2020,45(S2):1069-1078. DOI: 10.13225/j.cnki.jccs.zn20.0324
[8] 傅其凤,李松,路贵兰. 改进阈值去噪方法在电梯钢丝绳断丝检测中的应用[J]. 机床与液压,2019,47(15):194-196,138. DOI: 10.3969/j.issn.1001-3881.2019.15.041 FU Qifeng,LI Song,LU Guilan. Application of improved threshold denoising method in broken steel wire inspection[J]. Machine Tool & Hydraulics,2019,47(15):194-196,138. DOI: 10.3969/j.issn.1001-3881.2019.15.041
[9] 黄天然,谭建平,薛少华,等. EMD与排列熵在提升机跳绳故障诊断中的应用[J]. 传感器与微系统,2020,39(7):150-153,160. DOI: 10.13873/J.1000-9787(2020)07-0150-04 HUANG Tianran,TAN Jianping,XUE Shaohua,et al. Application of EMD and permutation entropy in fault diagnosis of hoist wire jumping rope[J]. Transducer and Microsystem Technologies,2020,39(7):150-153,160. DOI: 10.13873/J.1000-9787(2020)07-0150-04
[10] 杨智广,费鸿禄,胡刚. 隧道掘进爆破振动对围岩影响的HHT分析[J]. 中国安全生产科学技术,2019,15(9):121-127. YANG Zhiguang,FEI Honglu,HU Gang. HHT analysis on influence of blasting vibration during tunnel excavation on surrounding rock[J]. Journal of Safety Science and Technology,2019,15(9):121-127.
[11] COLOMINAS M A,SCHLOTTHAUER G,TORRES M E. Improved complete ensemble EMD:a suitable tool for biomedical signal processing[J]. Biomedical Signal Processing and Control,2014,14:19-29. DOI: 10.1016/j.bspc.2014.06.009
[12] 张丹威,王晓东,黄国勇. 相关系数SVD增强随机共振的单向阀故障诊断[J]. 电子学报,2018,46(11):2696-2704. DOI: 10.3969/j.issn.0372-2112.2018.11.017 ZHANG Danwei,WANG Xiaodong,HUANG Guoyong. Check valve fault diagnosis with correlation coefficient SVD enhanced stochastic resonance[J]. Acta Electronica Sinica,2018,46(11):2696-2704. DOI: 10.3969/j.issn.0372-2112.2018.11.017
[13] 宋洋,杨杰,宋锦焘,等. 基于CEEMDAN−PE−LSTM的混凝土坝变形预测[J]. 水利水运工程学报,2021(3):41-49. DOI: 10.12170/20200520003 SONG Yang,YANG Jie,SONG Jintao,et al. Concrete dam deformation prediction based on CEEMDAN−PE−LSTM model[J]. Hydro-Science and Engineering,2021(3):41-49. DOI: 10.12170/20200520003
[14] 张国安,何平,余焕伟,等. 基于广义延拓的电梯振动信号优化处理与分析[J]. 中国特种设备安全,2018,34(10):4-8,11. DOI: 10.3969/j.issn.1673-257X.2018.10.002 ZHANG Guo'an,HE Ping,YU Huanwei,et al. Optimization and analysis of elevator vibration signal based on generalized extension method[J]. China Special Equipment Safety,2018,34(10):4-8,11. DOI: 10.3969/j.issn.1673-257X.2018.10.002
计量
- 文章访问数: 158
- HTML全文浏览量: 87
- PDF下载量: 18
